چکیده:
هدف: هدف این پژوهش بررسی نتایج استخراج خودکار کلیدواژه از فهرست مندرجات کتابهای الکترونیکی فارسی حوزۀ علوم با استفاده از مدلسازی موضوعی LDA، سنجش شباهت کلیدواژههای خروجی با کلیدواژههای استاندارد و ارزیابی کاربران از کلیدواژههای استخراجشده بهصورت ماشینی است.
روش پژوهش: این پژوهش از حیث هدف کاربردی، از نوع پژوهشهای متنکاوی و از جنبۀ روشهای مورداستفاده در آن پژوهشی آمیخته است که در آن از مدلسازی موضوعی LDA برای استخراج کلیدواژه از فهرستهای مندرجات استفادهشدهاست. ارزیابی رویکرد مورداستفاده با دو روش سنجش کسینوس شباهت و ارزیابی کیفی توسط کاربران صورت گرفته است.
یافتهها: فهرستهای مندرجات موردبررسی با میانگین پیراسته 02/260 کلمه از متون با طول متوسط محسوب میشوند و حدود 20 درصد از کلمات آنها را ایستواژهها تشکیل داده اند. میان کلیدواژههای استاندارد سرعنوانی و کلیدواژههای خروجی مدل LDA کسینوس شباهت 0932/0 و بسیار پایین به دست آمد. توافق کامل کاربران نشان داد کلیدواژههای خروجی مدل موضوعی LDA حوزه موضوعی کل پیکره را نشان میدهند، اما ازنظر کاربران به ترتیب کلیدواژههای سرعنوانی استاندارد ، کلیدواژههای مستخرج از مدل در زیرحوزههای موضوعی و کلیدواژههای مستخرج از مدل با کل پیکره در توصیف موضوعات هر تک مدرک موفقاند.
نتیجهگیری: کلیدواژههای بهدستآمده از مدل موضوعی LDA را میتوان در مجموعههای ناشناخته بهمنظور استخراج محتوای موضوعی نا آشکار کل مجموعه به کار برد، اما برای ربط دقیق موضوع به مدرک در پیکرههای بزرگ با موضوعات ناهمگن و متنوع، نمیتوان از این روش استفاده کرد. این روش در رویههای رسمی توصیف موضوعی تکتک مدارک بهصورت مستقل میتواند به عنوان یک سیستم پیشنهاددهنده کلیدواژه به نیروی انسانی نمایهساز به کار گرفته شود.
Purpose: This study investigates the automatic keyword extraction from the table of contents of Persian e-books in the field of science using LDA topic modeling, evaluating their similarity with golden standard, and users' viewpoints of the model keywords.
Methodology: This is a mixed text-mining research in which LDA topic modeling is used to extract keywords from the table of contents of scientific e-books. The evaluation of the used approach has been done by two methods of cosine similarity computing and qualitative evaluation by users.
Findings: Table of contents are medium length texts with a trimmed mean of 260.02 words, about 20% of which are stop-words. The cosine similarity between the golden standard keywords and the output keywords is 0.0932 thus very low. The full agreement of users showed that the extracted keywords with LDA topic model represent the subject field of the whole corpus, but the golden standard keywords, the keywords extracted using the LDA topic model in sub-domains of the corpus, and the keywords extracted from the whole corpus were respectively successful in subject describing of each document.
Conclusion: The keywords extracted using LDA topic model can be used in unspecified and unknown collections to extract hidden thematic content of the whole collection, but not to accurately relate each topic to each document in large and heterogeneous themes. In collections of texts in one subject field, such as mathematics or physics, etc., with less diversity and more uniform in terms of the words used in them, more coherent and relevant keywords are obtained, but in these cases the control of the relevance of keywords to each document is required. In formal subject analysis procedures and processes of individual documents, this approach can be used as a keyword suggestion system to indexing and analytical workforce.