fa بررسی رویکردهای متن‌کاوی و عملکرد آن در کشف و استخراج موضوع تخصصي Special كاربردي Applicable <strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">زمینه و </span></span></span></strong><strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">هدف</span></span></span></strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> : در این پژوهش چهار روش متن‌کاوی </span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">بررسی می</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">‌</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">شود</span></span></span> <span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">و بر درک و شناسایی خصوصیات و محدودیت‌های آن‌ها در کشف موضوع تمرکز می</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">‌</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">کند. این چهار روش عبارت‌اند از 1) تجزیه‌وتحلیل معنایی پنهان</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">(</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">LSA</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">)</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> 2) تحلیل معنایی پنهان احتمالاتی</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">(</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">PLSA</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">)</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">، 3) تخصیص دیریکله پنهان</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">(</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">LDA</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">)</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"> و 4) مدل‌سازی موضوعی همبسته</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">(</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;">CTM</span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">)</span></span></span><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">. </span></span></span><br> <strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">روش پژوهش</span></span></span></strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">: پژوهش حاضر از نوع کتابخانه‌ای است که در آن، ادبیات حوزه متن‌کاوی و مدل‌سازی موضوعی مرور و تحلیل شده است.</span></span></span><span dir="LTR" style="font-style:normal;"><span style="font-size:8.0pt;"></span></span><br> <strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">یافته‌ها</span></span></span></strong>: <span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">تجزیه‌وتحلیل معنایی پنهان می‌تواند برای تشخیص موضوعات خاص و منحصربه‌فرد در مدارکی که تنها به یک موضوع پرداخته‌اند استفاده شود. سه روش دیگر متن‌کاوی، بر موضوعات و گرایش کلی متن متمرکز هستند.</span></span></span> <span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">تحلیل معنایی پنهان احتمالاتی&nbsp; برای مدارکی که به یک موضوع پرداخته‌اند قابل‌استفاده است اما برخلاف تجزیه‌وتحلیل معنایی پنهان ، این روش در کشف موضوعات و مضامین کلی متن کاربرد دارد. درحالی‌که تخصیص دیریکله پنهان &nbsp;در مورد مدارکی که به چندین موضوع پرداخته‌اند کاربرد بیشتری دارد. روش مدل‌سازی موضوعی همبسته&nbsp; می‌تواند در تشخیص ارتباط بین دسته‌های موضوعی مختلف استفاده شود.</span></span></span> <span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;"></span></span></span><br> <strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">نتیجه‌گیری</span></span></span></strong><span style="font-style:normal;"><span style="font-family:B Mitra;"><span style="font-size:10.0pt;">: رویکردهای متن‌کاوی به خاطر بهره‌گیری از تحلیل معنایی در کشف و استخراج موضوع متون مناسب است</span></span></span> <strong>Background and aim</strong>: Four text mining methods are examined and focused on understanding and identifying their properties and limitations in subject discovery.<br> <strong>Methodology</strong>: The study is an analytical review of the literature of text mining and topic modeling.&nbsp;<br> <strong>Findings</strong>: LSA could be used to classify specific and unique topics in documents that address only a single topic. The other three text mining methods focus on topics and general partiality of the text. PLSA is applicable to documents dealing with a topic, unlike the LSA, it is used to discover general themes and contexts. However, LDA is more applicable to documents that address several issues. The CTM, method can be used to identify relationship between different subject categories.<br> <strong>Conclusion</strong>: Text mining tactics are suitable for employing analysis in discovering and extracting the text subjects. متن‌کاوی, مدل‌سازی موضوعی, تحلیل معنایی, کشف موضوع Text mining, Topic Modeling, Semantic Analysis, Topic Discovery 15 26 http://hii.khu.ac.ir/browse.php?a_code=A-10-240-1&slc_lang=fa&sid=1 Ali Mansouri علی منصوری mansooria@gmail.com 10031947532846004935 10031947532846004935 Yes Isfahan University دانشگاه اصفهان Fatemeh Zarmehr فاطمه زرمهر fahim2398@gmail.com 10031947532846004936 10031947532846004936 No Isfahan university دانشگاه اصفهان Hossein Karshenas حسین کارشناس hosseinkarshenas@gmail.com 10031947532846004937 10031947532846004937 No Isfahan University دانشگاه اصفهان