ارائه روشي براي كاهش حساسيت الگوريتم هاي خوشه‌بندي افزايشي اسناد XML مبتني بر الگوريتم هاي هوش دسته جمعي

تاكنون روشهاي مختلفي براي ذخيره سازي و بازيابي اطلاعات اسناد نيمه ساخت يافته ارائه شده است كه بيشتر آنها در دو گروه با رهيافت دسته اي و افزايشي قرار مي گيرند. در رهيافت دسته اي يا خوشه اي فرض بر اين است كه كل اسناد قابل دسترسي و خوشه بندي است و اسناد مي توانند چندين بار مورد پردازش قرار گيرند كه باعث افزايش زمان اجراي اينگونه الگوريتم ها مي شود. در رهيافت افزايشي كل اسناد تماماً يك جا وجود ندارند بلكه به مرور زمان در اختيار روش دسته بندي قرار مي گيرد كه از اين نظر زمان اجراي اينگونه الگوريتم ها نسبت به روش دسته اي كمتر و در نتيجه سرعت اجراي آنها بيشتر است. در اين پژوهش روش پيشنهادي ما با روش هايXCLS و XCLS+ در سه معيار ارزيابي Entropy، Purity و Fscore مورد مقايسه قرار گرفت. نتايج نشان داد روش پيشنهادي در معيارهاي Entropy، Purity و Fscore نسبت به دو روش XCLS و XCLS+ ارجحيت دارد و فقط در معيار Fscore نسبت به روش XCLS+ اندكي كارايي كمتري از خود نشان مي‌دهد.