| تعداد نشریات | 61 |
| تعداد شمارهها | 2,201 |
| تعداد مقالات | 17,941 |
| تعداد مشاهده مقاله | 55,047,430 |
| تعداد دریافت فایل اصل مقاله | 28,820,174 |
یک رویکرد جدید برای شناسایی سرقت ادبی با استفاده ازآتوماتای یادگیرسلولی و برچسب گذاری نقش معنایی | ||
| مطالعات مدیریت کسب و کار هوشمند | ||
| مقاله 6، دوره 10، شماره 36، شهریور 1400، صفحه 183-209 اصل مقاله (1.4 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/ims.2021.49415.1661 | ||
| نویسندگان | ||
| رضوان یعقوبی* 1؛ مهدی یعقوبی2؛ حسن ختن لو3 | ||
| 1کارشناسی ارشد، کامپیوتر، دانشگاه آزاد اسلامی، واحد ملایر، باشگاه پژوهشگران جوان و نخبگان، ملایر، ایران. (نویسنده مسئول)؛ Rezvaneyaghobi2050@gmail.com | ||
| 2کارشناسی ارشد، فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد ملایر، ایران. | ||
| 3استاد، گروه کامپیوتر، دانشگاه بوعلی سینا، همدان، ایران. | ||
| چکیده | ||
| سرقت ادبی عبارت از برداشتن و به نام خود قلمداد کردن ایده و یا کلمات دیگران است. با پیشرفت روز افزون اینترنت و گسترش مقالات آنلاین، سرقت های علمی آسان تر شده است. امروزه سیستم های زیادی جهت شناسایی سرقت ادبی ایجاد شده اند. بیشتر این سیستم ها براساس ساختار لغوی و الگوریتم های تطابق رشته ای عمل می کنند. بنابراین این سیستم ها به سختی می توانند سرقت های بازگردانی و جایگذاری مترادف ها را شناسایی کنند. در این مقاله روشی جهت شناسایی سرقت ادبی بر مبنای برچسب گذاری نقش معنایی و اتوماتای یادگیر سلولی ارائه می شود. در این مقاله جهت قرارگیری کلمات پردازش شده از اتوماتای یادگیر سلولی استفاده می شود. برچسب گذاری نقش معنایی، نقش کلمات در جمله را مشخص می کند. عملیات مقایسه برای تمام جملات متن اصلی و متن مشکوک به سرقت انجام می شود. نتایج آزمایش بر روی مجموعه داده های PAN-PC-11 نشان می دهد که روش پیشنهادی ما، مقدار پارامترهای ارزیابی مانندRecall ، Precisionو F-measureرا نسبت به روش های قبلی ارائه شده در زمینه ی شناسایی سرقت ادبی بهبود می دهد. | ||
| کلیدواژهها | ||
| سرقت ادبی؛ اتوماتای یادگیرسلولی؛ برچسب گذاری نقش معنایی؛ شباهت معنایی | ||
| مراجع | ||
|
رضوان، یعقوبی و حسن ختنلو. (1394). شناسایی سرقت ادبی مبتنی بر الگوریتم ژنتیک و برچسبگذاری نقش معنایی در مقالات علمی. فصلنامه صنایع الکترونیک,6(3)، 79-67.
مهدی، شاه آبادی و محمدرضا، میبدی.(1382). الگوریتمهای مرتب سازی جدید برای اتوماتای سلولی دو بعدی. کنفرانس ملی سالانه انجمن کامپیوتر ایران.
References
A.H. Osman, N. S. (2011). Conceptual similarity and graph -based method for plagiarism detection. Journal of Theoretical and Applied Information Technology, 32(2), 135-145.
A.H. Osman, N. S. (2012). An improved plagiarism detection scheme based on semantic role labeling. 12, 1493-1502.
A.Z, B. (1997). On the resemblance and containment of documents. in: Compression and Complexity of Sequences Proceedings.
D.R. White, M. J. (2004). Sentence-based natural language plagiarism detection. Journal of Education Resources in Computing, 4(4), 2-3.
Gelbukh, S. (2009). Computing Similarity Measures for Original WSD Lesk Algorithm. Advances in Computer Science and Application, 43, 155-166.
Heintze, N. (1996). Scalable document fingerprinting. in:UNIX Workshop on Electronic Commerce, (pp. 191-200).
K.K. Chow, N. S. (2010). Web based cross language plagiarism detection. in: Second International Conference on Computational Intelligence, Modelling and Simulation, (pp. 199-204).
Kent, N. C. (2010). Features based text similarity detection. Journal of Computing, 2(1), 53-57.
Kriszti, e. (2000). Document overlap detection system for distributed digital libraries. in: Proceedings of fifth ACM conference on Digital libraries, (pp. 226-227). San Antonio, TX, United States.
Meuschke, N. S. (2019). Improving Academic Plagiarism Detection for STEM Documents by Analyzing Mathematical Content and Citations. ACM/IEEE-CS Joint Conf. on Digital Libraries (JCDL).
Mohamed, M. &. (2019). SRL-ESA-TextSum: A text summarization approach based on semantic role labeling and explicit semantic analysis. Information Processing & Management, 56(4), 1356-1372.
Savargiv, M., Masoumi, B., & Keyvanpour, M. R. (2020). A new ensemble learning method based on learning automata. Journal of Ambient Intelligence and Humanized Computing, 1-16.
Sindhu.L, B. T. (2011). A Study of Plagiarism Detection Tools and Technologies. Interrnational Journal of Research In Technology, 1(1), 64-70.
Thatha, V. N. (2020). An Enhanced Feature Selection for Text Documents. In Smart Intelligent Computing and Applications, 21-29.
The Stanford NLP Group. (2014). Retrieved from https://nlp.stanford.edu/software/lex-parser.shtml#Download
Virmani, D. &. (2019). A text preprocessing approach for efficacious information retrieval. In Smart Innovations in Communication and Computational Sciences, 13-22.
Zhang, F. F. (2019). Construction site accident analysis using text mining and natural language processing techniques. Automation in Construction, 238-248.
References [In Persian]
Yaghobi, R., A & khotanloue, H. (2015). Plagiarism detection in the scientific papers using semantic role labeling and Genetic algorithm. Electronics Industries, 6(3),67-79 .[In Persian]
Shahabadi M., & Meybodi, M. R. (2003). New sorting algorithms for two-dimensional cellular automation. Annual National Conference of the Iranian Computer Association.[In Persian]
استناد به این مقاله: یعقوبی، رضوان، یعقوبی، مهدی، ختن لو، حسن. (1400). رویکردی جدید برای شناسایی سرقت ادبی با استفاده از آتوماتای یادگیر سلولی و برچسبگذاری نقش معنایی، مطالعات مدیریت کسب وکار هوشمند، 9(36)، 183-208. DOI: 10.22054/IMS.2021.49415.1661
Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..
| ||
|
آمار تعداد مشاهده مقاله: 1,024 تعداد دریافت فایل اصل مقاله: 562 |
||