استفاده از یک روش عامل گرا در طراحی فیلترهای شخصی اطلاعات

همچنانکه اطلاعات بیشتری بصورت الکترونیکی در دسترس قرار می گیرد. ابزارهای یافتن اطلاعات مورد علاقه برای کاربران نیز مهمتر می شود. از یک طرف، کاربران می خواهند بتوانند با کنترل حجم وسیع اطلاعات نیازهای خود را برطرف کنند و از طرف دیگر می خواهند با واسطهای سطح بالاتر از کارهای تکراری کامپیوتری رهایی یابند. یک راه حل برای هر دو مشکل، طراحی یک سیستم فیلتر کردن اطلاعات با قابلیت یادگیری است. در این پایان نامه سیستمی برای فیلتر کردن اطلاعات متنی با قابلیت یادگیری طراحی و پیاده سازی شده است. کاربران سوالات خود را در سیستم می گذارند و مستندات مربوط به هر پرسش توسط پنج عامل هوشمند نرم افزاری تحلیل می شود و سپس برای کاربران فرستاده می گردد. سه عامل با توجه به سوال کاربر، مستندات قبلی مورد علاقه او و گروهی که کاربر متعلق به آن است هریک ارزشی را به سند نسبت می دهند. چهارمین عامل با ترکیب این ارزشها، ارزش نهایی را بدست می آورد و عامل پنجم با توجه به ارزشهای حدس زده شده توسط عوامل دیگر و ارزش واقعی که کاربر به مستندات قبلی داده است مقدار ارزش را اصلاح می کند. با این فرآیند میزان دقت سیستم نسبت به حالتی که تنها سوال کاربر در نظر گرفته می شد خیلی بهتر می شود. در اینجا برای استخراج روابط کلمات و وابستگی ها از نمایه سازی معانی پنهان ‏‎(lsi)‎‏ استفاده شده است و مجموعه مورد آزمایش مجموعه استاندارد ‏‎cranfield‎‏ می باشد.