در گذر زمان و با افزایش روبه رشد تکنولوژی، حجم اطلاعات قابل ذخیره سازی توسط سازمان های مختلف، در حال افزایش است. یکی از مهم ترین سرویس هایی که نقش بسزایی در بازیابی اسناد اطلاعاتی ذخیره شده در پایگاه های داده سازمان ها ایفا می نماید، موتور جست وجو است. جست وجوی سنتی که اغلب در نرم افزارها و سایت ها مورداستفاده قرار می گیرد مبتنی بر ظاهر واژگان است. این نوع جست وجو زاویة دید محدودی داشته و ممکن است نتایج ارزشمندی را نادیده گرفته و نمایش ندهد. از طرفی کاربر را نیز مجبور می کند به طور دقیق و محدود کلید را انتخاب نماید. هدف از این طرح، توسعه موتور جست وجوی مبتنی بر تحلیل و پردازش متن بود که نتایج را بر اساس انتخاب مناسب ترین و نزدیک ترین منابع دانشی، از بین مقالات تعریف شده به لحاظ مشابهت نوشتاری یا معنایی ارائه دهد. برای توسعه سرویس جست وجوی معنایی به چند بخش اصلی نیاز می باشد: عملیات پیش پردازش و ذخیره سازی متن، انتخاب مدل هوش مصنوعی مناسب برای جست وجوی معنایی، مجموعه دادگان غنی برای آموزش مدل، پایگاه دانش مرتبط با مجموعه دادگان و درنهایت معماری و ساختاری که امکان استفاده از این سرویس در حوزه های مختلف را فراهم آورد. نتایج نشان داد که موتور جستجوی معنایی چندزبانه مبتنی بر گراف دانش با دقت 91% (بر مبنای معیار mean reciprocal rank) قادر است به زبان های مختلفی مانند فارسی، انگلیسی، عربی و آلمانی پاسخ دهد. همچنین سرویس طبقه بندی موضوعی قادر است با دقت 93% برای چهل حوزه دانشی فارسی مقالات را بر اساس موضوعات مختلفی مانند علوم کامپیوتر، ریاضی، فیزیک و ادبیات طبقه بندی کند. در نهایت در این طرح قابلیت استفاده از مدل ها در حوزه های مختلف بر اساس دادگان و پایگاه دانش آن حوزه که امکان انطباق و تنظیم مدل ها را با نیازهای مختلف کاربران فراهم می کند، مهیا شد.