طبقه بندی صفحات وب برای بهینه سازی موتورهای جستجو با استفاده از مدل ترکیبی یادگیری عمیق

Q: چگونه مقاله دانلود کنم؟

برای دانلود مقاله از SID، ابتدا وارد سایت شوید، عنوان مقاله را جستجو کرده و بر روی گزینه 'دانلود مقاله' کلیک کنید.

Q: چگونه مقاله ISI دانلود کنم؟

برای دانلود مقاله ISI در SID، کلمه کلیدی یا عنوان مقاله را در نوار جستجو وارد کرده و نتایج مرتبط را مشاهده کنید. سپس روی مقاله مورد نظر کلیک کرده و گزینه 'دانلود مقاله' را انتخاب کنید.

Q: چگونه میتوانم به پایگاه داده SID دسترسی داشته باشم؟

برای دسترسی به پایگاه داده SID، وارد سایت SID.ir شوید، یک حساب کاربری ایجاد کنید و سپس با ورود به حساب خود به منابع علمی دسترسی پیدا کنید.

Q: آیا دانلود مقاله از SID رایگان است؟

بعضی از مقالات در SID بهصورت رایگان در دسترس هستند، اما برخی دیگر نیاز به پرداخت هزینه دارند. اطلاعات بیشتر در صفحه مقاله مشخص شده است.

عزیزی سقزچی مهدی; نجف زاده سارا

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله همایش

مشخصات مقاله

همایش: کنفرانس بین المللی وب پژوهی
سال:1404 | دوره برگزاری:11

دانلود متن کامل

بازدید:

دانلود:

اطلاعات مقاله همایش

عنوان

طبقه بندی صفحات وب برای بهینه سازی موتورهای جستجو با استفاده از مدل ترکیبی یادگیری عمیق

نویسندگان

عزیزی سقزچی مهدی | نجف زاده سارا | صدور گواهی نویسنده

کلیدواژه

یادگیری عمیق

بهینه سازی موتورهای جستجو

شبکه عصبی پیچشی

حافظه کوتاه مدت طولانی

دسته بندی صفحات وب

تحلیل متن

چکیده

در عصر دیجیتال, طبقه بندی دقیق صفحات وب نقشی اساسی در بهینه سازی موتورهای جستجو (SEO) و ارتقای کیفیت بازیابی اطلاعات ایفا می کند. افزایش حجم داده ها و پیچیدگی ساختاری صفحات وب, محدودیت های روش های سنتی مبتنی بر تطابق کلمات کلیدی را آشکار ساخته است. در این پژوهش, یک مدل ترکیبی مبتنی بر شبکه عصبی پیچشی (CNN) و حافظه کوتاه مدت طولانی (LSTM) برای طبقه بندی صفحات وب بر اساس معیارهای سئو ارائه شده است. در این روش, CNN ویژگی های متنی و ساختاری صفحات را استخراج کرده و سپس LSTM روابط معنایی میان واژه ها را تحلیل می کند. برای آموزش و ارزیابی مدل, مجموعه داده ای شامل صفحات وب برچسب گذاری شده از منابع معتبر مورد استفاده قرار گرفته است. عملکرد مدل پیشنهادی با استفاده از معیارهای دقت (Accuracy), صحت (Precision), یادآوری (Recall) و امتیاز F1 سنجیده شده است. نتایج نشان می دهد که مدل پیشنهادی به دقت 97. 21% دست یافته و نسبت به روش های یادگیری عمیق پیشین, عملکرد بهتری دارد. این یافته ها نشان می دهند که مدل ارائه شده می تواند به عنوان یک ابزار مؤثر در بهینه سازی رتبه بندی صفحات وب و افزایش کارایی موتورهای جستجو به کار گرفته شود.

ویدئو