فهرست نشریات علمی دسترسی آزاد ایران

از دهه 1380 شمسی، نگارش و انتشار مقالات علمی در ایران سرعت بسیار زیادی یافته‎ و سبب شده افزون ‌‌بر سازمان‎های دولتی مانند «ایرانداک» و «سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران»، سامانه‌های برخط متعدد دیگری چون «پرتال جامع علوم انسانی»، «نورمگز»، «مگ‌ایران»، «علم‌نت»، «سیویلیکا» و غیره اقدام به مدیریت دانش و تهیه بایگانی‌های ساختارمند مستندات علمی کنند. هر کدام از این بایگانی‌ها امکاناتی را در اختیار کاربر قرار می‌دهد. یکی ‌از این امکانات، قابلیت جست‌وجوست و جست‌وجوی دقیق می‌تواند بر کاربریِ این سامانه‌ها تأثیر به‌سزایی بگذارد. برای افزایش دقت جست‌وجو نیاز است حوزه علمی مقالات مشخص شود. دسته‌بندی حجم زیاد منابع علمی در حوزه‌های مختلف بسیار زمان‌بر است و استفاده از روش‌های ماشینی به‌عنوان یک راه‌حل می‎تواند از این کار طاقت‌فرسا بکاهد.هدف اصلی این مقاله ارائه یک مدل دسته‌بندی برای تعیین حوزه مقالات علمی است. اگرچه در پژوهش‌های پیشینِ دسته‌بندی، به‌طور عمده، الگوریتم‌های دسته‌بندیِ متداول برای متن ساده به‌کار رفته‌اند، در این پژوهش تلاش می‌شود افزون ‌بر استفاده از این دسته‌بندی‌ها، از دسته‌بندهای مبتنی‌ بر شبکه عصبی، مانند شبکه عصبی «پیچشی» و «پرسپترون»، به ‌همراه بازنمایی معنایی مبتنی ‌بر بافت، مانند «پارس‌برت» استفاده شود و نتایج آن با سایر روش‌های متداول در ساخت بردار مستندات، مانند «ورد2وک» مقایسه شود. برای این هدف، از داده‌های «پرتال علوم انسانی» که دربرگیرنده مقالات متنوع علوم انسانی است، استفاده می‌کنیم. ویژگی این داده مشخص ‌بودن حوزه تخصصی هر مقاله است. یکی ‌از ویژگی‌های شبکه عصبی این است که برایندی از ویژگی‌های نهفته از داده در فضای برداریِ ساخته‌شده شکل می‌گیرد و برای آموزش مدل استفاده می‌شود. بر اساس نتایج عملی، دسته‌بند «پرسپترون» مبتنی ‌بر «پارس‌برت» بالاترین کاراییِ 71/74 درصدی بر اساس امتیاز F میکرو و کارایی 55/72 درصدی بر اساس امتیاز F ماکرو را به‌‌دست آورده ‌است