چکیده: چکیده هدف این پژوهش، طراحی و ارزیابی یک چارچوب کارآمد برای طبقه‌بندی خودکار مجموعه‌داده‌های متنی با استفاده از الگوریتم‌های یادگیری ماشین نظارت‌شده بود. این مطالعه با تمرکز بر بهبود کیفیت بازنمایی متون و افزایش دقت طبقه‌بندی، در پی آن بود که میزان اثربخشی ترکیب پیش‌پردازش متون، استخراج ویژگی و مدل‌سازی خطی را در یک مسئله چندکلاسه بررسی کند. روش پژوهش از نوع کاربردی و با رویکرد کمی ـ آزمایشی بود. جامعه داده‌ای پژوهش شامل مجموعه‌داده 20 Newsgroups با 18846 سند متنی در 20 طبقه موضوعی بود که پس از آماده‌سازی، به نسبت 80 درصد برای آموزش و 20 درصد برای آزمون تقسیم شد؛ به‌طوری‌که 15076 سند در بخش آموزش و 3770 سند در بخش آزمون قرار گرفت. در مرحله پیش‌پردازش، عملیات نرمال‌سازی، توکن‌سازی، حذف کلمات توقف و ریشه‌یابی انجام شد و سپس ویژگی‌های متنی با استفاده از روش TF-IDF در دو سطح تک‌واژه و دوواژه استخراج گردید؛ در نهایت، مدل طبقه‌بندی با الگوریتم ماشین بردار پشتیبان خطی پیاده‌سازی و با اعتبارسنجی متقابل پنج‌بخشی ارزیابی شد. یافته‌های پژوهش نشان داد که پیش‌پردازش متون نقش معناداری در کاهش حجم داده و بهبود کیفیت بازنمایی دارد؛ به‌گونه‌ای که تعداد توکن‌ها از 5241964 به 3298402 واحد کاهش یافت که بیانگر کاهش 37.08 درصدی است و تعداد واژگان یکتا نیز از 163482 به 81627 واژه رسید که کاهش 50.07 درصدی را نشان می‌دهد. در مرحله استخراج ویژگی، مجموع 109717 ویژگی شامل 68432 تک‌واژه و 41285 دوواژه از 18846 سند استخراج شد و ماتریس ویژگی با چگالی 0.60 درصد و تنکی 99.40 درصد تشکیل گردید. نتایج آموزش مدل نشان داد که در میان مقادیر مختلف پارامتر C، مقدار C=1 بهترین عملکرد را با دقت اعتبارسنجی 0.861 ارائه کرد و میانگین دقت در اعتبارسنجی متقابل پنج‌بخشی نیز برابر با 0.861 با انحراف معیار 0.0036 بود که حاکی از پایداری مناسب مدل است. در ارزیابی نهایی بر روی داده‌های آزمون، مدل به دقت کل 0.864، دقت مثبت 0.866، بازخوانی 0.864 و امتیاز F1 برابر با 0.865 دست یافت که نشان‌دهنده عملکرد مطلوب و متوازن سامانه طبقه‌بندی در مسئله چندکلاسه مورد بررسی است. نتیجه‌گیری پژوهش نشان داد که ترکیب پیش‌پردازش هدفمند متون، استخراج ویژگی مبتنی بر TF-IDF و استفاده از الگوریتم ماشین بردار پشتیبان خطی، چارچوبی کارآمد، پایدار و قابل اتکا برای طبقه‌بندی خودکار اسناد متنی فراهم می‌کند. نتایج حاصل بیانگر آن است که کاهش نویز زبانی، کنترل ابعاد فضای ویژگی و انتخاب مناسب پارامترهای مدل، نقش تعیین‌کننده‌ای در افزایش دقت و تعادل شاخص‌های ارزیابی دارند. همچنین مقایسه با پژوهش‌های مشابه نشان داد که عملکرد این مدل در سطحی بالاتر از بسیاری از روش‌های کلاسیک و نزدیک به نتایج برخی مطالعات قوی در حوزه طبقه‌بندی متون قرار می‌گیرد. کلمات کلیدی