لیلا مکتبی ­فرد[۲][۲]

 

چکیده

منطق فازی که در سال ۱۹۶۵ توسط دانشمند ایرانی، پروفسور لطفی­زاده به جهان عرضه شد، در تقابل با منطق دوارزشی ارسطویی، ابهام را به عنوان بخشی از سیستم پذیرفته و بر مفاهیم مبهم و نامعیّن دلالت می­کند. در شرایطی که ماشین قادر به درک مفاهیم کیفی ـ که به راحتی برای انسان قابل فهم است ـ نیست، منطق فازی شیوه تفکر انسان را به فناوری منتقل می­کند. از منطق فازی در بسیاری از شاخه­های علوم از جمله «مدیریت اطلاعات» استفاده می‌شود. در سال ۱۹۷۵، با انتشار مقاله­ای به زبان فرانسه در مورد جستجوی اطلاعات در شرایط فازی، این واژه به طور رسمی وارد ادبیات کتابداری و اطلاع­رسانی شد. طبق اطلاعات ثبت­شده در بانک اطلاعاتی LISA، بخش عمده­ای از آنچه تاکنون در خصوص منطق فازی و مدیریت اطلاعات منتشر شده، بر ذخیره و بازیابی اطلاعات تمرکز داشته است. پس از آن، بیشترین کاربرد این مقوله به ترتیب در سازماندهی و فراهم­آوری اطلاعات بوده است. اکنون برای تضمین امنیت شبکه­های اطلاعاتی، از منطق فازی بهره­برداری می­شود. در برخی زمینه­ها مانند مستند­سازی و مدیریت رکوردها نیز تاکنون پژوهشی با موضوع فازی به انجام نرسیده است. در سالهای اخیر، رویکرد عمده این بحث به سمت نظامهای خبره و هوش مصنوعی سوق یافته است. به نظر می‌رسد برای حل بسیاری از گره‌­های موجود در حوزه مدیریت اطلاعات، می­توان از منطق فازی کمک گرفت.

کلیدواژه­ها: منطق فازی، مدیریت اطلاعات، ذخیره و بازیابی، سازماندهی، فراهم‌آوری، امنیت ‌شبکه­ها، خدمات کاربران.

مقدمه

مفاهیم بسیاری پیرامون ما وجود دارد که آنها را در قالب عبارتهای مختلف در بیان مسائل روزانه خود به کار می‌بریم. وقتی می­گوییم «هوا خوب است»، در واقع هیچ کمیّتی برای خوب بودن هوا نداریم تا آن را اندازه بگیریم و این خوب بودن کاملاً یک مفهوم کیفی است. در واقع، مغز انسان با در نظر گرفتن عوامل گوناگون و بر پایه تفکر استنتاجی، جمله­هایی را تعریف و ارزش­گذاری می­کند که الگوبندی آنها به زبان و فرمولهای ریاضی اگر ناممکن نباشد، کاری بسیار پیچیده خواهد بود.

«منطق فازی»[۳][۳] بر آن است بر این مفاهیم غیردقیق و کیفی دلالت کند. منطق یا تئوری فازی «یک نوع منطق است که روش های نتیجه­گیری در مغز بشر را جایگزین   می­کند». (ویکی پدیا، ۲۰۰۶)

در جهان واقع نیز آدمی بسیاری از مفاهیم را به صورت فازی (به معنای غیردقیق و مبهم) درک می­کند و به­کار می­بندد. هرچند کلمات و مفاهیمی همچون «گرم، سرد، بلند، کوتاه، پیر، جوان» و نظایر آنها به عدد خاص و دقیقی اشاره ندارند، ذهن انسان با سرعت و انعطاف­پذیری شگفت­آوری همه را می­فهمد و در تصمیمها و نتیجه‌گیریهای خود، به شمار می­آورد. این در حالی است که ماشین فقط اعداد را می‌فهمد و ماهیتاً دقیق است.

منطق کلاسیک یا ارسطویی، تنها دو حالت برای موقعیتهای مختلف قایل است: سیاه و سفید؛ آری و نه؛ روشن و تاریک؛ صفر و یک؛ درست و غلط، حال آنکه قایلان به تفکر فازی معتقدند ابهام در ماهیت علم است؛ یعنی همان‌طور که این ابهامها در ذهن بشر وجود داشته و بشر با درک و توجه به آنها در ذهن خود پدیده­ها را تغییر و مدل­سازی   می­کند، منطق فازی نیز سعی دارد مدلهایی ارائه دهد که ابهام را به عنوان بخشی از سیستم ارائه کند. قوانین علمی گذشته، مثل ریاضیات، فیزیک، و مکانیک نیوتونی، همه بر اساس همین منطق دو ارزشی استوار شده­اند، اما بدیهی است که ذهن ما کارهایش را با منطق دیگری انجام می‌دهد و تصمیمهایش را می‌گیرد. با کمک منطق فازی می­توان شیوه تفکر انسان را به فناوری منتقل کرد (فرخیان، ۲۰۰۶).

منطق فازی در سال ۱۹۶۵ توسط دانشمند ایرانی به نام لطف‌علی­عسگرزاده که جامعه بین­الملل به نام پروفسور لطفی زاده از ایشان یاد می­کند، ارائه شد. وی پس از پایه­گذاری تئوری «مجموعه فازی»، در زمینه کاربردهای این تئوری در حافظه مصنوعی، زبان شناسی، منطق، نظریه تصمیمها، نظریه کنترل، سیستمهای خبره و شبکه‌های اعصاب، تحقیقات گسترده‌ای نمود. در حال حاضر، تحقیقات پروفسور لطفی زاده در زمینه منطق فازی نرم رایانه‌ای، محاسبات رایانه‌ای بر مبنای کلمات، نظریه رایانه‌ای ادراک و زبان طبیعی است.

وی در یک مقاله علمی کلاسیک که در سال ۱۹۶۵ به چاپ رسید، مفهوم «مجموعه فازی»، را که اساس نظریه تجزیه و تحلیل سیستمهای پیچیده است، معرفی نمود که در آن «زبان طبیعی» به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستمها به کار می­رود. پس از معرفی مجموعه فازی، بیش از ۱۵۰۰۰ مقاله علمی توسط دانشمندان جهان درباره منطق فازی و کاربردهای گسترده آن در نشریه‌های علمی منتشر گردید و حدود ۳۰۰۰ درخواست ثبت اختراع در این زمینه در کشورهای مختلف جهان به عمل آمده است.

پس از آن لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا آنکه در سال ۱۹۷۳، در یک مقاله کلاسیک دیگر با عنوان «شرحی بر دیدی نو در تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم‌گیری» مفهوم استفاده از متغیرهای زبانی را در سیستمهای حافظه و کنترل مطرح کرد. این مقاله اساس فناوری کنترل بر مبنای منطق فازی است که در آینده اثرهای عمیق در طراحی سیستمهای کنترل هوشیار خواهد داشت.گرچه منطق فازی کاربردی بسیار وسیع‌تر از منطق متداول دارد، ولی پرفسور لطفی‌زاده معتقد است منطق فازی اکسیر و نوشدارو نیست. وی می­گوید: «کارهای زیادی هست که انسان می‌تواند به آسانی انجام دهد، در حالی که رایانه‌ها و سیستمهای منطقی قادر به انجام آنها نیستند. (پروفسور لطفی­زاده، ۲۰۰۶)

شکل زیر به خوبی می­تواند مفهوم فازی را نشان دهد:

 

در این شکل، سرد بودن، گرم بودن، و داغ بودن، توابعی برای مقایسه درجه حرارت هستند و هر نقطه­ای روی این خطوط می­تواند دارای یکی از سه ارزش بالا باشد. به عنوان مثال، برای یک درجه حرارت خاص که در شکل با یک خط نشان داده شده است، می­توان گفت «مقداری سرد است»، «اندکی گرم است»، یا «اصلاً داغ نیست». که هر سه این مفاهیم، نادقیق هستند.

از جمله مفاهیمی که از دل منطق یا تفکر فازی بیرون آمده، نظریه مجموعه­های فازی[۴][۴] است. با بسط این نظریه می توان توضیحات دقیق­تری در خصوص منطق فازی ارائه کرد. مجموعه­ای از اعداد را در نظر می­گیریم. مثلاً «مجموعه اعداد بزرگتر از ۳ بر روی تاس». یعنی:

{۶ ،۵ ،۴}A:

در این مجموعه عدد ۴ هست، ولی عدد ۳ نیست. حال «مجموعه اعداد بزرگ بر روی یک تاس» را در نظر می‌گیریم. عدد ۴ در این مجموعه هست؟ در حقیقت، نمی­توان با قاطعیت وجود یا نبودِ وجود ۴ را در این مجموعه پذیرفت. چنین مجموعه‌ای یک مجموعه فازی است.

چنانکه قبلاً گفته شد، در منطق کلاسیک یا دو ارزشی، اشیا در یک مجموعه دو حالت می پذیرند: تعلق و عدم تعلق، یا به زبان ریاضی صفر و یک. اما در منطق فازی، درجه عضویت هر شیء می­‌تواند عددی بین صفر و یک را بپذیرد. به عنوان مثال، اگر قد علی ۱۸۵ سانتی­متر باشد و بخواهیم ببینیم علی بلند قد است یا نه، در منطق ارسطویی دو حالت داریم: یا علی «بلند است» یا «بلند نیست». اما در منطق فازی، قد علی ممکن است «تا حدودی بلند» باشد. در این منطق، به قد علی عددی بین صفر و یک نسبت می دهیم. مثلاً می‌گوییم او به اندازه ۸/. متعلق به بلندقدهاست. اما اگر قد وی ۲۰۰ سانتی­متر باشد، او را کاملاً بلند قد می­دانیم و می گوییم: او به اندازه ۱ متعلق به بلند قدهاست.

بر همین اساس، یک انسان در نور کافی قادر به درک میلیونها رنگ است، ولی یک روبات چگونه می‌تواند این تعداد رنگ را تشخیص دهد؟ حال اگر بخواهیم روباتی طراحی کنیم که بتواند رنگها را تشخیص دهد، از منطق فازی کمک می­گیریم و با اختصاص اعدادی به هر رنگ، آن را برای روبات طراحی­شده، تعریف می­کنیم (هادی، ۱۳۸۴).

 

منطق فازی و مدیریت اطلاعات

چنانکه گفته شد، منطق فازی در زمینه­های متنوع و متفاوتی کاربرد دارد و تقریباً حدود ۱۰ سال پس از ابداع آن به متون کتابداری راه یافت. به گواهی بانک چکیده­های مقاله‌های کتابداری و اطلاع­رسانی (LISA, 1969-2006) مفهوم فازی اولین بار با عبارت «تئوری مجموعه­های فازی» و در مقاله­ای تحت عنوان «جستجوی یک فایل در شرایط فازی» در دنیای کتابداری و اطلاع­رسانی مطرح شد. در این مقاله[۵][۵] که در سال ۱۹۷۵ و به زبان فرانسه منتشر شده بود، به کاربرد نظریه و مجموعه­های فازی در بازیابی اطلاعات پرداخته شده بود.

به جز مقاله­ای که در سال ۱۹۷۶ در خصوص کاربردهای عملی مجموعه­های فازی در حل مشکلات مربوط به سازماندهی اطلاعات با عنوان «مجموعه­های پراکنده در نظریه رده­بندی» به زبان روسی منتشر شد[۶][۶]، چند سالی تقریباً تمامی پژوهشها و مقاله­های انتشار یافته در خصوص منطق فازی در عرصه کتابداری و اطلاع­رسانی، بر مباحث مترتب بر بازیابی اطلاعات متمرکز بود، به نحوی که از مجموع ۳۲ مقاله­ای که در فاصله سالهای ۱۹۷۵ تا ۱۹۹۰ با موضوع فازی منتشر شده، ۲۵ مورد آن به نقش و کاربردهای منطق فازی در ذخیره و بازیابی اطلاعات و راهبردهای جستجو و… اختصاص داشته است.

مجموعاً ۲۶۶ رکورد که واژه فازی جزء توصیفگرهای آنها بود و در مقاله‌های انتشار یافته در فاصله سالهای ۱۹۶۹ تا نیمه سال ۲۰۰۶ میلادی منتشر و در LISA فهرست شده­اند، بازیابی شد. این ۲۶۶ مورد شامل تمامی جنبه­های کتابداری و اطلاع­رسانی می­شود که لزوماً در تعریف مدیریت اطلاعات لحاظ نشده­اند. مواردی مانند کتابسنجی، نظامهای هوشمند، هوش مصنوعی و…      

در پژوهش حاضر، کاربردهای منطق و نظریه‌های مجموعه­های فازی در مدیریت اطلاعات بررسی می‌شود، بنابراین ابتدا باید تعریفی از مدیریت اطلاعات ارائه گردد تا با در نظر گرفتن مؤلفه­های موجود در این تعریف، به شکل دقیق­تری کاربرد منطق فازی در این مقوله دنبال شود. در کتاب «فرهنگ توصیفی واژگان اطلاع­رسانی و علوم وابسته» «مدیریت اطلاعات» چنین تعریف شده است:

اعمال مهارتمندانه کنترل بر فراهم­آوری، سازماندهی، ذخیره، ایمنی، بازیابی و اشاعه منابع اطلاعاتی که برای انجام موفقیت­آمیز عملیات در یک پیشه، نهاد، سازمان، یا مؤسسه ضروری است و مستندسازی، مدیریت رکوردها و زیرساختار فنی را در بر می­گیرد (ریتز، ۱۳۸۳).

چنانکه از تعریف فوق مستفاد می­شود، «فراهم­آوری»، «سازماندهی»، «ذخیره و بازیابی»، «ایمنی»، «اشاعه منابع اطلاعاتی»، «مستندسازی»، «مدیریت رکوردها» و «زیرساختار فنی» واژه‌هایی هستند که بر عملیات مدیریت اطلاعات دلالت دارند.

در مرحله بعد، هر یک از واژگان فوق به صورت جداگانه با واژه Fuzzy ترکیب شده و در فیلد کلیدواژه­ها LISA جستجو شد که حاصل این جستجوها در جدول ۱ آمده است:

جدول۱٫ توزیع فراوانی رکوردهای موجود در LISA با کلیدواژه فازی به تفکیک موضوع

واژه ترکیب شده با فازی تعداد رکوردهای بازیابی شده
فراهم­آوری ۶
سازماندهی ۴
رده­بندی ۱۱
فهرست­نویسی ۰
ذخیره ۳۷
بازیابی ۶۲
ایمنی ۲
اشاعه اطلاعات ۰
مستندسازی ۰
مدیریت رکوردها ۰
زیرساختارفنی ۰
جمع ۱۱۲

 

در توضیح داده­های جدول ۱، بهتر است به نکات زیر توجه شود: در بانک LISA همواره واژه ذخیره (storage) با واژه بازیابی (retrieval) قرین بوده در هیچ رکوردی این واژه به تنهایی مشاهده نشد. بنابراین، ۶۲ مورد اعلام شده در خصوص بازیابی، ۳۷ مورد ذخیره را نیز پوشش می­دهد.

واژه‌های «رده­بندی» و «فهرست­نویسی» با وجود آنکه عیناً در تعریف ODLIS نیامده بودند، اما از آنجا که از مفاهیم نهفته[۷][۷] در سازماندهی[۸][۸] بودند، به طور مستقل در LISA جستجو شدند. نتایج به دست آمده هیچ گونه همپوشانی با نتایج حاصل از جستجوی سازماندهی نداشت. در خصوص «فراهم­آوری»[۹][۹]، عبارت «مجموعه­گستری»[۱۰][۱۰] نیز که یکی از مفاهیم نهفته در فراهم‌­آوری بود، جداگانه جستجو شد که یک مورد از نتایج جستجوی آن در فهرست حاصل از جستجوی فراهم­آوری نیز مشاهده شده بود، بنابراین در جمع بندی رکوردها محاسبه نشد.

همان‌طور که از اطلاعات جدول می­توان برداشت کرد، در برخی موارد مثل «ایمنی» و «مدیریت رکوردها» موارد اندکی بازیابی شده و برای دیگر کلیدواژه­ها یعنی «اشاعه اطلاعات»، «مستندسازی»، و «زیرساختار فنی» نیز، رکوردی بازیابی نگردید.

البته، خارج از چارچوب تعریف ODLIS، امروزه نظریه مجموعه­های فازی بیشتر به سمت نظامهای هوشمند و هوش مصنوعی سوق یافته است، به نحوی که در فاصله سالهای ۱۹۹۱ تا ۲۰۰۶ ، ۱۱۰ مقاله در خصوص این دو موضوع و منطق فازی، در بانک LISA چکیده و نمایه شده است. در این پژوهش، تعداد مقاله­های بازیابی شده در هریک از مباحث فوق، به نشانه میزان گسترش و اهمیت منطق فازی در بحث مذکور تلقی شده است، بنابراین از آنجا که بیشترین رکورد بازیابی شده در حوزه بازیابی اطلاعات بوده است، این بحث را با کاربرد مجموعه­های فازی در بازیابی اطلاعات آغاز می‌کنیم.

 

بازیابی اطلاعات

چنانکه رکوردهای به ثبت رسیده در LISA نیز نشان می­دهد، کاربرد عمده مجموعه­های فازی در کتابداری و اطلاع­رسانی، در حوزه بازیابی اطلاعات است. اساساً مفهوم ربط به دلیل نامشخص و نسبی بودنش، یک مفهوم فازی است                               (Hood & Wilson, 2002). در جریان جستجو و یافتن اطلاعات به رکوردهایی می‌رسیم که نمی­توان به طور قطع آنها را مرتبط یا کاملا بی­ربط با موضوع مورد جستجو تلقی کرد. بنابراین دو مفهوم ربط و فازی را می توان قرین و همزاد یکدیگر دانست.

عمده­ترین ابزار ریاضی در بازیابی اطلاعات به شکل سنتی، جبر بولی است. تقریباً هر کسی که با یکی از پایگاه­های اطلاعاتی، فهرستهای رایانه­ای، یا شبکه جهانی وب کار کرده باشد، از عملگرهای بولی بویژه برای انجام جستجوهای پیچیده استفاده کرده است. جبر بولی بر مبنای نظریه مجموعه­هاست. هر اصطلاحی که در مجموعه­ای از مدارک قابل بازیابی برای جستجو یا نمایه به کار می­رود، می­تواند با عملگرهای بولی (و، یا، نه) ترکیب شود. این اصطلاحات با یک سلسله مدارک موجود در نظام اطلاعاتی تطبیق داده می­شود.

مفهوم ربط به دلیل نامعیّن بودنش، می­تواند به راحتی به وسیله مدلهای مجموعه فازی مدل­سازی شود. بنابراین، نظامهای بازیابی فازی به این صورت عمل می­کنند: وقتی مدارک به سیستم اضافه می­شوند، یک سلسله اصطلاحات به مدرک اختصاص یافته و به هر اصطلاحی وزنی داده می­شود که درجه وابستگی آن اصطلاح به مدرک را نشان       می­دهد. نمایه‌ساز آزاد است تعیین کند یک اصطلاح فقط تا حدودی به یک مدرک مرتبط است بدون اینکه ناگزیر باشد در خصوص مرتبط بودن یا نبودن آن اصطلاح، تصمیم قطعی بگیرد. در یک نظام بازیابی اطلاعات فازی، بازیابی بیشتر بر مبنای منطق مجموعه­‌های فازی است تا مجموعه­های جبری بولی. در نظام فازی، همان عملگرهای بولی (و، یا، نه) مورد استفاده قرار می­گیرند، اما متکی بر «اجتماعِ» فازی، «اشتراکِ» فازی، و «به جز» فازی.

این رویکرد به بازیابی اطلاعات جنبه­های نظری بسیاری دارد، زیرا به عنوان مدلی که در فرایند انتخاب منابع مرتبط توسط کاربران به مراتب مفیدتر است، ظاهر می­شود. این مدل همچنین به نوعی جرح و تعدیل در نظام سنتی مکانیزمهای بازیابی بولی است، در حالی که قسمت عمده­ای از مکانیزمها و زیرساختهای موجود در بازیابی اطلاعات، همچنان مفید هستند. به علاوه، بازیابی اطلاعات فازی در تخصیص اصطلاحات نمایه با استفاده از اصطلاحات مرتبط به قدر اصطلاحات کاملاً مرتبط، انعطاف­پذیر است.

سیستمهای بازیابی اطلاعات فازی با وجود تمام محاسنی که دارند، چندان در مقیاس وسیع به کار گرفته نشده­اند. دلیل این امر نیز هزینه­های بالای نمایه کردن با روش فازی است. با وجود این، تحقیقات در نظام بازیابی فازی همچنان ادامه دارد و روز به روز نیز وسعت بیشتری می­یابد(Hood & Wilson, 2002) .

اکنون به به اختصار[۱۱][۱۱]، به ارائه توضیحاتی درخصوص چگونگی کاربرد منطق یا تئوری مجموعه­های فازی در بازیابی اطلاعات می­پردازیم:

چنانکه قبلاً گفته شد، به جای این فرض که یک عنصر عضوی از یک مجموعه است، از تابع عضویت برای شناسایی درجه عضویت عنصر در یک مجموعه استفاده می‌شود. مجموعه­های فازی برای بازیابی اطلاعات مفیدند، زیرا این مجموعه­ها می­توانند «موضوع» مدرک را توصیف کنند. به علاوه، از آنجا که در منطق فازی «زبان طبیعی» به جای متغیرهای عددی برای تشریح رفتار و عملکرد سیستم به کار می­رود، می­توان برای بازیابی اطلاعات در بانکهای اطلاعاتی، به نحو مؤثری از آن بهره جست.

مجموعه­ای از عناصر که در آن هر عنصری محدوده مدرک را توصیف کند، ذاتاً مجموعه­ای فازی است. مدرکی که درباره «کتابهای کودکان و نوجوانان» است، ممکن است راجع به «روانشناسی کودک و نوجوان» نیز گفتگو کند. از این رو، ممکن است موضوع این مدرک تا حدودی درباره «روانشناسی کودک و نوجوان» باشد. قرار دادن روان­شناسی کودک و نوجوان به عنوان عنصری از مجموعه، صحیح نیست، اما نادیده گرفتن آن نیز ما را از دقت لازم دور می­کند.

یک مجموعه فازی دارای عضویتی است که در آن قوّت عضویت هر عنصر به شکل ذاتی دقیق نیست. در مثال بالا مجموعه­ای از مفاهیم که مدرک را توصیف می­کند، به قرار زیر است:

C= {(children’s books, 1.0),(children’s psychology, 0.5)}

مجموعه C یک مجموعه فازی است، زیرا این مجموعه دارای درجات عضویت مربوط به هر عضو است. به طور قراردادی، یک مجموعه فازی که شامل مفاهیم موجود در C={c1,c2,….cn}باشد، به صورت زیر نمایش داده می­شود:

در اینجا

otherwise

 

،تابع عضویتی است که درجه عضویت عنصری را در مجموعه نشان می­دهد (گراسمن و فریدر، ۱۳۸۴، ص ۱۱۲-۱۱۳).

از نظریه مجموعه­های فازی به شکلهای گوناگون در بازیابی اطلاعات استفاده می‌شود. یکی از رایج­ترین این شکلها که در متون زیادی به آن پرداخت شده، بازیابی بولی مجموعه­های فازی است.

بسط مجموعه فازی به منظور بازیابی بولی، در اواخر دهه ۷۰ میلادی انجام گرفت (گراسمن و فریدر، ۱۳۸۴، ص۱۱۳). ضریب تشابه بولی می­تواند به وسیله بررسی اصطلاحات موجود در مدرک به صورت فازی محاسبه گردد، زیرا عضویت اصطلاحات بر اساس تعداد رویداد آنها در مدرک صورت می­پذیرد.

برای مثال، مجموعهD را که شامل همه مدارک مجموعه است، در نظر بگیرید. مجموعه فازیDt می تواند به صورت مجموعه D که تمام مدارک دارای اصطلاح t را توصیف می کند، محاسبه شود. این مجموعه به صورت:

نمایش داده می شود. دراینجا d1 شامل عنصرt با قوّت ۰٫۸ و d2 شامل عنصرt با قوّت ۰٫۵ است.

همین­طور، مجموعه Ds به صورت مجموعه‌ای از تمام مدارک که شامل اصطلاح S است، تعریف می‌شود. این مجموعه می تواند به صورت:

تعریف شود.

عملیات اصلی اشتراک، اجتماع، و متمم که اساس منطق بولی را تشکیل می­دهد، در مجموعه­های فازی به این صورت بیان شده است: اشتراک از حداقل دو تابع عضویت و اجتماع از حداکثر دو تابع عضویت که برای یک عنصر تعریف شده است، استفاده می­کند. از تعاریف زیر برای به دست آوردن این مفاهیم استفاده می­شود:

 

 

محاسبه به محاسبه و محاسبه به محاسبه نیاز دارد. این محاسبات می تواند با استفاده از مقدار حداکثر برای اجتماع، و مقدار حداقل برای اشتراک انجام شود. از این رو داریم :

درخصوص این روش، نکته­ای که حتماً باید در نظر گرفته شود این است که این مدل، حاوی وزن اصطلاحات پرس و جو نیست (گراسمن …، ص۱۱۴).

روش دیگری که با استفاده از منطق فازی در بازیابی اطلاعات به کار گرفته       می­شود، روش استفاده از سلسله مراتب مفهومی و مجموعه­های فازی است. این روش که برای اولین بار در سال ۱۹۹۱ معرفی شد، از شبکه مفهومی برای نشان دادن مفاهیم موجود در مدارک و پرس و جوها و نشان دادن ارتباط این مفاهیم، استفاده می­کند (گراسمن …، ص۱۱۴). بعدها محققان ایرانی توانستند با بسط این روش، شیوه­ای مؤثر برای بازیابی اطلاعات در زبان فارسی ابداع کنند.به منظور برطرف کردن نقایص موجود در روشهای کلاسیک بازیابی و عملگرهای اولیه، یک درجه «کمیّت نمای فازی»[۱۲][۱۲] برای هر عبارت در یک پرس و جو محاسبه می­شود. مثال زیر این روش را روشن­تر می­کند. فرض کنید یک کاربر علاقه­مند است مدارکی به شرح زیر دریافت کند:

حداقل سه مورد از چهار اصطلاحی که در اختیار اوست، همراه با یک اصطلاح پنجم که حتماً باید در نتیجه جستجو باشد. چنین درخواستی بدین صورت نوشته می­شود:

At least 3 (t1, t2, t3, t4) and t5

برای محاسبه درخواست فوق، جدول زیر را ملاحظه کنید:

At least 3 of the ? cut The ? cut set The ? value
۰ ? ۰٫۳
۰ {t4} ۰٫۲۵
۰ {t4, t3} ۰٫۱۵
۱×۰٫۱=۰٫۱ {t4, t3, t2} ۰٫۱
۰ {t4, t3, t2, t1} ۰


حال فرض کنید سند d با درجه عضویتی به شرح زیر انتخاب می­شود:

نخست، برای محاسبه بخش اول عبارت یعنی حداقل سه مورد از (t1, t2, t3, t4) مجموعه فازی را که حاصل انطباق با سند d است، حساب می­کنیم. (محاسبات این قسمت نظیر فرمولهایی است که در ابتدای همین فصل گفته شده است) این محاسبات به محاسبه کمّی «­نماهای نیمه فازی»[۱۳][۱۳] منجر خواهد شد که به صورت زیر نمایش داده می­شود:

 

 

                                                                                                                      

بنابراین، تمامی مقادیر کمّی ­نماهای فازی فوق، می‌­تواند به صورت زیر محاسبه شود:

at least 3 (t1, t2, t3, t4) = 0 × ۰٫۳ + ۰ × ۰٫۲۵ + ۰ × ۰٫۱۵ + ۱ × ۰٫۱ + ۱ × ۰ = ۰٫۱

 

اکنون عضویت سند d نسبت به کل عبارت جبری، به قرار زیر خواهد بود:

۰٫۱ and 0.4 = min (o.1, 0.4) = 0.1

شایان ذکر است، این روش به صورت عملی در یک مجموعه ۶۵۰۰۰ رکوردی از مقاله‌های روزنامه همشهری آزمایش شد. نتایج حاصل از این بررسی نشان داد روش یاد شده در زبان فارسی بهتر از زبان انگلیسی نتیجه داده و ضمناً نتایج آن در قیاس با روشهای حاصل از مدل «فضای برداری»[۱۴][۱۴] رضایت‌بخش­‌تر بوده است                                      (Nayyeri & Oroumchian, 2006, p.5).

 

سازماندهی اطلاعات

چنانکه داده­های جدول ۱ نیز نشان داد، استفاده از نظریه‌های فازی در رده‌­بندی اطلاعات، به میزان بازیابی اطلاعات متداول نبوده است، تا سال ۱۹۹۵به جز مقاله­ای که در سال ۱۹۷۶ در خصوص رده­‌بندی منتشر شد[۱۵][۱۵]، هیچ مقاله­ای در خصوص رده­بندی یا سازماندهی و منطق فازی در LISA به ثبت نرسیده است. در فاصله سالهای ۱۹۹۵ تا ۲۰۰۶ نیز آثار منتشر شده با این موضوع، عمدتاً در حوزه اطلاعات پزشکی بوده است. به استناد مقاله­های ثبت شده در بانک اطلاعاتی LISA، در سالهای اخیر تمایل به استفاده از رده‌بندی فازی در ساخت پایگاه­های اطلاعاتی و نیز نظامهای خبره، افزایش یافته است.

برای مثال، در ایجاد پایگاه­های اطلاعاتی با استفاده از سرورهای SQL، رده­بندی فازی و استفاده از پرس و جوهای متداول، شرایطی را ایجاد کرده است که داده­ها به نحو ساده­ای درست مانند رده­بندیهای متداول غیرفازی، از پایگاه­های اطلاعاتی استخراج     می­شوند. چارچوبهای پیشرفته­ای نیز به عنوان ابزار داده­آمایی در نظامهای گسترده اطلاعات استفاده شده و با پایگاه­های اطلاعاتی مرتبط که معمولاً مورد استفاده قرار می­گیرند، یکی می­شوند. با استفاده از راهکارهای ارائه­شده از طریق این روش، تحلیل داده‌ها به نحو انعطاف پذیرتری انجام می­شود و اطلاعات نیز در مرحله ­شکل­گیری گزارش به شکل بهتری ارائه می‌گردد (Veryha, 2005, p. 360).

قواعد رده­بندی فازی در پاره­ای موارد به صورت خودکار تعیین می­شوند. شیوه­های «نورو فازی»[۱۶][۱۶] یا فازی نوین، گزینش «الگوریتم تکوینی»[۱۷][۱۷] و «خوشه­بندی فازی»[۱۸][۱۸] در ترکیب یا بهینه­سازی الگوریتم تکوینی، از جمله فنونی است که برای ارائه این قواعد به کار گرفته می­شود. مدلهای مختلف فازی، برای رده­بندی مراحل زیر را دنبال می­کنند:

  1. ساختار مدل
  2. داده­های به دست آمده از ارزش­دهی اولیه
  3. تضمین صحت و شفافیت
  4. استخراج قواعد مشابه سازی بر اساس ساده­سازی
  5. انتخاب ویژگی­ها بر اساس تفکیک­سازی درون­رده­ای
  6. بهینه­سازی چند ماده­ای تکوینی.

شیوه ارزش­دهی به مدل بر اساس کوواریانس حاصل از یک دسته­بندی فازی مقدماتی به کار گرفته می­شود. با به­کارگیری موفقیت­آمیز گزینش ملاکها، آسان­سازی حاصل از به­کارگیری قواعد و تنظیم آنها بر مبنای الگوریتم تکوینی، کار کارشناسان رده­بندی در زمانی کوتاه­تر، به شکل دقیق­تری انجام خواهد گرفت.                                   (Roubos & Setnes & Abonyi, 2001)

 

فراهم­آوری اطلاعات

طبق اطلاعات ثبت شده در بانک اطلاعاتی LISA، واژه فازی برای اولین بار در سال ۲۰۰۳ به ادبیات فراهم­آوری در کتابداری و اطلاع­رسانی راه یافت. اما با نگاه دقیق­تری به مقاله­های این مجموعه، مشخص شد هیچ یک از این مقاله‌ها به طور دقیق به کاربرد مجموعه­های فازی در مجموعه­سازی نپرداخته­اند. آنچه این شش مقاله در نظر داشته­اند، نوعی تعامل میان «مجموعه­های سخت»[۱۹][۱۹] و «مجموعه­‌های نامعین»[۲۰][۲۰] در فراهم‌آوری دانش و بهره­گیری از رویکرد نظریه احتمالات در شکل­گیری مجموعه­های سخت بوده است.

پیش از این تاریخ، «بنسمن»[۲۱][۲۱] در مقاله­ای که سال ۲۰۰۱ منتشر شد، به «قانون بردفورد» و «مجموعه‌های نامعیّن» توجه کرده بود. هرچند در کلیدواژه­های این مقاله­ از واژه «فراهم­آوری»، یا «مجموعه­گستری» استفاده نشده­است، اما از آنجا که قانون بردفورد مستقیماً با مجموعه­سازی مرتبط است، می­توانیم این مقاله را در زمره مقاله‌های مربوط به فراهم­آوری و فازی قلمداد کنیم. «بنسمن» که معتقد بود قانون بردفورد از منطق کلاسیک پیروی می­کند، با تشریح نظریه مجموعه­های فازی، به مسائلی که پیرامون این دو تفکر در مجموعه­سازی مطرح می­شود، پرداخته است. بردفورد در گزارشی که برای قانون پراکندگی ارائه کرده بود، برای به دست آوردن تابع عضویت متناسب با این قانون، از نمودهای عینی استفاده کرد. این نمودها در شیوه به کار رفته برای تعیین رده­های a, b, c که در جدولهایی بسط داده شده­اند، آشکارا موجودند. با بررسی این روند، می­توان به شیوه وی پی برد. از تقسیم کل ارجاعات هر مجله به تعداد سالهای دربرگیرنده نمونه (برای مثال چهار سال برای ژئوفیزیک کاربردی) و به منظور تعیین کل ارجاعات در هر سال.

به این ترتیب رده­های معیّن شده، به صورت زیر قابل تبیین‌اند:

  1. a) مجله‌هایی که سالانه بیش از ۴ ارجاع دارند.
  2. b) مجله‌هایی که سالانه حداقل ۴ و حداکثر بیش از ۱ ارجاع دارند.
  3. c) مجله‌هایی که سالانه ۱ ارجاع یا کمتر دارند.

پیاده­سازی این روش، به خارج قسمتهایی با حداکثر دو مرتبه اعشاری می­انجامد که عامل ایجاد رده‌هایی با مرزبندیهای زیر است: بین a و b در ۰۱/۴؛ بین b و c 01/1؛ و بین c و رده صفر _ که بنسمن خود آن را اضافه کرده و d نامیده است- در ۰۱/۰ . اگر رده a را که شامل ۸/۲% مجله‌ها و ۳/۳۲% ارجاعات در موضوع ژئوفیزیک کاربردی است، در نظر بگیریم و آن را «هسته نشریه‌های ادواری و بسیار مختص و مرتبط با موضوع» بدانیم، برای مجموعه­های بردفورد، تابع عضویت غیرقابل تخصیص است.

اگر تعداد ارجاعات سالانه به یک مجله از ۴ بزرگتر باشد، نمره/درجه عضویت آن مجله برابر یک است. ولی اگر تعداد ارجاعات سالانه به یک مجله، برابر ۴ یا کمتر از آن باشد، درجه عضویت آن مجله برابر با تعداد ارجاعات به آن در سال، تقسیم بر ۰۱/۴ است. عدد ۰۱/۴ با نشان دادن پایین­ترین حد هسته به عنوان خارج قسمت در بخش دوم تابع عضویت، انتخاب شده است. به­کارگرفتن چنین تابع عضویتی برای داده­های بردفورد، در یک جدول مجزا تنظیم می­شود. در این جدول، رده­های بردفورد همراه با رده اضافه شده صفر (d) بر اساس اصول مجموعه­های نامعیّن که به ترتیب، تنزل عضویت مجموعه را می‌نمایاند، نامگذاری و نشان داده شده­اند. A=a؛ A=b و نه A؛ c = نه A و A؛ و بالاخره d = نه A. بررسی این جدول نشان می­دهد در پایین مجله‌های هسته یا همان رده A، نمره عضویت مجله‌ها بلافاصله کم می­شود، به نحوی که در واقع صرفاً به صورت حاشیه – و نه هسته- مجموعه یک رشته خاص به شمار می­آیند. تعداد مجله‌های موجود در رده صفر (d) تعداد مشخص­نشده است و این همان سؤال پیچیده­ای است که بردفورد هم نتوانست با موفقیت به آن پاسخ گوید (بنسمن، ۱۳۸۳، ص۱۳۹-۱۴۰).

تضمین امنیت منابع

از جمله موارد دیگری که منطق فازی در آن مؤثر بوده، امنیت منابع الکترونیکی بویژه در حوزه شبکه‌هاست. در دنیای امروز گسترش وابستگی جوامع پیشرفته به ارتباطات دوربرد و شبکه­های اطلاعاتی و سامانه‌های مختلف الکترونیکی، امری اجتناب­ناپذیر است. البته، این سامانه‌ها و شبکه‌­ها هر لحظه در معرض آسیب بوده و به لحاظ امنیتی مورد تهدید هستند (Abouzakhar & Manson, 2003, p. 33)  

تأمین امنیت شبکه­ها به کمک منطق فازی، برای اولین بار در سال ۲۰۰۳ مطرح شد. پیش از آن، تنها در یک مقاله در سال ۱۹۹۷ از به­کارگیری منطق فازی برای تأمین امنیت نظامهای رایانه‌­ای سخن رفته بود، و آن مورد نیز در خصوص شناسایی قرنیه چشم افراد به عنوان رمزینه ورود آنها به سیستم با کمک عوامل فازی بوده است.[۲۲][۲۲] این مسئله که اطلاعات شبکه­ها باید به صورت یکپارچه در دسترس کاربران قرار گیرد، صحیح است اما موردی که فراتر از دسترسی است و باید به آن توجه شود، تعریف سطوح دسترس­پذیری و پرکردن حفره­های امنیتی موجود در شبکه است تا در صورت حمله به سامانه‌های اطلاعاتی و الکترونیکی، موجودیت اطلاعات صدمه­ای نبیند. برای کشف حمله‌های شبکه­ای و دفع آنها، طرح استفاده از عوامل هوشمند نوروفازی پیشنهاد شده است که از طریق آن می­توان ترافیک شبکه­ها را بررسی نمود. عوامل نوروفازی به ترکیب ویژگیهای منطق فازی و شبکه­های عصبی می­پردازند و از این طریق می­توان بر محدودیتهای تخصص انسان در تأمین امنیت شبکه­های اطلاعاتی غلبه نمود.

به طور کلی، نوروفازی اجازه استفاده از اطلاعات در منابع چندگانه را فراهم می‌سازد. با بررسی میزان ترافیک ورود به شبکه­ها و تحلیل استفاده از آنها، می­توان برای تأمین امنیت شبکه­ها با کمک نوروفازی اقدام نمود. نوروفازی، پارامترهای سیستم فازی را با استفاده از داده­های به دست آمده از شبکه­های جدید شناسایی می­کند. تعیین پارامترهای سیستم فازی همچون عملکردهای عضویت، اهمیت اساسی داشته و شماری از رویکردهای آماری در آنها ارائه می­گردند. عوامل هوشمند نوروفازی برای کشف ترافیک مشکوک در بسترهای TCP/IP پیشنهاد می­شوند؛ زیرا قابلیتهای فراوانی برای استفاده از سیستمهای نوروفازی در تحلیل ترافیک شبکه­ها و تضمین امنیت آنها وجود دارد. دانش تخصصی انسان برای توصیف کارکردهای عضویت فازی در شبکه­ها محدود است، بخصوص اینکه مقدار گسترده دروندادها و بروندادهای شبکه­ای در ارتباطات دوربرد، تحقق این امر را دشوارتر می­سازد. بنابراین، استفاده از مدلهای فازی، بویژه نوروفازی، این امر را تسهیل می­کند. (Abouzakhar & Manson, 2003, p. 38)  

کاربران اطلاعات

همان طور که داده­های جدول ۱ نیز نشان می­دهد، جستجوی مستقیم در خصوص اشاعه اطلاعات و فازی در LISA نتیجه­ای در بر نداشت. اما اگر مطالعات کاربران را به عنوان مصرف­کنندگان نهایی اطلاعات، یکی از حوزه­های مرتبط با اشاعه اطلاعات فرض کنیم، مطالعه رفتارهای اطلاع­یابی آنان می‌تواند به عنوان یکی از شاخه­های اشاعه اطلاعات و مفاهیم درگیر با این حوزه، تلقی شود. البته، مطالعه رفتار­های اطلاع­یابی کاربران را به نوعی می­توان با تمامی حوزه­های مدیریت اطلاعات مرتبط دانست، زیرا تمامی فرایندهای در حال انجام در این زمینه را متأثر خواهد کرد و با استفاده از این نتایج می­توان در خصوص فراهم­آوری و شیوه­های ذخیره و بازیابی، تصمیمهای جدیدی اتخاذ نمود.

«بوید»[۲۳][۲۳] در سال ۲۰۰۴ طی مقاله­ای که چکیده آن نیز در LISA به ثبت رسیده است، فرایند اطلاع‌یابی را به دلیل ماهیت نامشخصی که دارد، یک مفهوم فازی دانست (Boyd, 2004, p. 82).

در حقیقت، شیوه­های اطلاع­یابی به دلیل تنوع و گستردگی اطلاعات، همچنین به دلیل وجود تفاوتهای فردی و شیوه­های گوناگونی که افراد بسته به نیازها و موقعیت خود برای جستجو و دریافت اطلاعات انتخاب می­کنند، نامعیّن یا فازی است. سیستمهای کنترل فازی می­توانند به پژوهشگرانی که در حوزه مطالعات کاربران تحقیق می­کنند، شیوه­هایی ارائه کنند که به وسیله آنها به بررسی نامعیّن بودن رفتارهای اطلاع­‌یابی بپردازند.

در یک تحقیق بر روی کاربران وب‌سایتها، سؤالی درباره میزان اهمیت وب سایت در قالب طیف لیکرت از آنها پرسیده شد. این مقیاس از ۱ به معنای بی­اهمیت شروع می­شد و تا ۱۰ به معنای بسیار مهم گسترش می­یافت. با استفاده از سیستم کنترل فازی، پژوهشگران توانستند به گروه­بندی پاسخها بپردازند و آنها را تحلیل نمایند.

به علاوه، چنانکه می­دانیم با توجه به تنوع محملهای اطلاعاتی در دنیای الکترونیکی امروز، و راه‌های گوناگونی که برای انتقال اطلاعات وجود دارد، کاربران بسته به نیاز خود، از راه‌­ها و محملهای گوناگونی برای دریافت اطلاعات استفاده می‌کنند که می­توان آنها را شبکه‌های مختلف ارتباطی نامید. سیستمهای کنترل فازی در دسته­بندی شبکه‌های مختلف نقش بسزایی ایفا می­کنند و از طریق آنها می­توان به­راحتی رفتارهای اطلاع­یابی کاربران را ـ که چندان نیز قابل پیش­بینی نیستند ـ بررسی و تحلیل نمود (Boyd, 2004, p. 86).

 

نتیجه­گیری

نظریه مجموعه‌­های فازی، نقش بسزایی در مدیریت اطلاعات دارد و اگرچه بیش از ۴۰ سال از ارائه این نظریه می­گذرد، نه تنها وجوه استفاده از آن کم­رنگ نشده، بلکه بتدریج به کاربردهای آن در حوزه­های مختلف مدیریت اطلاعات افزوده می­شود. در جهانی که همه چیز به سوی نسبیت پیش می‌رود و از قطعیت فاصله می­گیرد، تمرکز بر منطق فازی که زیربنای آن را عدم قطعیت تشکیل می­دهد، تقریباً اجتناب­ناپذیر است.

بویژه با وجود ابزارها و محملهای جدید اطلاعاتی مانند اینترنت، روز به روز با عدم قطعیت و ابهام بیشتری مواجه می­شویم. در حقیقت، با فراگیر شدن رسانه­های اطلاعاتی، با مخاطبان عامی مواجهیم که کنترل آنها به راحتی ممکن نیست و وجود و ماهیت آنها برای سرویس­دهندگان در هاله‌ای از ابهام قرار دارد. هرچند این کاربران ممکن است خواسته‌های مشخص و دقیقی داشته باشند، اما از آنجا که دانش آنها در سطوح متفاوت قرار دارد و به هیچ وجه قابل اندازه­گیری نیست، ذخیره، سازماندهی و شیوه­های بازیابی اطلاعات باید به گونه­ای باشد که بتواند با درنظر گرفتن ابهامی که در سیستم وجود دارد و با کمک زبان طبیعی، پاسخگوی این خواسته­ها باشد. زبان طبیعی از آنجا که به ساختار ذهنی انسان نزدیک­تر بوده و توسط همه کاربران با هر سطح از توانایی و دانش قابل استفاده است، بویژه در شرایطی که خدمات کتابخانه غیرحضوری است و امکان آموزش به استفاده­کنندگان نیز وجود ندارد، در ایجاد پایگاه­های اطلاعاتی و طراحی موتورهای جستجو و ذخیره و بازیابی اطلاعات، بسیار مورد توجه قرار گرفته است و منطق فازی به تحقق چنین نظامی بسیار کمک می­کند. به نظر می­رسد در حوزه فراهم­آوری و رده­بندی، منطق فازی نوپا بوده و عرصه برای پژوهشهای بیشتر، خالی مانده است. اگرچه این دو حوزه به لحاظ ماهیت کار و با توجه به پژوهشهای انجام شده، تا حدودی از منطق فازی دور هستند، اما به دلیل انعطاف زیادی که در نظریه مجموعه­های فازی وجود دارد، این علم به باز شدن گره­های موجود در این دو حوزه نیز کمک خواهد کرد.

مجموعه­های کتابخانه­ها که امروزه کم کم از حالت سخت خارج شده و به سمت دنیای مجازی حرکت می­کنند، بی­شک بر بنیادهای فازی بهتر بنا شده و خدمات‌رسانی آنها نیز رضایت بخش­تر خواهد بود. بویژه در پاسخگویی به نیازهای کاربران، از آنجا که این نیازها ماهیتاً فازی بوده و از فردی به فرد دیگر ممکن است تغییر یابند، استفاده از منطق فازی، برای سامانه‌های اطلاعاتی این امکان را فراهم می‌­سازد که با در نظر داشتن نقاط ابهام در درخواستهای کاربران، دقیق­ترین اطلاعات موجود در پایگاه را در اختیار آنان قرار دهند. با توجه به نقش ارزنده­ای که منطق فازی می­تواند در مدیریت اطلاعات داشته باشد، لزوم توجه به این علم در کتابداری و اطلاع­رسانی، ضروری­تر به نظر می­رسد. اما همان­طور که مطالب مندرج در این پژوهش نیز نشان می­دهد، تسلط به نظریه­های فازی و محاسبات آن اندکی دشوار بوده و به درک مفاهیم پیچیده ریاضی نیاز دارد. به همین دلیل، لازم است پژوهشگران این عرصه با مفاهیم و محاسبات ریاضی کاملاً آشنایی داشته و با درک صحیحی از این مقوله، به حل مسائل موجود در رشته با کمک منطق فازی مبادرت ورزند.

 

منابعـ بنسمن، استفان جی (۱۳۸۳). «قانون برادفورد در مجموعه­های نامعیّن استنتاج آماری برای تحلیل         کتابخانه». ترجمه حیدر مختاری و آنسه حسینی­زاده. فصلنامه کتابداری و اطلاع­رسانی آستان قدس رضوی. دوره دوم، ش ۲۶٫ (تابستان): ۱۳۷-۱۵۶٫ ـ پروفسور لطفی­زاده [۲۰۰۶].       قابل دسترسی در:http://www.vojoudi.com/uncertainty/fuzzy-logic/fuzzy-history-01.htmـ ریتز، جان. ام (۱۳۸۳). فرهنگ توصیفی واژگان اطلاع­رسانی و علوم وابسته. ترجمه علی حسین قاسمی [online]. قابل دسترسی در: http://www5.irandoc.ac.ir/odlisـ فرخیان، سمیه [۲۰۰۶]. «مقدمه­ای بر منطق فازی» قابل دسترسی در:http://www.vojoudi.com/uncertainty/fuzzy_logic/farokhian.htmـ گراسمن، دیوید ا؛ فریدر، افی (۱۳۸۴). بازیابی اطلاعات الگوریتمها و روشهای اکتشافی. ترجمه جعفر مهراد و سارا کلینی. مشهد: کتابخانه رایانه­ای.ـ منطق فازی. ویکی پدیا (۲۰۰۶ ). قابل دسترسی در: http://fa.wikipedia.orgـ هادی، علی (۱۳۸۴) . «منطق فازی» قابل دسترسی در:http://www.daneshnameh.roshd.ir/mavara/mavara-index.php?page – Abouzakhar, Nasser S.; Manson, Gordon, A (2003). “Networks Security Measures Using Neuro-Fuzzy Agents”.       Information Management & Computer Security. Vol. 11. No. 1. p. 33-38.  – Boyd, Andrew (2004) . “Multi-channel Information Seeking: A Fuzzy Conceptual Model”. Aslib Proceedings. Vol. 56. No. 2. p. 81-88. – Hood, William w.; Wilson, Concepcion (2002). “Solving Problems in Library and Information Science Using Fuzzy Set Theory”. Library Trends. 50. winter. p. 393-405. also available: http://www.findarticles.com/p/articles/mi-m1387/is-3-50/ai-88582621  – LISA: Library and Information Science Abstract.[CD-ROM]. CSA, 1969 – 2006. – Nayyeri, Amir; Oroumchian, Farhad [2006]. “FuFaIR: a Fuzzy Farsi Information Retrieval System”. Available at:                                                                             http://www.ut.ac.ir/fa/farsi-writting-and- reading/ articles/1.pdf– Roubos, Hans; Setnes, Magne; Abonyi, Janos (2001). “Learning Fuzzy Classification Rules from Data”. Available at: http://www.fmt.vein.hu/softcomp/Abonyi00-RASC.pdf. – Veryha, Yauheni (2005). “Implementation of Fuzzy Classification in Relational Databases Using Conventional SQL Querying”. Journal of Information and Software Technology. 47 (5). P. 357-364.1. این مقاله با راهنمایی استاد ارجمند آقای دکتر کوکبی تهیه شده است. ۲٫ دانشجوی دکترای کتابداری و اطلاع­رسانی دانشگاه شهید چمران اهواز r-maktabi@yahoo.com 1. Fuzzy Logic1. Fuzzy Set Theory.1. Negoirat, constantin. v; Stefanescut, Alexandru. “Searching a File under Fuzzy Conditions”. Studii-Si-Cercetari-de-documentare. 17(3-4) july-sep/oct-nov 75, 243-246. 2. Rebrova, M.P. “Diffuse Sets in Classification Theory”. Nauchno Teknicheskaya Informatsiya. Series 2 (10) 1976, 15-21.1. برای یافتن مفاهیم مشابه با آنچه در این تعریف آمده بود، از سیاهه زیر استفاده شد: List of Basic Library and Information Science Topics. Available at: http://en.wikipedia.org/wiki/List_of _basic_library_and_information_science_topics 2. از آنجا که واژه سازماندهی در انگلیسی با دو املای organisation و organization نوشته می­شود، با هر دو املا جستجو شد که نتایج حاصل برای organisation صفر بود. ۱٫ Acquisition.2. Collection development.1. به منظور جلوگیری از سردرگمی خوانندگان محترم، از ارائه توضیحات بیشتر که به محاسبات پیچیده ریاضی منجر می­شد، پرهیز گردید. علاقه­‌مندان به مطالعه بیشتر درخصوص مباحث این فصل، می­توانند به این منبع مراجعه کنند: دیوید ا. گراسمن؛ افی فریدر، بازیابی اطلاعات الگوریتم­ها و روشهای اکتشافی،       ترجمه جعفر مهراد و سارا کلینی، مشهد: کتابخانه رایانه­ای، ۱۳۸۴٫ ۱٫ Fuzzy Quantifier.1. Semi Fuzzy Quantifier.1. Vector Space Model.2. مشخصات مقاله فوق در پانویسهای پیشین قید شده است. ۱٫ Neuro Fuzzy.2. Genetic Algorithm.3. Fuzzy clustering.1. Rough Sets. 2. Fuzzy Sets.3. Bensman.1. De Ru, W.G; Eloff, J.H.P. “Enhanced Password Authentication through Fuzzy Logic”. IEEE Expert, 12 (6) Nov- Dec 1997. P. 38-45. 1. Boyd, Andrew.
     
مشروح اخبار عناوین خبری عناوین طرح های پژوهشی طرح های پژوهشی آرشیو خبری طرح های پژوهشی کتابخانه ها موزه ها و مرکز اسناد کتابخانه مرکزی کتابخانه های وابسته اسناد و مطبوعات خدمات اطلاع رسانی منابع اطلاعاتی آموزش مداوم کارکنان آموزش مداوم کاربران تقویم آموزشی کارکنان تقویم آموزشی کاربران سایت های دیگر لیست کتابهای منتشره سازمان لیست نشریات سازمان لیست بروشورهای منتشره سازمان