Journal of Geomatics Science and Technology

fa مکان مرجع سازی منابع محل مبنای نیمه ساختاریافته در وب با استفاده از یادگیری ماشین Georeferencing Semi-Structured Place-Based Web Resources Using Machine Learning سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span dir="RTL">در سالهای اخیر محتوای منتشرشده بر روی وب به طور چشمگیری افزایش یافته است. بخش عمدهای از این اطلاعات بهصورت نیمهساختاریافته در اختیار عموم قرار دارند. علاوه بر این، حجم عظیمی از اطلاعات مرتبط با محل هستند. این گونه اطلاعات به یک مکان بر روی زمین اشاره دارند، اما دارای مختصات صریح آن محل نیستند. در این مقاله به مکانمرجعسازی منابع نیمهساختاریافته در وب با استفاده از یادگیری ماشین پرداخته شده است. مزیت این روش عدم نیاز به استفاده از روشهای پیچیده متنکاوی جهت مکانمرجعسازی است. بدین منظور، از آگهیهای تبلیغاتی تارنمای دیوار مرتبط با املاک و مستغلات در شهر تهران استفاده شده است. به منظور جمعآوری داده از روش خزیدن در وب بهره برده شده است. همچنین، جهت دستیابی به هدف تحقیق، الگوریتم جنگلهای تصادفی به عنوان یک روش یادگیری ماشین مناسب بکار گرفته شده است. نتایج تحقیق نشان میدهد که با استفاده از این روش، آگهیهای تبلیغاتی تارنمای دیوار با دقت مناطق تهران قابل مکانمرجعسازی است. به طور کمّی، دقت بدست آمده در این تحقیق حدود 6 کیلومتر در راستای طول جغرافیایی و حدود 2 کیلومتر در راستای عرض جغرافیایی است. همچنین، نتایج این تحقیق نشان میدهد که متغیر قیمت ملک نسبت به دیگر متغیرها از اهمیت و تاثیر بیشتری در تعیین مکان آگهی برخوردار است. علاوه بر این، از نتایج این تحقیق میتوان نتیجه گرفت که قیمت املاک در شهر تهران در راستای شمالی </span><span dir="RTL">–</span><span dir="RTL"> جنوبی دارای الگوی مکانی بیشتری نسبت به راستای شرقی </span><span dir="RTL">–</span><span dir="RTL"> غربی هستند.</span></div> <div style="text-align: justify;">In recent years, the shared content on the web has had significant growth. A great part of these information are publicly available in the form of semi-strunctured data. Moreover, a significant amount of these information are related to place. Such types of information refer to a location on the earth, however, they do not contain any explicit coordinates. In this research, we tried to georeference the semi-structured resources on the web using machine learning. To this end, we leveraged the advertisements related to real state domain in the city of Tehran, Iran, published in Divar website. In order to extract the advertisesments from the website, a crawling approach was chosen. In addition, to assign coordinates to advertisements, we used Random Forests algorithm. The results show that using this approach, the advertisements can be georeferenced at the precision of neighborhoods. The resulting presicion from this approach is about 2 km and 6 km in latitude and longitude directions, respectively. Moreover, the results demonstrate that price of the property has higher importance relative to other variables considered in this study. It can be concluded that the price of properties in Tehran shows stronger spatial pattern in North-South direction than East-West direction.</div>   مکان مرجع سازی, اطلاعات محل مبنا, منابع تحت وب, جنگل های تصادفی Georeferencing, Place-Based Data, Random Forests, Web Resources 119 129 http://jgst.issgeac.ir/browse.php?a_code=A-10-380-3&slc_lang=fa&sid=1 O. R. Abbasi امیدرضا عباسی oabbasi@mail.kntu.ac.ir 10031947532846007054 10031947532846007054 Yes KNTU دانشگاه صنعتی خواجه نصی A. A. Alesheikh علی اصغر آل شیخ alesheikh@kntu.ac.ir 10031947532846007055 10031947532846007055 No KNTU دانشگاه صنعتی خواجه نصی