فناوری اطلاعات در طراحی مهندسی
,
شماره1,سال
14
,
زمستان
1400
بسیاری از مدلهای پیشبینی در سیستمهای توصیهگر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتمها دارند. این مدلها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتمها آموزش میبینند و کم بودن نسبت امتیازات داده شده کاربران به آیتمها نسبت به کل امتیازات ممکن، باعث چکیده کامل
بسیاری از مدلهای پیشبینی در سیستمهای توصیهگر سعی در مدل کردن فاکتورهای پنهان کاربران و آیتمها دارند. این مدلها به کمک ماتریس امتیازات داده شده توسط کاربران به آیتمها آموزش میبینند و کم بودن نسبت امتیازات داده شده کاربران به آیتمها نسبت به کل امتیازات ممکن، باعث کاهش دقت این مدلها شده است. لذا برای حل این مشکل در برخی پژوهشها سعی گردیده است که علاوه بر امتیازات موجود از اطلاعات کمکی نظیر اسناد توصیفی که در مورد آیتمها وجود دارند استفاده گردد. اما بسیاری از آنها از مدلهای قدیمیتر پرکاربرد در متن کاوی استفاده نموده اند و همچنین عدم لحاظ نمودن حداکثر حاشیه در هنگام محاسبه ویژگیهای کاربران و آیتمها باعث گردیده است که ویژگیهای کاربران و آیتمها به شکل موثری استخراج نگردد. در این مقاله و در روش ارایه شده، مدلی غیرخطی ارایه کردهایم که انعطاف بیشتری در مقایسه با مدلهای خطی دارد و علاوه بر استفاده از اسناد توصیفی در مورد آیتمها، با لحاظ کردن حداکثر حاشیه در هنگام استخراج ویژگیهای کاربران باعث بهبود صحت پیشبینی گردیده است. با توجه به توانایی شبکههای عصبی در کار با دنبالهها، برای استخراج ویژگی از اسناد متنی از شبکه LSTM در مدل پیشنهادی استفاده مینماییم.
پرونده مقاله
فناوری اطلاعات در طراحی مهندسی
,
شماره1,سال
10
,
تابستان
1396
مسئله همترازی شبکههای پروتئینی، یک مساله NP-Complete است. در این مقاله، برای کاهش پیچیدگی حل مدل ریاضی مساله هم ترازی، تقریبی از مدل ارائه میشود. به عبارت دقیقتر، از ماتریس شباهت دو شبکه پروتئینی برای کاهش تعداد متغیرهای مدل استفاده میگردد. برای این منظور، در مدل پ چکیده کامل
مسئله همترازی شبکههای پروتئینی، یک مساله NP-Complete است. در این مقاله، برای کاهش پیچیدگی حل مدل ریاضی مساله هم ترازی، تقریبی از مدل ارائه میشود. به عبارت دقیقتر، از ماتریس شباهت دو شبکه پروتئینی برای کاهش تعداد متغیرهای مدل استفاده میگردد. برای این منظور، در مدل پیشنهادی، بهجای بررسی همترازی هر یک از پروتئینهای شبکه نخست با تمام پروتئینهای شبکه دوم، همترازی هر یک از پروتئینهای شبکه نخست فقط با تعدادی از شبیهترین پروتئینهای شبکه دوم بررسی میشود. مدل پیشنهادی، برای همترازی شبکههای پروتئینی واقعی گونههای مختلف و نیز شبکههای مصنوعی آزمایش شد. نتایج تجربی، نشان دهنده بهبود دقت همترازی نسبت به روش تقریبی NETAL و نیز کاهش زمان اجرا، نسبت به مدل دقیق میباشد. در ضمن، روش پیشنهادی، توانسته است بر روی شبکههای مصنوعی فاقد نویز، به دقت بسیار مطلوب دست یابد.
پرونده مقاله
فناوری اطلاعات در طراحی مهندسی
,
شماره1,سال
11
,
تابستان
1397
یکی از مهمترین معیار ها در آموزش شبکه های عصبی، سرعت همگرایی است. تحقق این معیار وابسته به آموزش مطلوب پارامترها و تعیین اندازه ی مناسب برای شبکه است اما مقالاتی که تاکنون بکار رفته اند بر روی یکی از این عوامل تمرکز داشته اند. به منظور تعیین اندازه ی مطلوب یک شبکه با تو چکیده کامل
یکی از مهمترین معیار ها در آموزش شبکه های عصبی، سرعت همگرایی است. تحقق این معیار وابسته به آموزش مطلوب پارامترها و تعیین اندازه ی مناسب برای شبکه است اما مقالاتی که تاکنون بکار رفته اند بر روی یکی از این عوامل تمرکز داشته اند. به منظور تعیین اندازه ی مطلوب یک شبکه با توجه به پیچیدگی مساله از شبکه های عصبی خودسازمانده استفاده می کنیم. چالشی که در این شبکه ها دیده می شود سرعت همگرایی نسبتاً پایین آن ها است، درنتیجه برای بهبود سرعت همگرایی آموزش شبکه از الگوریتم Batch gradient(Bg) به همراه رگولاریزیشن L1/2 که توسط یک تابع هموارکننده، هموار شده است، استفاده می نماییم تا بدین ترتیب درکنار دو فرایند افزایشی و کاهشی اندازه شبکه، پارامترها به خوبی آموزش ببینند و سرعت همگرایی بهبود یابد. نتایج حاصل از پیاده سازی و مقایسه ی روش حاضر با روش های پایه، از نظر معیارهای سرعت همگرایی و صحت کلاس بندی داده های تست، نشان از برتری روش پیشنهادی در بهبود صحت و بهبود سرعت همگرایی را می دهد
پرونده مقاله
فناوری اطلاعات در طراحی مهندسی
,
شماره1,سال
10
,
تابستان
1396
در این مقاله، با توجه به موفقیت روش های خوشه بندی مبتنی بر k-means، یک روش کاهش ویژگی بر پایه k-means وزن دار ارائه می شود. در روش پیشنهادی، نخست با استفاده از روش k-means وزن دار، به ویژگی های داده ها وزن داده می شود. ویژگی های وزین تر ضرورتا ویژگی های مهمتر نیستند و و چکیده کامل
در این مقاله، با توجه به موفقیت روش های خوشه بندی مبتنی بر k-means، یک روش کاهش ویژگی بر پایه k-means وزن دار ارائه می شود. در روش پیشنهادی، نخست با استفاده از روش k-means وزن دار، به ویژگی های داده ها وزن داده می شود. ویژگی های وزین تر ضرورتا ویژگی های مهمتر نیستند و وزن هر ویژگی، تنها بازه هر ویژگی را به نحوی تغییر می دهد که خوشه بندی بهتری صورت بگیرد. لذا، سپس با استفاده از یک مدل ریاضی جدید، کسری از ویژگی های وزندار شده داده های هر خوشه انتخاب می شود به نحوی که کمترین تغییر در خوشه ها حاصل شود. تعداد ویژگی های منتخب هر خوشه در روش پیشنهادی، برخلاف روش های مشابهی چون k-means تنک و fuzzy c-means تنک بصورت صریح تعیین می شود. درضمن، آزمایش های تجربی روی چهار مجموعه داده واقعی نشان می دهد که روش پیشنهادی، از دقت بیشتری نسبت به روش های L1PCA, LLE و روش K-means تُنُک برخوردار است.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد