افزايش کاربري شهروندان از رسانه‌هاي اجتماعي (مانند توئيتر، فروشگاه‌هاي برخط و غيره) آنها را به منبعي عظيم براي تحليل و درک پديده‌هاي گوناگون تبديل کرده است. هدف تحليل احساس استفاده از داده‌هاي به دست آمده از اين رسانه‌ها و کشف گرايش‌هاي پيدا و پنهان کاربران نسبت به موجوديت‌هاي خاص حاضر در متن است. در کار حاضر ما با استفاده از شبکه‌ عصبي پيچشي که نوعي شبکه عصبي پيش‌خور است، به تحليل گرايش نظرات در رسانه‌هاي اجتماعي در دو و پنج سطح و با در نظر گرفتن شدت آنها مي‌پردازيم. در اين شبکه عمل کانولوشن با استفاده از صافي‌هايي با اندازه‌هاي مختلف بر روي بردارهاي جملات ورودي اعمال مي‌شود و بردار ويژگي حاصل به عنوان ورودي لايه نرم بيشينه براي دسته‌بندي نهايي جملات به کار مي‌رود. شبکه‌هاي عصبي پيچشي با پارامترهاي مختلف با استفاده از معيار مساحت زير منحني و بر روي مجموعه داده جمع‌آوري شده از رسانه‌هاي اجتماعي فارسي ارزيابي شدند و نتايج به دست آمده نشان‌دهنده بهبود کارايي آنها در گستره رسانه‌هاي اجتماعي نسبت به روش‌هاي سنتي يادگيري ماشين به خصوص بر روي داده‌ها با طول کوتاه‌تر هستند. Manuscript profile

امروزه شبکه‌های پیچیده پویا به یکی از ارکان مهم زندگی بشر تبدیل شده‌اند و تشخیص انجمن در این شبکه‌ها یکی از مهم‌ترین مسائل در تحلیل آنها محسوب می‌شود. در این مقاله یک روش تشخیص انجمن مبتنی بر تعبیه گراف و روش یادگیری جمعی ارائه شده که می‌تواند درجه پیمانه‌ای‌بودن هر انجمن را حداکثر نماید. روش‌های تعبیه گراف یا یادگیری نمایش کم‌بعد از گره‌ها در گراف به علت قابلیت کاربردی گسترده آن در عملکرد شبکه‌های پیچیده پویا مانند تشخیص انجمن در شبکه، بسیار مورد توجه قرار گرفته‌اند. در این مقاله، یک روش تعبیه گراف پویا مبتنی بر یادگیر عمیق پیشنهاد شده که گراف خروجی از مرحله تعبیه گراف را به‌عنوان ورودی به مدل یادگیر جمعی می‌دهد تا با دقت قابل قبولی، انجمن‌ها را در شبکه تشخیص دهد. همچنین یک الگوریتم حریصانه جدید به نام پیوند جمع برای بهینه‌سازی تابع هدف برای مجموعه داده‌های مقیاس بزرگ در زمان بسیار کوتاه ارائه گردیده است. نشان داده شده که پارتیشن توافقی پیشنهادی نسبت به پارتیشن‌های به‌دست‌آمده از کاربرد مستقیم روش‌های خوشه‌بندی جمعی رایج، به ساختارهای خوشه‌ای واقعی نزدیک‌تر است. روش پیشنهادی به‌دلیل استفاده از روش پیش‌پردازش مبتنی بر تعبیه گراف پیشنهادی و همچنین استفاده از روش خوشه‌بندی جمعی، توانسته کارایی مناسبی را در مقایسه با سایر روش‌های رقیب از خود نشان دهد. نتایج تجربی آزمایش‌های انجام‌شده حاکی از برتری روش پیشنهادی در مقایسه با روش‌های رقیب است. Manuscript profile

<p><span dir="RTL" lang="AR-SA" style="font-size: 14.0pt; font-family: 'B Mitra'; mso-ascii-font-family: 'Times New Roman'; mso-fareast-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">چشم&zwnj;اندازی از اینترنت آینده به&zwnj;گونه&zwnj;ای معرفی شده که دستگاه&zwnj;های محاسباتی مختلف به یکدیگر متصل می&zwnj;شوند تا شبکه&zwnj;ای به نام اینترنت اشیا را تشکیل دهند. اینترنت اشیا با ارائه بسیاری از برنامه&zwnj;ها و وسایل هوشمند که می&zwnj;توان از راه دور کنترل کرد، زندگی انسان را تسهیل می&zwnj;کند. امنیت اینترنت اشیا به دلیل ویژگی&zwnj;های ذاتی اینترنت اشیا به&zwnj;ویژه ناهمگونی گره&zwnj;ها از نظر منابع، یک کار چالش&zwnj;برانگیز است. مدیریت اعتماد با محاسبه و تجزیه&zwnj;وتحلیل اعتماد بین گره&zwnj;ها، در برقراری ارتباط بین گره&zwnj;ها این امکان را فراهم می&zwnj;کند که گره، تصمیم مناسب و قابل اعتمادی بگیرد. هدف طرح&zwnj;های مدیریت در یک سیستم توزیع&zwnj;شده این است که بر اساس رفتارهای قبلی گره&zwnj;ها، رفتارهای آینده آنها را پیش&zwnj;بینی کند. در این مقاله یک روش مدیریت اعتماد توزیع&zwnj;شده رویدادمحور پیشنهاد شده که به محاسبه اعتماد بین اشیا با استفاده از جمع وزنی می&zwnj;پردازد. در این روش، گره&zwnj;ها می&zwnj;توانند رفتار دیگر گره&zwnj;ها را ارزیابی کنند. با توجه به شبیه&zwnj;سازی انجام&zwnj;شده، روش پیشنهادی در مقایسه با روش </span><span style="font-size: 14.0pt; font-family: 'Times New Roman',serif; mso-fareast-font-family: 'Times New Roman'; mso-bidi-font-family: 'B Mitra'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">DDTMS</span><span dir="RTL" lang="AR-SA" style="font-size: 14.0pt; font-family: 'B Mitra'; mso-ascii-font-family: 'Times New Roman'; mso-fareast-font-family: 'Times New Roman'; mso-hansi-font-family: 'Times New Roman'; mso-ansi-language: EN-US; mso-fareast-language: EN-US; mso-bidi-language: AR-SA;">، سریع&zwnj;تر است و در تعداد تراکنش&nbsp;</span></p> Manuscript profile