-
دسترسی آزاد مقاله
1 - ارائه یک روش سریع و دقیق برای شناسایی رانش مفهوم با تحلیل سابقهی رویدادها
مهدی یعقوبی علی سبطی سهیلا کرباسیدر سازمان ها و شرکت های بزرگ که از سیستم های مدیریت فرآیندهای کسب و کار (BPMS) بهره می برند، در هر لحظه با توجه به قوانین بالادستی و شرایط بازار، ممکن است در فرآیندهای کسب و کار تغییرات رخ دهد. این تغییرات گاهی به صورت آنی و گاهی به صورت تدریجی روی سیستم اعمال می گردد. چکیده کاملدر سازمان ها و شرکت های بزرگ که از سیستم های مدیریت فرآیندهای کسب و کار (BPMS) بهره می برند، در هر لحظه با توجه به قوانین بالادستی و شرایط بازار، ممکن است در فرآیندهای کسب و کار تغییرات رخ دهد. این تغییرات گاهی به صورت آنی و گاهی به صورت تدریجی روی سیستم اعمال می گردد. شناسایی به موقع این تغییرات می تواند در تصمیم گیری بهتر مدیران سازمان اثر گذار باشد. تجزیه و تحلیل سابقه ی رویدادها در این سیستم ها، امکان شناسایی تغییرات ایجاد شده در فرآیندهای کسب و کار را به صورت خودکار فراهم می کند. به این تغییرات در فرآیندها به اصطلاح رانش مفهوم در فرآیند کسب و کار گفته می شود. استخراج رانش مفهوم اشاره دارد به شناسایی محل و نوع تغییراتی که در طول زمان در فرآیندهای کسب و کار یا به طور کلی در سابقهی روبداد رخ داده است. در این مقاله یک روش ابتکاری با معرفی یک تابع فاصله اصلاح شده، برای شناسایی محل و زمان ایجاد رانش مفهوم ارائه می-شود. آزمایش های انجام شده بر روی 72 پایگاه دادِگان موجود در پیشینه ی پژوهش که شامل 648 رانش مفهوم در 12 نوع مختلف است، نشان می دهد روش پیشنهادی 18/98 درصد از رانش ها را تشخیص میدهد درحالی که روش پیشنهادی نسبت به بهترین روش موجود بسیار سریعتر است. پرونده مقاله -
دسترسی آزاد مقاله
2 - نظرکاوی افزايشی با استفاده از یادگيری فعال بر روی جريان متون
سیدفخرالدین نوربهبهانینظرکاوی امروزه به عنوان یکی از کاربردهای پراهمیت پردازش زبان طبیعی مطرح است که به دلیل بالابودن حجم و نرخ نظرات تولیدشده نیاز به روشهای ويژهای برای پردازش دارد. امروزه با توجه به ماهيت جريان دادهای نظرات کاربران در شبکههای اجتماعی و سایتهای تجارت الکترونيکی، استفا چکیده کاملنظرکاوی امروزه به عنوان یکی از کاربردهای پراهمیت پردازش زبان طبیعی مطرح است که به دلیل بالابودن حجم و نرخ نظرات تولیدشده نیاز به روشهای ويژهای برای پردازش دارد. امروزه با توجه به ماهيت جريان دادهای نظرات کاربران در شبکههای اجتماعی و سایتهای تجارت الکترونيکی، استفاده از الگوريتمهای دستهبندی غير افزايشی باعث میگردد به مرور زمان کارايي مدل يادگرفتهشده برای کاوش نظرات کاهش یافته و عملاً غير قابل استفاده شود. علاوه بر این به دليل نامحدودبودن تعداد نظرات، امکان برچسبگذاری تمام نظرات برای ایجاد نمونههای آموزشی جديد و به روزرسانی مدل یادگرفتهشده وجود ندارد. از آنجا که ممکن است نظرات جديد دارای واژگان جديد بوده و یا توزيع دستههای قطبيت تغيير کند، رانش مفهوم نيز میبايست در نظرکاوی افزايشی پشتيبانی گردد. در اين مقاله یک روش جدید برای یادگيری قطبيت متون به صورت افزايشی ارائه میگردد که با استفاده از یادگيری فعال جریان دادهای، متون ارزشمند برای بهروز رسانی مدل دستهبندی را انتخاب میکند و پس از تعيين برچسب آنها توسط متخصص انسانی، از آنها برای بهبود مدل دستهبندی بهره میگيرد. روش پيشنهادی به صورت برخط و بدون نياز به ذخيره متون، با استفاده از تعداد محدودی متون برچسبخورده آموزش میبیند و قادر به تشخيص و پشتيبانی از رانش مفهوم میباشد. روش پيشنهادی با روشهای شاخص افزايشی و غير افزايشی، با استفاده از مجموعه دادههای معتبر و معيارهای ارزيابی استاندارد مقايسه و ارزيابی میشود. پرونده مقاله -
دسترسی آزاد مقاله
3 - الگوریتم نیمه نظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتیاز اطمینان در جریان-داده های غیر ایستا
شیرین خضری جعفر تنها علی احمدی آرش شريفيدر این مقاله، یک الگوریتم طبقهبندی نیمهنظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتياز اطمينان تحت عنوان SSE-CBS در محیطهای غیر ایستا ارائه میشود. رویکرد پیشنهادی از دادههای دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان دادهها چکیده کاملدر این مقاله، یک الگوریتم طبقهبندی نیمهنظارتی جمعی با استفاده از معیار انتخاب مبتنی بر آستانه امتياز اطمينان تحت عنوان SSE-CBS در محیطهای غیر ایستا ارائه میشود. رویکرد پیشنهادی از دادههای دارای برچسب و فاقد برچسب با هدف مقابله با انواع تغییر مفهوم در جریان دادهها استفاده میکند. SSE-CBS مکانیزم مشهور وزندهی بر اساس دقت الگوریتمهای جمعی مبتنی بر بلوک را با ماهیت افزایشی الگوریتم درخت هافدینگ تلفیق میکند. الگوریتم پیشنهادی به طور تجربی با 8 رویکرد منطبق بر جدیدترین دستاوردها، از جمله مدلهای طبقهبندی نظارتی، نیمهنظارتی، منفرد و الگوریتمهای جمعی مبتنی بر بلوک روی مجموعه دادههای متنوع مقایسه شده است. بر اساس نتایج تجربی، SSE-CBS بهترین میانگین دقت طبقهبندی را نسبت به سایر رویکردهای نیمهنظارتی داراست و قادر است در محیطهای دارای تغییر مفهوم با محدودیت داده برچسبدار عملکرد مناسبی داشته باشد. پرونده مقاله -
دسترسی آزاد مقاله
4 - ماشین یادگیری مفرط عمیق: رویکرد ترکیبی یادگیری افزایشی برای طبقهبندی دادههای جریانی
جواد حمیدزاده منا مرادیدادههای جریانی متشکل از دادههایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد میشوند. توزیع این دادهها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع دادهها در حوزههایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلی چکیده کاملدادههای جریانی متشکل از دادههایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد میشوند. توزیع این دادهها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع دادهها در حوزههایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلیل دادههای بزرگ جریانی به عنوان موضوعی مهم، مورد توجه محققین است. در روش پیشنهادی، از مفهوم یادگیری ترکیبی برخط در مدل بهبودیافته ماشین یادگیر مفرط به منظور طبقهبندی دادههای جریانی استفاده شده است. به دلیل استفاده از رویکرد افزایشی، در هر لحظه تنها یک بلوک داده بدون نیاز به دسترسی به دادههای پیشین یاد گرفته میشود. همچنین با بهرهگیری از رویکرد آدابوست، وزندهی به طبقهبندیکنندههای پایه و تصمیمگیری در مورد حفظ و یا حذف آنها بر اساس کیفیت پیشبینیها انجام میشود. مزیت دیگر روش پیشنهادی، بهرهگیری از رویکرد مبتنی بر صحت طبقهبندی کننده جهت شناسایی رانش مفهوم است که منجر به تسهیل انطباق مدل و افزایش کارایی آن میشود. آزمایشها بر روی مجموعه دادههای استاندارد انجام گردید و روش پیشنهادی به طور میانگین با کسب 90/0% خاصبودن، 69/0% حساسیت و 87/0% صحت توانست اختلاف معناداری با دو روش رقیب داشته باشد. پرونده مقاله