کنفرانس بین المللی وب پژوهی
سال:1400 | دوره:7 |تعداد مقالات:24

جریان های کار علمی، دنباله ای از محاسبات هستند که پردازش داده های حجیم را در یک فرم ساختاریافته را ممکن می سازند. برای پردازش این جریان های کار به منابع زیادی نیاز است. هریک از آن ها ازنظر منابع مورد نیاز ویژگی خاصی دارد. پژوهش های زیادی در حوزه زمان بندی جریان کار در محیط های مختلف از جمله ابر انجام شده است. ابر یک محیط مقیاس پذیر و اقتصادی است که به کاربرها امکان دسترسی به منابع محاسباتی نامحدود با مدل هزینه، پرداخت به میزان استفاده را می دهد. افزایش انگیزه کاربرها در اجرای جریان های کار در محیط ابری باعث توسعه بستر های چندمستأجره ای مانند بستر جریان کار به عنوان سرویس شده است. این بستر محیطی را ارائه می دهد که کاربر ها به راحتی می توانند جریان های کار خود را با تعیین کیفیت سرویس موردنظر خود برای اجرا ثبت کنند. زمان و هزینه معروف ترین انواع کیفیت سرویس هستند. در این مقاله ما الگوریتمِ زمان بندیِ چند محدودیتی و پویا را برای محیط جریان کار به عنوان سرویس، معرفی می کنیم. برخلاف الگوریتم های معرفی شده در این حوزه، در الگوریتم پیشنهادی دو کیفیت سرویس فرجه و بودجه را به طور همزمان در نظر گرفته شده است. معمولاً پژوهشگرها با هدف ساده کردن مسئله، تنها نیازمندی توان پردازشی را برای محاسبات یک جریان کار در نظر گرفته اند اما در روش پیشنهادی علاوه بر نیازمندی توان پردازشی، نیازمندی حافظه نیز در نظر گرفته می شود. همچنین، در الگوریتم پیشنهادی با بهره گیری از کانتینر، امکان اشتراک منبع بین کاربرها و اجرای چند وظیفه به طور همزمان روی آن و در نهایت کاهش هزینه وجود دارد. این الگوریتم از یک معیار دو-فاکتور برای کنترل و سبک وسنگین کردن بین هزینه و بهره وری منابع در حین نگاشت وظیفه ها به منابع استفاده می کند. نتایج حاصل از آزمایش ها نشان می دهدکه نرخ موفقیت الگوریتم در بارهای کاری مختلف بالای 96% است. همچنین این الگوریتم در بارهای کاری متفاوت در مقایسه با دو الگوریتم زمان بندی EPSM و MW-HBDCS هزینه کل را حداقل 13. 2% و به طور میانگین 33. 2% کاهش داده و از نظر تعداد ماشین های مجازی اجاره شده نیز بهتر عمل می کند.

طبقه بندی مقصود یکی از مسائل مهم در فهم زبان طبیعی است که هدف آن طبقه بندی پرسش ها بر اساس مقصود، هدف، یا منظوری است که در محتوا بیان شده است. اما مشکلی که در این نوع مسائل وجود دارد کمبود داده هایی است که توسط عامل انسانی برچسب گذاری شده باشند. این مشکل باعث ضعف در جامع سازی مدل ها می شود، مخصوصا وقتی که مدل ها با کلمات نادر مواجه می شوند. استفاده از مدل های از پیش آموزش داده شده می تواند در ارائه ای جامع از زبان مفید واقع شوند. مدل زبانی از پیش آموزش داده شده BERT که اخیراً منتشر شده است اثر مهمی در حوزه پردازش زبان طبیعی گذاشته است. این مدل زبانی که با استفاده از یک پیکره زبانی بسیار بزرگ بدون برچسب پیش آموزش داده شده است، با تنظیم دقیق توانسته است در بسیاری از مسائل پردازش زبان طبیعی مانند سیستم های پرسش و پاسخ و تحلیل احساس نتایج بسیار خوبی کسب کند. در این مقاله سعی شده است که مدل زبانی BERT با مدل های رایج یادگیری ماشین برای طبقه بندی مقصود مقایسه شود و نشان داده شده است که برای یادگیری مجموعه داده محدود مدل BERT عملکرد بهتری نسبت به مدل های رایج یادگیری ماشین دارد.

تشخیص به کمک کامپیوتر (CAD)یک تکنیک هوش مصنوعی است که از تشخیص الگو برای برجسته سازی ویژگی های مشکوک در تصویربرداری پزشکی استفاده کرده و آنها را برای رادیولوژیست به منظور بررسی و تفسیر علامت گذاری می کند. بنابراین، می-توانCAD را یک فن آوری مهم در جهت کمک به کاهش بارکاری پزشکان، تشخیص زودهنگام بیماری و نیزکوتاه کردن زمان مورد نیاز برای تفسیر تصاویر پزشکی تلقی کرد. علی رغم توسعه این سیستم ها در حوزه های مختلف پزشکی و مهندسی، تعیین جامع روند تحقیقات و ارائه تصویر کلان از سیستم های CAD از اهمیت ویژه ای برخوردار است. در همین راستا یک روش تحلیل و ارزیابی فعالیت های علمی پژوهشی در یک حوزه از علم، مطالعات علمی سنجی است. از سوی دیگر در سال های اخیر استفاده از تجزیه و تحلیل شبکه های اجتماعی به عنوان ابزاری مناسب جهت ترسیم ساختارهای علمی، نظر محققین علوم مختلف را برای تحلیل این روابط و ترسیم ساختار علمی یک حوزه از علم به خود معطوف کرده است. در این مقاله با به کارگیری روش تحلیل هم رخدادی واژگان و تحلیل شبکه های اجتماعی، شبکه ی مطالعات حوزه سیستم های CAD بر اساس 10613مقاله ی نمایه شده در پایگاه داده PubMed طی سال های 2015 تا2020 ترسیم و روند حاکم بر پژوهش های حوزه مذکور بررسی شده است. نتایج این پژوهش نشان می دهد بیشترین استفاده از سیستم های CAD در حوزه ی تشخیص انواع سرطان و بیماری های قلبی عروقی و مغزی بوده است.

هدف پژوهش حاضر، مطالعه میزان فعالیت اعضای هیئت علمی دانشکده علوم تربیتی و روانشناسی دانشگاه شهید بهشتی در شبکه اجتماعی علمی ریسرچ گیت بر اساس امتیاز آر جی و نیز مطالعه رابطه بین امتیاز آرجی در شبکه اجتماعی علمی ریسرچ گیت و شاخص هرش در پایگاه های استنادی اسکوپوس و گوگل اسکالر بود. پژوهش حاضر پیمایشی بوده و برای انجام آن از رویکرد دگرسنجه ها استفاده شده است. جامعه آماری پژوهش اعضای هیأت علمی دانشکده علوم تربیتی و روانشناسی دانشگاه شهید بهشتی فعال در شبکه علمی ریسرچ گیت در نظر گرفته شد. برای تجزیه و تحلیل داده ها از آمار توصیفی و تحلیلی استفاده شد. تحلیل داده ها نیز با آزمون همبستگی اسپیرمن انجام شد. برای این کار از نرم افزار اکسل استفاده گردید. نتایج پژوهش نشان داد که اعضای هیئت علمی گروههای روانشناسی و علم اطلاعات و دانش شناسی دارای بشترین میزان فعالیت و حضور در شبکه اجتماعی علمی ریسرچ گیت هستند. یافته های پژوهش نمایان ساخت که همبستگی مثبت و معناداری میان امتیاز آرجی و اچ ایندکس در پایگاه های استنادی وجود دارد، امتیاز آرجی این قابلیت را داراست که به عنوان ابزاری مکمل یا جایگزین در ارزیابی فعالیت های علمی پژوهشی محققان مورد استفاده قرار گیرد.

یکی از بسترهای مهم برای پردازش کلان داده استفاده از معماری هدوپ است که می توان با استفاده از عملیات نگاشت-کاهش، داده های بزرگ را در زمان واقعی مورد پردازش قرار داد. یکی از چالش های مهم پردازش کلان داده در هدوپ زمانبندی دقیق jobهایی است که در این بستر اجراء می شوند و نیاز است که قبل از اجرای jobها زمان اجرای آن را پیش بینی نمود تا به درستی و به صورت بهینه زمانبندی شوند. در این مقاله برای تخمین زمان اجرای دقیق jobها از الگوریتم بهینه سازی پروانه برای انتخاب ویژگی-های مهم jobها و از شبکه عصبی مصنوعی برای یادگیری استفاده شده است. تجزیه و تحلیل ها نشان می دهد که این الگوریتم، از الگوریتم بهینه سازی ذرات، الگوریتم بهینه سازی کفتار و الگوریتم کرم شب تاب خطای کمتری دارد. آزمایشات نشان می دهد مقدار تابع هدف انتخاب ویژگی، در روش پیشنهادی بر حسب تکرار، یک روند نزولی و کاهشی است. به منظور پیش بینی زمان اجرای jobها، افزایش جمعیت اولیه در این روش، متوسط مجذور خطا را در حدود 25. 85% کاهش می دهد. مقایسه روش پیشنهادی با روش های دیگر نشان می دهد خطای تخمین زمان اجرا در روش پیشنهادی از شبکه عصبی چند لایه، شبکه عصبی بازگشتی، درخت تصمیم گیری و جنگل تصادفی کمتر است.

افزایش تقاضا، سرویس دهنده ابری را با چالش زمان بندی مناسب منابع مرکز داده برای حفظ تعادل زمان پاسخگویی به کار ها، کاهش این زمان و داشتن شانس تقریبی برابر انتخاب هر یک از کارها روبه رو ساخته است. زمان بندی کارها، یک واحد اصلی در مرکز داده محیط رایانش ابری است. الگوریتم های اکتشافی توانمندی تطبیق پذیری خودکار نسبت به بهینگی و تغییرات محیطی یک بارکاری از پیش تعیین شده را ندارند. از طرف دیگر، فرآیند تخصیص چندگانه منابع در واحد زمان و مکان منجر به ایجاد پیچیدگی بیشتر این فرآیند در محیط رایانش ابری می شود. در جهت توجه و مواجهه با چالش های مطرح شده از یادگیری تقویتی به عنوان یک روش تصمیم گیری ترتیبی با امکان تغییر رفتار در مقابل تغییر محیطی استفاده شده است. رهیافت پیشنهادی، با کارهای پژوهشی DeepRM و DeepScheduler در حوزه زمان بندی خودکار و مبتنی بر یادگیری تقویتی با دادگان شبیه سازی از منظر معیار کندی میانگین پاسخ، نقطه تعادلی میانگین پاسخگویی به کارها و کمینه سازی بهره وری منابع مرکز داده در الگوی تقاضای نرمال کارها مورد ارزیابی قرار گرفت و مولفه زمان بند رهیافت پیشنهادی، عملکرد بهتری نسبت به آن ها در مدیریت منابع مرکزداده از خود نشان داد.

استارتاپ در حقیقت یک شرکت نوپا است که در جریان ارائه یک ایده خام و برای تولید یک و یا چند محصول، توسط یک یا چند کارآفرین، تأسیس و به بازار عرضه می شود. در ایران مهم ترین دلیل شکست، نبود سرمایه کافی عنوان شده است. با توجه به نوپا بودن صنعت کارآفرینی و سرمایه گذاری خطرپذیر در ایران، و هم چنین چالش های موجود برای ورود سرمایه ی خارجی به دلیل تحریم های بین المللی، انتخاب این گزینه به عنوان مهم ترین دلیل شکست می تواند قابل درک باشد. در تحقیق پیش رو، بر روی مجموعه داده استارتاپ های ایرانی از تکنیک های طبقه بندی درخت تصمیم، نایو بیز، و ماشین بردار پشتیبان برای پیش بینی موفقیت و یا شکست استارتاپ ها استفاده شد. ابتدا وزن شاخص های تأثیرگذار با روش شاخص بهره اطلاعاتی محاسبه شد و در گام طبقه بندی، با مقایسه دقت کل و مقدار سطح زیر نمودار ROC، تکنیک ترکیبی ماشین بردار پشتیبان به همراه انتخاب ویژگی بهره اطلاعاتی بالاترین دقت (97/88 درصد) و کمترین خطا را در مقایسه با سایر روش ها گزارش داد. نتایج نشان داد، نوع صنعت ایده، خلاقیت و مهارت افراد، نوآوری، و نوع سرمایه گذار تأثیر زیادی در موفقیت و یا شکست استارتاپ های ایرانی دارند.

با توجه به اضافه بار اطلاعات در شبکه ی گسترده ی جهانی، کاربر در انتخاب اقلام با مشکل مواجه است. سرویس های فهرست بندی اجتماعی به کاربران اجازه می دهند که محصولات یا خدمات را استفاده کرده و نظرات و تجربیات خود را به اشتراک بگذارند که نه تنها برای خود، بلکه برای کاربران دیگر نیز مؤثر واقع می شوند. سیستم های توصیه گر با توجه به رفتار کاربران و ویژگی های محصولات، توانستند تأثیر بسزایی در انتخاب اقلام بگذارند. در این مقاله یک روش توصیه مبتنی بر برچسب، با توجه به احساسات منعکس شده در برچسب های کاربر پیشنهاد شده است. عملکرد روش پیشنهادی به این صورت است که امتیاز احساسی برچسب ها با دیگر اطلاعات دریافت شده از کاربر و همچنین اطلاعات محتوایی اقلام، ترکیب شده و میزان شباهت میان آن ها بدست آورده می شود. این فرآیند درنهایت، به بهبود عملکرد سیستم توصیه گر کمک می کند. آزمایش روش پیشنهادی بر روی پایگاه داده ی واقعی Movielense نشان می دهد که این روش، عملکرد بهتری نسبت به کارهای قبلی دارد و در پیش بینی رتبه، خطا را کاهش و دقت را افزایش داده است.

علوم شناختی، رویکردی میان رشته ای است که داعیه دار پیوند علوم انسانی همچون فلسفه با علوم تکنیکی همچون عصب شناسی و هوش مصنوعی بوده و با این روش، گام در مسیر شناخت انسان و مداخله اجتماعی گذاشته است. اما توجه به این مهم بر دانشمندان علوم شناختی ضروری است که چنین پیوندی به سادگی میسر نبوده و برای انجام آن باید خود را مخاطب گفت وگویی در مورد ذات زبان بدانند. گفت وگویی که ادبیات و تکنیک با ریاضیات خواهند داشت. آیا ادبیات و تکنیک، نماینده دو نوع مبنای معرفتی متفاوت و ازاین رو نماینده دو منطق هستی و دو زبان متضاد هستند و یا می توان از آشنایی و طریق آشتی بین ایشان از طریق ریاضیات پرسید. پرسش از اینکه چطور زبان دراماتیک ادبیات و زبان فیزیکال تکنیک، در بن و بنیاد خود نیازمند تخاطبی با زبان ریاضی واره بوده و از این طریق می توانند وحدت خود را به یاد آورند. از طرف دیگر چطور عدد بر زبان آمده و ریاضیات می تواند به نحوی زبان انسان باشد؟ حتی به نحو بنیادین تری لازم است از ذات زبان پرسید که آیا اساساً انسان می تواند زبان واحدی در جهان داشته باشد یا همواره گسستی در زبان خود احساس می کند و باید در جستجوی پیوندهایی میان دو طرف آن باشد. چنین تصمیمی در مورد زبان و لحن، نتایج بسیاری در مسائلی همچون نحوه تجربه جهان را نیز معین می کند. مقاله حاضر تلاش می کند با مروری در اختلاف های میان رشته ای ظاهر در دانش روز علوم شناختی، ریشه را در طرح مذکور پیگیری نموده و با بهره گیری از سنت پژوهشی پدیدارشناسی، راهی به جهان بیابد و رسانه را به مثابه شیوه ی بالقوه ی استقبال علوم انسانی از تکنیک طرح نماید.

امروزه اهمیت مبحث انتشار و استحکام معماری در شبکه، توجه محققین زیادی را به سمت شناسایی افراد تأثیرگذار در شبکه های اجتماعی جلب کرده است. بنابراین روش های زیادی برای کشف گره ی تأثیرگذار ارائه شده است. با این وجود هر کدام از معیارهای ارائه شده دارای محدودیت های خاص خود هستند. الگوریتم GLS یکی از متدهای کشف و رتبه بندی گره های تأثیرگذار است. GLS با ادغام دو بعد اطلاعات سراسری و محلی گره ها، از دقت بیشتری نسبت به متدهای کلاسیک و نوین مشابه برخوردار است. GLS دارای پیچیدگی زمانی از مرتبه ی نمایی است. بنابراین استفاده از این متد برای شبکه های بزرگ هزینه ی زیادی را در بر دارد و در برخی موارد غیرممکن است. در این مقاله ساختار GLS را به منظور کاهش زمان اجرای آن تغییر داده ایم. این تغییر با در نظرگرفتن همسایه های مشترک هر گره با همسایه هایش تنها تا شعاع دو در بخش محاسبه ی تأثیر سراسری انجام شده است. الگوریتم ارائه شده در این پژوهش (NGLS) ضمن حفظ دقت GLS، دارای پیچیدگی زمانی از مرتبه ی خطی است. زمان اجرای NGLS روی 15 شبکه ی دنیای واقعی حداقل 50% و روی 13 شبکه ی شبیه سازی شده حداقل %80 نسبت به الگوریتم GLS کاهش یافته است. NGLS قابل استفاده در انواع شبکه ها با مقیاس های متفاوت است.

سرطان پستان در سالهای اخیر در بین زنان افزایش یافته و یکی از شایع ترین علل مرگ و میر در زنان می باشد. مطالعات نشان می دهد که ترموگرافی، نسبت به سایر روش های تشخیصی، روشی سریع تر، ارزان تر، غیرفعال، بدون ریسک، بدون اشعه و درد است. روش های جدید در پردازش تصویر و بینایی، یادگیری ماشین سبب شده تا مطالعات موفقیت آمیزی به منظور ایجاد سیستم-های تشخیصی سرطان پستان با بکارگیری تصاویر ترموگرافی انجام شود. در این مطالعه یک روش مناسب برای تشخیص آبنورمالی تصاویر ترموگرافی از نمای روبه رو ارائه شده است که با بکارگیری این روش تفکیک ناحیه سینه و همه نواحی مدنظر پزشک که برای تشخیص سرطان پستان ضروری می باشند، از ترموگرام ها جداسازی رنگی می شوند و نواحی پرحرارت، با استفاده از الگوریتم FCM از تصاویر استخراج شده و به کمک آنالیز فراکتالی، بعد فراکتال این نواحی با استفاده از سه روش متفاوت محاسبه می شوند. مطالعات نشان می دهد که آنالیز فراکتالی به طور بالقوه می تواند قابلیت اطمینان ترموگرافی در تشخیص تومور را بهبود بخشد. جنبه نوآوری این مقاله بررسی نقش آنالیز فراکتالی، در ردیابی توزیع حرارت متقارن در دو بافت پستان در تصاویر ترموگرافی است. نتایج نشان می دهد که آنالیز فراکتالی نقش مهمی در ردیابی توزیع حرارت متقارن، در دو بافت پستان جهت بررسی عدم تقارن به منظور ردیابی ناهنجاری های پستان را دارد.

مدل سازی موضوعی یک ابزار تحلیلی محبوب برای استخراج موضوع از داده های متنی و خوشه بندی داده های پیکره های متنی است. روش های زیادی برای مدل سازی موضوعی وجود دارد که انواع روابط و محدودیت ها را در انواع مجموعه داده ها در نظر می گیرند. بسیاری از پژوهشگران به روش مدل سازی تحلیل پنهان دریکله به دلیل انعطاف پذیری و سازگاری آن علاقه مند هستند. اما انتخاب این روش در خصوص مجموعه داده های پیچیده و خاص با چالش های بسیار همراه است. نظر به گسترش شبکه های اجتماعی و وجود پایگاه های داده پویا و متن کوتاه، بررسی امکان پذیر بودن استفاده از بهترین روش مدل سازی موضوعی بر اساس معیارهای ارزیابی همچون انسجام موضوع، زمان اجرای مدل، انحصارطلبی و میزان حیرت مدل هدف پژوهش حاضر است. در این مقاله، رویکردی های مختلفی از روش های مدل سازی موضوعی در خصوص مجموعه داده متنی کوتاه پویا مورد تجزیه و تحلیل قرار گرفته است. مجموعه داده متن کوتاه پویا می تواند کاربردهای متنوعی داشته باشد به عنوان مثال، مجموعه داده های مربوط به موضوع مقالات، مجموعه داده های گردآوری شده از رسانه های اجتماعی، مجموعه داده های نظرات کاربران در خصوص محصول جدید ارائه شده توسط یک شرکت تجاری و موارد دیگر. با توجه به گراف محور بودن پایگاه داده مورد استفاده در این پژوهش، موضوع بدست آمده از خروجی اعمال روش های مدلسازی موضوعی، کمک شایانی در مساله چالش برانگیز تشخیص جوامع در حوزه تحلیل گراف می کند. تشخیص مناسب جوامع می تواند در یافتن گره های تاثیرگذار مناسب در بازاریابی ویروسی موثر باشد. نتایج بدست آمده از بررسی انواع روش های مدل سازی موضوعی بر پایگاه داده DBLP و نوع گره موضوع مقاله و ارزیابی نتایج با معیارهای ارزیابی موضوعی نشان از پایداری و تطابق روش بایترم بر روی این پایگاه داده دارد.

سیستم های توصیه گر راه حلی برای ارائه پیشنهادهای مناسب به کاربران و کمک به آن ها در فرایند تصمیم گیری هستند. در بیشتر سیستم های توصیه گر، هدف پیشنهاد اقلامی متناسب با علایق کاربر بر اساس امتیازدهی های گذشته می باشد. تمرکز ِصرف بر امتیازدهی های پیشین، سبب مشکلات مختلفی از جمله نادیده گرفته شدن اقلام دنباله طولانی می گردد. اقلام دنباله طولانی، اقلامی هستند که توسط تعداد کمی از کاربران امتیازدهی شده اند و در نتیجه اغلب توسط سیستم های توصیه گر پیشنهاد نمی شوند. این امر سبب سوگیری سیستم توصیه به سمت پیشنهاد کالاهایی با محبوبیت بالای قبلی و نادیده گرفته شدن تنوع و تازگی در پیشنهادها می شود. برای حل این مشکل، در این مقاله از یک روش بهینه سازی چند هدفه به منظور افزایش دقت و افزایش شانسِ توصیه اقلام دنباله طولانی استفاده شده است. در روش پبشنهادی که بر روی مجموعه داده Movielens اعمال شده است ابتدا با دسته بندی فیلم ها بر اساس تازگی (سال تولید)، دسته های متنوعی از اقلام ایجاد می شوند. سپس با اعمال الگوریتم NSGAII، دو هدف افزایش دقت و تنوع در اقلامِ پیشنهادی، دنبال می شود. نتایج حاصل از اعمال روش پیشنهادی بر روی مجموعه داده ذکرشده بیانگر آن است که روش پیشنهادی در عین حفظ دقتِ توصیه توانسته است تعداد اقلام دنباله طولانی در لیست های توصیه را نیز افزایش بخشد.

دانش داده کاوی یکی از دانش های درحال توسعه و برتر جهان است. این دانش در حوزه های مختلفی هم چون تجارت، برق، صنایع و. . . نیز به کار گرفته شده است. یکی از مهم ترین کاربردهای این دانش در بخش بهداشت و درمان نیز می باشد که امروزه توجه ویژه ای به آن شده است. در این تحقیق سعی شده که مروری بر چالش های پیش رو داده کاوی در بهداشت و درمان صورت پذیرد و بررسی کامل و جامعی در این زمینه انجام گیرد. در ابتدا در این تحقیق به ادبیات موضوع و مفاهیم اولیه پرداخته می شود. بدیهی است هر دانش نوین و نوپایی در ابتدای امر معایب و مشکلاتی به همراه خواهد داشت و چالش هایی را نیز به وجود می آورد که خود زمینه ساز تحقیقات بیشتر در این مورد خواهد شد و همچنین کمک به پیشرفت این حوزه جهت بهبود و تکمیل آن در آینده نیز خواهد کرد، که اشاره به چندین چالش مهم و حیاتی پیش رو برای اجرای تکنیک های داده کاوی در سیستم اطلاعات سلامت (HIS) از جمله کیفیت داده ها، حفظ حریم خصوصی و. . . خواهد شد. و سپس برخی از کارهای انجام شده در زمینه چالش ها و مشکلات مطرح شده ارائه خواهد شد.

رشد فزاینده مطالعات علمی نمایه شده در وب و افزایش چشم گیر شمار مقالات در حوزه های تخصصی علوم، بررسی کامل مطالب به روش های سنتی و همچنین مطالعه ی تمام ادبیات مرتبط را به لحاظ زمان، هزینه و منابع در دسترس غیرممکن ساخته است. به همین دلیل پژوهشگران به کاربست شیوه های یادگیری ماشینی و هوشمندسازی روند تحلیل مقالات علمی به وسیله ی الگوریتم های ریاضی روی آوردند. یکی از جدیدترین و متداول ترین این الگوریتم ها، یادگیری ماشینی خوشه مبناست که در قالب رابط و نرم افزارهایی چون VOS Viewer به تحلیل مرجعی و متنی اسناد می پردازد. مقاله حاضر به عنوان یک پژوهش علمی-ترویجی و به روش مطالعات کتابخانه ای، با هدف تشریح این الگوریتم و نحوه استفاده از نرم افزارهای مربوطه در تحلیل متنی مقالات علمی، تدوین گشته است. به همین جهت، در ابتدا به بررسی شیوه های مرور ادبیات علمی پرداخت شده و سپس در سه گام نحوه استفاده از نرم افزار VOS Viewer و الگوریتم آن بر روی یک نمونه موردی، بررسی می گردد. نمونه مورد مطالعه در این پژوهش، مقالات مربوط به تاب آوری اقلیمی در حوزه برنامه ریزی شهری است که در بازه 2001 تا 2021 در اینترنت نمایه شده اند.

پژوهش حاضر به منظور مطالعه وضعیت حضور مجلات ایرانی دسترسی آزاد نمایه شده در پایگاه استنادی اسکوپوس در رسانه های اجتماعی بر اساس شاخص های دگرسنجه انجام شد. پژوهش حاضر از نوع کاربردی بوده و با استفاده از شاخص های دگرسنجه انجام شد. جامعه پژوهش را مجله های ایرانی دسترسی آزاد که در پایگاه استنادی اسکوپوس نمایه شده اند و حداقل در یک رسانه اجتماعی حضور دارند را شامل می شود که پس از بررسی وب سایت مجلات، 42 عنوان مجله به عنوان جامعه پژوهش انتخاب شد. شاخص هایی که در این مطالعه مورد استفاده قرار گرفت شامل دنبال کننده، دنبال شونده، ارتباطات، دیده شدن، استنادات کل و استنادات سه ساله در اسکوپوس است. نرم افزار اس. پی. اس. اس. نسخه 22 برای بررسی رابطه معناداری بین شاخص های دگرسنجه و استناد مورد استفاده قرار گرفت. در این پژوهش، نتایج نشان داد رابطه آماری معناداری مثبت بین استناد دریافتی سه ساله و دنبال کنندگان در آکادمیا، استناد دریافتی سه ساله و دیده شدن در آکادمیا و دنبال کنندگان با دیده شدن در آکادمیا وجود دارد. به بیان دیگر با بیشتر شدن شاخص دنبال کنندگان و دیده شدن در پروفایل مجلات، میزان استنادات دریافتی مجلات در پایگاه استنادی اسکوپوس افزایش می یابد.

تشخیص اشیای متحرک در هر فریم گامی اساسی در تحلیل ویدئو و تشخیص خشونت است. در این مقاله روشی جدید برای جداسازی فریم های حاوی اطلاعات حرکتی و تشخیص خشونت در آنها ارائه شده است. در روش پیشنهادی جداسازی فریم های حاوی اطلاعات حرکتی و تشخیص خشن بودن آنها در دو سطح شبکه صورت می گیرد. در سطح یک آتروس کانولوشن ویدئوهای ورودی به شبکه را دریافت می کند و با اعمال تقسیم بندی معنایی روی فریم های ورود به شبکه فریم های حاوی اطلاعات حرکتی را جداسازی می کند سپس آنها را جهت تشخیص خشن بودن رفتار های صورت گرفته به سطح دو شبکه یعنی کانولوشن زمانی مکانی انتقال می دهد. در انتها جهت اطمینان از صحت عملکرد شبکه واحد رگرسیون پس از بررسی خروجی شبکه اطلاعات را در دو کلاس خشن و غیرخشن دسته بندی می کند و برای آنها نمره در نظر میگیرد. هرچقدر نمره به دست آمده نزدیک 0 باشد یعنی خشونت تشخیص داده نشده و هرچقدر این نمره نزدیک1 باشد یعنی خشونت تشخیص داده شده است. برای نمایش میزان دقت الگوریتم پیشنهادی دو مجموعه دادگان مورد بررسی قرار گرفته اند که مجموع دقت به دست آمده از آنها برابر با 96% در مجموعه داده ucf-crime و همچنین %93 از مجموعه داده surveillance video است.

هدف مطالعه حاضر شناسایی آن دسته از ویژگی های وبسایت است که لازم است ارتقا یابند. در این راستا رویکردی به نام تجزیه و تحلیل تأثیر-عملکرد نامتقارن (AIPA) را استفاده و تطبیق میدهد که بر رابطه ی نامتقارن بین رضایت مشتری و ویژگی های وبسایت دلالت می کند. سوال اصلی پژوهش این است که بر اساس تحلیل نامتقارن تأثیر-عملکرد، کدام یک از سطوح اساسی، کارکردی و انگیزشی در گروه های خدمتی در آموزش الکترونیکی دانشگاه تهران واجد جنبه های مدنظر کیفیت وب سایت (WebQual 4. 0) هستند. یافته های حاصل از به کارگیری مدل سازی معادلات ساختاری و رگرسیون چندگانه نشان داد که رضایت کلی مشتری از وب سایت، در درجه اول، تحت تأثیر ویژگی و سپس تعامل با خدمات شامل دو ساختار (بعد) اعتماد و همدلی و در نهایت دو بعد قابلیت استفاده و کیفیت اطلاعات است. بررسی ابعاد Webqual نشان داد که بعد قابلیت استفاده از وب سایت بخشی از گروه خدمات انگیزشی با عملکرد بالا است و بعد کیفیت اطلاعات بخشی از گروه خدمات اساسی با عملکرد بالا، و بعد تعامل وب سایت در گروه خدمات اساسی با عملکرد پایین است.

یافتن شباهت و ارتباط معنایی میان کلمات و مفاهیم یک زبان دارای اهمیت بسیار بالایی در پردازش زبان طبیعی است و می تواند به بهبود عملکرد سامانه های مختلف مانند کشف تقلب، خلاصه سازی، ارزیابی ترجمه ماشینی، تشخیص دگرنویسی، شناسایی استلزام و گفتگوی هوشمند کمک شایانی نماید. یافتن شباهت و ارتباط معنایی بسته به نوع بازنمایی معنا می تواند مبتنی بر گراف یا مبتنی بر بردار باشد. در روش های مبتنی بر گراف، شباهت معنایی براساس اطلاعات موجود در سلسله مراتب، میزان نزدیک بودن دو مفهوم را تعیین می نماید و ارتباط معنایی از اطلاعات بیشتری مثل سایر روابط غیر سلسله مراتبی و همچنین توضیح و مثال موجود برای هر مفهوم در وردنت ها استفاده می نماید. در این مقاله پس از توضیح نحوه عملکرد شش معیار شباهت معنایی و سه معیار ارتباط معنایی موجود، برروی زوج مفاهیم و یا زوج واژه های زبان فارسی، به معرفی یک روش جدید مبتنی بر فارس نت برای این زبان می پردازیم. به این ترتیب ضمن معرفی شیوه جدیدی برای شباهت سنجی کلمات و مفاهیم فارسی مبتنی بر همه روابط فارس نت، بستری برای آزمون و ارزیابی و مقایسه روش های شباهت سنجی و ارتباط سنجی و همچنین سرویسی برای محاسبه میزان شباهت و ارتباط واژه ها یا مفاهیم فراهم آورده ایم که در طی مقاله جزئیات آن را بررسی خواهیم کرد.

در دهه های اخیر که با رشد فناوری اطلاعات، استفاده از روش های دیجیتال در تبلیغ ها و تولید آثار تبلیغ ها گسترش یافته و هدف این پژوهش مقایسه و بررسی جایگاه تبلیغ های سنتی و دیجیتال در محیطی است و چگونه می توان از مولفه های بصری مستخرج از هنرهای تبلیغ های سنتی و تبلیغ های دیجیتالی، درگرافیک محیطی بهره برد را می پردازد و از این رو، بررسی نمونه های مطالعاتی مقاله حاضر به روش توصیفی _ تحلیلی بوده که با توجه به اطلاعات به دست آمده می توان به این نکته دست یافت که تبلیغ های دیجیتال در گرافیک محیطی مؤثرترین ابزار برای تأثیر بر الگوهای رفتاری زندگی انسان شهرنشین است.

محاسبات مه یک پارادایم نوظهور است که مفهوم ابر را تا لبه گسترش می دهد. این پارادایم، منابع محاسباتی، ذخیره سازی، کنترل و قابلیت های شبکه را برای تحقق برنامه های کاربردی اینترنت اشیا فراهم می کند. در مفهوم محاسبات مه، دستگاه های اینترنت اشیا، داده ها و محاسبات پیچیده را به گره های مه در اطرافشان بارگذاری می کنند. در این مقاله، به مسئله ی تخصیص بهینه منابع محدود گره های مه به برنامه های اینترنت اشیا می پردازیم. در واقع، مسئله ی تخصیص منابع را می توان به صورت یک سیستم تصمیم گیری آنلاین در نظر گرفت که در آن گره های مه باید تصمیم بگیرند که آیا درخواست های دریافتی از دستگاه های اینترنت اشیا را به صورت محلی پردازش کنند یا آن ها را به گره های ابر در فواصل دور فرستند. رویکرد های کنونی برای تخصیص منابع مه از انطباق پذیری کافی در محیط های دارای نویز و عدم قطعیت برخوردار نیستند. به همین منظور، وجود الگوریتم های متکی به یادگیری در این حوزه امری ضروری است. در این مقاله، در مرحله ی اول مسئله تخصیص منابع مه به عنوان یک فرایند تصمیم گیری مارکوف مدل سازی شده است. سپس روشی بر پایه ی رویکرد یادگیری تقویتی عمیق جهت حل این مسئله پیشنهاد شده است. در واقع، بر اساس الگوریتم گرادیان سیاست، گره های مه یاد می گیرند که چگونه وظایف IoT را به روشی بهینه برنامه ریزی کنند. روش پیشنهادی با رویکرد غیر یادگیری مقایسه شده است که در آن وظایف بر اساس طول اجرایشان و بدون در نظر گرفتن اولویت وظایف، به گره های مه تخصیص داده می شوند. نتایج به دست آمده با توجه به پاداش تجمعی در طول فرایند اجرای الگوریتم پیشنهادی، حاکی از یادگیری سیاست تخصیص منابع به صورت برخط است. این امر منجر به بهبود معیارهای میانگین تاخیر و میانگین تاخیر در شرایط سخت برای سیستمی با اولویت های مختلف وظایف، در مقایسه با روش غیر یادگیری می شود.

در سالهای اخیر و با پیشرفت تکنولوژی، مفاهیم نوینی در بانکداری شکل گرفته و شیوه ی ارائه ی خدمات در جهان را با تغییرات شگرفی رو به رو کرده است. بانک ها برای اینکه بتوانند در بازار مالی از مزیت رقابتی بهره مند شوند باید همواره بتوانند خود را با شرایط جدید سازگار نموده و فناوری های جدید را بپذیرند. امروزه یکی از ملاک های اصلی رقابت بین بانک ها، میزان ارائه ی خدمات غیرحضوری بر بستر دیجیتال و با بهره مندی از متدهای دانش بنیان بر پایه فناوری اطلاعات، به صورت مشتری محور، متنوع، سریع و کم هزینه می باشد. نئوبانک مفهومی است که این ویزگی ها را پوشش می دهد. این تحقیق با توجه به ضرورت گذر از شیوه های سنتی و اهمیت دستیابی به نئوبانک، در ایران به اجرا درآمده است تا میزان آشنایی شهروندان با مفهوم نئوبانک، میزان اقبال عمومی از راه اندازی نئوبانک خصوصا در طی بحران کرونا و نیازها و انتظارات جامعه ی هدف نئوبانک ها را مورد ارزیابی قرار دهد. روش پژوهش مبتنی بر پرسشنامه بوده و جامعه ی نمونه شامل 401 نفر از شهروندان ایرانی می باشد که به صورت تصادفی انتخاب شده و به پرسشنامه پاسخ داده اند. همچنین در این مطالعه پیشرفت هایی که تاکنون در جهت دستیابی به نئوبانک و بانک دیجیتال و مدیریت چالش های آن در ایران صورت گرفته است، بررسی شده است.

تکنولوژی بلاک چین در سال های اخیر، به عنوان یک فناوری امیدوارکننده در زمینه ی سیستم های توزیع شده، مورد توجه بسیاری از دانشمندان قرار گرفته است. این امر با ویژگی های بلاک چین مانند شفافیت و تغییرنا پذیری امکان پذیر شده است. جدید بودن تکنولوژی بلاک چین باعث چالش های بسیاری در این زمینه است. یکی از این چالش ها مدیریت داده ها در بلاک چین و ارائه داده مناسب با علایق کاربر می باشد. این چالش در سیستم های متمرکز کنونی از طریق سیستم های توصیه گر برطرف می شود. پیاده سازی سیستم های توصیه گر در قرارداد های هوشمند بلاک چین علاوه بر بالا بردن هزینه تراکنش، موجب دقیق نبودن توصیه ها به دلیل عدم امکانات محاسبه پیچیده الگوریتم های یادگیری ماشین در زبان های برنامه نویسی قراردادهای هوشمند می شود. در این مقاله، روشی برای بهبود سیستم های توصیه گر مبتنی بر داده های بلاک چین ارائه شده است. در این روش، داده ها بر اساس ساختاری در بلاک چین ذخیره می شوند که در قرارداد هوشمند تعریف شده است. این داده ها از طریق کلید عمومی قرارداد هوشمند در اختیار سیستم توصیه گر خارج از زنجیره قرار می گیرند تا پردازش لازم برای ارائه توصیه مناسب به کاربر انجام گیرد. سپس نتایج طی یک تراکنش در بلاک چین ذخیره می شود تا به کاربر ارائه شود. نتایج به دست آمده از تحقیق پیش رو و مقایسه با کارهای پیشین نشان می دهد که انجام محاسبات پیچیده خارج از زنجیره، علاوه بر کاهش هزینه تراکنش استقرار قرارداد هوشمند، موجب کاهش هزینه تراکنش مرتبط با توصیه گر در سیستم پیشنهادی از نظر گس مصرفی می شود، که حاصل آن افزایش مقیاس پذیری است.

در سال های اخیر، رایانش لبه ای مورد توجه بسیاری از محققان قرار گرفته است. رایانش لبه ای اجازه می دهد تا سرویس های اینترنت اشیا به منظور پردازش در نزدیکی منابع داده، اجرا شوند. این امر منجر به پایین آمدن تأخیرهای ارتباطی و استفاده بهتر از منابع رایانشی، ذخیره سازی و منابع شبکه ای در دسترس، می شود. دررایانش لبه ای دو مشکل اساسی 1) نیاز به تخصیص بهینه منابع با توجه به داده های حجیم تولید شده توسط اشیاء و کمبود منابع در لبه و 2) امنیت و جامیعت داده ها احساس می شود. برای مشکل اول، نیاز به استفاده از متوازن کننده های بار جهت استفاده از منابع لبه می باشد و برای مشکل دوم، استفاده از زنجیره ی بلوکی (بلاک چین)، به عنوان فناوری اساسی رمزنگاری یکی از راهکارهایی است که استفاده از آن اخیراً رو به افزایش است. این پارادایم جدید، دارای ملاحظاتی کلیدی مانند امنیت، حفظ حریم خصوصی و مقیاس پذیری می باشد. بر همین اساس، در راستای حل مشکلات ذکرشده، در این مقاله یک راهکار مبتنی بر زنجیره ی بلوکی در کنار یک متوازن کننده مبتنی بر الگوریتم های بهینه سازی ازدحام ذرات ارائه شده است.