5 مقاله جدید در مورد عقیده کاوی

1- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

2-کمی سازی گرایش احساسی نظرات متنی فارسی مشتریان بر روی کالای مشتریان بر روی ویژگی های کالا

3- مقایسه کارایی طبقه بندی های مختلف متن برای عقیده کاوی در نقد کالا

4-افزایش هوش تجاری براساس تحلیل عقاید در نقدهای فارسی

چکیده :

با گسترش تجارت الکترونیک و سیستمهای مدیریت درخواست مشتری، روزانه حجم عظیمی از دادههای متنی توسط کاربران بهطور مستقیم و غیرمستقیم تولید میشود. این دادههای متنی ارزش اطالعاتی بسیار باالیی دارند و واضح و بدیهی است که بررسی تمامی آنها بهطور دستی توسط انسان سخت و دشوار و در برخی موارد غیرممکن است. از طرفی خریداران یک محصول و حتی مدیران نیاز دارند تا اطالعات جامع و کارآمدی که حاصل تمامی نظرات داده شده است را مشاهده نمایند تا بتوانند در کوتاهترین زمان تصمیم درستی در خصوص کمیت و کیفیت در راستای گسترش خرید و یا فروش آن محصول اتخاذ نمایند. بررسی نتایج نشان میدهد که 11 %کاربران اینترنت قبل از خرید یک محصول یا خدمات راجع به آن جستجو نمودهاند و دیگر نظرات را مطالعه کردهاند. لذا در دهه اخیر، حوزه تحلیل احساست، نگاه بسیاری از محققان حوزه صنعت و دانشگاه را به خود معطوف کرده است اما متأسفانه بسیاری از این پژوهشها مختص زبان انگلیسی بوده و کارهای بسیار کمی در زبان فارسی صورت پذیرفته است. در این مقاله به ارائه چارچوبی خواهیم پرداخت که میتواند با استفاده از متون نقد کاربران در زبان فارسی قطبیت آن را پیشبینی نموده و ویژگیهای مورد نقد را استخراج نماید. در این راستای، ابتدا در مرحله پیشپردازش دادهها با جداسازی کلمات و جمالت، و ریشهیابی کلمات، اطالعات موردنیاز از نقدها استخراج شده و در گام بعدی با استفاده از مدل SVM نظرات و عقیده کاربران در مورد یک محصول و ویژگیهای آن طبقهبندی نمودیم. در پایان نیز مدل آموزش داده شده توانست با سرعت و دقت باالیی قطبیت نقدهای نوشته شده کاربران را بهدرستی پیشبینی نماید.

واژگان کلیدی: هوش تجاری، تحلیل احساسات، عقیده کاوی، پردازش زبان طبیعی، مدل SVM

5-مروری بر رویکردهای ارائه شده در نظرکاوی

چکیده:

به طور کلی، عقیده کاوی و تجزیه و تحلیل احساسات کمک می کند تا شرکت ها و ارائه دهندگان خدمات عقاید و احساسات مشتریان و کاربران خود را بدانند و بر اساس نیازهای مشتریان و کاربران محصوالت و خدمات خود را ارائه دهند. رایت در ]21 ] ادعا می کند که "برای بسیاری از کسب و کار ها، عقیده کاوی آنالین، یک نوع ارز مجازی است که می تواند باعث شکست یا موفقیت یک محصول در بازار شود.". از طرفی این حوزه یکی از برترین عالیق دانشمندانی مانند روانشناسان اجتماعی را تشکیل می دهد، طوری که در برخی منابع عقیده کاوی را باز شدن پنجره ای به روی تفکر روانی و واکنش آنالین جوامع می دانند. این مسئله به مطالعه و درک اذهان عمومی در جوامع در زمان های خاص )در مورد موضوعات خاص موجود در جامعه( کمک می کند. به عنوان مثال، عقیده کاوی می تواند برای تحلیلگران سیاسی در پیش بینی نتایج انتخابات استفاده داشته باشد.

کلمات کلیدی:عقیده ، عقیده کاوی ، آنتولوژی ، آنتروپی ، یادگیری ماشین ، احساسات ، شبکه عصبی ، زبان شناسی

کامپیوتر 54. تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی

تعیین هویت مخاطب مستقل از متن کارآمد از طریق مدل ترکیبی ساختاری گاوس و شبکه های عصبی
چکیدهچکیده – ما سیستم مرکبی را در ارتباط با مدل ترکیبی گاوس (SGMM) و شبکه های عصبی برای دستیابی به راندمان محاسباتی و صحت بالا در ارتباط با تعیین هویت مخاطب ارائه می دهیم. یک مدل ساختاری پیشینه (SBM) در ابتدا از طریق طبقه بندی زنجیره ای تمام اجزای ترکیبی گاوس در ارتباط با این مدل ایجاد می گردد. به این ترتیب ، یک فضای صوتی به مناطق مختلف در سطوح مختلف بخش بندی می گردد. در ارتباط با هر یک از این اهداف ، مدل SGMM از طریق فرایندهای چند سطحی MAP از طریق SBM ایجاد می گردد. در هنگام تست ، تنها شاخه هایی از اجزای ترکیبی گاوس در ارتباط با این ویژگی ها مورد محاسبه قرار می گیرند تا هزینه های محاسباتی را به طور قابل توجهی کمتر کنند. علاوه بر این موارد مورد محاسبه شده در لایه های مدل درختی مختلف ، برای تصمیم گیری نهایی با شبکه های عصبی ترکیب می گردند. پیکره بندی های متفاوتی در ارتباط با این بررسی ها بر روی اطلاعات حاصل از گفتگوهای تلفنی مورد استفاده در ارزیابی NIST انجام می گیرد. نتایج حاصل از این بررسی ها نشان می دهد که کاهش محاسباتی با استفاده از فاکتور 17 از طریق 5 درصد کاهش نسبی در نرخ اشتباهات در مقایسه با خطوط اصلی مد نظر قرار می گیرد.  روش SGMM-SBM مزایایی را در ارتباط با آمیزش GMM نشان می دهد ، که شامل ، سرعت بالاتر و عملکردهای بهتر می باشد.عبارات کلیدی ،  طبقه بندی گاوس ، شبکه عصبی ، تعیین هویت مخاطب ، مدل ترکیبی گاوس.

نسخه دوم پروژه تشخیص اثر انگشت با شبکه عصبی ART و تکنیکهای پردازش تصویر(MATLAB)

اثر انگشت یکی از قدیمی ترین روش ها برای شناسایی هویت افراد است.

در این پروژه که در برنامه MATLAB پیاده سازی و اجرا شده است، تشخیص اثر انگشت به کمک تکنولوژی TDNN مورد تحلیل و اجرا قرار گرفته است.

این پروژه از روی 3 مقاله مرجع که در پایگاه های اینترنتی و علمی معتبر(نظیر السویر،ساینس دایرکت و ...) انتشار یافته شده اند پیاده سازی شده است.شما می توانید این 3 مقاله را از طریق این لینک به صورت رایگان دریافت کنید.لازم به ذکر است فایل پی دی اف این مقاله که رایگان بر روی وبسایت ما قابل دریافت است در سایت های دیگر به رایگان قابل دسترسی نیست.برای دریافت اطلاعات بیشتر در مورد این برنامه ابتدا مقالات منتشر شده را مطالعه و سپس برای دریافت فایل اوپن سورس پروژه بر روی دکمه خرید کلیک نمایید. توجه داشته باشید کیفیت و قیمت این پروژه رقابتی و در سراسر محیط نت بی رقیب می باشد.

کامپیوتر 79. شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداری

شبکه های عصبی آموزشی رقابتی پیشرفته در مورد تشخیص نفوذ در شبکه و شناسایی کلاهبرداریچکیدهدر این پژوهش، دو الگوریتم خوشه بندی جدید را معرفی می کنیم. شبکه اموزشی رقابتی پیشرفته (ICLN) و شبکه آموزشی رقابتی پیشرفته نظارتی (SICLN) که در زمینه تشخیص کلاهبرداری و تشخیص نفوذ شبکه در می باشند. شبکه اموزشی رقابتی پیشرفته (ICLN) به عنوان الگوریتم خوشه بندی غیرنظارتی می باشد، که قوانین جدیدی را برای شبکه های عصبی آموزشی رقابتی استاندارد (SCLN) اعمال می کند. نورون های شبکه در شبکه آموزشی رقابتی پیشرفته (ICLN)  برای ارائه مرکز داده توسط قوانین بروز شده تنبیه و پاداش جدید آموزش دیده اند. این قوانین بروز شده، بی ثباتی شبکه های عصبی آموزشی رقابتی استانداردSCLN)  ) را از بین می برند. شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) به عنوان نسخه بازبینی شده شبکه اموزشی رقابتی پیشرفته (ICLN) می باشد . در SICLN (شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) ، قوانین بروزرسانی شده نظارتی از دسته بندی داده برای هدایت مراحل آموزش برای دسترسی به نتایج خوشه بندی بهتر استفاده می کند. شبکه آموزشی رقابتی پیشرفته نظارت شده می تواند برای داده های دسته بندی شده و دسته بندی نشده اعمال شده و در سطح بالایی در برابر اتیکت های مفقودی و تاخیری مقاوم می باشد. علاوه بر این، شبکه آموزشی رقابتی یشرفته نظارتی (SICLN) دارای قابلیت بازسازی بوده، بنابراین کاملا مستقل از تعداد اولیه خوشه ها می باشد. برای ارزیابی الگوریتم های مورد نظر، به مقایسه عملی در مورد داده های تحقیق و داده های حقیقی در تشخیص کلاهبرداری و تشخیص نفوذ شبکه پرداختیم. نتایج اثبات می کند که هر دو مورد ICLN و SICLN به بایگانی عملکرد بالا می پردازند، و SICLN در الگوریتم های خوشه بندی غیرنظارتی سنتی عملکرد بهتری دارد. 
کلیدواژه: آموزش رقابتی، شناسایی کلاهبرداری، شناسایی نفوذ، خوشه بندی نظارتی/ غیر نظارتی، شبکه عصبی

شبکه عصبی

شبکه های عصبی مصنوعی جزء سیستم های دینامیکی هوشمندی هستند که با پردازش روی داده های تجربی ، دانش یا قانون نهفته  در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر « هوشمند » هستند چون بر اساس محاسبات  روی داده های عددی یا مثال ها ، قوانین کلی را استخراج کرده و یاد گرفته اند .