برای تسهیل جستجو در وب، موتورهای جستجویی طراحی شده اند که کاربر را در رسیدن به پاسخ موردنظر یاری می دهند. مدل بولی و مدل برداری دو مدل بهینه در موتور جستجو هستند که در تولید نتایج مرتبط با نیازمندی کاربر تأثیر به‌سزایی دارند. در این مقاله برای بهبود نتایج حاصل از موت چکیده کامل
برای تسهیل جستجو در وب، موتورهای جستجویی طراحی شده اند که کاربر را در رسیدن به پاسخ موردنظر یاری می دهند. مدل بولی و مدل برداری دو مدل بهینه در موتور جستجو هستند که در تولید نتایج مرتبط با نیازمندی کاربر تأثیر به‌سزایی دارند. در این مقاله برای بهبود نتایج حاصل از موتور جستجو، در ابتدا برای کشف دقیق تر نیاز کاربر، روابط معنایی بین کلمات پرس وجوی کاربر درنظر گرفته می شود. سپس موتور جستجو، اسناد مرتبط با پرس‌وجوی کاربر را با استفاده از ترکیب مدل بولی و برداری می یابد. در مرحله بعد اسناد یافت شده براساس میزان ارتباطشان با پرسش، با تکنیک TF-IDF رتبه بندی می شوند و بالاخره لیست بلندی از اسناد مرتبط، که بیشترین امتیازها را کسب نموده اند به عنوان پاسخ به کاربر بازگردانده می شوند. نتایج حاصل از این روش پیشنهادی حاکی از آن است که روش پیشنهادی از نظر دقت و کیفیت نتایج جستجو نسبت به تحقیقات قبلی ارائه شده در این زمینه بهبود قابل ملاحظه ای را نشان می دهد.
پرونده مقاله
همان‌طورکه اعتماد بین انسان‌ها حاصل تجربیاتی است که از ارتباط مستقیم یا پیشنهادهای افراد مورد وثوق به دست آورده اند؛ در شبکه نیز هر موجودیتی نیاز به آگاهی از قابلیت اعتماد طرف مقابل دارد. این تحقیق به مطالعه و مدلسازی اعتماد در شبکه‌های حسگر بی‌سیم پرداخته و جهت حصول ن چکیده کامل
همان‌طورکه اعتماد بین انسان‌ها حاصل تجربیاتی است که از ارتباط مستقیم یا پیشنهادهای افراد مورد وثوق به دست آورده اند؛ در شبکه نیز هر موجودیتی نیاز به آگاهی از قابلیت اعتماد طرف مقابل دارد. این تحقیق به مطالعه و مدلسازی اعتماد در شبکه‌های حسگر بی‌سیم پرداخته و جهت حصول نتایج دقیق‌تر، از پارامترهایی چون باقیمانده‌ی انرژی، میزان تعاملات موفق و ناموفق، فاصله‌ی زمانی دریافت و ارسال بسته استفاده می‌نماید. هدف آن است که در شبکه‌های حسگر بی‌سیم، به ارائه یک مدل اعتماد پویا، شامل انواع مستقیم و غیرمستقیم با رویکرد واکنشی پرداخته و علاوه‌برآن، میزان اطمینان به اعتماد حاصل‌شده را بررسی نماید. رویکردهای اصلی این تحقیق، بکارگیری مدل منطق ذهنی در محاسبه‌ی اعتماد و ارائه‌ی ساختار پنجره‌ی لغزان بهبود یافته برای مدیریت بهینه اطلاعات موجود می‌باشد. نتایج شبیه‌سازی راهکار پیشنهادی در مقایسه با مدل EDTM حاکی از افزایش 11.99% انرژی باقیمانده‌ی شبکه و رشد 1.52% دقت تشخیص گره‌های مخرب می‌باشد.
پرونده مقاله
رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وج چکیده کامل
رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وجود دارد. این مقاله راهکاری برای تشخیص بدافزارهای اندروید پیشنهاد می‌دهد. این رویکرد شامل دو مرحله است. اولین گام، انتخاب مناسب ترین ویژگی ها با استفاده از الگوریتم کای‌مربع است. در گام دوم به عنوان نوآوری عمده این پژوهش، یک مدل پلکانی برای تشخیص بدافزار با استفاده از ترکیب دو طبقه‌بند مورد استفاده قرارمی‌گیرد که براساس سطح ریسک موجود و حساسیت مورد نیاز، یک مصالحه مطلوب بین نرخ هشدار اشتباه و نرخ منفی کاذب برقرار می کند. در مدل پیشنهادی طبقه بند دوم فقط بر روی رکوردهایی که با طبقه بند اول تعیین تکلیف نشده اند عمل می کند تا هزینه هزینه زمانی تشخیص در مقایسه با روش های پرهزینه ای مانند رأ‌ی گیری اکثریت کاهش یابد. نتایج ارزیابی راهکار پیشنهادی برروی یک مجموعه داده معتبر نشان داد که مدل ما صحت تشخیص را به بیش از 95% و نرخ تشخیص اشتباه را به کمتر از 0.03% می رساند که بهبود قابل ملاحظه‌ای نسبت به کارهای قبلی محسوب می شود. همچنین کارایی مدل در چهار سطح امنیتی بررسی شد.
پرونده مقاله
با توسعه سریع فناوری اطلاعات، حجم داده‌ها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت می‌شود. برای رفع این مشکل، انواع سیستم‌های توصیه‌گر برای تحلیل داده‌های سابقه رفتاری کاربران و ارائه خدمات شخصی ب چکیده کامل
با توسعه سریع فناوری اطلاعات، حجم داده‌ها روزبه روز در حال افزایش است و این موضوع منجر به چالش های جدی در پیداکردن اطلاعات درست و مناسب برای کاربران اینترنت می‌شود. برای رفع این مشکل، انواع سیستم‌های توصیه‌گر برای تحلیل داده‌های سابقه رفتاری کاربران و ارائه خدمات شخصی برای بهبود تجربه‌ها و بررسی نظر‌های مشتریان در بسیاری از زمینه‌ها ایجاد شده‌اند. با توجه به اهمیت و کاربردهای گسترده توصیه POI، این موضوع هم در تحقیقات آکادمیک و هم در صنعت در کانون توجه قرار گرفته است. با این حال، فناوری‌های سنتی مانند فیلترینگ مشارکتی با چالش کمبود داده ها محدود شده اند و همچنین بسیاری از روش‌های قدیمی‌تر برای استخراج و توصیه POI طراحی نشده اند، بنابراین نمی‌توانند خصوصیات منحصر به فردی را که تأثیرات زیادی بر روابط توصیه POI دارد، استخراج کنند. در سال‌های اخیر الگوریتم‎های مختلفی از حوزه یادگیری عمیق برای توصیه‌های POI مورد توجه محققین بوده است. در این تحقیق، کارهای تحقیقاتی و مدل های ارائه شده در زمینه توصیه POI به کمک یادگیری عمیق مورد مطالعه قرار گرفته و همچنین نتایج به دست آمده از نظر الگوریتم‌های یادگیری عمیق استفاده شده، مجموعه داده‌های مورد استفاده، معیارهای ارزیابی و ابزارهای پیاده سازی مورد بررسی و تحلیل قرار گرفته‌اند.
پرونده مقاله
پالایش همکارانه یک رویکرد متداول در سیستم های پیشنهاددهنده است. با وجود این، کارآمدی رویکرد مذکور در شرایط خلوتی داده ها و کاربران شروع سرد تنزل می یابد. به همین دلیل محققان به ارائه رویکردهای مکمل و ازجمله تلفیق مدل های اعتماد با رویکرد مذکور روی آورده اند. اخیراً در ب چکیده کامل
پالایش همکارانه یک رویکرد متداول در سیستم های پیشنهاددهنده است. با وجود این، کارآمدی رویکرد مذکور در شرایط خلوتی داده ها و کاربران شروع سرد تنزل می یابد. به همین دلیل محققان به ارائه رویکردهای مکمل و ازجمله تلفیق مدل های اعتماد با رویکرد مذکور روی آورده اند. اخیراً در برخی از مدل های اعتماد، پارامتر اطمینان به عنوان معیار دقت تخمین اعتماد مطرح و نشان داده شده است که مدل های اعتماد آگاه از اطمینان در بسیاری از کاربردها باعث افزایش دقت و کارآمدی می شوند. در این مقاله یک مدل لایه ای اعتماد آگاه از اطمینان برای افزایش دقت توصیه ها در سیستم پیشنهاددهنده معرفی می گردد. این مدل شامل چهار لایه ارزشیابی، اعتماد مستقیم، اعتماد غیرمستقیم و پیشنهاد است. اعتماد ضمنی و صریح براساس مدل منطق ذهنی با یکدیگر ترکیب می شوند. اطمینان در لایه اعتماد مستقیم براساس تعداد و تازگی ارزشیابی ها و در لایه اعتماد غیرمستقیم براساس طول زنجیره اعتماد و سازگاری نظرات محاسبه می گردد. در لایه پیشنهاد، سناریوهای مختلفی برای انتخاب آیتم ها بررسی می گردد. مدل پیشنهادی بر روی دو مجموعه داده مطرح در این حوزه شامل Epinions و FilmTrust مورد ارزیابی قرار گرفته است. نتایج حاصل بیانگر برتری قابل ملاحظه روش پیشنهادی نسبت به روش های موجود از نظر دقت و پوشش توصیه ها است.
پرونده مقاله
