فهرس المقالات natural language processing

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - حملات تخاصمی در یک مدل تحلیل احساس متن
  سحر مکرمی سفیدآب سیدابوالقاسم میرروشندل حمیدرضا احمدی فر مهد ی مکرمی
  : شبکه‌های عصبی عمیق دقت و کارایی بالایی در حل مسائل مختلف دارند اما در برابر نمونه‌های تخاصمی آسیب پذیر هستند. این‌ دسته از نمونه‌های مخرب به منظور فریب مدل آموزش‌دیده و بررسی آسیب‌پذیری مدل‌های شبکه عصبی تولید می‌شوند. در حوزه متن روش‌های موفق زیادی برای ساخت این‌ نمو أکثر

  : شبکه‌های عصبی عمیق دقت و کارایی بالایی در حل مسائل مختلف دارند اما در برابر نمونه‌های تخاصمی آسیب پذیر هستند. این‌ دسته از نمونه‌های مخرب به منظور فریب مدل آموزش‌دیده و بررسی آسیب‌پذیری مدل‌های شبکه عصبی تولید می‌شوند. در حوزه متن روش‌های موفق زیادی برای ساخت این‌ نمونه‌ها ارائه نشده است. در این پژوهش یک روش قوی مبتنی بر گرادیان تابع هزینه مدل برای تولید نمونه-های تخاصمی متنی ارائه شده و نشان داده شده که می‌توان با جایگزینی تعداد کمی از کلمات موجود در نمونه‌های اصلی با کلماتی که بیشترین تاثیر منفی را روی تصمیم طبقه‌بند دارند، نمونه‌های جدیدی مشابه با نمونه‌های اولیه برای فریب طبقه‌بند تحلیل احساس در سطح کلمه تولید نمود. در نهایت با بهره‌گیری از این نمونه‌ها دقت دو مدل طبقه‌بند از پیش‌آموزش‌دیده بررسی شد. روش مورد استفاده در این پژوهش، با دست‌کاری اندک نمونه‌های ورودی، موفق به کاهش دقت طبقه‌بندی از 86 درصد به کمتر از 10 درصد شده است. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Intelligent (Language) Tutoring Systems: A Second-order Meta-analytic Review
  Hossein Heidari Tabrizi Mahmoud Jafarie
  AbstractIntelligent Tutoring Systems (ITSs) are referred to as computerized learning environments that incorporated pedagogical, cognitive learning, knowledge representation theories into computational models of tutor, learner, and domain knowledge respectively in order أکثر

  AbstractIntelligent Tutoring Systems (ITSs) are referred to as computerized learning environments that incorporated pedagogical, cognitive learning, knowledge representation theories into computational models of tutor, learner, and domain knowledge respectively in order to provide individualized instruction in diverse subject areas. Since they take advantages of many technological artifacts of artificial intelligence (AI), knowledge representation models, and computational linguistics, they have been both object and means of research into AI, pedagogy, psychology, applied linguistics etc. Under the circumstances, the bulk of research findings is expectable and unavoidable. Sometimes researchers are badly in need of conducting first- or second-order meta-analytic reviews. This study first introduces the components of a typical ITS; then provides a descriptive account of the effectiveness, potential, and requirements of ITSs for foreign language teaching and learning (FLTL); and finally and most importantly, as a second-order review, synthesizes and describes the results of some previous meta-analytic reviews in reference to a few prevailing themes in the ITS research area such as the effects of the forms of instruction, subject matter variation, ITSs’ pedagogical features etc. Toward the third end, exclusion and inclusion procedures were applied to select seven target reviews using keyphrases scheme. The thematic meta-synthesis showed that the findings of almost all these reviews are consistent and congruent with some slight variations due to the study features. It is implied that meta-analyses like this can, by implication, inform and advance the science of ITS design, i.e. a theory of ITS design. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Providing suitable literary alternatives to sentences through text mining
  Behzad Lak Mojgan Tanbakoosaz
  With the increasing production of content in today's world, it is becoming more and more important to pay attention to the principles of document summarization that preserve the meaning of the original document. Document summaries are used everywhere today. Ability to s أکثر

  With the increasing production of content in today's world, it is becoming more and more important to pay attention to the principles of document summarization that preserve the meaning of the original document. Document summaries are used everywhere today. Ability to summarize faster in publishing documents and content can be effective. These include scientific articles and news sites. Providing a summary system for Persian language that can provide a desirable summary such as transforming unstructured, can be used in various aspects. In this research, an abstract summarization method based on recursive neural networks and the architecture of Long short-term memory (LSTM) networks and the seq2seq model along with the attention mechanism is presented. The evaluation results show that the summary method proposed in this study using the seq2seq model along with the attention mechanism improves the measurement criteria. We compared the presented model with three examples of models presented for English language and also a model presented for Persian language. Rouge criterion was used to measure the quality of model results. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - یادگیری عمیق برای پیش‌بینی بازار سهام با استفاده از اطلاعات عددی و متنی (رویکرد الگوریتم حافظه کوتاه مدت ماندگارLSTM)
  سیده مژگان بهشتی مسئله گو محمدعلی افشارکاظمی جلال حقیقت منفرد علی رضاییان
  قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌ أکثر

  قیمت سهام تحت تأثیر عوامل بسیاری است،که کار پیش‌بینی را چالش‌برانگیز می‌کند. این پیش‌بینی اگر فقط داده‌های عددی یا اطلاعات متنی را در نظر بگیرد، اغلب بی‌اثر می‌شود. هدف این پژوهش ارائه یک روش پیش‌بینی قیمت روز آینده سهام بر اساس ساختار شبکه عصبی عمیق با استفاده از داده‌های قیمت، مجموعه‌ای از شاخص‌های فنی و سر تیتر اخبار به‌عنوان ورودی مدل است. برای این منظور از داده‌های سهام شاخص داوجونز و داده‌های خبری کانال ردیت استفاده شده است. از داده‌های سهام ویژگی‌های مبتنی بر شاخص فنی استخراج می‌شوند و داده‌های خبری توسط روش کوله‌کلمات به بردار ویژگی تبدیل می‌شوند و به شبکه حافظه کوتاه‌مدت ماندگار (LSTM) برای پیش‌بینی داده می‌شوند.از دقت به‌عنوان معیار ارزیابی عملکرد استفاده شده و آزمایش‌هایی بر روی دو مجموعه داده فقط عددی و فقط متنی برای ارزیابی استفاده همزمان دو منبع اطلاعاتی انجام پذیرفته است. همچنین ازسه شبکه ،SVM ، MLPوRNN برای ارزیابی مدل استفاده شده است. نتایج نشان می‌دهد که مدل LSTM بالاترین دقت پیش‌بینی 69.19% را با استفاده از اخبار و داده‌های مالی به دست آورده است. داده‌های خبری با دقت65.62% و داده‌های عددی با دقت51.89% می‌باشند.همچنین مدل LSTMدر مقایسه با شبکه‌های عصبی SVM وMLP و RNN از عملکرد بهتری برخوردار می‌باشد. تفاصيل المقالة