دانلود ترجمه مقاله تعبیه خبره با تئوری مجموعه غالب با رویکردهای یادگیری عمیق

عنوان فارسی :

ExEm: تعبیه خبره با استفاده از تئوری مجموعه غالب با رویکردهای یادگیری عمیق

عنوان انگلیسی :

ExEm: Expert embedding using dominating set theory with deep learning approaches

کلمات کلیدی :

  شبکه های اجتماعی و مشارکتی؛ تعبیه گراف؛ بازنمایی گره؛ مجموعه غالب؛ سیستم توصیه گر خبره

درسهای مرتبط : مهندسی کامپیوتر
تعداد صفحات مقاله انگلیسی : 17 نشریه : ELSEVIER
سال انتشار : 2021 تعداد رفرنس مقاله : 64
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
پاورپوینت : ندارد

سفارش پاورپوینت این مقاله

وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
ELSEVIER
قیمت دانلود مقاله
68,000 تومان
فهرست مطالب

1. مقدمه 2. مقالات مرتبط 3. روش پیشنهادی 4. توصیف داده ها 5. ارزیابی تجربی 6. نتایج ارزیابی 7. بحث و بررسی 8. پاسخ به سوالات تحقیق 9. نتیجه گیری

ترجمه نمونه متن انگلیسی

چکیده – شبکه مشارکتی/ همکار، یک شبکه اجتماعی است که از سیستم های خبره ای تشکیل شده است که برای دستیابی به یک هدف خاص با یکدیگر مشارکت و همکاری می کنند. تحلیل این شبکه، اطلاعات معناداری را در خصوص خبرگی این سیستم های خبره و حوزه های موضوعی آنها ارائه می دهد. جهت انجام تجزیه و تحلیل، تکنیک های تعبیه گراف به عنوان ابزاری موثر و امیدوار کننده ظهور کرده اند. در تعبیه گراف، گره های گراف به صورت بردارهای ابعاد پایین نشان داده می شوند. در این مطالعه، یک روش تعبیه گراف، تحت عنوان ExEm را ارائه می دهیم که از تئوری مجموعه غالب و رویکردهای یادگیری عمیق برای بازنمایی گره ها استفاده می شود. ExEm، گره های غالب شبکه مشارکتی را یافته و گردش های تصادفی هوشمندی را تشکیل می دهد که حداقل از دو گره غالب تشکیل شده اند. جهت توصیف مجاورت محلی، در ابتدای هر مسیر نمونه بایستی یک گره غالب ظاهر شود. همچنین، گره دوم غالب، اطلاعات ساختار کلی را نشان می دهد. جهت یادگیری تعبیه های گره، ExEm از سه روش تعبیه نظیر Word2vec ، fastText و الحاق این دو استفاده می کند. نتیجه نهایی، بردارهای ابعاد پایین سیستم های خبره است که به آنها تعبیه های خبره گفته می شود. تعبیه های خبره استخراج شده می توانند در بسیاری از برنامه ها اعمال شوند. برای گسترش این تعبیه ها در سیستم های توصیه گر خبره، استراتژی جدیدی را معرفی می کنیم که از بردارهای خبره برای محاسبه امتیازات سیستم های خبره و سیستم های توصیه گر خبره استفاده می شود. در پایان، آزمایشات گسترده ای را برای اعتبار بخشیدن به اثربخشی ExEm از طریق ارزیابی عملکرد آن به صورت دسته بندی چند برچسبی، پیش بینی ارتباط و وظایف توصیه گر در مجموعه داده های مشترک و داده های جمع آوری شده از نمایه اسکوپوس نویسنده انجام می دهیم. آزمایشات نشان می دهد که ExEm از خطوط مبنا به خصوص در شبکه های متراکم پیشی گرفته و دارای عملکرد بهتری است.

نمونه متن انگلیسی مقاله

A collaborative network is a social network that is comprised of experts who cooperate with each other to fulfill a special goal. Analyzing this network yields meaningful information about the expertise of these experts and their subject areas. To perform the analysis, graph embedding techniques have emerged as an effective and promising tool. Graph embedding attempts to represent graph nodes as low-dimensional vectors. In this paper, we propose a graph embedding method, called ExEm, that uses dominating-set theory and deep learning approaches to capture node representations. ExEm finds dominating nodes of the collaborative network and constructs intelligent random walks that comprise of at least two dominating nodes. One dominating node should appear at the beginning of each path sampled to characterize the local neighborhoods. Moreover, the second dominating node reflects the global structure information. To learn the node embeddings, ExEm exploits three embedding methods including Word2vec, fastText and the concatenation of these two. The final result is the low-dimensional vectors of experts, called expert embeddings. The extracted expert embeddings can be applied to many applications. In order to extend these embeddings into the expert recommendation system, we introduce a novel strategy that uses expert vectors to calculate experts’ scores and recommend experts. At the end, we conduct extensive experiments to validate the effectiveness of ExEm through assessing its performance over multi-label classification, link prediction, and recommendation tasks on common datasets and our collected data formed by crawling the vast author Scopus profiles. The experiments show that ExEm outperforms the baselines especially in dense networks.

توضیحات و مشاهده مقاله انگلیسی

ترجمه این مقاله در 41 صفحه آماده شده و در ادامه نیز صفحه 19 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.

محتوی بسته دانلودی:

PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
قیمت : 68,000 تومان

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود ترجمه مقاله تعبیه خبره با تئوری مجموعه غالب با رویکردهای یادگیری عمیق”

نشانی ایمیل شما منتشر نخواهد شد.

بیست − پنج =

مقالات ترجمه شده

مجوز نماد اعتماد الکترونیکی

پشتیبانی