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

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

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.

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.

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.