دانلود ترجمه مقاله رویکرد حافظه گراف یادگیری برای تشخیص موضوع در رسانه اجتماعی

1. مقدمه 2. تحقیقات مرتبط 3. TOPICBERT 4. آزمایشات و نتایج 5. نتیجه گیری

چکیده – ماهیت بلادرنگ شبکه های اجتماعی با پیام های کوتاه هیجانی ومقیاس وسیع گسترش داده بین موضوعات مختلف ، علاقه تحقیقاتی بسیاری از محققان هستند.این ویژگی های شبکه های اجتماعی ، به عنوان مدل 5v کلان داده شناخته شده و الگوریتم ها و تکنیک های منحصر به فرد و شفاف کننده زیادی ، نسبت به مجموعه داده ها و جریان های داده شبکه های اجتماعی بزرگ اعمال شده اند. بسیاری از این تحقیقات بر اساس تشخیص و ردیابی موضوعات داغ و روندهای رخدادهای رسانه های اجتماعی قرار دارند و شناخت سوالات بی پاسخ را تسهیل می کنند.این تکنیک ها، و برخی اوقات محصولات نرم افزاری اکثراً به ماهیت زبان بستگی دارند. اما سایر تکنیک ها از جمله روش های داده کاوی بدون نظارت ، مستقل از زبان هستند، ولی بسیاری از ملاحظات راه حل جامع را برآورده نمی کنند. بسیاری از تحقیقات راجع به جملات نویزی با گرامر غلط و کلمات جدید اختراع شده توسط کاربران آنلاین ، حفظ یک متدولوژی مناسب تشخیص و ردیابی موضوع در شبکه اجتماعی را به چالش می کشند. روابط معنایی بین کلمات و در اکثر موارد مترادف ها،توسط این تحقیقات انکار شده اند. در این تحقیق، مبدل ها را با الگوریتم تدریجی تشخیص جامعه ترکیب می کنیم. مبدل از یکسو روابط معنایی بین کلمات در زمینه های مختلف را نشان می دهد، از سوی دیگر تکنیک الگوکاوی پیشنهادی، موضوعات حاصله را صرفاً به کمک قوانین ساده ساختاری بهبود می دهد. تشخیص ماهیت از داده های چندگانه، متن و تصویر ، برچسب های ماهیت های نامگذاری شده با نوع ماهیت و موضوعات استخراجی تنظیم شده با آن ها. تمامی عملیات سیستم پیشنهادی از دید داده های کلان شبکه اجتماعی در فناوری های Nosql اعمال شده اند. برای دستیابی به راه حلی کارآمد و سیستمی ، mongodb را با neo4jبه عنوان دو پایگاه داده اصلی این تحقیق ترکیب می کنیم. سیستم پیشنهادی دقت و یادآوری بهتری نسبت به سایر روش ها ، روی سه مجموعه داده دارد.

Real time nature of social networks with bursty short messages and their respective large data scale spread among vast variety of topics are research interest of many researchers. These properties of social networks which are known as 5'Vs of big data has led to many unique and enlightenment algorithms and techniques applied to large social networking datasets and data streams. Many of these researches are based on detection and tracking of hot topics and trending social media events that help revealing many unanswered questions. These algorithms and in some cases software products mostly rely on the nature of the language itself. Although, other techniques such as unsupervised data mining methods are language independent but many requirements for a comprehensive solution are not met. Many research issues such as noisy sentences that adverse grammar and new online user invented words are challenging maintenance of a good social network topic detection and tracking methodology; The semantic relationship between words and in most cases, synonyms are also ignored by many of these researches. In this research, we use Transformers combined with an incremental community detection algorithm. Transformer in one hand, provides the semantic relation between words in different contexts. On the other hand, the proposed graph mining technique enhances the resulting topics with aid of simple structural rules. Named entity recognition from multimodal data, image and text, labels the named entities with entity type and the extracted topics are tuned using them. All operations of proposed system has been applied with big social data perspective under NoSQL technologies. In order to present a working and systematic solution, we combined MongoDB with Neo4j as two major database systems of our work. The proposed system shows higher precision and recall compared to other methods in three different datasets.

ترجمه این مقاله در 20 صفحه آماده شده و در ادامه نیز صفحه 12 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.