جستجوي پيشرفته | کتابخانه مجازی الفبا

با گسترش رسانه‌های اجتماعی در فضای وب (انجمن‌های وب، شبکه‌های اجتماعی، بلاگ‌‌ها و ...) منابعی غنی و ارزان از نظرات به‌وجود آمده‌اند، مردم و تولیدکنندگان برای بررسی نظرات به این رسانه‌ها روی آورده‌اند. تحلیل نظرها از دو جنبه کاربرد فراوان دارد. برای صاحبان تجارت، گرفتن بازخورد مشتریان از محصول و سرویس می‌تواند بسیار مفید باشد تا براساس آن، تصمیم‌های مناسبی را در محصول و سرویس‌های بعدی خود دخیل کنند. همچنین برای کاربرانی که قصد تهیه محصول را دارند، استفاده از نظر سایرین برای رسیدن به خریدی مطمئن و مطابق با سلایق خود می‌تواند کمک کننده باشد. هدف اصلی این تحقیق ایجاد و پیاده‌سازی سیستم کاوش نظرات در وب و تحلیل این نظرات برای به‌دست آوردن میزان نظرات مثبت و منفی مربوط به هر یک از ویژگی‌های محصول است. هدف نهایی این سیستم، مشخص کردن میزان نظرات مثبت و منفی ویژگی‌های محصول و رتبه‌بندی (Rank) ویژگی‌های محصولات موجود بر اساس بیش‌ترین نظرات مثبت و منفی است تا کاربر از بین محصولات موجود، محصولی که دارای بیش‌ترین نظرات مثبت برای ویژگی‌های دلخواه است را بتواند انتخاب کند. در تحقیق پیش‌رو سعی بر آن داریم با استفاده از آنتولوژی و ابزارهای وب‌معنایی با استفاده از معنای جملات و مفاهیم مستتر در محتویات نتایج بهتری نسبت به روش‌های سنتی به‌دست آوریم. در این تحقیق فرض بر این است که در هر نظر، کاربران به ویژگی‌های مختلفی از موضوع اشاره می‌کنند و در آن نظر ممکن است برخی ویژگی‌ها از نظر کاربر مثبت و برخی دیگر از ویژگی‌ها منفی تلقی شود. با این دید، یک نظر از کاربر را به‌جای آن‌که مطلق مثبت یا منفی قلمداد کرد، مثبت، منفی و خنثی را به هر یک از ویژگی‌هایی که کاربر ذکر می‌کند اعمال می‌کنیم.

وب معنایی شامل قرار دادن داده‌ها روی وب و ساختن ارتباطات به گونه‌ای است که انسان و ماشین بتوانند محتوای وب داده را کاوشنمایند. هدف وب معنایی افزایش توانایی ماشین‌ها در دسترسی به منابع موجود در وب، پردازشو بکارگیریآن‌ها می‌باشد. با توجه به رشد گسترده‌ی داده‌های پیوندی و افزایش مجموعه داده‌ها در چند سال اخیر، نیاز به ابزاری برای کشف پیوند در مقیاس وسیع احساس می‌شود. ابزارهای کنونی برای کشف پیوند مجبور به مقایسه‌ی تمامی موجودیت‌ها در مجموعه داده‌ها هستند. با خوشه بندی موجودیت‌ها، می‌توان قبل از ایجاد پیوند و بر اساس نوع پیوند تعداد مقایسه‌ها بین موجودیت‌ها را کاهش داد. یکی از مهم‌ترین اتصالات معنادار در وب داده، شناسایی و اتصال موجودیت‌هایی است که به یک موجودیت یکسان اشاره می‌کنند ولی دارای شناسه‌های یکتای منبع متفاوت هستند و در مجموعه داده‌های مختلفی قرار دارند. در این تحقیق یک مدل به منظور شناسایی وایجاد خوشه‌هایی با موجودیت‌های همانند در وب داده ارائه شده است. مدل ارائه شده قابل بکارگیری روی مجموعه داده‌ها با دامنه‌های متفاوت است. این روش می‌تواند به عنوان یک مولفه در ابزارهای کشف پیوند مانند ابزار silk استفاده شده و سبب بهبود پبچیدگی زمانیوافزایش دقت کشف پیوند شود.مدل پیشنهادی دارای دو ماژول اصلی است: 1.

در سال‌های اخیر، تحقیقات بسیاری جهت پیدا کردن روابط معنایی بین موجودیت‌ها به منظور بالا بردن سطح تجاری ارگان‌ها و شرکت‌ها انجام شده است. یکی از این روابط، رابطه مکمل بین کالاهاست. این رابطه، کالاهایی را مشخص می‌کند که در جهت برآورده ساختن یک نیاز با یکدیگر مصرف می‌شوند. این رابطه کاربردهای فراوانی در زمینه تجارت الکترونیکی و بازاریابی دارد. در این رساله، اقدام جدیدی جهت کشف این روابط انجام گرفته است. بدین صورت که یک روش خودکار و نظارت نشده جهت استخراج روابط مکمل بین کالاهای موجود در یک کاتالوگ محصولات در قالب یک روش یادگیری آنتولوژی با استفاده از اسناد موجود در وب به عنوان مجموعه نوشته‌های یادگیری طراحی و پیاده‌سازی شده است. در عصر حاضر، با رشد سریع جامعه اطلاعاتی، وب تبدیل به مخزن اطلاعاتی با ارزشی در همه حوزه‌های دانشی ممکن جهت انجام وظایف کسب دانش و بازیابی اطلاعات شده است. روش یادگیری آنتولوژی ارائه شده از خصوصیات وب به عنوان مجموعه نوشته‌های یادگیری بهره‌برداری می‌کند و بدین منظور روش‌های جدیدی جهت کسب دانش از مجموعه نوشته‌های وب، مورد استفاده قرار گرفته‌اند. رویه ارزیابی خودکاری نیز جهت ارزیابی روابط استخراج شده با استفاده از مخزن اطلاعاتی WordNet، طراحی شده است که روابط استخراج شده با استفاده از روش یادگیری آنتولوژی پیشنهادی به وسیله این رویه، مورد ارزیابی قرار گرفته است.از آن جایی که کالاهای مکمل کاربردهای فراوانی در بازاریابی و تجارت الکترونیک دارند و جهت نشان دادن کاربرد روابط استخراج شده، در نهایت یکی از کاربردهای این کالاها در زمینه تبلیغات زمینه‌ای انتخاب شده است. تبلیغات زمینه‌ای، یکی از انواع تبلیغات اینترنتی است که به صورت خودکار بر‌اساس محتوای صفحات وبی که کاربر در حال مرور کردن آن است، تبلیغات مرتبط را در این صفحات قرار می‌دهد. با استفاده از روابط استخراج شده از مرحله قبل، الگوریتم جدیدی جهت تطابق تبلیغات و صفحات در تبلیغات زمینه‌ای طراحی و پیاده‌سازی شده و سپس کارایی روابط استخراج شده در این تبلیغات، مورد ارزیابی قرار گرفته است.

برخلاف وب، هدف اصلی وب‏معنایی قابلیت فهم ماشین از اسناد است. توسعه‏ی وب‏معنایی مستلزم توسعه ی داده‏های پیوندی است. داده‏های‏پیوندی اجزای سازنده ی وب‏معنایی هستند که در قالب مدلآر. دی. اف ، منابع‏داده‏ای مختلف وب را به هم مرتبط می کنند. با گذشت زمان تعداد این داده‏ها رو به افزایش است و این امر بازیابی و نگهداری داده‏ها را با مشکل مواجه کرده است. بنابراین نگهداری داده‏های‏پیوندی به نحوی که بازیابی اطلاعات مورد نیاز با صرف کمترین زمان و پیچیدگی انجام شود، نیاز به نگهداری بهینه ی این داده ها را توجیه می کند.معمولاً از جداول‏ رابطه‏ای بزرگ برای نگهداری داده‏های وب‏معنایی استفاده می‏شود. هدف این پژوهش شکستن این جداول رابطه‏ای به جداول کوچک‏تر به‏منظور مدیریت آسان‏تر داده‏های‏پیوندی و دسته‏بندی آن‏هاست. در روش پیشنهادی، این دسته‏بندی براساس نگاشت ساختارهای آنتولوژی مرتبط ‏با داده‏ها به پایگاه‏داده‏ی رابطه‏ای انجام می‏شود. روش‏ پیشنهادی جهت افزایش دقّت داده‏های‏پیوندی از نوعی استنتاج روی داده‏های‏پیوندی بهره می‏گیرد و سرعت بازیابی داده‏های‏پیوندی را نیز از‏ طریق انتخاب ساختارهای ذخیره‏ی مناسب و شاخص‏گذاری افزایش می‏دهد. نتایج حاصل از مقایسه‏ی روش پیشنهادی با روش‏های مطرح ذخیره‏سازی داده‏های آر. دی. اف مانند روش مستقل از الگو، روش مبتنی‏بر الگو و روش هیبرید افزایش سرعت و دقّت داده‏های بازیابی‏شده را نشان می‏دهد و با به‏کارگیری ساختارهای مناسب امکان پاسخ‏گویی به طیف وسیع‏تری از پرس‏وجوها فراهم می‏آید. به‏منظور ارزیابی نتایج از جعبه‏ی‏ اطلاعات در مجموعه‏داده‏ی دی‏بی‏پدیااستفاده شده است.

در این پایان‌نامه قصد دارم تا مطالعات متمرکز خود در دوره‌ی کارشناسی ارشد را گردآوری نمایم. این مطالعات با محوریت «یادگیری عامل‌های هوش‌مند از یک‌دیگر در محیطی پویا و متشکل از تعدادی از عامل‌های هوش‌مند ناهم‌سان» قصد دارد تا هوش‌مندی لازم برای عامل‌های موجود در محیط برای یادگیری از یک‌دیگر را فراهم آورد.برای بررسی یادگیری عوامل هوش‌مند، عنصر یادگیری را «مفاهیم» تشکیل‌‌دهنده‌ی محیط در نظر گرفتم. از آن‌جایی که می‌خواستم بر روی محیط‌های چندعامله کار کرده باشم، نیاز داشتم تا خاصیت جزیی بودن این‌گونه محیط‌ها را به گونه‌ای پیاده کنم. در نتیجه از نوع خاصی از مفاهیم به نام «مفاهیم ناهم‌رأی» استفاده کردم. یادگیری مفاهیم را بر مبنای یکی از اشیاء محیط و با استفاده از پروتکل «پرسش و پاسخ» که پروتکل استاندارد ایجاد ارتباط دوبه‌دو است انجام دادم.هم‌چنین برای این‌که مطالعه‌ی دقیق‌تری داشته باشیم، مسأله را از دیدگاه «نظریه‌ی بازی» یا Game Theory مطالعه نمودم. در نتیجه «بازی یادگیری مفاهیم ناهم‌رأی» را در دو ساختار مجزای دارای همکاری (Cooperative) و دارای رقابت (Competitive) بررسی کردم. در این راستا باید اشاره کرد که تمرکز اصلی ما در این پایان‌نامه بر روی دیدگاه همکاری بین عامل‌های هوش‌مند است. با این‌حال اشاراتی در محل لازم به دیدگاه رقابتی نیز انجام می‌پذیرد تا اهمیت هر دو دیدگاه به‌خوبی قابل درک باشد.به‌همین دلیل باید تمامی پروسه‌های لازم برای بازی بادگیری مفاهیم را نیز بررسی می‌کردم. به‌عنوان مثال‌هایی از این پروسه‌ها، روندهای دسته‌بندی (Classification)، رأی‌گیری (Voting) و یادگیری (Learning) را مطالعه کردم.برای این‌که مطالعات‌مان اثبات عملی نیز داشته باشد و صرفاً به نظریه‌پردازی نپرداخته باشیم، آزمایش‌های جداگانه‌ای برای بررسی عملی ایده‌های‌مان ترتیب دادم که در فصل آزمایش‌ها به آن‌ها اشاره شده‌است.در فصل انتهایی نیز مدل کامل یادگیری مفاهیم در یک سامانه‌ی چندعاملهرا با مولفه‌های مطالعه‌شده آوردم و افق‌های مطالعات آینده را –با اشاره به مولفه‌هایی که از این مدل باقی مانده‌اند- نشان دادم.

سیستم‌های خبره از جمله سیستم‌های مطرح شده در هوش مصنوعی هستند که هدف آنها، تبدیل دانش افراد خبره در حوزه‌ای خاص، به یک سیستم کامپیوتری می باشد. این سیستم‌ها عموما بصورت منفرد طراحی شده و مورد استفاده واقع می‌شوند. همچنین حوزه دانشی که هر یک از این سیستم‌ها پوشش می‌دهد، محدود و مشخص است و سیستم خبره نمی‌تواند به سوالات خارج از حوزه دانش خود، پاسخ دهد. از این‌رو، برقراری ارتباط بین سیستم‌های خبره، نقش بسیار مهمی در استفاده از حوزه وسیع‌تری از دانش که توسط چند سیستم خبره پوشش داده شده‌اند، دارد.در این پایان‌نامه، یک سیستم توزیع شده مبتنی بر عامل ارایه شده است که با استفاده از آن می‌توان بین چند سیستم خبره مبتنی بر قانون که در حوزه‌های مرتبط و مشابه فعالیت می‌کنند، ارتباط برقرار کرد. در این سیستم، با طراحی پروتکل‌هایی برای توزیع تکنیک‌های استنتاج پیش‌رو و پس‌رو بین چند سیستم خبره، این امکان فراهم می‌شود که سیستم‌های خبره بتوانند برای پاسخ به پرسش‌های خود، از دانش سیستم‌های خبره دیگر نیز استفاده کنند. همچنین، برای استاندارد سازی نمایش دانش در کل سیستم، از Ontology استفاده شده است.سیستم طراحی شده و پروتکل‌های آن، مبتنی بر استاندارد FIPA بوده و در محیط JADE پیاده‌سازی شده‌اند. همچنین، برای پیاده‌سازی Ontology از ابزار Protégéاستفاده شده و خروجی آن بصورت فایل‌های JavaBean در محیط JADE مورد استفاده قرار گرفته‌اند.برای آزمون سیستم، از دو سیستم خبره تنظیم برنامه سفر که با استفاده از Jess پیاده سازی شده‌اند، استفاده شده است و نتایج بدست آمده نشان داده است که سیستم‌های خبره توانسته‌اند با استفاده از سیستم ارایه شده در این کار، از دانش سیستم‌های خبره دیگر برای حل مسایل خود استفاده کنند.

اگر روشی وجود داشت که می شد به کمک آن معنا و مفهوم داده ها را برای ماشین تبیین و تفسیر کرد، آن گاه طبیعتاً ماشین می توانست بر اساس نیاز کاربر نتایج به مراتب دقیق تری را در اختیار او قرار دهد. به طور کلی وب معنایی ساختارمند کردن داده ها، اضافه کردن معنای آنها و در نهایت بازنمایی دانش به کمک ماشین با استفاده از فناوریها و استانداردهایی است که به وسیله کنسرسیوم وب جهان گستر در حال تدوین و تکمیل هستند. تیم برنرزلی و دوستانش وب معنایی را چنین معرفی می کنند: وب معنایی شاخه ای از وب فعلی است که در آن به اطلاعات، معنایی دقیق تخصیص داده شده است به گونه ای که کامپیوترها و انسان ها بتوانند با یکدیگر به صورت مشترک به کار بپردازند. این تعریف از چندین جنبه حائز اهمیت است. نخست، وب معنایی شاخه ای از وب فعلی است و به آرامی جایگزین آن خواهد شد. دوم این که در وبمعنایی به هر داده، تعدادی معنای مناسب تخصیص داده می شود. سوم این که هدف انجام اعمالی است که به وسیله انسان و ماشین بصورت مشترک انجام شود. در این تحقیق سعی می کنیم نقشه راهی ارائه نماییم تا صاحبان شرکت های تجاری بتوانند وب معنایی را به راحتی درک و عملی نموده و از پیاده سازی آن در ارائه خدمات تجاری خویش بهتر و بیشتر بهره گیرند. چارچوب توصیف منابع ، سرویس های وب ، هستی شناسی و ... فناوریهای وب معنایی هستند که ما در این تحقیق به آنها پرداخته ایم و مطالعه موردی آن در شرکت ایران خودرو خراسان اجرا شده است .

گیاه دارویی زعفران یکی از سرده‌های مهم تیره زنبقیان (Iridaceae) با حدود 90 گونه می‌باشد. دراین پژوهش دو گونه از زعفران به نام‌های زعفران جو‌قاسم (.Crocus pallasii Goldb) و زعفران زاگرسی (C. cancellatus Herb) مورد بررسی قرار گرفت. نمونه‌ها در فصل پاییزاز نقاط مختلف استان کرمانشاه جمع آوری و شناسایی و مورد تائید قرار گرفت. پس از آماده‌سازی مواد خام گیاهی، عصاره‌‌ الکلی چهار قسمت مختلف این گیاه (گلپوش، کلاله، غده و پوشش‌غده) به روش خیساندن (ماسراسیون) استخراج شد. سپس حداقل غلظت مهارکنندگی و عدم رشد هاله آن‌ها بر روی 6 باکتری مورد آزمایش قرار گرفت. نتایج نشان می‌دهد که تمامی عصاره‌ها ی حاصلبر ضد میکروارگانیسم های مورد آزمایش دارای اثر ضد میکروبی نمی‌باشند و فقط عصاره گل پوش این گیاه نسبت به باکتری انترکوک تا غلظت (0.128) میکروگرم در میلی‌لیتر اثر مهار کنندگی دارد . ریـخت شناسی دو گونه از این جنس در چهار زیستگاه مختلف، به کمک میـکروسکوپ نوری (LM) و میکروسکوپ الکترونی نگاره ( SEM ) و نیز یک گونه به کمک میکروسکوپ الکترونی گذاره ( TEM ) مورد بررسی قرارگرفت. دانه گـرده ی کلیه ی نمونه های مورد بررســی منفرد، کروی شکل، شیاردار یا بدون شیار ، بزرگ و تزئیــنات سطــحی بصورت خاردار نوک تیز می باشد. بزرگتــرین انـدازه ی دانـه گرده درگونه C. cancellatus(µm 11 ± 80 ) از سنقـر و کـوچکترین آن(µm 6 ± 69 )از گردنه حسن آباد اسلام آباد غرب است.تحقیقات بدست آمده با میـکروسکوپ الکتــرونی گذاره ( TEM ) نشان می دهـد کـه دانه گرده ی C.pallasii دارای ضــخامـت تکتوم ، (µ 0/4 - 0/2)، اگــزینپ، (µm 0/6- 0/4)، لایه ی پایه ای « Foot layer »، (µm 0/1- 0/04)، طول و عـــرض ستون ها ، به ترتیب، (µm0/4 - 0/2) و (3/ 0 µm - 0/2)، شکل ســر ستــون هــا، استوانه ای مخروطــی، به ضخامت(µm 0/4- 0/2)است، نسبت تکــتوم به فــوت لایر « T / F »، 4/2 و ضخامت لایه های انتین ، (µm4-2) می باشد و فـاقد اگزین درونی است. با استفاده از داده های TEMکانال های زیادی در انتین میانی گزارش شد. همچنین دانه گرده زعفران جو قاسم دارای منفذ است در حالی‌که زعفران زاگرسی بدون منفذ می باشد. علاوه‌بر‌این، خارها در تزئینات سطحی دانه گرده در زعفران زاگرسی نوک تیز تر از خارهای سطحی دانه گرده گونه دیگر است.

بورس اوراق بهادار، نقش مهمی در چرخه مالی و رونق اقتصادی، ایفا می کند. بنابراین باید بتوان به شیوه ای کارا و موثر، عملیات و پردازش های تعریف شده را پشتیبانی کرده و به ارزیابی آنها پرداخت. ارزیابی شامل بررسی گزینه های مختلف تصمیم گیری و نیز امکان ترکیب آنها در جهت دستیابی به انتخاب بهینه می باشد.ویژگی های متعدد متغیر های موجود در این دامنه و ارتباطات متنوع میان آنها، نقش مهمی در گرفتن تصمیم های سازنده و بدور از ریسک، در این بازار بعهده دارند. در اغلب روش های ارزیابی کنونی، تحلیل ها مبتنی بر سناریو بوده و با کمک روش های مختلف از جمله هوش مصنوعی، تلاش شده است که دانش خاصی از اطلاعات موجود، استخراج گردد. اما این نتایج با تغییر اهداف، غیر قابل استفاده می شوند و همچنین اشتراک گذاری آنها نیز درگیر مشکلات معنایی می باشد.دراین تحقیق، پایگاه دانشی برای پشتیبانی از فرآیندهای بازار بورس اوراق بهادار، با تکیه بر رهیافت جدیدی بنام هستی شناسی، ارائه شده است. در این هستی شناسی پیشنهادی، بر روی استفاده مجدد از دانش و اشتراک گذاری آن تأکید شده است. تلاش شده است تا هستی شناسی پیشنهادی، توانایی پشتیبانی از کلیه تراکنش های موجود در بازار سهام را داشته باشد و با لحاظ کردن کلیه روابط میان متغیرها، علاوه بر دانش آشکار، به کشف دانش ضمنی پرداخته و کیفیت تصمیم گیری ها را ارتقا بخشد.

وب‌معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها و بدون دخالت بشر طرح شد، ولی هم‌اکنون با چالش بزرگ تعامل آنتولوژی‌ها روبه‌رو است. این رساله درپی یافتن تناظر بین موجودیت‌های آنتولوژی، با استفاده از روش‌های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی‌های واقعی انتخاب و تولید می‌کند، و سپس از معروف‌ترین دسته‌بندی کننده‌های تحت‌نظارت، مثل ماشین بردارهای پشتیان (SVM) ، نزدیک‌ترینk همسایه (KNN)، درخت تصمیم‌گیری (DT) و روش AdaBoost برای دسته‌بندی موجودیت‌ها استفاده می‌کند. البته هر یک از دسته‌بندی‌کننده‌های مذکور با پارامترهای مناسب تنظیم می‌شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم‌ترازی تنها برمبنای اطلاعات موجود در اسناد OWL است، و نیازی به نمونه‌های آنتولوژی نیست. از SVM برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به‌طوری‌که قادر به تامین نتایج قابل‌قبول همراه با کاهش قابل‌ملاحظه‌ی هزینه‌ی محاسباتی است. نتایج حاصل از روش AdaBoost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار F است.