جستجوي پيشرفته | کتابخانه مجازی الفبا

سرویس پست الکترونیک یکی از محبوب‌ترین سرویس‌های اینترنت است که بخش مهمی از این ایمیل‌ها، مورد درخواست و تقاضای کاربر نیست. عدم درخواست این ایمیل‌ها و یا عدم شناسایی فرستنده هرزنامه تعریف می‌شود که البته همین تعریف نیز مورد توافق همه افراد قرار نگرفته است. از مهمترین چالش‌های شناخت هرزنامه، وابستگی آن به سلایق کاربر است. به-عبارت دیگر یک ایمیل ممکن است برای فردی هرزنامه و برای فرد دیگری ایمیل موجه تلقی شود. این موضوع، مفهوم جدیدی را با عنوان شخصی‌سازی ایمیل ایجاد می‌کند. عدم ارائه تعریف دقیق هرزنامه و همچنین تنوع سلایق و نظرات کاربران در مورد این‌گونه ایمیل‌ها، مانع ایجاد مکانیزم مناسبی برای جلوگیری از دریافت و یا ارسال هرزنامه شده است. در این پایان‌نامه برای مشخص کردن نوع کلاس‌های ایمیل‌ و طبقه‌بندی آن، از یک هستان‌شناسیدامنه استفاده می‌شود. به‌علاوه در حین انجام کار با استفاده از مجموعه داده‌ها ، آنتولوژی پایه تکمیل و درنهایت از آنتولوژی جدید برای کلاس‌بندی ایمیل استفاده می‌شود. باید توجه داشت که تغییر سلایق افراد در گذر زمان و فیلتر هرزنامه دارای رابطه مستقیم هستند، این رابطه به‌نحوی است که با تغییر سلایق افراد، آنتولوژی مربوطه باید خود را به‌روز نموده و مکانیزم پویایی برای جلوگیری از ارسال هرزنامه ایجاد کند به‌طوری‌که این موضوع در این تحقیق لحاظ می‌شود. به‌علاوه نتایج به‌وضوح برتری 1/99 درصدی روش پیشنهادی را نسبت به روش‌های پیشین نشان می‌دهد، به‌ویژه که هم‌زمان نسبت به تغییرات سلیقه‌ی کاربر نیز به‌صورت پویا عمل می‌کند.

قابلیت عمل پذیری متقابل،در اجتماع وب معنایی به یک امر بسیار مهم و حیاتی تبدیل شده است. طراحان وب، هم چنان با مشکل قابلیت عمل پذیری متقابل معنایی روبرو هستند، که در مسیراستفاده ازکلیه امکانات بالقوه وب قرار دارد. یک مسأله اصلی در قابلیت عمل پذیری متقابل در وب معنایی، تطابق هستان شناسی هاست. تطابق هستان شناسی ها، به فرآیند یافتن روابط و یا تشابه های بین موجودیت های هستان شناسی های مختلف اشاره دارد. تطابق هستانشناسی ها یک مسأله اصلی در بسیاری از کاربردها، مانند مجتمع سازی داده ها، انبار داده ها، تجارت الکترونیکی، و پردازش پرس وجوهای مفهومی می باشد. در این پایان نامه با الهام از یک روش مشهور قبلی (که +prior خوانده می شود) یک روش نوین برای تطابق هستان شناسی ها ارائه می دهیم. +prior، از معیارهای مختلف شباهت استفاده می کند و آن ها را با یک روش وفقی با یکدیگر مجتمع می سازد و درنهایت در صورت لزوم، یک شبکه تعاملی را برای یافتن پیکربندی که به بهترین شکل قیدهای هستان شناسی را ارضا می‌کند، به کار می گیرد. روش پیشنهادی ما بهبودهایی درمراحل مختلف+prior انجام می‌دهد. بهبودهای پیشنهادیشامل تعریف یک معیار شباهت جدید، یک روش جدید برای مجتمع‌سازی شباهت‌ها با استفاده از تعریف یک مفهوم نوین، و ایجاد تغییری در مرحله ارضای قیدهای هستان شناسی است. نتایج ارزیابی بر روی مجموعه محک استاندارد OAEI نشان می دهد روش پیشنهادی ما، معیارهای استاندارد ارزیابی را نسبت به +priorبهبود می بخشد. مقایسه با دیگر روش های مشهور تطابق نیز نشان میدهد روش ما، نتایج خوبی تولید می کند.

معماری سرویس‌گرا (SOA) یک فلسفه‌ی طراحی برای سیستم‌های توزیع‌شده است. هر عملیات در این معماری در قالب یک سرویس طراحی و پیاده‌سازی می‌شود. یکی از روش‌های متداول برای پیاده‌سازی SOA، استفاده از وب‌سرویس‌ها‌ است. در سیستم‌هایی که از اصول سرویس‌گرایی تبعیت می‌کنند، خودکارسازی عملیات اکتشاف وب‌سرویس‌ها‌ با دقت و سرعتی قابل قبول، یک چالش محسوب می‌شود. از طرف دیگر، ناهمگنی در توصیف وب‌سرویس‌ها‌ نیز می‌تواند مشکل‌ساز باشد. با استفاده از یک معماری منسجم برای اکتشاف وب‌سرویس‌ها، می‌توان با این چالش‌ها مقابله کرد.در این پایان‌نامه قصد داریم یک معماری برای انتشار و اکتشاف وب‌سرویس‌های معنایی ارائه نماییم که هدف آن خودکارسازی عملیات انتشار و اکتشاف ‌سرویس‌ها و افزایش سرعت و بهبود دقت اکتشاف سرویس‌ها است. این معماری شامل مولفه‌های نرم‌افزار‌ی انتشار و اکتشاف معنایی و نحوه‌ی تعامل آن‌ها در یک بستر توزیع‌شده است. بستر توزیع‌شده‌ای که‌ برای این معماری طراحی شده است ترکیبی از نظیرها و ابرنظیرها در یک شبکه‌ی هم‌پوشانی ترکیبی است. مدلی برای انتشار و استقرار انباره‌ی وب‌سرویس‌ها در شبکه‌ی P2P آورده شده است که با استفاده از خوشه‌بندی دوسطحی برمبنای context و functionality ترتیب داده شده است. علاوه‌بر‌این، الگوریتم‌هایی را برای مولفه‌های اصلی معماری طراحی کرده‌ایم. با الگوریتم انطباقی که بر مبنای این معماری پیشنهاد شده است می‌توانیم مشکل false positive را در انطباق حل می‌کنیم.

آنتولوژی به عنوان یک روش برای از بین بردن ناهمگنی اطلاعات ارائه شده‌است. در یک حوزه ممکن است چندین آنتولوژی که از دیدگاههای متفاوت ایجاد شده‌اند، وجود داشته باشد که سبب ناهمگنی در یک حوزه خاص می‌شوند. جهت از بین بردن نا‏همگنی‏ها از فرآیند هم تراز سازییا تطابق آنتولوژی‌ها استفاده می‌شود. از آنجا که هنگام هم‌ترازسازی آنتولوژی‌ها سعی بر رفع همه انواع ناهمگنی‌های موجود بین دو آنتولوژی ورودی است پس باید روشی اتخاذ گردد تا به کمک آن بتوان نتایج هم ترازسازی انواع روشهای رفع ناهمگنی بین دو آنتولوژی ورودی را کنار هم گردآوری نمود. به مرحله گردآوری نتایج انواع روشهای ناهمگنی، مرحله جمع‌آوری شباهت‌ها گویند.در این تحقیق در ابتدا یک سیستم هم‌ترازسازی آنتولوژی‌ها با استفاده از سه روش رفع ناهمگنی بین آنتولوژی‌ها پیاده‌سازی شده است. این سیستم برای انواع زبان‌های بیان آنتولوژی‌ها یعنیOWLو RDF قابل استفاده است. در سیستم ارائه شده از سه تطابق‌یاب استفاده شده است. دو تطابق‌یاب از ویژگیهای رشته‌ای اجزای آنتولوژی‌ها استفاده می‌نمایند. یکی از این تطابق‌یاب‌ها ISUB است که از فرم رشته‌ای موجودیت‌های دو آنتولوژی استفاده می‌کند و دیگریVDOC است که قبل از آغاز فرآیند محاسبه شباهت بین رشته‌ها، ابتدا یکسری عملیات پیش پردازش از قبیل حذف حروف اضافه و ربط را انجام می‌دهد و سپس براساس روش‌های بازیابی اطلاعات، میزان شباهت دو رشته را محاسبه می‌نماید.سومین تطابق‌یاب پیاده سازی شده، GMO است که از ساختار سلسله مراتبی دو آنتولوژی ورودی جهت محاسبه میزان شباهت موجودیت‌های دو آنتولوژی بهره می‌گیرد. پس از محاسبه شباهت توسط انواع تطابق‌یاب‌های مختلف، در مرحله جمع‌آوری شباهت‌های انواع تطابق‌یاب‌ها، روشی ارائه شده است که برخلاف سایر روش‌های موجود، فرآیند جمع‌آوری شباهت‌ها را براساس هر دو آنتولوژی و برای هر جفت موجودیت دو آنتولوژی بطور جداگانه انجام می‌دهد که یک روش تطبیقی و مطلع از ساختار است.ارزیابی کار انجام شده برای بررسی روش جمع‌آوری شباهت‌های ارائه شده بوسیله‌ی آنتولوژی‌های مسابقه جهانیتطابق آنتولوژی‌ها یعنیOAEI 2009 صورت گرفته است که حاوییک سری آنتولوژی‌های استاندارد جهت مقایسه انواع سیستم‌های هم ترازسازی آنتولوژی‌ها می‌باشد. مقایسه نتایج سیستم ارائه شده با سیستم‌های جِرُمی سوئیت و نگاشت توسط جمع مورچه‌ها، بهبود دقت تشخیص هم ترازی‌های بین دو آنتولوژی توسط سیستم را نشان می‌دهد.

در سال‌های اخیر، تکنیک‌های فیلتر محتوایی دانش‌محور مبتنی‌بر پایگاه دانش و آنتولوژی به‌ روش‌هایی کارا و قابل‌قبول برای فیلتر اطلاعات تبدیل شده‌اند. در این تحقیق از ساختار آنتولوژی و پایگاه‌دانش‌های ویکی‌پدیا، وردنت و BNC برای عمل فیلتر اسناد، بهبود نمایش اولویت‌های کاربری و محتوای اسناد و محاسبه شباهت معنایی استفاده می‌شود. همچنین سامان‌دهی علایق کاربری و محتوای اسناد در پروفایل‌ها امکان استخراج دانش درباره‌ی علایق احتمالی کاربران و محتوای اسناد را با استفاده از آنتولوژی و پایگاه‌دانش فراهم می‌آورد. این تحقیق روشی نوین و منحصر‌به‌فرد در ساختار ترکیب خبرگان برای فیلتر اسناد ارائه می‌کند و مجموعه‌ای از بهترین و کاراترین روش‌های فیلتر را پیاده‌سازی و با هم یکپارچه می‌کند. ارزیابی سیستم در دو مرحله ارزیابی روش‌های محاسبه شباهت معنایی و روش‌های فیلتر محتوایی با استفاده از مجموعه داده‌های میلر- چارلز و 20Newsgroup انجام می‌شود. نتایج ارزیابی، همبستگی زیاد روش‌های محاسبه‌ی شباهت معنایی میان مفاهیم را با قضاوت بشر نشان می‌دهد. روش‌ مبتنی‌بر ویکی‌پدیا با میزان همبستگی 0.779 نه‌تنها از دیگر روش‌های پیاده‌سازی شده بهتر عمل می‌کند بلکه از روش‌های مشابه و شناخته‌شده‌ای مانند CODC با میزان همبستگی 0.693 و روش ESA با میزان همبستگی 0.58 بهتر عمل می‌کند. به‌علاوه در ارزیابی روش‌های فیلتر دانش‌محور ملاحظه می‌شود که روش مبتنی‌بر آنتولوژی با نرخ صحت و کارآیی98.9 و 98 درصد و روش مبتنی‌بر ویکی‌پدیا با نرخ صحت و کارآیی98.2 و 96 درصد نتایجبهتری نسبت به دیگر روش‌های مشابه و شناخته شده مانند NB-SVM Hybrid دارند. همچنین نتایج ارزیابی روش مبتنی‌بر ساختار ترکیب خبرگانبا نرخ صحت و کارآیی 99.4 و 98.9 درصد نشان می‌دهد کهاین روش نه‌تنها از تک‌تک روش‌های پیاده‌سازی شده کارآیی و صحت بالاتری دارد، بلکه می‌تواند خطاهای عمل فیلتر را تصحیح کند. براساس این نتایج، سیستم پیاده‌سازی شده می‌تواند به‌عنوان رویکرد جدیدی در فیلتر محتوایی و به‌عنوان چارچوبی برای استفاده در کاربردهای فیلتر اطلاعات استفاده شود.

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.

امروزه یادگیری و آموزش در دنیای مجازی از اهمیت بالایی برخوردار است. بهمین دلیل نیاز به سیستم‌های یادگیری الکترونیک که یادگیری را در هر مکان و زمانی ممکن می‌سازند بیش از پیش احساس می‌شود. از سوی دیگر با توسعه وب، حجم اطلاعات موجود در آن بصورت چشمگیری رو به افزایش است. این امر سبب می‌شود تا سیستم‌های یادگیری الکترونیک با حجم وسیعی از اطلاعات برای آموزش مواجه شوند. اما اصول مشتری مداری این اجازه را به این سیستم‌ها نمی‌دهند تا فراگیران را با حجم زیادی از اطلاعات درگیر کنند. چراکه اولا این امر موجب سردرگمی فراگیران در انتخاب موضوع برای مطالعه می‌شود، ثانیا بسیاری از این اطلاعات با توجه به مواردی نظیر خصوصیات فراگیر، علایق، اهداف و توانمندی‌های وی قابل استفاده توسط او نیستند.در پاسخ به این مسئله سیستم‌های تطبیق پذیر آموزشی ظهور کردند که هدف کلی آنها ایجاد یک تجربه منحصر به فرد آموزشی برای هر فراگیر است. این سیستم‌ها با مدل کردن خصیصه‌های مختلف فراگیر و دراختیار داشتن فرادانشی نسبت به محتوای آموزشی به شخصی سازی مطالب آموزشی برای تک تک فراگیران می‌پردازند. این مطالعه ابتدا به مرور کارهای انجام شده در زمینه سیستم‌های تطبیق پذیر آموزشی می‌پردازد. ماحصل مرور منابع موجود در این حوزه، شکاف‌های تحقیقاتی فعلی است که به تفصیل بررسی می‌شوند. بر این اساس این تحقیق به ارائه مدلی جهت شخصی سازی محتوای آموزشی می‌پردازد. معماری این مدل مبتنی بر ایده سیستم‌های چند عامله است و برای نگهداری محتویات آموزشی از هستی شناسی و استاندارد محتوایی SCORM در سطوح انتزاعی جداگانه بهره می‌گیرد. به منظور اعتبار سنجی این مدل از رویکرد پیاده سازی و شبیه سازی یک سناریوی ساده استفاده شده است. این سیستم بر روی سیستم مدیریت یادگیری Sakai نصب و راه اندازی شده است و به منظور اثبات کارآمدی آن از یک سناریوی ساده برای تطبیق پذیری استفاده شده است. نتایج این شبیه سازی نشان می‌دهند که این مدل بخوبی می‌تواند محتویات آموزشی را به فراگیران مختلف ارائه دهد.

بحث تولید و بازیابی محتوای آموزشی یکی از بحث‌های مهم در آموزش‌ الکترونیکی است. از طرفی باافزایش محتوا روی وب تلاش برای دسترسی به مفاهیم مرتبط با یک حوزه‌ی درسی و آموزشی؛ برای مثال مفاهیم مرتبط با حوزه‌ی سیستم‌های فازی کاری وقت‌گیر، هزینه‌بر و مشکل است و ممکن است جست‌وجو روی وب، محقق را به نتیجه‌ی دلخواه نرساند. بنابراین در بسیاری از تحقیقات اخیر سعی‌ بر این است که روش‌هایی برای دسته‌بندی و نمایش مفاهیم مرتبط به‌صورت کلی و یکپارچه ارائه شود. در این تحقیق سعی‌ شده است که با استفاده از پایگاه‌دانش‌های عمومی ‌به مفاهیم مرتبط با حوزه‌ی دلخواه دسترسی پیدا کرده و به‌صورت دسته‌بندی شده براساس سطح سختی به دانش‌ورزان در قالب یک پایگاه‌دانش ارائه شود. در سال‌های اخیر به‌کارگیری تکنیک‌های وب‌معنایی برای تولید و نمایشِ دانش در آموزش‌ الکترونیکی توجه بسیاری را به خود جلب کرده است. این رساله، سیستمی برای تولید و نمایش دانش ارائه می‌کند که مبتنی‌بر مفاهیمِ نقشه‌‌ی مفهوم، مدل داده‌ای چارچوب توصیف منابع و آنتولوژی است. از آن جهت که این مفاهیم می‌توانند دانش مورد نظر را بهتر نشان دهند و معنا را نیز دربرمی‌گیرند. در روش پیشنهادی از پایگاه‌دانش عمومیِ DBpedia که مبتنی‌بر موجودیت‌های ویکی‌پدیا است برای استخراج مفاهیم آموزشی، از نقشه-ی مفهوم برای ایجاد گرافی از مفاهیم و ارتباطات میان آن‌ها و از ابزارهای ویرایش‌گر آنتولوژی مانند پروتگ برای ساخت پایگاه‌دانش از نقشه‌ی مفهوم به زبانِ آنتولوژی وب استفاده شده است. همچنین از آن‌جاکه ساخت مواد آموزشی کاری وقت‌گیر، مشکل و پرهزینه است، این رساله برای بازیابی مواد آموزشی با استفاده از مدل پیشکارهای وب‌معنایی از موتورهای جستجوگر وب و وب‌سرویس‌های کتابخانه‌های دیجیتال استفاده می‌کند. روش پیشنهادی برای ایجاد پایگاه‌دانش از مفاهیم موجود در حوزه‌ی سیستم‌های فازی و بازیابی مواد آموزشی برای هر مفهوم استفاده می‌کند. ارزیابی سیستم با استفاده از مقایسه‌ی طرح پیشنهادی با کارهای پیشین و نظرسنجی دانش‌ورزان انجام می-شود. براساس این دو ارزیابی می‌توان به معنادار بودن، نشانه‌گذاری ساده‌، قابلیت پویایی ساده، کامل بودن و قابلیت اشتراک پایگاه‌دانش حاصل در تمامی سیستم‌های آموزشی، دسترسی سریع و دسته‌بندی شده به مفاهیم و سرفصل‌های آموزشی و دسترسی به منابع بیشتر اشاره کرد.

باتوجه به ذات پویای سیستم‌های چندپیشکاره وب‌معنایی و وجود پیشکارهای مختلف در آن، شناسایی پیشکارهای قابل اعتماد یکی از چالش‌های ایجاد ارتباط بین پیشکارها در وب‌معنایی است. ارزیابی اعتماد در این سیستم‌ها براساس رفتار گذشته‌ی پیشکارها انجام می‌شود. دو منبع اصلی برای کسب اطلاعات از رفتار گذشته‌ی پیشکارها وجود دارد: ارتباط‌ مستقیم بین پیشکارها و اطلاعات به‌دست آمده از سایر پیشکارهای اجتماع. باوجود پیشکارها با سلیقه‌ها و نظرات مختلف، مدل اعتماد پیشنهادی باید بتواند مطابق با نیازهای پیشکارها تنظیم شود. به‌علاوه برای محاسبه‌ی اعتبار پیشکارها باید اطلاعات مربوط به رفتار آن‌ها در گذشته از جامعه‌ی پیشکارها جمع‌آوری شود. همچنین اعتماد ابعاد مختلفی دارد و ممکن است میزان اعتماد به پیشکار مفروضی در ابعاد مختلف متفاوت باشد. این رساله برای حل هر یک از این چالش‌ها راه‌حلی پیشنهاد می‌دهد. مدل پیشنهادی این رساله از روش توزیع شده‌‌‌ای مبتنی‌بر شبکه‌های اجتماعی برای جمع‌آوری اطلاعات از محیط استفاده می‌کند و با بهره‌گیری از شبکه‌های عصبی مصنوعی میزان اعتبار را براساس مشاهدات جمع‌آوری شده ارزیابی می‌کند. شبکه‌های عصبی در طول زمان مطابق دیدگاه پیشکار آموزش می‌بینند، بدین‌ترتیب میزان اهمیت توصیه‌های جمع‌آوری شده باتوجه به دیدگاه پیشکار ارزیابی‌کننده‌ی اعتماد تنظیم شود. همچنین مدل پیشنهادی دراین رساله برای نمایش میزان اعتماد از آنتولوژی‌ها بهره می‌گیرد، بدین وسیله میزان اعتماد در ابعاد مختلف محاسبه می‌شود. این رساله برای بررسی کارایی مدل پیشنهادی، بستری با استفاده از میان‌افزار Jade پیاده‌سازی می‌کند و کارایی مدل به‌‌طور عملی در آن آزمایش می‌شود.

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.