با پیشرفت تکنولوژی و کاهش ابعاد ترانزیستورها، چالش‌های جدیدی در حوزه قابلیت اطمینان تراشه‌های دیجیتال بوجود آمده است. از جمله این چالش‌ها می‌توان به سالمندی ترانزیستورها اشاره کرد که باعث کاهش کارآیی و تخریب عملکرد مدار می‌شود. تاکنون روش‌های مختلفی با استفاده از تکنیک بازسنتز منطقی به منظور کاهش اثرات سالمندی در یک مدار ارائه شده است. اما مشکل اصلی این روش ها طولانی بودن زمان اجرا و غیر قابل اعمال بودن آن‌ها برای مدارهای مقیاس بزرگ می‌باشد. در این مقاله، یک روش بازسنتز منطقی مبتنی بر بخش‌بندی به منظور کاهش تنزل کارآیی ناشی از سالمندی در یک مدار دیجیتال ارائه شده که به طور موثری زمان اجرای فرآیند بهینه‌سازی را کاهش می‌دهد. در روش پیشنهادی، مدار با استفاده از ساختارهای مخروطی به مجموعه ای از زیرمدارهای کوچکتر بخش‌بندی می‌شود. سپس این زیرمدارها سطح بندی شده و زیرمجموعه‌ای از موثرترین زیرمدارها به منظور بهینه‌سازی انتخاب شده و تکنیک بازسنتز منطقی بر روی هر زیر مدار اعمال می‌شود که باعث کاهش فضای جستجو و کاهش زما اجرای الگوریتم می‌شود. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی با سربار مساحت 2/3% تنزل کارآیی ناشی از سالمندی را حدود 9/12% بهبود داده است. همچنین زمان اجرای روش پیشنهادی در مقایسه با روش همسان‌سازی مسیرها، حدود 11 برابر سریع‌تر است.

فلیپ‌فلاپ‏‌های پالس‏دار از مهمترین اجزای مدارهای دیجیتال با کارآیی بالا به شمار می‏‌روند که عملکرد نادرست آن‏‌ها باعث کاهش قابلیت اطمینان این مدارهای پرکاربرد در عرصه صنعت خواهد شد. با پيشرفت تكنولوژی ساخت مدارهای مجتمع انواع تغییرات اعم از تغییرات ناشی از فرآیند ساخت و تغییرات حین کارکرد (به طور مشخص ناپایداری حاصل از بایاس و دما (BiasTemperature Instability)) موجب شده تا نرخ خرابی در مدارهای دیجیتال افزایش یافته و در نتیجه، قابلیت اطمینان این مدارها کاهش یابد. در این مقاله، با استفاده از آزمایش‏‌های گسترده مونت کارلو و نرم افزار شبیه‌ساز HSPICE، قابلیت اطمینان چندین فلیپ‏‌فلاپ پالس‏دار با در نظر گرفتن اثرات تغییرات ساخت و تغییرات حین کارکرد مورد بررسی قرار گرفته‌است. به منظور بهبود قابلیت اطمینان این فلیپ‏‌فلاپ‏‌ها، از تکنیک تخصیص ولتاژ آستانه دوگانه استفاده شده‌است. به این ترتیب که پس از تحلیل‏‌های انجام شده به منظور تشخیص ترانزیستورهای حساس به تغییرات، به این ترانزیستورها ولتاژ آستانه پایین‏ تخصیص داده می شود و به این صورت، با کاهش تاخیر این دسته از ترانزیستورها، قابلیت اطمینان کلی این فلیپ‏‌فلاپ‏‌ها در برابر انواع تغییرپذیری‏‌ها افزایش پیدا می‏‌کنند. نتایج به دست آمده نشان می‏‌دهند که با اعمال این تکنیک، در ازای %8.8 سربار در توان‌نشتی، قابلیت اطمینان این فلیپ‌فلاپ‏‌ها بعد از گذشت 3 سال به طور میانگین تا %40 بهبود داده می‏‌شود.

این مقاله روشی برای مقاوم کردن شبکه روی تراشه در برابر خرابی آرام داده (SDC) ارائه می‌کند. برای اعمال این روش 3 مرحله وجود دارد: 1) ارزیابی خطای SDC برای شبکه روی تراشه معمولی و شناسایی خطاهای مخرب SDC 2) ارائه روشی برای کاهش و مقابله با خطاهای SDC، 3) ارزیابی کارایی روش ارائه شده بر اساس چندین آزمایش تزریق اشکال مبتنی بر شبیه‌سازی. در این روش برای کشف خطا از دوگانه سازی ثبات‌هایی که طی آزمایشات مشخص شد، که از حساسیت زیادی برخوردارند و xor کردن آن‌ها با ثبات کنترلی checksum استفاده می¬شود. در مجموع 10000 خطای نرم به بخش‌های ترکیبی و ترتیبی کد VHDL شبکه روی تراشه معمولی تزریق می‌شود. نتایج نشان می‌دهد که % 12/31 از اشکالات SET در بخش‌های ترکیبی و % 47/34 از اشکالات SEU در بخش‌های ترتیبی در شبکه منجر به خرابی SDC می‌شوند. نتایج ارزیابی شبکه مقاوم شده، نشان می‌دهد که نرخ خرابی در بخش‌های ترکیبی و ترتیبی به ترتیب % 90/20 و % 80/13 رسیده است. سربار سخت‌افزار روش مطرح شده برای بخش‌های ترکیبی و ترتیبی به ترتیب % 66/0 و % 95/5 است. توان مصرفی بخش‌های ترکیبی و ترتیبی به‌ترتیب % 50/2 و % 75/8 افزایش یافته است.

در این مقاله، تشخیص نویزهای ضربه‌ای کلیک به عنوان یکی ار رایج‌ترین نویز ها در صداهای ضبط شده‌ی قدیمی مورد توجه قرار گرفته است. با توجه به ماهیت نویز های ضربه‌ای و مولفه‌های فرکانس بالایی که در محل وقوع این نوع نویز به وجود می‌آیند، در روش پیشنهادی از تبدیل موجک پیوسته به منظور بهره‌گیری از اطلاعات زمانی و فرکانسی در راستای تشخیص نویز کلیک استفاده شده است. پس از محاسبه ضرایب تبدیل موجک پیوسته، از روش آستانه‌یابی اتسو به عنوان یکی از روش‌های استانه یابی بدون پارامتر برای تعیین بخش‌های آلوده به کلیک استفاده شده است و در نهایت با تکنیک گسترش کلیک، دقت تشخیص افزایش می‌یابد. نتایج آزمایش‌های عینی، مانند درصد تشخیص های نادرست و درصد تشخیص‌های از دست رفته، نشان دهنده عملکرد بهتر روش پیشنهادی در مقابل یکی از بهترین روش های موجود می‌باشد.

الگوریتم‌های فراابتکاری به عنوان یکی از روش‌های حل مسائل بهینه‌سازی در کاربردهای مختلف مهندسی به کار می‌روند. یکی از این الگوریتم‌ها، الگوریتم بهینه‌سازی دسته ذرات است. در این مقاله با بهره‌گیری از یک سیستم استنتاج فازی و همچنین تطبیقی نمودن پارامتر وزن اینرسی که یکی از پارامترهای تاثیرگذار در این الگوریتم است، سعی کرده ایم کارآیی این الگوریتم را افزایش دهیم. برای ارزیابی روش پیشنهادی از توابع CEC2008 بهره می‌گیریم. نتایج ارزیابی نشان می‌دهند که عملکرد الگوریتم ارائه شده در این مقاله به نسبت روش‌های موجود، بهبود قابل توجهی داشته است.

حدود دویست میلیارد نورون در مغز وجود دارد که به وسیله سیناپس‌ها به یکدیگر متصل می‌‌باشند. سیناپس‌ها دو پارامتر اصلی دارند؛ یکی از این پارامترها قدرت سیناپس و پارامتر دیگر‏، تأخیر‎ در فرستادن اطلاعات به نورون بعدی می‌باشد‏ که اصلی‌ترین عامل در ایجاد این تأخیر طول آکسون می‌باشد. بر روی آکسون‌ها لایه‌های عایقی به نام میلین‎‎ وجود دارد که وظیفه اصلی آنها سرعت بخشیدن به انتقال اطلاعات است. تشخیص جهت و سرعت حرکت در مغز به وسیله تأخیرهای سیناپسی انجام می‌پذیرد، و باعث می‌شود که تغییر ولتاژ ناشی از فعال شدن نورون‌ها همزمان به نورون بعدی برسد و ولتاژ نورون بعدی را به حد آستانه برساند. از طرف دیگر با مکانیسم‌هایی همچون قانون یادگیری هم‌ایستایی می‌توان نرخ ضربه هر نورون در بازه زمانی مشخص را کنترل کرد. کنترل نرخ ضربه نورون‌ها باعث می‌شود تشخیص حرکات مختلف بین نورون‌های متفاوت تقسیم گردد و هیچ نورونی چند دسته حرکت ورودی را آموزش نبیند. در این مقاله با استفاده از نورون های ‎LIF،‎ تأخیرات سیناپسی، قانون یادگیری ‎STDP‎‏، قانون یادگیری هم‌ایستایی و یادگیری تقویتی مدل محاسباتی برای تشخیص حرکت ارائه ‎‏شده‌است تا فرآیند تشخیص حرکت در مغز را توصیف کند. همچنین عملکرد مدل پیشنهادی در مساله تشخیص امضای برخط مورد بررسی و ارزیابی قرار گرفته است.

با گسترش روزافزون استفاده از اینترنت و فضای مجازی، خواست مردم نسبت به بیان نظراتشان پیرامون مسائل مختلف از جمله رویدادها، محصولات و سامانه‌های گوناگون افزایش چشم‌گیری پیدا کرده است. روزانه حجم بالایی از نظرات تولید می‌شود که اکثر آن‌ها به صورت متن خام هستند و بنابراین به ابزارهای خودکار برای کمک به تحلیل و سازماندهی آن‌ها نیاز داریم. با توجه به موارد ذکر شده، مساله‌ی نظرکاوی مبتنی بر جنبه که به امر استخراج جنبه‌های موجود در نظرات و همچنین دسته‌بندی تمایلی آن‌ها می‌پردازد، توجه زیادی را در سال‌های اخیر به خود معطوف کرده‌است. در این مقاله مدل توام تمایل و موضوعی ارائه شده است که در آن به جای استفاده از لیست‌های مشخص از کلمات با تمایل مثبت و منفی، از بردار جاسازی کلمات در زبان مورد نظر برای ایجاد دانش اولیه تمایلی مورد نیاز استفاده شده است. بررسی های انجام شده بر روی دو مجموعه داده مربوط به «لوازم الکترونیکی» و «لوازم آشپزخانه» از سایت آمازون، نشان دهنده آن است که علاوه بر سادگی استفاده روش پیشنهادی به دلیل عدم نیاز به مشخص ساختن لیست کلمات مثبت و منفی، دقت روش پیشهادی در هر دو زمینه‌ی استخراج جنبه و دسته‌بندی تمایلی بهتر از مدل‌های موجود است.

استخراج کلمات کلیدی یکی از مسائل مهم، در پردازش متن است. کلمات کلیدی خلاصه‌ای سطح بالا و دقیق از یک متن را ارائه می‌دهند. بنابراین آن‌ها برای بازیابی متن، طبقه‌بندی، جستجو موضوع و کارهای دیگر بسیار مهم هستند. اطلاعات روز به روز در حال رشد است. بنابراین خواندن و خلاصه‌سازی مطالب از نوشته‌های کوتاه و طولانی و تبدیل آن به یک مجموعه‌ی کوچک از موضوعات دشوار و وقت‌گیر برای انسان است که با استفاده از نیروی انسانی محدود تقریبا غیرممکن است. اهمیت کلمات کلیدی و هزینه‌ی تفسیر دستی آن‌ها باعث استخراج کلمات کلیدی به صورت خودکار شده است. ایده‌ی اصلی، انتخاب کلماتی است که یک تصویر خوب از محتوای آن متن بدهند. روش ارائه شده در این مقاله، ترکیبی از الگوریتم‌های شباهت‌سنجی، خوشه‌بندی و تخصیص پنهان دیریکله است. الگوریتم پیشنهادی بر روی یک مجموعه داده، شامل 2000 چکیده‌ی مقاله انجام شد و بر روی 150 نمونه، به صورت تصادفی ارزیابی انجام شده است که در نهایت دقت، 90% و فراخوانی 65% بدست آمد. نتایج بدست آمده نشان دهنده‌ی کارایی مناسب الگوریتم ارائه شده است. مدل پیشنهادی محدود به داده‌های کوتاه نیست و برای مجموعه داده‌های بزرگتر و طولانی‌تر هم مناسب است.

زیست نشانگرها موادی هستند که به صورت عادی در بافت‌ها و مایعات بدن وجود دارند و میزان بیان آن‌ها نسبت معناداری با شرایط پیشرفت بیماری‌های مختلف دارد. پژوهش‌های اخیر نشان داده که MicroRNA می‌تواند به عنوان یک زیست نشانگر قابل اتکا برای تشخیص بیماری‌هایی مثل عفونت های ویروسی و سرطان مورد استفاده قرار گیرد. روش‌های فعلی برای تشخیص میزان بیان MicroRNA مانند Real-time PCR به هزینه و زمان زیادی نیاز دارند و دقت تشخیص آن‌ها برای میزان بسیار کم این زیست-نشانگرها کافی نیست. نتایج پژوهش‌ها در سال‌های اخیر نشان داده که دروازه‌های منطقی مبتنی بر DNA می‌توانند بدین منظور مورد استفاده قرار گیرند. در این مقاله یک دروازه‌ی منطقی مبتنی بر DNA جهت تشخیص الگوی رخداد عفونت ویروسی هپاتیت C ارائه شده است. این دروازه قابلیت تشخیص هشت عدد MicroRNA با سطوح مختلف را فراهم می‌کند. نتایج شبیه‌سازی‌های انجام شده نشان می‌دهد که این دروازه می‌تواند الگوهای پیچیده با تعداد زیاد ورودی‌ها را با سرعت بالاتر و هزینه کمتر نسبت به سایر روش‌ها تشخیص دهد.

در سال‌های اخیر، پیشرفت فناوری در زمینه ترجمه ماشینی منجر شده است تا سامانه‌های مترجم ماشینی در زبان‌های مختلف با کیفیتی بهتر از قبل به وجود آیند. به همین دلیل ارتباط بین انسان و ماشین به‌عنوان یک قسمت مهم از ترجمه، توسعه و اهمیت بیشتری یافته است. یک نمونه از این ارتباط، استفاده از پس‌ویرایش است. پس‌ویرایش به تصحیح و ویرایش متن ترجمه‌شده‌ توسط‌ سامانه مترجم ماشینی، توسط کاربر گفته می‌شود. استفاده از ابزار‌های پس‌ویرایش ترجمه ماشینی سبب می‌شود که بتوان از داده‌های ویرایش شده توسط کاربر پس از اطمینان نسبت به صحت و کیفیت مناسب، از آن‌ها در جهت بهبود کیفیت مترجم ماشینی نیز بهره برد. در این پژوهش یک روش به منظور اعتبارسنجی ویرایش کاربران ارائه شده است. خصوصیت اصلی روش ارائه شده، قابل اعمال بودن بر انواع ترجمه‌ها و همبستگی بالای آن با معیار Translation Edit Rate به عنوان یک معیار ارزیابی با ناظر است. در این پژوهش ابتدا ویژگی‌هایی که فقط با داشتن جمله مبدأ و مقصد می‌توان به آن‌ها دست یافت را استخراج می‌کنیم، سپس با بهره‌گیری از این ویژگی‌ها به تخمین کیفیت ترجمه‌های انجام شده یا ویرایش شده توسط کاربران می‌پردازیم. آزمایش‌های انجام شده نشان داده است که استفاده از ویژگی‌های استخراج شده از جفت جمله انگلیسی-فارسی ترجمه شده توسط کاربران و اعمال رگرسیون با روش جنگل‌ تصادفی به نتیجه‌ی همبستگی ۰.۹۱ با معیار Translation Edit Rate منجر می‌شود.

در این مقاله روشی به منظور شباهت‌سنجی معنایی بین جملات ارائه شده است. این روش با در نظر گرفتن شباهت معنایی و ترتیب به کار رفتن کلمات در جمله‌ها، شباهت بین دو جمله را محاسبه می‌کند. شباهت معنایی بین کلمات با ترکیب دو روش مبتنی بر روابط بین کلمات در فارس‌نت و مبتنی بر شبکه عصبی عمیق ، محاسبه می‌شود. یکی از کاربردهای شباهت‌سنجی معنایی جملات، کشف تقلب معنایی و هوشمندانه در مقالات علمی است. به همین دلیل در این مقاله پس از ارائه روش شباهت‌سنجی معنایی بین جملات به کشف تقلب معنایی پرداخته می‌شود. روش ارائه شده در این مقاله روی مجموعه داده‌ای شامل 270 مقاله از انواع مختلف تقلب آزمایش شده است و نتیجه حاصل از این آزمایش بهبود قابل توجهی را در معیار F نسبت به بهترین سیستم‌های موجود نشان می‌دهد.

رشد سریع شبکه‌های رایانه‌ای سبب افزایش اهمیّت ابزارهای تحلیل و بررسی ترافیک این شبکه‌ها شده‌است. پژوهش‌های زیادی با هدف ارائه روشی توانمند برای انجام سریع و دقیق این قسم تحلیل‌ها صورت گرفته‌است که هرکدام از جنبه‌ای به این مسئله پرداخته‌اند. نقطه اشتراک تمامی این روش‌ها اتّکا آن‌ها به ویژگی‌های استخراج‌شده از ترافیک شبکه توسط یک متخصص است. این وابستگی شدید سبب شده است که این روش‌ها در مقابل ترافیک‌های جدید و یا تغییرات در ترافیک‌های کنونی، انعطاف‌پذیر نباشند و عملکرد قابل‌قبولی از خود نشان ندهند. در این پژوهش روشی مبتنی بر پیشرفت‌های اخیر در زمینه‌ شبکه‌های عصبی مصنوعی و یادگیری ژرف برپایه شبکه‌های عصبی پیچشی به منظور تحلیل ترافیک شبکه‌های رایانه‌ای و دسته‌بندی آن‌ها پیشنهاد شده‌است. این روش قادر است دسته‌بندی ترافیک شبکه را در دو سطح «شناسایی کاربرد» و «رسته‌بندی ترافیک» بدون دخالت عامل انسانی در استخراج ویژگی با دقت بالاتری نسبت به سایر روش‌های موجود انجام دهد.

مشکل تنگنای ابعاد در مجموعه داده‌های با ابعاد بالا از مسائل مهم در حیطه خوشه‌بندی داده‌ها است. در سال‌های اخیر برای حل این مشکل، روش‌های خوشه‌بندی زیر‌فضا مورد توجه بسیاری از محققان قرار گرفته است. هدف اصلی خوشه‌بندی زیر¬فضایی، یافتن تمام خوشه‌ها در تمام زیرفضاهای ممکن است. مشکل اصلی روش‌های پیشین خوشه‌بندی زیر‌فضایی، ایجاد تعداد بسیار زیادی زیرفضا است. این مشکل منجر به کاهش کارایی و افزایش زمان اجرای الگوریتم‌ها شده است. در این مقاله روشی کارا مبتنی بر چگالی برای ایجاد بهینه زیرفضاها ارائه شده است. این الگوریتم به صورت پایین به بالا عمل کرده و با استفاده از معیارهای مختلف شباهت، زیرفضاهای مشابه را با تکرار چندین باره الگوریتم پیدا و ترکیب می¬نماید. برای این منظور الگوریتم پیشنهادی در هر تکرار، پس از ترکیب و تشکیل زیرفضاهایی با ابعاد بالاتر، داده‌های موجود در این زیرفضاها را دوباره خوشه‌بندی می¬کند. این خوشه‌بندی به منظور، بدست آوردن ساختار جدید خوشه‌ها انجام می¬شود. در نهایت الگوریتم پیشنهادی، تمام زیرفضاهای ممکن در داده‌ها را تشخیص داده و همه‌ی خوشه‌های ممکن را می¬یابد. برای ارزیابی روش پیشنهادی از مجموعه داده‌های مصنوعی و واقعی مختلفی استفاده شده است. روش پیشنهادی در مقایسه با روش های پیشین از دقت و سرعت بهتری برخوردار است. روش پیشنهادی 34 درصد نسبت به الگوریتم CLIQUE و 6 درصد نسبت به DiSH دقت بالاتری دارد. همچنین روش پیشنهادی، برخلاف روش‌هاش پیشین، توانایی یافتن زیرفضاها در ابعاد مختلف را دارد.

تعیین شدت قطبیت نظرات کوتاه (نظرکاوی مبتنی بر جنبه)، یکی از حوزه‌های پژوهشی مهم در طول چند سال گذشته است. با توجه به تفاوت‌های ساختاری، نحوی و معنایی، چالش‌های زیادی در این زمینه وجود دارد. از جمله‌ی این چالش‌ها، وجود سه طبقه‌ی اصلی از تعدیل کننده‌ها یعنی نفی‌ها، تقویت کننده‌ها و تضعیف کننده‌ها، می‌باشد که می‌توانند قطبیت و شدت احساس متن‌های همجوار خود را تحت تاثیر قرار دهند. یکی دیگر از این چالش‌ها این است که عمدتاً به دلیل کلمات و همرخدادی بسیار محدود در متن، استفاده از دسته‌بندهای بانظارت (مبتنی بر فرکانس کلمه) برای این نوع متن با مشکل مواجه است و نمی‌تواند فضای بردار ویژگی و رابطه‌ی بین کلمات و اسناد را به خوبی نشان دهد. در این مقاله، یک مدل بانظارت نظرکاوی مبتنی بر جنبه‌ی 5 ستاره برای طبقه‌بندی معنایی نظرات به زیر کلاس‌های: بسیار ضعیف، ضعیف، متوسط، بسیار خوب و خوب، پیشنهاد می‌شود. بدین منظور، از دسته‌بند جنگل تصادفی استفاده شده است. روش پیشنهادی شامل چندین گام پیش¬پردازش و بهبود بردار ویژگی (همگون‌سازی کلمات نظر هم قطب و شرح قواعدی برای انتقال شدت احساس تعدیل کننده‌ها به همسایه‌ها) است و بنا به دانش نویسنده، این تحقیق در این زمینه، در زبان فارسی پیشگام می‌باشد. بررسی‌های انجام شده از مقایسه‌ی روش پیشنهادی با دسته‌بند پایه‌ی جنگل تصادفی و دسته‌بندها و روش‌های دیگر، نشان از بهبود نتایج و موثر بودن مدل پیشنهادی دارد.

طبقه‌بندی کننده بیز ساده به دلیل کارایی بالا در پیش‌بینی و سادگی در ساخت مورد توجه محققین بسیاری قرارگرفته است. بنیان این طبقه‌بندی کننده بر اساس استقلال شرطی متغیر‌ها (ویژگی‌ها) به شرط کلاس است. اگرچه به دلیل وابستگی متقابل بین ویژگی‌ها این فرض در کاربرد‌های واقعی این طبقه‌بندی کننده صادق نیست. از این رو، در این مقاله از مفهوم متغیرهای پنهان برای ارائه مدلی تحت عنوان "طبقه‌بندی کننده بیز ساده آمیخته با متغیر پنهان (MLNB)" به منظور کاهش فرض استقلال شرطی و مدل‌سازی ویژگی‌ها ارائه شده است. الگوریتم امید ریاضی- بیشینه (EM) به منظور تخمین پارامترهای مدل استفاده شده است. شبیه سازی‌ها بر روی 5 مجموعه داده از مخزن یادگیری ماشین دانشگاه کالیفورنیا ایرواین نشانگر این است که روش پیشنهادی عملکرد قابل توجه‌ای بر اساس دقت طبقه‌بندی و معیار F-measure در مقایسه با توسعه‌های اخیر بیز ساده دارد.

امروزه موضوعات مرتبط با سلامت و اثراتی که در تمامی ابعاد زندگی فردی و اجتماعی دارد، اهمیت فراوانی یافته‌اند. داروها گاهی عوارضی ناخوشایند در بدن فرد به همراه خواهند داشت. برای کشف این تاثیرات می‌بایست آزمایشاتی پرهزینه و زمان‌بر روی جمعیتی مشخص انجام شود تا بتوان بیان کرد که بعد از مصرف این دارو چه تاثیراتی ممکن است بروز کنند. در همین راستا، روش‌های یادگیری ماشین، مبتنی بر همسایگی و یا ترکیبی برای پیش¬بینی عوارض ناشی از مصرف داروها به‌کارگرفته شده¬اند که همگی سعی در بهبود این پیش¬بینی¬ها داشته¬اند. در این مقاله یک روش جدید برای پیش¬بینی یکسری از عوارض‌جانبی با داشتن سایر عوارض در دسترس ارائه شده است. در مدل پیشنهادی با استفاده از این عوارض‌جانبی، یک ماتریس همبستگی ساخته و به صورت یک گراف وزن‌دار درنظرگرفته می¬شود. پس از آن با به¬کارگیری الگوریتم¬های تشخیص زیرگراف، مدل‌سازی به ازای گروه-های کمتری از عوارض انجام می¬گیرد. با کمک ماشین بولتزمن محدودشده ماتریس نهایی احتمالات رخداد عوارض‌جانبی برای داروها تعیین می¬گردد. در نهایت با کمک قوانین وابستگی فازی نتایج به¬گونه¬ای قابل فهم برای فرد خبره ارائه می‌شود. بررسی نتایج حاصل شده از روش پیشنهادی با کمک نمودار AUPR حاکی از دقت بالاتر مدل پیشنهادی نسبت به روش سیستم توصیه‌گر مشابه است.

رشد انفجاری اطلاعات در سال‌های اخیر و ادامه این روند سبب افزایش تمایل کاربران به سامانه‌های خلاصه‌سازی خودکار متن برای دستیابی به اطلاعات مورد نیازشان شده است. در این مقاله یک روش نوین برای خلاصه‌سازی تک‌سندی بر پایه الگوریتم ژنتیک ارائه شده است که در آن تولید خلاصه استخراجی به یک مسئله بهینه‌سازی دودویی نگاشت می‌شود. تابع هدف در سامانه پیشنهادی متشکل از پنج معیار امتیازدهی به جملات است که سه ویژگی آن مبتنی بر ویژگی‌های ظاهری و دو ویژگی دیگر مبتنی بر شباهت کسینوسی است. ایده اصلی در تابع هدف، استفاده از شباهت کسینوسی بین جملات خلاصه و جملات متن اصلی و همچنین بین جملات خلاصه و عنوان سند برای افزایش پوشش مطالب مهم متن ورودی است. کاهش افزونگی در خلاصه تولیدی از طریق محاسبه شباهت بین جملات خلاصه با یکدیگر صورت می‌گیرد. علاوه بر این، جهت تولید خلاصه‌ای با حداکثر طول مشخص تابع تولید جمعیت اولیه و عملگرهای بازتولید در الگوریتم ژنتیک دستخوش اصلاحاتی شده است. ارزیابی سامانه پیشنهادی با استفاده از ابزار استاندارد ROUGE روی مجموعه داده DUC2002 انجام گرفته است. نتایج ارزیابی و مقایسه این سامانه با بهترین روش‌های موجود برای خلاصه‌سازی تک‌سندی نشان‌دهنده عملکرد بهتر روش پیشنهادی نسبت به سایر روش‌ها است.

با گسترش روز‌افزون تکنولوژی و عمومیت یافتن دستگاه‌های تصویربرداری مانند گوشی‌های تلفن، دوربین‌ها، تبلت‌ها و غیره، مدیریت منسجم تصاویر در موضوعات مختلف به چالشی مهم در بازیابی تصویر تبدیل شده‌است. حاشیه‌نویسی خودکار تصویر یکی از ابزارهایی است که جستجو بر پایه متن را برای بازیابی تصویر فراهم می‌کند. در این مقاله، یک رویکرد برای محاسبه عملکرد تعدادی از پر‌کاربرد‌ترین معیارهای مشابهت ارائه شده است که نتیجه حاشیه‌نویسی با ترکیب نتایج این معیارها بدست خواهد آمد. در این مقاله یک روش جستجوی k نزدیکترین همسایه بر‌اساس محتوا ارائه شده است تا نزدیکترین تصاویر از نظر بصری به تصویر مورد جستجو را یافته و از کلمات کلیدی آنها برای حاشیه نویسی تصویر تست استفاده شود. در این کار از Correlogram ، Color Moments و هیستوگرام در فضای رنگی HSV برای استخراج ویژگی‌های رنگ و ضرایب تبدیل موجک برای استخراج ویژگی‌های بافت در یک بردار ویژگی استفاده شده‌است. پس از استخراج بردار ویژگی نتایج حاشیه‌نویسی برای هر معیار مشابهت انجام میپذیرد و در انتها با ترکیب و مقایسه نتایج پرتکرارترین کلمات کلیدی برای حاشیه‌‌نویسی انتخاب می‌شود. در اینجا ما از معیارهای مشابهت اقلیدسی، کسینوسی، منهتن و انحراف معیار نسبی استفاده می‌کنیم. نتایج آزمایشات بر روی دیتاست Corel5k نشان می‌دهد که معیار مشابهت کسینوسی و انحراف معیار نسبی دقت بهتری نسبت به دو معیار دیگر دارند ولی هر معیار ضعف‌هایی در تشخیص بردارهای مشابه دارد که با ترکیب خروجی این معیارها نتایج کلی بهتر از نتایج حاصل از استفاده یک معیار مشابهت است.

در سال‌های اخیر شبکه‌های اجتماعی محبوبیت بالایی میان کاربران اینترنت یافته است و به همین دلیل مطالعات زیادی در زمینه تحلیل شبکه‌های اجتماعی انجام شده است. یکی از موضوعات مهم در تحلیل شبکه‌های اجتماعی، بررسی انتشار اطلاعات است. در این زمینه فرض می‌شود که رفتار کاربران تحت تاثیر دیگر کاربران شبکه اجتماعی است. مدل‌های مختلفی برای شبیه‌سازی و تحلیل نحوه انتشار اطلاعات در شبکه‌های اجتماعی طراحی شده است. در این مقاله، ما به بررسی مساله یادگیری احتمالات انتشار برای مدل آبشاری مستقل می‌پردازیم. در ابتدا اهمیت موضوع را بیان می‌کنیم، سپس روش جدیدی برای حل این مساله بر پایه طراحی معادله‌ای برای تخمین احتمال انتشار هر یال، پیشنهاد می‌کنیم. همچنین بهبودی بر روش پیشنهادی به هنگام عدم وجود داده کافی برای یادگیری احتمال انتشار، ارائه می‌گردد. سپس روش پیشنهادی را به کمک چند مجموعه داده ارزیابی کرده و نتایج حاصل از آن را ذکر می‌کنیم. همچنین روش ارائه شده در این مقاله با دیگر روش‌ها از نظر میانگین خطای مطلق و زمان اجرا مقایسه شده است.

با پیشرفت تکنولوژی و استفاده از شبکه جهانی اینترنت، حجم داده‌های الکترونیکی به شدت رو به افزایش است. در چنین فضایی کاربران قادر به بررسی همه داده‌های موجود نیستند و نیاز به سامانه‌های پیشرفته تحلیل اطلاعات برای کمک به کاربران می‌باشد. سامانه‌های توصیه‌گر با تلاش در راستای ارائه پیشنهاداتی مطابق با سلیقه کاربر ایجاد شده‌اند. معیار اصلی این سیستم‌ها یافتن کاربران مشابه به هر کاربر هدف و ارائه کالای مورد علاقه آن‌ها به کاربر هدف می‌باشد. در این مقاله به ارائه مدلی جهت بهبود محاسبه شباهت کاربران در سامانه های توصیه‌گر می‌پردازیم. در مدل پیشنهادی جهت محاسبه شباهت کاربران علاوه بر در نظر گرفتن امتیازدهی آن ها در ماتریس کاربر-کالا، نظرات نگارش شده توسط کاربران نیز مورد توجه قرار گرفته است. برای این منظور در مقاله حاضر با استفاده از روش‌های پردازش زبان طبیعی به محاسبه شباهت میان متون نظرات کاربران پرداخته شده است تا با کمک آن معیار شباهت کاربران در سیستم‌های توصیه‌گر مبتنی بر پالایش مشارکتی ارتقاء یابد. برای شباهت متون چهار روش مختلف مورد بررسی قرار گرفته است. ارزیابی سیستم بر روی داده‌های سایت دیجی‌کالا مبین تاثیر 24 درصدی مدل پیشنهادی در کاهش خطای سیستم توصیه‌گر می‌باشد.