انجمن کامپیوتر ایران

تحقیقات نشان می دهد که در نظر گرفتن سبک یادگیری، باعث افزایش کیفیت یادگیری می‌شود. فرآیند ساخت مدل در سیستم آموزشی هوشمند، مدلسازی یادگیرنده نامیده می شود. مدل یادگیرنده شامل ویژگی‌هایی مانند دانش، علایق، اهداف، پیش زمینه، رفتار احساسی، خصلت‌های فردی، خصوصیات شناختی و سبک ‌یادگیری می باشد. با استفاده از این ویژگی ها رفتار یادگیرنده و چگونگی پردازش اطلاعات کاربر پیش‌بینی و در نتیجه سرویس های آموزشی منطبق بر نیازهای وی ارائه خواهد شد. در گذشته آموزش بر این قرار بود که تدریس به صورت معلم محور بود و معلم تنها ارائه دهنده ی اطلاعات و دانش آموزان پذیرنده ی غیرفعال این سیستم بودند، این نگاه نگاه یک بعدی به بحث آموزش بود. ولی در سال های اخیر به این جنبه توجه شده است که دانش آموزان باید با یادگیری و بحث آموزش درگیر شوند تا بتوانند داشته های خود را انتقال دهند و آموزش یاران باید به دانش آموزان این امکان را بدهند به این آموزش، آموزش مشارکتی گفته می شود. سبک یادگیری به ترجیحات و روش ِفرد برای یادگیری اشاره می کند. در این مقاله از روش مارکوف و درخت تصمیم برای تشخیص سبک یادگیری استفاده شده است و برای بهبود این روش ها از الگوریتم MFMC و PCA استفاده شده است. نتایج حاصل، نشان دهنده دقت خوب روش پیشنهادی در مقایسه با روش های دیگری که از درخت تصمیم بهره گرفته اند، می باشد.

روش‌های ابرتفکیک پذیری مبتنی بر خمینه (منیفولد) از فرض شباهت هندسه محلی در دو خمینه مربوط به تصاویر با تفکیک پذیری کم و زیاد استفاده می‌کنند. ولی این فرض به دلیل مشکل نگاشت یک به چند بین تصاویر با تفکیک پذیری کم و زیاد به خوبی برقرار نیست. در این مقاله از بازیابی ماتریس کم رتبه استفاده شده است و نشان داده شده است که در این فضای جدید، هندسه محلی بهبود می‌یابد و یا یه عبارتی دیگر مشکل نگاشت یک به چند کاهش می‌یابد. در این راستا تکه تصاویر را خوشه‌بندی کرده‌و از ابرتفکیک پذیری مبتنی بر خمینه‌ای استفاده شده است که از نمایش تنک بهره می‌برد و هیچ تلاشی برای کاهش مشکل نگاشت یک به چند انجام نداده است. طبق نتایج پیاده‌سازی، استفاده از بازیابی ماتریس کم رتبه، کارایی ابرتفکیک پذیری را نسبت به زمانی که از آن استفاده نمی‌شود و فقط خوشه‌بندی انجام می‌شود، بهبود می‌دهد. معیارهای ارزیابی استفاده شده، نسبت سیگنال به نویز، RMSE و کیفیت دیداری است.

یکی از مسائل مهم حوزه بهینه‌سازی مصرف انرژی در مراکز‌داده ابری، جایگذاری بهینه ماشین‌های مجازی‌در سرویس‌دهنده می‌باشد. تخصیص بهینه ماشین‌های مجازی سبب افزایش بهره‌وری منابع و کاهش مصرف انرژی می‌گردد. در این مقاله مساله جایگذاری ماشین مجازی به صورت چند هدفه و در راستای کاهش مصرف انرژی با کاهش تعداد سرویس‌دهنده‌های فعال و توزیع بار حل می‌گردد. جهت حل این مساله از الگوریتم سیستم کلونی مورچگان بهره گرفته‌ شده است. تابع هدف پیشنهادی در این مقاله با دو تابع هدف از تحقیقات مشابه مورد مقایسه قرار گرفته است. نتایج آزمایشات بیانگر عملکرد بهتر تابع هدف ارائه شده از لحاظ تعداد سرویس‌دهنده فعال و توزیع بار در سرویس‌دهنده‌ها می‌باشد.

این مقاله به مسئله مسیریابی وسائل نقلیه در دو مدل ایستا و پویا می‌پردازد. هدف این مسئله، یافتن مسیر با کمترین هزینه (زمان یا طول مسیر) برای خدمات‌رسانی به درخواست‌ها (از نوع پویا یا ایستا) است. به منظور کاربردي‌تر کردن مسئله، ویژگی برداشت‌ و تحویل (کالا یا مسافر) به‌صورت غیرهمزمان در نظر گرفته شده‌ است. در این مقاله دو روش برای حل مسئله مطرح، ارائه کردیم. در اولین روش پیشنهادی، تعمیمی از الگوریتم انتخاب‌ جامعه سیستم ایمنی مصنوعی را برای حل مسئله به‌کار گرفتیم. در روش پیشنهادی دوم، ابتدا خوشه‌بندی درخواست‌ها را با روش خوشه‌بندی فازی مرکز-میانگین انجام دادیم. سپس هر خوشه را با استفاده از الگوریتم انتخاب‌ جامعه و موازی با دیگر خوشه‌ها، مسیردهی کردیم. در ارزیابی روش پیشنهادی، آزمایش‌ها با نمونه‌های‌استاندارد و به‌کار گرفته‌ شده در تحقیق‌های اخیر، انجام شده‌ است. پس از مقایسه و تحلیل نتایج با نتایج استاندارد و روش‌های پیشین، مشاهده‌ ‌شد که روش پیشنهادی به‌طور میانگین در ۶۲% مواقع نتایجی بهتر از روش‌های اخیر، در دیگر موارد نتایج مشابه و در مقایسه با بهترین نتایج نمونه یافت‌شده ‌استاندارد، در ۴۷% موارد نتایج مشابه را کسب می‌کند.

در این مقاله، طرح زمان بندی خواب / بیدار بهینه در شبکه‌های حسگر بی‌سیم با در نظر گرفتن تأخیر حداقلی، صرفه جویی انرژی و انرژی مصرفی متوازن پیشنهاد شده است. در این طرح بازه های بیداری گره ها براساس الگوی مسیر هماهنگ و در نظر گرفتن بار ترافیکی شان متفاوت است. این امر باعث به حداقل رسیدن تأخیر که از مهم ترین فاکتورها در این شبکه ها است می شود. در این مقاله شیوه جدیدی ازهمکاری گره ها در فرآیند ارسال داده برای ایجاد مصرف متوازن تر انرژی ارائه می شود. در این طرح شبکه به چند سطح تقسیم می شود، چرخه بیداری گره های هم سطح به ‌صورت چرخشی و رادارگونه است، به عبارت ‌دیگر بازه بیداری هرگره علاوه بر گره والدش، با گره همسایه نیز هم پوشانی دارد. ما از این قابلیت استفاده نموده ایم و کار دریافت تائید و ارسال مجدد داده در صورت از دست رفتن داده را بر عهده گره همسایه فرستنده قرار داده ایم. با این کار ضمن افزایش توازن انرژی مصرفی و طول عمر پوشش شبکه، متوجه می شویم که زمان انتظار برای دریافت پیام تائید و ارسال مجدد کاهش می یابد که این خود افزایش صرفه جویی انرژی را به همراه دارد.

در این مقاله الگوریتمی جدید برای تولید چندضلعی‌های ساده تصادفی از روی مجموعه نقاط پراکنده‌ شده در فضای دو بعدی با مختصات اقلیدسی ارائه شده است. این الگوریتم با تقسیم کردن مجموعه نقاط به نواحی مختلف و تولید چندضلعی مربوط به هر ناحیه و اتصال آنها به هم یک چندضلعی ساده تصادفی را تولید می‌کند. این الگوریتم قادر به تولید چندضلعی ساده تصادفی در مرتبه زمانی O(nlogn) است که نسبت به الگوریتم‌های مشابه خود، توانایی تولید چندضلعی‌های متفاوت بیشتری را داراست.

در این مقاله، یک الگوریتم نشان‌گذاری تصویر دیجیتال در فضای رنگی YCbCr و حوزه‌ی تبدیل DCT ارائه گردیده که از روش مبادله‌ی ضرایب برای جاگذاری بیت‌های نشانه در مؤلفه‌ی Y تصویر اولیه استفاده می‌کند. در روش پیشنهادی، به‌منظور پراکنده نمودن اعوجاج‌های حاصل از نشان‌گذاری و همچنین افزایش مقاومت در برابر حملاتی ‌مانند حمله‌ی برش، مؤلفه‌ی Y تصویر اولیه و همچنین تصویر نشانه، توسط تبدیل آرنولد درهم‌ریخته می‌شود. سپس جهت جاگذاری بیت‌های نشانه، دو ضریب DCT از باند میانی که به‌طور متوسط مقادیر آن‌ها کمترین فاصله را در تمام بلوک‌ها نسبت به هم داشته باشد، انتخاب گردیده تا تأثیر سوء تبادل ضرایب بر روی شفافیت نشان‌گذاری کاهش یابد. پس‌ از آن به جهت ایجاد تعادل میان شفافیت و مقاومت نشان‌گذاری، متغیر فاصله‌ی اطمینان D را تعریف نموده و در صورتی‌که تفاضل مقدار دو ضریب کمتر از متغیر D باشد، مقدار ضریب بزرگ‌تر را تا رسیدن به مقدار متغیر D افزایش می‌دهد. نتایج ارزیابی، افزایش مقاومت روش پیشنهادی نسبت به سایر الگوریتم‌هایی که از رویکرد تبادل ضرایب استفاده می‌کنند را نشان می‌دهد.

کشف الگوهای پرتکرار از مجموعه داده‌های تراکنشی یکی از مهمترین وظایف داده‌کاوی است که تا کنون تحقیقات بسیار زیادی بر روی آن انجام گرفته است. بخشی از این تحقیقات بر روی الگوهای پرتکرار متناوب متمرکز گردیدهاند؛ الگوهای متناوب، الگوهایی هستند که به طور منظم تکرار میشوند؛ به عبارت دیگر الگوهایی، که فاصله بین هر دو رخداد متوالی آنها، از حداکثر از پیش تعریف شده کمتر باشد. اگرچه الگوهای متناوب میتوانند اطلاعات مفیدی برای کاربران به همراه داشته باشند؛ اما به نظر میرسد که حالتهای خاص، مثل افزایش یا کاهش تعداد رخداد یک الگوی پرتکرار، نیز میتواند مفید باشد. این در حالی است که این اطلاعات، با جدا کردن الگوهای متناوب از دست خواهد رفت. در این مقاله الگوریتمی مبتنی بر الگوریتم Eclat پیشنهاد نموده‌ایم که میتواند، با بررسی تغییرات فاصله رخدادها، حالتهای خاص در الگوها را کشف کند. آزمایشهای انجام شده نشان میدهد الگوریتم ارائه شده کارا بوده و میتواند الگوهای پرتکرار افزایشی و یا کاهشی را پیدا نماید.

کیفیت داده‌ها یکی از مباحث بسیار مهم در حوزه مهندسی نرم افزار می‌باشد. در سال های اخیر راهکارهای مختلفی جهت پاکسازی و ارتقاء کیفیت داده ها ارائه شده است. بسیاری از این راهکارها از روش‌های کاملا اتوماتیک و مبتنی بر الگوریتم به منظور شناسایی و تصحیح مشکلات کیفیت‌ داده‌ای استفاده می‌کنند. این راهکارها در حوزه پاکسازی داده‌های ساخت یافته، عملکرد مناسبی دارند ولی بخش قابل توجهی از داده‌های دنیای امروز را داده‌های غیرساخت‌یافته و نیمه ساخت یافته تشکیل می‌دهند که روش‌های یادشده، عمدتا به دلیل مشکلات پیچیدگی الگوریتم و عدم امکان پیاده‌سازی بسیاری از قواعد کیفیت داده‌ای، عملا کارایی خود را در این حوزه‌ها از دست می‌دهند. در این مقاله جهت شناسایی و تصحیح مشکلات کیفیت داده‌ای، یک رویکرد مبتنی بر جمع سپاری ارائه شده است که با استفاده از قابلیت های هوش انسانی قادر است در حوزه های داده‌ای نیمه ساخت یافته و غیرساخت یافته هم عملکرد مطلوبی داشته باشد و با توجه به نیازمندی‌های کاربر و بهره‌گیری از مفاهیم حوزه مهندسی کیفیت، امکان ارتقاء سطح کیفی داده‌ها را با در نظر گرفتن محدودیت‌های مهندسی موجود فراهم کند.

در این مقاله روشی برای بازنمایی معنایی جملات به منظور انجام استنتاج‌های منطقی بر روی متن ارائه شده است. در این شیوه از ویژگی‌های معنایی پردازش زبان مانند برچسب زنی نقش معنایی برای ذخیره‌ی حقایق در قالب پایگاه شناخت استفاده شده است. ماهیت ابهام‌آلود زبان طبیعی، بازنمایی منطقی آن را به یک مسئله باز برای پژوهش‌های حاضر تبدیل کرده است. علاوه بر این وجود عدم اطمینان و وجود حقایقی که تنها در بازه‌های زمانی خاص معتبر هستند، از چالش‌های دیگر در امر استنتاج روی زبان طبیعی هستند. برای حل این چالش‌ها سیستم پیشنهادی از یک پایگاه شناخت مبتنی بر دیدگاه دیویدسونی برای بازنمایی اخبار استفاده می‌کند. در طرح پیاده‌سازی شده اخبار ورودی با برچسب‌های معنایی در قالب یک پایگاه شناخت (OWL) ذخیره می‌شوند و در کنار منایع دانش مانند پایگاه شناخت‌های عمومی و واژگان زبان به موتور استنتاج داده می‌شوند. این سیستم خبره توانایی استنتاج بر روی متن خبر ورودی را با قواعد برخط تعریف شده توسط کاربر دارا می‌باشد. این سیستم قابلیت افزودن قواعد مورد نیاز کاربر و پایگاه‌های شناخت دلخواه را داراست.

مدل‌سازی تکامل سیستم‌های نرم‌افزاری شیگرا نقش اساسی در نگهداری، طراحی کارا و تحلیل مدل‌های توسعه سیستم‌های نرم‌افزاری ایفا میکند. کاوش مخازن کد سیستم‌های نرم‌افزاری متن باز امکان مطالعه و تحلیل روند تکامل نرم‌افزار را فراهم کرده است. نمایش ساختار سیستم‌های نرم‌افزاری بصورت شبکه امکان مطالعه‌ی تاثیرات ناشی از تغییرات خواص شبکه در تحلیل تکامل نرم‌افزار را فراهم میکند. در این مقاله، هدف مدل‌سازی تکامل سیستم‌های نرم‌افزاری شیگرا بر پایه تحلیل شبکه‌ی ارتباطات کلاسی نرم‌افزارها و تغییرات در معیارهای توسعه (ایجاد، حذف، انتقال، شکستن و ادغام کلاس‌ها)، با حفظ خواص تکاملی شبکه از جمله اتصال ترجیحی و خاصیت انجمنی است. قدرت شبیه‌سازی مدل پیشنهادی بر روی مدل واقعی پروژه متن باز اکلیپس به نام ای گیت (با 10 ورژن و میانگین تقریبی 720 کلاس) ارزیابی می‌شود. نتایج حاصله دقت بالایی در شبیه‌سازی رشد ساختار واقعی نرم افزار داشت. نتایج نشان میدهد با افزایش سن کلاس‌ها احتمال حذف و یا ادغام با کلاس‌های دیگر کمتر میشوند. همچنین میزان وابستگی به کلاس‌های پایه در روند تکامل نرم‌افزار بیشتر میشود. شبکه‌های ارتباطات کلاسی دارای خاصیت جهان کوچک بوده و نسبت به اشکال‌ها در یک کلاس بصورت تصادفی استحکام دارند. به علاوه، نتایج این مدل‌سازی به پیش‌بینی روند آینده توسعه نرم‌افزار، استخراج قواعد جدید و یا اصلاح قواعد موجود در حوزه تکامل نرم‌افزار به توسعه دهندگان کمک می‌کند.

با توجه به گسترش روز افزون ارتباطات چند رسانه‌ای بر بستر اینترنت، امنیت داده‌ها دارای اهمیت زیادی میباشد. فایلهای تصویر در کاربرد‌های نظامی، پزشکی، شبکه‌های اجتماعی و ... به‌کرات مورد استفاده قرارگرفته و برای حفظ این داده‌ها از رمزنگاری استفاده میگردد. رمزنگاری فایلهای تصویر با توجه به دو ویژگی تصویر، حجم بالا و وابستگی شدید پیکسلهای مجاور با چالش‌های خاص خود دست ‌به ‌گریبان میباشد. روش رمزنگاری ضمن سریع بودن باید الگوی نهفته در تصویر را مخفی کرده و اطلاعات آماری تصویر اصلی را کاملاً تغییر دهد. این تغییر باید به‌گونه‌ای باشد که فایل رمز شده در مقابل انواع حملات رایج مقاوم باشد. روش رمزنگاری AES یک روش کاملاً استاندارد و ایمن بوده و دارای مدهای عملیاتی متفاوتی میباشد. عمده مشکل این روش سرعت‌پایین و یکسان بودن خروجی بلاک‌ها مشابه میباشد. GPU با توجه قابلیت پردازش موازی برای کار با داده‌هایی نظیر پیکسلها بسیار کارآمد میباشد. در این تحقیق با استفاده از GPU و نظریه آشوب دو کاستی بالا را جبران کرده و به نتایج بهتری رسیده‌ایم.

امروزه با سیستم‌های اطلاعاتی وسیعی مواجه هستیم که از سرویس‌های ارایه‌شده توسط سازمان‌های مختلف تشکیل شده‌اند و هر سازمان از طریق ارایه سرویس‌هایی، به شکل غیرمستقیم به کاربران و سایر سیستم‌ها اجازه دسترسی به منابع خود و استفاده از آن‌ها را می‌دهد. بدین‌ترتیب می‌توان گفت، امروزه مبحث تعامل‌پذیری سرویس‌ها از اهمیت بالایی برخوردار است. از طرفی، تفاوت در اندازه دانه‌بندی سرویس‌های ارایه‌شده توسط سازمان‌های مختلف می‌تواند مانعی در برابر ایجاد تعامل میان این سرویس‌ها و سیستم‌های اطلاعاتی مختلف به‌شمار آید. در این مقاله قصد ارایه راهکاری درجهت یکسان‌سازی دانه‌بندی سرویس‌های سازمان‌ها و بهبود تعامل‌پذیری میان آن‌ها داریم که این راهکار مبتنی بر معماری ریزسرویس‌ها است. بدین‌ترتیب، در این مقاله نقش معماری ریزسرویس‌ها در تعامل‌پذیری میان سرویس‌ها و از بین بردن موانع آن، بررسی خواهد شد.

خوشبختانه در سالهای اخیر در کشورهای در حال توسعه روند رو به رشدی در رابطه با مردم سالاری و مشارکت دادن آنها در امر حفاظت از محیط زیست شهری مشاهده می شود. کشور ایران نیز تلاش های بسیاری را در رابطه با حفاظت از محیط زیست انجام داده است ولی هنوز بستر مناسبی جهت تحقق موثر و واقعی مشارکت شهروندان در فرآیند پایش، کنترل و حفاظت از محیط زیست وجود ندارد. ایجاد یک بستر پایش محیط زیست با بهره گیری از فن آوری های نوین جهت تسهیل مشارکت مردم در امر حفاظت از محیط زیست و نزدیک شدن به اهداف شهرداری الکترونیک میتواند راه حل بسیاری از مشکلات حفاظت از محیط زیست شهری باشد. بنابراین، هدف از این تحقیق، طراحی و توسعه یک سامانه پایش محیط زیست مبتنی بر اطلاعات مکانی شهروند-محور در بستر وب GIS می باشد، به گونه ای که شهروندان قادر خواهند بود با وارد نمودن مشکلات زیست محیطی مکانهای مختلف شهر در امر حفاظت از محیط زیست شهری نقش به سزایی داشته باشند. با استفاده از سامانه مذکور، مردم جامعه به پایشگران فعال محیط زیست تبدیل می شوند و می توانند به عنوان حسگرهای فعال، تحلیل گر، هوشمند، مسئولیت پذیر، محیط–آگاه، سیار، توزیع یافته و تعامل پذیر محیط زیست شهری پیرامون خود را رصد نموده و گزارش نمایند.

پدیدۀ شهری‌سازی که با افزایش نسبت جمعیت شهری به غیر شهری در جهان به وجود آمده است کشورها را در زمینه های مختلف اجتماعی، اقتصادی، سیاستگذاری و به‌طور خاص، مسأله مدیریت شهری را با ابعادی نو مواجه کرده است. یکی از ارکان مدیریت شهری، مراقبت سلامت است که بر اثر پدیدۀ شهری‌سازی با چالش‌ها و فرصت‌های زیادی مواجه شده است. از طرفی، پیشرفت فنّاوری اطلاعات و ارتباطات، بستر لازم برای بهره‌وری از این فرصت ها و رفع چالش ها را فراهم کرده است. لذا، در این پژوهش پس از بررسی پدیدۀ شهری‌سازی و پیامدهای آن بر سلامت، به فرصت‌هایی که فنّاوری اطلاعات در زمینۀ مراقبت سلامت فراهم آورده است و بررسی جایگاه و کاربرد سلامت فردی الکترونیک در حوزۀ مدیریت شهری پرداخته شده است.

با گسترش سریع و مداوم اینترنت، ضرورت وجود سیستم‌های توصیه‌گر به طرز چشمگیری افزایش یافته است. سیستم‌های توصیه‌گر مبتنی بر اعتماد، گونه‌ای از سیستم‌های توصیه‌گر هستند که با بکارگیری روابط اعتماد میان کاربران سعی در بهبود کیفیت پیشنهادات دارند. منطق پشت این سیستم‌ها این است که کاربران تمایل به پذیرش اقلامی دارند که به جای افراد غریبه توسط اشخاص قابل اعتماد توصیه شده باشند. یکی از مهم‌ترین ویژگی‌های اعتماد، وابستگی به زمینه می‌باشد. این بدان معناست که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوماً در یک زمینه دیگر قابل اعتماد نیستند. علی‌رغم اهمیت اطلاعات زمینه‌ای، این ویژگی در رویکردهای کنونی عمدتاً مورد غفلت واقع شده است. در این مقاله، رویکرد جدیدی پیشنهاد می‌گردد که با در نظر داشتن زمینه معنایی اقلام، روابط اعتماد میان کاربران را مورد استنتاج قرار می‌دهد. با استفاده از این رویکرد، سطح اعتماد میان دو کاربر بسته به زمینه‌‌های مختلف متغیر است. بنابراین، برای اقلام هدف مختلف، همسایگان قابل اعتماد کاربر جاری متفاوت خواهند بود و این همسایگان بر اساس زمینه‌ای که قلم هدف متعلق بدان است، تعیین می‌شوند. نتایج آزمایشات بر روی یک مجموعه داده واقعی، نشان‌گر دقت بالاتر و کارایی رویکرد پیشنهادی در برابر همتایان خود می‌باشد.

هدف توصیف ویدئو تولید یک جمله به زبان طبیعی است که بتواند محتوای ویدئو را توصیف کند. این موضوع باعث بهبود در جست‌وجو و بازیابی ویدئو می‌شود. به طور کلی در اغلب روش‌های موجود، تولید متن برای توصیف ویدئو در دو مرحله انجام میشود، ابتدا یک سری ویژگی‌های بصری با استفاده از شبکه‌های کانولوشنی از فریم‌های ویدئو استخراج می‌شوند، سپس یک جمله با استفاده از حافظه طولانی-کوتاه مدت (LSTM) بر اساس این ویژگی‌ها تولید خواهد شد. علی‌رغم اینکه این روش‌ها از ویژگی‌های بصری استفاده می‌کنند ولی این ویژگی‌های توانایی استخراج اطلاعات معنایی مرتبط با ویدئو را ندارند، به همین دلیل پیشنهاد شده است که علاوه بر ویژگی‌های بصری، برای هر ویدئو ویژگی‌های معنایی مانند <فاعل، فعل، مفعول> با استفاده از الگوریتم‌های دسته‌بندی‌کننده استخراج شوند و ترکیب ویژگی‌های بصری و معنایی به عنوان ورودی به حافظه طولانی-کوتاه مدت داده شود. در این مقاله از الگوریتم‌های تشخیص فعالیت برای تشخیص فعل در ویدئو استفاده شده و با نگاشت افعال، اشیاء و مفاهیم استخراج شده از ویدئو به فضای بردارهای جاسازی کلمات برای بهبود فرآیند استخراج اطلاعات معنایی استفاده شده است. بررسی‌های انجام شده بر روی مجموعه داده youtube2text نشان‌دهنده برتری روش پیشنهادی بر روش‌های موجود 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.

سرعت زیاد تولید اطلاعات جدید در محیط مجازی و به‌خصوص در شبکه‌های اجتماعی منجر شده است که پیدا کردن اطلاعات و دانش مرتبط در میان حجم انبوهی از اطلاعات کاری بسیار وقت‌گیر و حتی ناامیدکننده باشد بنابراین کشف دوستان (گروه کاربران) اثرگذار که از میان حجم عظیمی از اطلاعات و محصولات گوناگون مناسب‌ترین و موردپسندترین اطلاعات را بنا به شرایط و ویژگی‌های خاص در اختیار هر کاربر قرار می‌دهد امری ضروری به نظر می‌رسد. در این مقاله از الگوریتم Bmine که درواقع یک تکنیک داده‌کاوی ماتریسی برای کاهش ابعاد داده و افزایش سرعت پاسخ به مسئله است با ترکیب شبکه‌های فازی عصبی انفیس استفاده‌شده است. ترکیب این دو روش برای استخراج داده‌های مهـم و كـاهش تعداد سیگنال‌ها به‌منظور سهولت در آموزش شبكه عصبي و كاهش حجم محاسبات به كار گرفته‌شده است. همچنين به‌منظور آشکارسازی و شناسايي میزان تأثیر افراد شرکت‌کننده در گروه‌های اجتماعی از سيستم استنتاج نرو فازي تطبيقي انفیس جهت آموزش و آزمودن داده‌های کاهش‌یافته مورداستفاده قرارگرفته است .سیستم استنتاج فازی ایجادشده جهت مدل‌سازی ، پیش‌بینی و فازی شدن میزان تأثیر نسبی هر فرد از مزایای استفاده این روش است.

امروزه به دلیل گسترده‌تر شدن استفاده از کامپیوتر در حوزه‌های مختلف اقتصادی، پزشکی، سازمان‌های تجاری و نظامی، امنیت اطلاعات بیش از پیش مورد توجه قرار گرفته است. محققان روش‌های بسیاری را برای پیش‌گیری و تشخیص نفوذ با استفاده از ویژگی‌های وابسته به محتوای ترافیک ارائه داده‌اند، با این حال این روش‌ها در تشخیص حملات با کاستی‌هایی مواجه‌اند. این مقاله یک رویکرد نوین برای تشخیص نفوذ با استفاده از تابع بر پایه شعاع یا RBF بر مبنای مدل ترافیک شبکه ارائه می‌دهد. به این صورت که ابتدا با استفاده از مفهوم جریان شبکه، ویژگی جدیدی به نام اثر انگشت جریان که یک ویژگی مستقل از محتوای ترافیک شبکه است به دست آمده است. در ادامه با استفاده از الگوریتم k-means بر روی این ویژگی‌ها عمل خوشه‌بندی انجام گرفته و برای آموزش و ارزیابی به RBF داده شده است. نتایج این روش که با استفاده از مجموعه داده DARPA 98 و DARPA 99 ارزیابی شده است نشان می‌دهد که این روش در مقایسه با روش‌هایی که از محتوای ترافیک برای تشخیص نفوذ استفاده کرده‌اند، افزایش نرخ تشخیص و نرخ دقت را به همراه داشته است. همچنین به دلیل استفاده از الگوریتم k-means، زمان آموزش به طور چشم‌گیری کاهش یافته است.