انجمن کامپیوتر ایران

در سيستم‌هاي كاوشگر کلمات به طور متداول از يك واحد بازشناس گفتاري مبتني بر مدل مخفي ماركوف (HMM) براي تعيين كليدواژه‌هاي كانديد شده و محاسبه اندازه اطمينان آن‌ها استفاد ميشود. فرايند تصميم گيري براي قبول و يا رد كليدواژه‌هاي كانديد شده بر مبناي مقايسه مقدار به دست آمده از اندازه اطمينان با يك مقدار آستانه ثابت انجام مي‌گيرد. از اينرو محاسبه مطمئن اندازه اطمينان تاثير مستقيمي بر روي عملكرد اين سيستم ها دارد. از آنجا كه به طور متداول اندازه اطمينان از امتياز درست نمايي نرماليزه شده به دست آمده از مدل توليدي HMM براي هر كليد واژه محاسبه مي شود، در اين مقاله روشي معرفي مي‌شود كه در آن امتياز اطمينان بر اساس احتمال پسين وزن دار شده خروجي مدل تمايزي شبكه عصبي به دست خواهد آمد. روش وزن‌دهي پيشنهادي در اين مقاله بر مبناي صحت بازشناسي واجي به دست آمده از مدل بازشناس واجي مبتني بر شبكه عصبي است. نتايج به دست آمده نشان مي‌دهد كه استفاده از روش وزن‌دهي پيشنهادي منجر به بهبود 5/2 درصدي معيار FOM نسبت به روش غير وزن دار خود خواهد شد.

يکي از پرکاربردترين انواع پرس¬وجوها در موتور جستجو، اسامي افراد مي¬باشد که نزديک به 4/2% از پرس¬وجوها را به خود اختصاص مي¬دهد. از آن¬جا که شناسايي درست اسامي افراد در پرس¬و¬جو مي¬تواند نقش بسزاييدر بهبود نتايج حاصل از موتورجستجو داشته باشد، لازم است که اين نوع پرس¬وجوها تشخيص داده شوند. هدف از اين مقاله، ارائه الگوريتمي جهت تشخيص پرس¬وجوهاي اسامي افراد در زبان فارسي مي¬باشد. اين الگوريتم داراي دو مرحله آموزش و آزمون است. در مرحله آموزش، تعداد زيادياز نام افراد به عنوان پرس¬وجو به موتور جستجوي پارسي¬جو فرستاده شده و با استفاده از نتايج حاصل، مفاهيم اطراف پرس¬وجوها استخراج مي¬شوند. سپس از مفاهيم استخراج شده، مدلي احتمالي ساخته مي¬شود.در مرحله آزمون با استفاده از مدل احتمالي ساخته شده در مرحله آموزش، احتمال نام بودن هر پرس¬وجو با احتمالات بيزين مشخص مي¬گردد. سپس با تعيين حد آستانه¬¬ احتمال، نام بودن پرس¬وجو تعيين مي¬گردد.نتايج نشان داد که با استفاده از الگوريتم پيشنهادي، مي-توان به دقت 62% و فراخواني 66% رسيد.

در اين مقاله، الگوریتمی را برای بهینه سازی مکان یابی سرویس دهنده های تکرار ، ارائه کرده ایم که با استفاده از الگوریتم ژنتیک طراحی شده است. الگوریتم ما سعی دارد نسبت به الگوریتم های ارائه شده دیگر، زمان اجرا و همچنین کیفیت مکان یابی سرویس دهنده های تکرار را، تا حد امکان بهینه کند. این الگوریتم براساس تاخیر بین گره های داخل شبکه، میانگین فاصله بین گره ها را بدست می آورد و سرویس دهنده های تکرار را در محل هایی که فاصله بین گره ها کم است یا بعبارت دیگر تراکم گره ها بیشتر است قرار می دهد. یکی از الگوریتم های ارائه شده که نسبت به الگوریتم های ارائه شده دیگر زمان اجرای کمتری دارد الگوریتم HotZone است، که این الگوریتم نیز بر اساس تاخیر بین گره ها کار می کند. در این مقاله الگوریتم خود را با الگوریتم HotZone مورد ارزیابی و مقایسه قرار داده ایم و در نهایت بر اساس نتایج بدست آمده می بینیم که زمان اجرای الگوریتم ما نسبت به HotZone کمتر است و همچنین کیفیت مکان یابی آن نیز از HotZone بهتر است.