CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

یافتن سوالات مشابه در انجمن های پرسش پاسخ با استفاده از شبکه های عصبی عمیق LSTM

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۵ | تعداد نمایش خلاصه: ۸ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: EMCE04_323
زبان مقاله: فارسی
حجم فایل: ۶۹۴.۶۹ کیلوبایت (فایل این مقاله در ۱۵ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۵ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۵ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله یافتن سوالات مشابه در انجمن های پرسش پاسخ با استفاده از شبکه های عصبی عمیق LSTM

  الهه کریمی - دانشگاه خاتم،
  محمد تقی منظوری - دانشگاه صنعتی شریف،
  بابک مجیدی - دانشگاه خاتم

چکیده مقاله:

وب سایت های پرسش و پاسخ ( CQA ) کاربران را قادر می سازد تا سوالات خود را ارسال کنند و کابران دیگر سوالات آنها را پاسخ دهند. این گروه از وب سایت های شبکه های اجتماعی یکی از محبوب ترین وب سایت های اینترنتی هستند. پاسخ ها در این وب سایت های CQA می تواند برای سوالات خاص مربوط به یک حوزه خاص مورد علاقه برای کاربران یا مربوط به تمام انواع سوالات باشد . ایجاد وب سایت های خودکار CQA برای مطالعه پردازش زبان طبیعی بسیار مهم است . یکی از وظایف در توسعه وب سایت های CQA خودکار، جستجوی سوالات مشابه به سوال پرسیده شده توسط کاربر است . در این مقاله، یک روش جدید برای یافتن سوالات مربوط به سوالات کاربر با استفاده از شبکه های عصبی عمیق LSTM پیشنهاد شده است . نتایج تجربی نشان می دهد که الگوریتم پیشنهادی دارای دقت بالا برای یافتن سوالات در شبکه های اجتماعی CQA می باشد.

کلیدواژه‌ها:

وب سایت های پرسش و پاسخ، پردازش زبان طبیعی، شبکه های عصبی عمیق

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-EMCE04-EMCE04_323.html
کد COI مقاله: EMCE04_323

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
کریمی, الهه؛ محمد تقی منظوری و بابک مجیدی، ۱۳۹۷، یافتن سوالات مشابه در انجمن های پرسش پاسخ با استفاده از شبکه های عصبی عمیق LSTM، چهارمین کنفرانس ملی تحقیقات کاربردی در مهندسی برق،مکانیک،کامپیوتر و فناوری اطلاعات، شیراز، دانشگاه تخصصی فناوری های نوین آمل، https://www.civilica.com/Paper-EMCE04-EMCE04_323.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (کریمی, الهه؛ محمد تقی منظوری و بابک مجیدی، ۱۳۹۷)
برای بار دوم به بعد: (کریمی؛ منظوری و مجیدی، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۲۳۷
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.