آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,550 |
| تعداد مقالات | 18,890 |
| تعداد مشاهده مقاله | 63,336,201 |
| تعداد دریافت فایل اصل مقاله | 23,089,868 |
بهبود تشخیص موضع در شبکه‌های اجتماعی با استفاده از تقطیر دانش کالیبره شده گروهی | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 16 اردیبهشت 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.70238.5103 | ||
| نویسندگان | ||
| مهدی رعایائی اردکانی* 1؛ منصوره ایزانلو2 | ||
| 1دانشگاه تربیت مدرس تهران | ||
| 2دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران | ||
| چکیده | ||
| تشخیصِ موضعِ کاربر به معنای تعیین نگرش (موافق، مخالف یا بی‌طرف) او نسبت به یک موضوع خاص است. تحقیقات دانشگاهی و صنعت، به شدت علاقه‌مند به تجزیه و تحلیل خودکار نظرات موجود در شبکه‌های اجتماعی هستند. یکی از روش‌های مرسوم برای آموزش مدل‌های کارآمد، تقطیر دانش است که در آن دانش از یک مدل بزرگ و پیچیده (معلم) به یک مدل کوچک‌تر و سبک‌تر (دانش‌آموز) منتقل می‌شود. کالیبراسیون به معنای میزان همسویی اطمینان مدل با دقت واقعی آن است. در روش‌های پیشین استفاده از یک معلم کالیبره‌شده‌ی واحد در یک چارچوب چندنسلی، به دلیل وابستگی به نسل قبل باعث انتشار خطا و در نتیجه منجر به آموزش ناپایدار می‌شود. برای رفع این چالش، در این مقاله، تقطیر دانش کالیبره‌شده گروهی پیشنهاد می‌شود. در چارچوب پیشنهادی، از گروهی پویا متشکل از بهترین مدل‌های کالیبره‌شده از تمام نسل‌های قبلی استفاده می‌شود که فرآیند آموزش را مستحکم‌تر و متنوع‌تر می‌سازد. علاوه بر این راهبرد تبرید کالیبراسیون خودتنظیمی پیشنهاد می‌شود که با اعمال یک هدف کالیبراسیون ساده در مراحل اولیه، به یادگیری پایدار ویژگی‌ها کمک کرده و در مراحل بعدی بر بهینه‌سازی دقیق‌تر خطا تمرکز می‌کند. نتایج ارزیابی‌شده بر اساس معیارهای F-micro و F-macro بهبودی حداقل 3 درصدی را نسبت به مدل کالیبره‌شده پایه در مجموعه داده‌های واقعی (COVID-19، P-Stance و AM) نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| تشخیص موضع؛ تقطیر دانش؛ کالیبراسیون مدل؛ یادگیری گروهی؛ یادگیری عمیق؛ پردازش زبان طبیعی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 173 |
||