دانلود مقاله و خرید ترجمه:روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر - 2017

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
مقالات ترجمه شده یادگیری ماشین ( machine learning )
  • A Novel Time Series Link Prediction Method: Learning Automata Approach روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر

    سال انتشار:

    2017


    ترجمه فارسی عنوان مقاله:

    روش جدید پیش بینی پیوند سری های زمانی: روش اتوماتای یادگیر


    عنوان انگلیسی مقاله:

    A Novel Time Series Link Prediction Method: Learning Automata Approach


    منبع:

    sciencedirect - elsevier - Physica A: Statistical Mechanics and its Applications Volume 482, 15 September 2017, Pages 422-432


    نویسنده:

    Behnaz Moradabadi and Mohammad Reza Meybodi


    چکیده انگلیسی:

    Link prediction is a main social network challenge that uses the network structure to predict future links. The common link prediction approaches to predict hidden links use a static graph representation where a snapshot of the network is analyzed to find hidden or future links. For example, similarity metric based link predictions are a common traditional approach that calculates the similarity metric for each non-connected link and sort the links based on their similarity metrics and label the links with higher similarity scores as the future links. Because people activities in social networks are dynamic and uncertainty, and the structure of the networks changes over time, using deterministic graphs for modeling and analysis of the social network may not be appropriate. In the time-series link prediction problem, the time series link occurrences are used to predict the future links In this paper, we propose a new time series link prediction based on learning automata. In the proposed algorithm for each link that must be predicted there is one learning automaton and each learning automaton tries to predict the existence or non-existence of the corresponding link. To predict the link occurrence in time , there is a chain consists of stages 1 through and the learning automaton passes from these stages to learn the existence or non-existence of the corresponding link. Our preliminary link prediction experiments with co-authorship and email networks have provided satisfactory results when time series link occurrences are considered.
    Keywords: Social Network | Link Prediction | Time Series | Learning Automata.


    چکیده فارسی:

    پیش بینی پیوند یک چالش بزرگ در شبکه های اجتماعی است که از ساختار شبکه ای برای پیش بینی پیوندهای آتی استفاده می کند. روش های رایج پیش بینی پیوند برای پیش بینی پیوندهای مخفی از نمایش گراف ایستا استفاده می کنند که در آن تصویری از شبکه برای یافتن پیوندهای آتی یا مخفی مورد استفاده قرار می گیرد. برای مثال، پیش بینی پیوند مبتنی بر معیار تشابه، روش سنتی رایجی است که معیار تشابه را برای تمامی پیوندهای غیرمتصل محاسبه نموده، پیوندها را براساس معیارهای تشابه آنها مرتب نموده و پیوندهای با امتیاز تشابه بالاتر را به عنوان پیوندهای آتی برچسب گذاری می کند. از آنجاکه فعالیت های افراد در شبکه های اجتماعی، پویا و غیرقطعی است، و ساختار شبکه ها با گذشت زمان تغییر می کند، استفاده از گراف های قطعی برای مدلسازی و تحلیل شبکه ی اجتماعی نمی تواند روش مناسبی باشد. در مسأله ی پیش-بینی پیوند سری های زمانی، احتمال وقوع پیوند سری های زمانی برای پیش بینی پیوندهای آتی مورد استفاده قرار می گیرد. ما در این مقاله یک روش پیش بینی پیوند سری های زمانی مبتنی بر اتوماتای یادگیر را پیشنهاد می کنیم. در الگوریتم پیشنهادی برای هر پیوندی که قرار است پیش بینی شود، یک اتوماسیون یادگیری داریم و هر اتوماسیون یادگیری در تلاش است وجود یا عدم وجود پیوند متناظر را پیش بینی کند. برای پیش بینی احتمال وقوع پیوند در زمان T، یک دنباله ی متشکل از مراحل 1 تا T-1 داریم و اتوماسیون یادگیری این مراحل را می پیماید تا وجود یا عدم وجود پیوند مربوطه را بیاموزد. زمانیکه احتمال وقوع پیوند سری های زمانی را در نظر بگیریم، آزمایشات اولیه ی پیش بینی پیوند با شبکه های ایمیل و نویسندگی مشترک، نتایج رضایت بخشی را فراهم می آورد.
    کلیدواژه ها: شبکه ی اجتماعی | پیش بینی پیوند | سری های زمانی | اتوماتای یادگیر


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 16
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 27

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 331 کیلوبایت


    قیمت: 35000 تومان  28000 تومان(20% تخفیف)


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
یادگیری-ماشین
موضوعات
footer