الگوریتم تجدید اطلاعات ماتریسی از بین رفته با DEEP LEARNING
الگوریتم تجدید اطلاعات ماتریسی از بین رفته با DEEP LEARNING
علی رضا تفریشی1 فاطمه رادپور2
1) دانشجوی کارشناسی ارشد ، دانشگاه صنعتی سجاد
2) دانشجوی کارشناسی ارشد ، دانشگاه صنعتی سجاد ،
محل انتشار :
کنگره بین المللی علوم و مهندسی ژاپن - TOKYO(tuicet.com)
چکیده :
امروزه اهمیت تجدید اطلاعات ماتریسی بر کسی پوشیده نیست. با توجه به پیشرفت روزافزون در ذخیر ه ی داده و تکنولوژی ، حجم داده ها افزایش پیدا کرده است و نیازمند سیستمی کارآمد برای مدیریت این اطلاعات میباشیم. ازچندین دهه قبل تحقیق بر روی روشهای بازیابی یکی از زمینههای مورد علاقه ی محققان بوده است و روشهایی برای این منظور ابداع کرده اند. در این مقاله ابتدا دو روش معمول تجدید اطلاعات ماتریسی مانند بازیابی برپایه ی کلمه و بازیابی بر پایه ی محتوا را بررسی میکنیم. با توجه به روند رو به افزایش حجم اطلاعات و با توجه به شکاف معنایی موجود در استخراج ویژگی به روشهای سنتی وادراک انسان، روش های معمول و سنتی کارآمد نبوده و نیازمند ابداع روشهای جدید هستیم تا این نیازها را برآورده سازد. بنابراین در این مقاله روشی جدید مبتنی بر یادگیری عمیق معرفی میشود و به طور خاص نقش شبکه های عصبی کانولوشن عمیق به عنوان نمونهای پرکاربرد و موفق از شبکه های عصبی عمیق را در تجدید اطلاعات ماتریسی بررسی میکنیم و به مقایسه ی الگوریتم های موجود میپردازیم.
کلمات کلیدی :
تجدید اطلاعات ماتریسی
روش مبتنی بر کلمه
روش مبتنی بر محتوا
یادگیری عمیق
شبکه عصبی کانولوشن عمیق