ارائه­ دهنده:

  اساتید راهنما:

 دکتر بهروز مینایی

هیات داوران:
دکتر مرتضی آنالویی
دکتر سعیده ممتازی

زمان:
سه شنبه ۱۴۰۰/۰۶/۲۹

آقای محمد جواد سعیدی زاده دانشجوی کارشناسی ارشد جناب آقای دکتر بهروز مینایی روز دوشنبه ۲۹ شهریور ماه ساعت ۱۷:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "تخصیص منابع به زیروظایف در محیط گرید با در نظر گرفتن کیفیت سرویس" دفاع خواهند نمود

چکیده پایان نامه:
گراف‌های دانش یکی از زمینه‌های در حال گسترش در هوش مصنوعی هستند. این گراف‌ها در سیستم‌های پردازش اطلاعات استفاده می‌شوند. در حال حاضر گراف‌های دانش کامل نیستند و تکمیل گراف‌های دانش یکی از زمینه‌های تحقیق بر روی ساختارهای دانش است. وظیفه پیش‌بینی پیوند در گراف‌‎های دانش، اضافه کردن اطلاعات به گراف دانش فعلی با استفاده از استنتاج از روی حقیقت‌های موجود در آن می‌باشد. تکنیک‌های پیش‌بینی پیوند در سال‌های اخیر با استفاده از جانمایی گراف دانش دقت‌های قابل توجهی داشتند. تکنیک‌هایی در سال‌های اخیر پیشنهاد شده‌اند، از روش‌های یادگیری عمیق که پیچیدگی محاسباتی بالایی دارند استفاده کرده‌اند. این روش‌ها در گراف‌های کوچک بسیار سریع عمل می‌کنند اما در گراف‌های بزرگ سرعت پایین و فضای بزرگی از حافظه اصلی را لازم دارند.
در سال‌های ۲۰۱۳ تا ۲۰۱۹ مدل‌های انتقالی (که سریع با پیچیدگی کمی هستند) معرفی شده بودند. دقت مدل‌های انتقالی به میزان قابل توجهی کمتر از تکنیک‌های یادگیری عمیق است و این مدل‌ها از سال ۲۰۱۹ کنار گذاشته شدند. در این پژوهش ما دقت این مدل‌های انتقالی را به میزان قابل توجهی افزایش دادیم تا دقتشان به تکنیک‌های یادگیری عمیق نزدیک شود. اهمیت این پژوهش به پایداری روش‌های انتقالی و سرعت بسیار بالا آن‌ها در کنار بی‌نیاز بودنشان به سخت افزارهای قوی است. روش پیشنهادی معیارهای p۱۰ و MRR را روی مدل TransH را که به ترتیب ۲۱.۱ و ۳۸.۶ بودند را به ترتیب ۱۰.۳ و ۹.۱ روی گراف دانش انگلیسی فری بیس بهبود داد. همچنین، این روش دو معیار p۱۰ و MR را در مدل RotatE را که به ترتیب ۵۴.۷ و ۴۲۷۴ بودند را برای گراف دانش کلمات انگلیسی (وردنت) به ترتیب ۲.۳ و ۳۵۹۱ رتبه بهبود داد.
 
واژه‌های کلیدی: گراف دانش، پیش‌بینی پیوند، بازنمایی گراف دانش