متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش م چکیده کامل
متون کوتاه رسانه‌های اجتماعی مانند توییتر اطلاعات زیادی در مورد موضوع‌های داغ و افکار عمومی ارائه می‌دهند. برای درک بهتر اطلاعات دریافتی از شبکه‌های اجتماعی، شناسایی و ردیابی موضوع امری ضروری است. در بسیاری از روش‌های ارائه‌شده در این زمینه، تعداد موضوع‌ها باید از پیش مشخص باشد و نمی‌تواند در طول زمان تغییر کند. از این منظر، این روش‌ها برای داده‌های در حال افزایش و پویا مناسب نیستند. همچنین مدل‌های تکاملی موضوعی غیر پارامتری به دلیل مشکل کمبود داده‌ها، بر روی متون کوتاه عملکرد مناسبی ندارند. در این مقاله، یک مدل خوشه‌بندی تکاملی جدید ارائه کرده‌ایم که به طور ضمنی از فرایند رستوران چینی وابسته به فاصله (dd-CRP) الهام گرفته است. در روش ارائه‌شده برای حل مشکل کمبود داده‌ها، از اطلاعات شبکه اجتماعی در کنار شباهت متنی، برای بهبود ارزیابی شباهت بین توییت‌ها استفاده شده است. همچنین در روش پیشنهادی، برخلاف اکثر روش‌های مطرح‌شده در این زمینه، تعداد خوشه‌ها به صورت خودکار محاسبه می‌شود. در واقع در این روش، توییت‌ها با احتمالی متناسب با شباهتشان به هم متصل می‌شوند و مجموعه‌ای از این اتصال‌ها یک موضوع را تشکیل می‌دهد. برای افزایش سرعت اجرای الگوریتم، از یک روش خلاصه‌سازی مبتنی بر خوشه‌بندی استفاده نموده‌ایم. ارزیابی روش بر روی مجموعه داده واقعی که در طول دو ماه و نیم از شبکه اجتماعی توییتر جمع‌آوری شده است، انجام می‌شود. ارزیابی به صورت خوشه‌بندی متون و مقایسه بین آنها می‌باشد. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی نسبت به روش‌های مقایسه‌شده دارای انسجام موضوعی بهتری بوده و می‌تواند به طور مؤثر برای تشخیص موضوع بر روی متون کوتاه رسانه‌های اجتماعی استفاده گردد.
پرونده مقاله
درک و تحلیل تغییرات داده‌های مکانی- زمانی در کاربرد‌های مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روش‌های مبتنی بر مقایسه جهت پیش‌بینی تغییرات شاخص‌های پوشش گیاهی استفاده گردیده که دقت آنها همچنان چکیده کامل
درک و تحلیل تغییرات داده‌های مکانی- زمانی در کاربرد‌های مختلف از جمله انجام اقدامات حفاظت و توسعه منابع طبیعی اهمیت زیادی دارد. در مطالعات گذشته، عمدتاً از فرایند مارکوف و روش‌های مبتنی بر مقایسه جهت پیش‌بینی تغییرات شاخص‌های پوشش گیاهی استفاده گردیده که دقت آنها همچنان جای بهبود دارد. گرچه تحلیل‌های سری زمانی برای پیش‌بینی معدودی از شاخصها مورد استفاده قرار گرفته است، اما روشی که این شاخصها را از داده‌های سنجش از دور استخراج کرده و مدل‌سازی توالی آنها را با یادگیری عمیق انجام دهد، به ندرت مشاهده می‌شود. در این مقاله، روشی برای پیش‌بینی تغییرات شاخص‌های گیاهی مبتنی بر یادگیری عمیق ارائه می‌شود. داده‌های پژوهش شامل تصاویر ماهواره‌ای لندست از سال ۲۰۰۰ تا ۲۰۱۸، مربوط به چهار فصل سال در نواحی شمال و شرق شهرستان شاهرود در استان سمنان می‌باشند. گستره زمانی تصاویر استخراج‌شده، امکان پیش‌بینی تغییرات پوشش گیاهی را ممکن می‌سازند. شاخص‌های پوشش گیاهی استخراج‌شده از مجموعه داده، شامل NDVI، RVI و SAVI هستند. پس از انجام اصلاحات اتمسفری روی تصاویر، شاخص‌های مورد نظر استخراج شده و سپس داده‌ها به سری زمانی تبدیل می‌شوند. نهایتاً مدل‌سازی توالی این داده‌ها توسط شبکه حافظه کوتاه- بلندمدت انجام می‌شود. نتایج حاصل از آزمایش‌ها نشان می‌دهند که شبکه عصبی قادر به پیش‌بینی مقادیر آینده با دقت بالا است. میزان خطای شبکه بدون وجود داده‌های اضافی برای شاخص NDVI برابر 03/0، شاخص SAVI برابر با 02/0 و شاخص RVI برابر با 06/0 گزارش می‌شود.
پرونده مقاله
