دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات63
تعداد شماره‌ها2,282
تعداد مقالات18,831
تعداد مشاهده مقاله59,340,644
تعداد دریافت فایل اصل مقاله30,351,687
ربیعی, محمد. (1405). طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی. سامانه مدیریت نشریات علمی, 15(55), 307-336. doi: 10.22054/ims.2026.83957.2573
محمد ربیعی. "طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی". سامانه مدیریت نشریات علمی, 15, 55, 1405, 307-336. doi: 10.22054/ims.2026.83957.2573
ربیعی, محمد. (1405). 'طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی', سامانه مدیریت نشریات علمی, 15(55), pp. 307-336. doi: 10.22054/ims.2026.83957.2573
ربیعی, محمد. طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی. سامانه مدیریت نشریات علمی, 1405; 15(55): 307-336. doi: 10.22054/ims.2026.83957.2573

طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی

مطالعات مدیریت کسب و کار هوشمند
مقاله 8، دوره 15، شماره 55، اردیبهشت 1405، صفحه 307-336    اصل مقاله (1.33 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2026.83957.2573
نویسنده
محمد ربیعی*
استادیار، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه ایوان کی، ایوان کی، سمنان، ایران.نویسنده مسئول ohammad.Rabiei@eyc.ac.ir :
چکیده
تایید نام در فرآیند ﺛﺒﺖ ﺗﺎﺳﻴﺲ ﺷﺮﻛﺖ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﺍﺯ ﺛﺒﺖ ﺷﺮﻛﺖ ﻫﺎﻳﻲ ﻛﻪ ﻧﺎﻡ ﺁﻥ ﻫﺎ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﻫﻤﺨﻮﺍﻧﻲ ﻧﺪﺍﺭﺩ ﺟﻠﻮﮔﻴﺮﻱﺑﻌﻤﻞ ﺁﻳﺪ. ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ بمنظور بررسی درصد تطبیق ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻣﺘﻘﺎﺿﻴﺎﻥ ﺛﺒﺖ ﺷﺮﻛﺖ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ روشی نوین بر اساس الگوریتمهای یادگیری عمیق ارائه شده است. داده های این پژوهش از ﺳﺎﺯﻣﺎﻥ ﺛﺒﺖ ﺍﺳﻨﺎﺩ ﻭ ﺍﻣﻼﻙ ﻛﺸﻮﺭ جمع آوری گردیده است. در روش پیاده سازی ابتدا از فیلترهای اولیه نامگذاری شرکت استفاده شده است. سپس با ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗﺮﻛﻴﺐﺭﻭﺵ آریا برت به ﻋﻨﻮﺍﻥ ﻳﻚ ﺗﻜﻨﻴﻚ تعبیه کلمات به ﺗﺒﺪﻳﻞ ﻧﺎﻡ پیشنهادی ﺷﺮﻛﺖ به بردار پرداخته می شود. در مرحله ای موازی زمینه فعالیت شرکت را با استفاده از فستتکس به ﺑﺮﺩﺍﺭ ﻋﺪﺩﻱ ﻭ تلفیق بردار بدست آمده با الگوریتمهای یادگیری عمیق حافظه کوتاه و بلند مدت دو طرفه بر اساس یک لایه توجه اضافه می گردد. جهت ارزیابی نتایج از ﻣﻌﻴﺎﺭ ﺷﺒﺎﻫﺖﻛﺴﻴﻨﻮﺳﻲ و معیار روج (1و2و ال) ﺍستفاده ﺷﺪﻩ ﺍﺳﺖ. پس از تایید پذیرش نام شرکت و زمینه فعالیت، از روش خوشه بندی دیبی اسکن برای خوشه بندی نام شرکت در دسته های فعالیت استفاده می شود.
نتایج تحقیق نشان می دهد که مقادیر دقت در بخش بردار سازی زمینه فعالیتهای شرکت برای معیار روج ال مقدار 7982/0 و مقادیر دقت و فراخوانی نهایی مدل به ترتیب 8512/0 ،8317/. محاسبه گردید. ﻫﻤﭽﻨﻴﻦ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺷﺒﺎﻫﺖ ﻛﺴﻴﻨﻮﺳﻲﻣﺤﺎﺳﺒﻪ ﺷﺪﻩ ﺑﻴﻦ ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻭ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ ﺑﺎ ﻣﻘﺪﺍﺭ 93 درصد ﺑﺮ ﺍﺳﺎﺱ معیارهای ﺗﻌﻴﻴﻦ ﻧﺎﻡ ﻧﺸﺎﻥ ﺩﻫﻨﺪﻩ ﻛﺎﺭﻛﺮﺩ ﺩﺭﺳﺖ ﻣﺪﻝ ﻣﻲﺑﺎﺷﺪ.
کلیدواژه‌ها
ﺍﺭﺗﺒﺎﻁ ﻣﻌﻨﺎﻳﻲ؛ ﺛﺒﺖ ﺷﺮﻛﺖ؛ ﺷﺒﺎﻫﺖ ﻛﺴﻴﻨﻮﺳﻲ؛ ﻣﺘﻦ ﻛﺎﻭﻱ؛ یادگیری عمیق
مراجع
  1. Abdous, M., Piroozfar, P., & Minaei Bidgoli, B. (2024). PESTS: Persian–English cross-lingual corpus for semantic textual similarity. Language Resources & Evaluation. https://doi.org/10.1007/s10579-024-09759-3
  2. Baigi, S. F. M., Sarbaz, M., Sobhani-Rad, D., & Kimiafar, K. (2023). A comparative study of rehabilitation information systems in 8 countries: A literature review. Iranian Rehabilitation Journal, 21(1), 1–16. https://doi.org/10.32598/irj.21.1.1766.1
  3. Barbella, M., & Tortora, G. (2022). Rouge metric evaluation for text summarization techniques. SSRN. https://doi.org/10.2139/ssrn.4120317
  4. Dogan, M. E., Dogan, T. G., & Bozkurt, A. (2023). The use of artificial intelligence (AI) in online learning and distance education processes: A systematic review of empirical studies. Applied Sciences, 13(5). https://doi.org/10.3390/app13053056
  5. Ghafouri, A., Abbasi, M. A., & Naderi, H. (2023). AriaBERT: A pre-trained Persian BERT model for natural language understanding. arXiv. https://arxiv.org/abs/2304.04632
  6. Hosseini, Z. S. M. E., Izadi, M., Tavakoli, M., et al. (2021). Designing a deep neural network model for finding semantic similarity between short Persian texts using a parallel corpus.
  7. Khan, S., & Anjum, M. A. I. (2023). Words in mental lexicon: A comparative analysis of word association (WA) responses of Pakistani L1 and Afghan L2 speakers of Urdu. Journal of Communication and Cultural Trends, 5(1), 86–105. https://doi.org/10.32350/jcct.51.05
  8. Masumi, M., Majd, S. S., Shamsfard, M., & Beigy, H. (2024). FaBERT: Pre-training BERT on Persian blogs. arXiv. https://doi.org/10.48550/arXiv.2402.06617
  9. Mehrban, A., & Ahadian, P. (2023). Evaluating BERT and ParsBERT for analyzing Persian advertisement data. arXiv. https://arxiv.org/abs/2305.02426
  10. Moniri, S., Schlosser, T., & Kowerko, D. (2024). Investigating the challenges and opportunities in Persian language information retrieval through standardized data collections and deep learning. Computers. https://doi.org/10.3390/computers13020045
  11. Ros, F., Riad, R., & Guillaume, S. (2023). PDBI: A partitioning Davies–Bouldin index for clustering evaluation. Neurocomputing, 528, 125–139. https://doi.org/10.1016/j.neucom.2023.01.043
  12. Sadidpour, S. S., Haji Gholamreza, M., Mohammadzadeh, M. R., Mohammadi, M. R., & Keivanrad, M. A. (2022). Investigation of the semantic similarity of Persian sentences using vector space adaptation and deep learning.
  13. Sadjadi, S. M., Rajabi, Z., Rabiei, L., & Moin, M.-S. (2024). FarSSiBERT: A novel transformer-based model for semantic similarity measurement of Persian social networks informal texts. arXiv. https://arxiv.org/abs/2407.19173
  14. Zareshahi, A., Javadzade, M. A., & Bastami, E. (2024). Measuring semantic similarity of Persian sentences using ParsBERT model. In 2024 10th International Conference on Artificial Intelligence and Robotics (QICAR) (pp. 316–321). https://doi.org/10.1109/QICAR61538.2024.10496609
 

 

 

‌

 

 

‌ ‌استناد به این مقاله: ربیعی، محمد. (1405). طراحی سیستم سنجش تطابق نام و حوزه فعالیت شرکت‌ها بر اساس هوش مصنوعی، مطالعات مدیریت کسب وکار هوشمند، 15(55)، 299-328. DOI: 10.22054/ims.2026.83957.2573

 Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..

آمار
تعداد مشاهده مقاله: 201
تعداد دریافت فایل اصل مقاله: 146


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login