دانلود مقاله ترجمه شده تفاهم نامه خدمات ایونت تیکت در مدیریت خدمات (IEEE ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه IEEE در ۱۴ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۳۵ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۱۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	کامپیوتر  و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله	مهندسی الگوریتم ها و محاسبات و مدیریت سیستم های اطلاعات
مجله	یافته ها در زمینه شبکه و مدیریت خدمات  Transactions on Network and Service Management
دانشگاه	دانشکده علوم کامپیوتر، دانشگاه بین المللی فلوریدا، میامی، فلوریدا
کلمات کلیدی	مدیریت خدمات IT، سیستم توصیه گر، نزدیک ترین همسایه k، تخصیص پنهانی دیریکله، یادگیری متریک
شناسه شاپا یا ISSN	ISSN ۱۹۳۲-۴۵۳۷
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ مقدمه

۲٫۱٫ زیرساخت خدمات خودکار ticket های نظارتی و ایونت

۲٫۲٫ تصمیم گیری های پی در پی ticket های نظارتی

۳٫ توصیه تصمیم گیری

۳٫۱٫ بیان مسئله

۳٫۲٫ مروری بر الگوریتم های پیشنهادی

۳٫۳٫ توصیه مبتنی بر KNN اساسی

۴٫ بسط و گسترش به منظور حذف تصمیم گیری های گمراه کننده

۴٫۱٫ روش تقسیم

۴٫۲٫ روش فیوژن احتمالی

۴٫۳٫ پیش بینی نوع ticket

۵٫ بسط و گسترش به منظور بهبود دقت و درستی

۵٫۱٫ نمایش ticket های نظارتی

۵٫۲٫ ادغام اطلاعات تصمیم گیری

۵٫۳٫ یادگیری متریک

۶٫ پیاده سازی

۷٫ ارزیابی

۷٫۲٫ متریک ارزیابی

۷٫۲٫۱٫ دقت توزینی

۷٫۲٫۲٫ شباهت متوسط

۷٫۲٫۳٫ میانگین متوسط دقت

۷٫۳٫ عملکرد توصیه کلی

۷٫۳٫۱٫ ارزیابی بر حذف تصمیم گیری های گمراه کننده

تغییر پارامترها

یک مطالعه موردی

۷٫۳٫۲٫ ارزیابی بر بهبود دقت

انتخاب تعداد موضوعات

مقایسه عملکرد

۷٫۳٫۳٫ عملکرد یادگیری متریک

۸٫ کارهای مرتبط

۹٫ نتیجه گیری

• بخشی از ترجمه:

۹٫ نتیجه گیری
این مقاله مشکل توصیه تصمیم گیری برای Ticket های نظارت را در مدیریت خدمات خودکار مطالعه می کند. سه مجموعه ticket نظارتی جمع آوری شده از یک زیرساخت خدمات تولید را تحلیل کردیم و تعداد وسیعی از تصمیم گیری های مکرر را برای Ticket های نظارت شناسایی کردیم. بر مبنای کار پیشین ما از توصیه مبتنی بر KNN، مقیاس شباهت را با استفاده از اطلاعات ایونت و تصمیم گیری از Ticket های تاریخی از طریق استخراج ویژگی سطح موضوع با استفاده از مدل LDA ( تخصیص دیریکله پنهان) بهبود دادیم. بعلاوه، مقیاس شباهت موثرتر با استفاده از یادگیری متریک آموزش دیده شد زمانی که دسته های تصمیم گیری در دسترس هستند.
چندین راه برای تحقیقات آتی وجود دارد. نخست، برنامه دادیم که تکنیک های طبقه بندی هوشمند را بررسی کنیم و توسعه دهیم تا به صورت اتوماتیک تصمیم گیری ها را برچسب زند (۵۷، ۵۸). دوم، سیستم توصیه کنونی ما از الگوریتم های مبتنی بر KNN به دلیل سادگی و کارایی شان استفاده می کند.. دیگر الگوریتم های پیشرفته را توسعه و مورد بررسی قرار می دهیم تا عملکرد توصیه را بهبود ببخشند. در نهایت، همچنین می خواهیم از استراتژی پرسش فعال برای توصیه های تصمیم گیری کاملا خودکار استفاده کنیم.

• بخشی از مقاله انگلیسی:

۹ CONCLUSION

This paper studies the problem of resolution recommendation for monitoring tickets in an automated service management. We analyze three sets of monitoring tickets collected from a production service infrastructure and identify a vast number of repeated resolutions for monitoring tickets. Based on our prior work of KNN-based recommendation, we improve the similarity measure by utilizing both the event and resolution information from historical tickets via a topic-level feature extraction using the LDA (Latent Dirichlet Allocation) model. In addition, a more effective similarity measure is learned using metric learning when resolution categories are available. There are several avenues for future research. First, we plan to investigate and develop intelligent classification techniques to automatically label resolutions [57], [58]. Second, our current recommendation system uses KNN-based algorithms due to their simplicity and efficiency. We will investigate and develop other advanced algorithms to improve the recommendation performance. Finally, we also plan to use an active query strategy to fully automate resolution recommendations.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد