دانلود ترجمه مقاله STAR: یک سیستم برای تجزیه و تحلیل و تفکیک تیکت (ACM 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ACM در ۱۱ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۲۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار مقاله	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله	مهندسی نرم افزار و مدیریت سیستمهای اطلاعات
مجله مربوطه	کنفرانس بین المللی کشف دانش و داده کاوی  International Conference on Knowledge Discovery and Data Mining
دانشگاه تهیه کننده	دانشگاه بین المملی علوم کامپیوتر میامی، ایالات متحده آمریکا
کلمات کلیدی این مقاله	شبکه عصبی پیچیده (کانولوشن)، مدیریت خدمات IT، وضوح (تفکیک) تیکت، مدل خط(جمله)
لینک مقاله در سایت مرجع	لینک این مقاله در سایت ACM
نشریه ACM

• فهرست مطالب:

چکیده

۱٫مقدمه

۱٫۱٫ چالش ها و راه حل های پیشنهادی

۱٫۲٫ تحقیقات مرتبط

۱٫۳٫ نقشه راه (آنچه در ادامه مقاله است)

۲٫ مرور و بررسی

۳٫ تعیین کمیت کیفیت وضوح تیکت

۳٫۱٫ توصیف ویژگی

۳٫۲٫ یافته ها

۴٫ مدل رتبه بندی عصبی عمیق

۴٫۱٫ فرمول بندی مشکل

۴٫۲٫ معماری رتبه بندی عصبی عمیق

۴٫۲٫۱٫ مدل خط(جمله). معماری مدل مبتنی بر CNN در شکل ۳ نشان داده شده است. توسط مدل CNN برای اجرای طبقه بندی خط (جمله) متعدد الهام گرفته شد (۱۳)

۴٫۲٫۲٫ معماری برای جفت های خلاصه و وضوح تیکت

۴٫۲٫۳٫ تابع هدف

۴٫۳٫ تنظیم

۴٫۴٫ تعبیه کلمه

۵٫ خودکارسازی وضوح تیکت

۵٫۱٫ مجموعه داده ها

۵٫۲٫ خودکارسازی وضوح تیکت

۶٫ دیگر برنامه های کاربردی تحلیل تیکت

۶٫۱٫ خوشه بندی تیکت

۶٫۲٫ طبقه بندی تیکت

۷٫ نتیجه گیری

•  بخشی از ترجمه:

۸٫ نتیجه گیری
در این مقاله، چالش های اساسی در وضوح تیکت مانند تعیین کمیت کیفیت وضوح تیکت و در نظر گرفتن کمیت وضوح در مشکل توصیه شده را ارائه دادیم. یک چارچوب توصیه شده ی وضوح تیکت مبتنی بر شبکه عصبی عمیق تعریف کردیم و آن را در برابر مجموعه داده های جهان واقعی بزرگ ارزیابی کردیم. ارزیابی اثربخشی مدل پیشنهادی را نشان داده است. بعلاوه، نمایش توزیع شده استتنتاج شده توسط شبکه می تواند روابط معنایی مولفه های تیکت نویزی را بگیرد و می تواند برای کاربردهای اساسی مرتبط در تحلیل تیکت مانند خوشه بندی و طبقه بندی تیکت و غیره به کار رود.

• بخشی از مقاله انگلیسی:

۷ CONCLUSION

In this paper, we presented the major challenges in ticket resolution, such as quality quantification of ticket resolutions and consideration of resolution quantification in a recommendation problem. We defined a deep neural network-based ticket resolution recommendation framework and evaluated it against a large real-world dataset. The evaluation demonstrated the effectiveness of the proposed model. Moreover, The distributed representation induced by the network is able to capture semantical relations of noisy ticket components, and can be applied to relevant fundamental applications in ticket analysis, such as ticket clustering, ticket classification and so on.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد