{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q161",
        "title": "سیستم‌های پرسش-پاسخ و ابزار یادگیری عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1398",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q161",
        "title": "سیستم‌های پرسش-پاسخ و ابزار یادگیری عمیق",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1398,
        "authors": [
            {
                "name": "نوید سلیمانی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "مرتضی زاهدی",
                "role": "استاد راهنما"
            },
            {
                "name": "حمید حسن پور",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "هوش مصنوعی",
            "پردازش زبان‌های طبیعی",
            "سیستم‌ها‌ی پرسش-پاسخ",
            "ابزار یادگیری عمیق",
            "مدل‌سازی احتمالاتی عصبی",
            "شبکه‌های عصبی شباهت عمیق."
        ],
        "abstract": "در طی چند سال گذشته محققان حوزه‌ی پردازش‌های زبان‌های طبیعی به کمک مدل‌های یادگیری عمیق پیشرفت فراوانی را به دست آورده‌اند و سیستم‌های پرسش-پاسخ به عنوان زیر مجموعه‌ای از علوم پردازش زبان‌های طبیعی از این جریان مستثنا نبوده است.\r\nدر این پایان نامه قصد داریم یک مدل مبتنی بر یادگیری عمیق برای پاسخ خودکار به پرسش ارائه دهیم. با توجه با آن می‌توانیم که سیستم پرسش-پاسخ را به سه جز: طبقه بندی پرسش‌ها و پاسخ‌ها، بازیابی اطلاعات و انتخاب پاسخ، تقسیم کنیم. ابتدا پرسش‌ها و پاسخ‌ها را با استفاده از یک مدل‌سازی احتمالاتی عصبی طبقه بندی و به بردار تبدیل می‌کنیم. سپس شبکه عصبی شباهت عمیق را برای پیدا کردن میزان شباهت بین پرسش و پاسخ آموزش می‌دهیم و در انتها بهترین پاسخ را انتخاب و ارائه می‌دهیم.\r\n    سیستم پیشنهادی ما، با پیشنهاد روشی مبتنی بر مدل‌سازی احتمالاتی عصبی، عبارات را به گونه‌ای جاسازی و به بردار تبدیل می‌کند تا بردار هر عبارت بسیار شبیه به بردار کلمه یا کلمات کلیدی آن شود. در نتیجه می‌توان احتمال شباهت پرسش‌ با پاسخ‌های مربوط به آن را بالا برد و در انتها شبکه‌ی عصبی سیام- با اعمال تغییراتی- به گونه‌ای آموزش می‌بیند تا بتواند پاسخ مناسبی را برای پرسش مطرح شده، انتخاب کند. در این مدل ما توانسته‌ایم خطا را حدود ۲۵ درصد  نسبت به روش‌های مشابه اخیر کاهش دهیم.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q161.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}