کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861832 1439258 2018 38 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Combining granular computing technique with deep learning for service planning under social manufacturing contexts
ترجمه فارسی عنوان
ترکیب روش محاسبات دانه ای با یادگیری عمیق برای برنامه ریزی خدمات تحت زمینه های ساخت اجتماعی
کلمات کلیدی
محاسبات گرانول، یادگیری عمیق، انکودر خودکار انکودر انباشته شده، برنامه ریزی خدمات، الگوهای اقلیت،
ترجمه چکیده
به عنوان یک عنصر ضروری در طراحی کلی سیستم خدماتی، برنامه ریزی خدمات نقش مهمی در بهبود کیفیت سرویس نهایی و تجربه کاربر دارد. برنامه ریزی خدمات یک رویکرد مشتری محور است که تسهیل ترجمه نیازهای مشتری را به ویژگی های فرآیند فعالیت یا ویژگی های مهندسی را تسهیل می کند. روند این است که به یادگیری دانش پشتیبانی تصمیم گیری از داده های پرونده خدمات عظیم برای تسهیل برنامه ریزی خدمات. با این حال، هنگام یادگیری از داده های نامتقارن، روش های موجود توانایی پیش بینی ضعیفی برای شناسایی الگوهای اقلیت هستند. برای بهبود کیفیت و کارایی برنامه ریزی خدمات، یک رویکرد نوآورانه مبتنی بر ترکیبی از محاسبات گرانشی و یادگیری عمیق ارائه شده است. این الگودهی القایی را به کار می گیرد، مثال های خوشه ای را در بهترین دانه بندی، نمونه برداری و تصفیه به یک مجموعه نمونه متعادل تر و تغذیه آنها در یک مدل یادگیری عمیق می دهد. رویکرد پیشنهادی می تواند الگوهای برنامه ریزی بین نیازهای مشتری و ویژگی های فرآیند خدمات را در بر داشته باشد، در نتیجه، انتقال دانش در برنامه ریزی خدمات تحت شرایط تولید اجتماعی را تسهیل می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ترکیب روش محاسبات دانه ای با یادگیری عمیق برای برنامه ریزی خدمات تحت زمینه های ساخت اجتماعی
چکیده انگلیسی
As an essential element in the overall designing of a service system, service planning plays an important role in improving final service quality and user experience. Service planning is a customer-oriented approach that facilitates the translation of customer requirements into activity process features or engineering characteristics. The trend is towards learning decision-support knowledge from massive service case data to facilitate service planning. However, when learning from imbalanced data, existing methods have poor predictive ability to identify minority patterns. To improve the quality and efficiency of the service planning, an innovative approach based on the combination of granular computing and deep learning are presented. It employs an inductive paradigm, clustering examples in a best granularity, sampling and refining into a more balanced example set, and feeding them into a deep learning model. The proposed approach can mine the planning patterns between the customer requirements and service process features, thereby facilitating knowledge transferring in service planning under the social manufacturing context.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 143, 1 March 2018, Pages 295-306
نویسندگان
, , , ,