OTHERS_CITABLE اینترنت اشیاء به شبکه‌ای از اشیاء فیزیکی اطلاق می‌شود که در آن اشیاء دارای شناسه‌ی منحصر، قادر هستند با یکدیگر و یا با کاربر نهایی از طریق اینترنت ارتباط برقرار کنند. به دلیل محدود بودن برد رادیویی اشیاء و همچنین کاهش انرژی مصرفی، انتقال اطلاعات از طریق اشیاء واسط انجام می‌شود که لزوم مسیریابی را مشخص می‌کند. یک الگوریتم مسیریابی بطور مستقیم بر قابلیت اطمینان، تاخیر، انرژی مصرفی، گذردهی شبکه، استفاده‌ی موثر از پهنای باند و طول عمر شبکه تاثیر می‌گذارد. در این مقاله یک رویکرد مسیریابی جدید مبتنی بر خوشه‌بندی توزیع‌شده و تاخیر تکراری برای بهبود کیفیت سرویس اینترنت اشیاء پیشنهاد می‌شود که اشیاء شبکه به تعدادی خوشه مجزا از هم تقسیم می‌شود. خوشه‌بندی بر اساس حالت‌های مختلف اشیاء همسایه انجام می‌شود و برای ارسال داده‌های سرخوشه‌ها به ایستگاه پایه نیز از روش تاخیر تکرار استفاده می‌شود. در رویکرد پیشنهادی برای انتخاب سرخوشه‌ی واسط مناسب، تاخیر انتقال از شیء سرخوشه تا شیء واسط، تاخیر انتقال از شیء واسط تا چاهک و انرژی باقیمانده‌ی شیء واسط در نظر گرفته می‌شود. نتایج شبیه‌سازی‌های انجام شده در نرم‌افزار Cooja نشان می‌دهد که رویکرد پیشنهادی بطور متوسط در مقایسه با الگوریتم‌های LEACH، LEACH-E، NCACM، Distributed Clustering از نظر میزان مصرف انرژی 33% ، مرگ اولین گره 14%، تعداد اشیاء مرده 12% و نرخ دریافت صحیح بسته‌ها 9% عملکرد بهتری دارد. http://jsdp.rcisp.ac.ir/article-1-1279-fa.pdf 2024-08-03 3 14 10.61186/jsdp.21.1.3 اینترنت اشیاء خوشه‌بندی توزیع‌شده تاخیر تکرار مسیریابی کیفیت سرویس خدمات In general, Internet of Things (IoT) as a new technology refers to a network of physical things in which objects have a unique identity and are able to communicate with each other or with the end user via the Internet.  The Internet of Things refers to a collection of sensor-embedded devices, processing ability, software, and other technologies that connect and exchange data with other devices and systems over the Internet or other communications networks. Due to the limited radio range of objects and also the reduction of energy consumption, information transmission is carried out through the intermediate objects, which highlights the necessity for routing. Routing algorithms can be classified into static and dynamic techniques as well as source initiated and destination initiated approaches. In general, routing algorithms can be classified into data centric, hierarchical, geographical, and quality of service-based mechanisms. A routing algorithm directly affects reliability, transmission latency, power consumption, network throughput, bandwidth utilization, and network lifetime. This paper proposes a new routing method based on distributed clustering and iterative latency to improve the Quality of Service (QoS) of IoT, which divides network things into a number of separate clusters. The proposed method consists of four stages, i.e. network clustering, steady state, multi-hop transmission based on delay estimation, and investigation of adjacent headers. Clustering is performed based on the different states of neighbors, and the iterative delay mechanism is used between the cluster heads. The simulation results conducted through Cooja tool indicate that the proposed method outperforms the LEACH, LEACH-E, NCACM, and distributed clustering techniques in terms of energy consumption and packet delivery ratio by 33% and 9%. Furthermore, simulation results illustrate that the proposed method outperforms in terms of the first node death time and the number of dead objects in scattered and dense networks by 14% and 12%, respectively. http://jsdp.rcisp.ac.ir/article-1-1279-en.pdf 2024-08-03 3 14 10.61186/jsdp.21.1.3 Internet of Things (IoT) Distributed clustering Iterative delay Routing Quality of Service (QoS) Farnaz Rasekhi farnaz.rasekhi@gmail.com 1 Islamic Azad University, Tabriz Branch AUTHOR Shahram Babaie sh.babaie@iaut.ac.ir 2 Islamic Azad University, Tabriz Branch AUTHOR

OTHERS_CITABLE چکیده پیش‌‎بینی عملکرد پروتئین یکی از چالش‌های اصلی در بیوانفورماتیک می‌باشد که کاربردهای زیادی دارد. در سال­های اخیر در تحقیقات بسیاری از روش‌های یادگیری ماشین در این زمینه استفاده شده‌اند. در این روش‌ها ابتدا باید از توالی پروتئین ویژگی‌های مختلف استخراج شود و بر اساس ویژگی‌های استخراج شده عمل دسته‌بندی انجام شود. غالبا روش‌های استخراج ویژگی بر اساس خصوصیات فیزیکی و شیمایی توالی پروئتین می‌باشد. بنابراین استخراج ویژگی‌هایی مناسب از توالی پروتئین باعث افزایش و بهبود عملکرد روش‌های یادگیری ماشین می‌شود. در این مقاله، یک مجموعه جدید از ویژگی­ها بر اساس روش­های PSSM،  PsePSSM، K-gram ، AAC و روش نوین TFCRF که تا کنون در این کاربرد استفاده نشده برای استخراج ویژگی‌های مناسب پیشنهاد شده است. ویژگی‌های استخراج شده با استفاده از این روش قدرت تمایز کنندگی خوبی بین داده‌ها در دسته‌ها، به مدل‌های یادگیری ماشین می‌دهد. در روش TFCRF وزن‌دهی ویژگی‌ها علاوه بر توجه به چگونگی توزیع آنها در توالی‌های مختلف به چگونگی توزیع آنها در طبقات مختلف نیز توجه می‌شود. در مرحله بعد با استفاده از ویژگی‌های استخراج شده با استفاده از روش جنگل چرخ عمل دسته‌بندی انجام می‌شود. روش پیشنهادی با دسته‌بند‌های مختلف و روش‌های متفاوت مقایسه شده است. نتایج حاصل نشان دهنده کارایی مناسب روش پیشنهادی نسبت به سایر روش‌های نوین در این کاربرد  می‌باشد. http://jsdp.rcisp.ac.ir/article-1-1387-fa.pdf 2024-08-03 15 26 10.61186/jsdp.21.1.15 توالی پروتئین استخراج ویژگی TFCRF جنگل چرخش فاکتور ارتباط Abstract Protein function prediction is one of the main challenges in bioinformatics, which has many applications. In recent years, many researches in this field have been used machine learning methods. In these methods, First, different features should be extracted from the protein sequence and classification should be done based on the extracted features. The feature extraction methods are based on the physical and chemical properties of the protein sequence. Therefore, extracting suitable features from protein sequence increases and improves the performance of machine learning methods. In this paper, usage of a new set of features based on Position-Specific Scoring Matrix (PSSM), Pseudo-Position Specific Scoring Matrix (PsePSSM), K-gram, Amino Acid Composition (AAC) and the new Term Frequency and Category Relevancy Factor (TFCRF) method, which has not been used in this application so far, is proposed to extract suitable features. In the PSSM method for protein BLAST searches, a scoring matrix is used, in which amino acid substitution scores are given separately for each position in a multi-sequence protein alignment. The PsePSSM feature is described by considering different ranking correlation factors along a protein sequenc to preserve information about the amino acid sequence. The normalized occurrence frequency of a certain number of amino acids in the protein is calculated by the ACC method. An K-gram is a set of K successive items in a protein that  include amino acid. In the TFCRF weighting method, in addition to paying attention to how these are distributed in different sequences, how these are distributed in different classes is also paid attention to.The features extracted using this method give machine learning models a good discriminating power between data in classes. In the next step, classification is done using the extracted features using the rotation forest method. This classifier is a successful ensemble method for a wide range of data mining applications. In this method, the feature space is changed through Principal Component Analysis (PCA), which increases the power of this classifier. The proposed method has been compared to different classifiers. The results show that the efficiency of the proposed method is much better than other state-of–the-art methods in this application. http://jsdp.rcisp.ac.ir/article-1-1387-en.pdf 2024-08-03 15 26 10.61186/jsdp.21.1.15 Protein sequence feature extraction TFCRF rotation forest relevancy factor jamshid pirgazi j.pirgazi@mazust.ac.ir 1 Faculty of Electrical and Computer Engineering, University of Science and Technology of Mazandaran, Behshahr, Iran AUTHOR Ali Ghanbari sorkhi ali.ghanbari@mazust.ac.ir 2 Faculty of Electrical and Computer Engineering, University of Science and Technology of Mazandaran, Behshahr, Iran AUTHOR majid Iranpour Mobarakeh iranpour@pnu.ac.ir 3 Department of Computer Engineering and IT, Payam Noor University, Tehran, Iran AUTHOR

OTHERS_CITABLE برای محافظت از ماشین­ های دوار و جلوگیری از کارکرد آنها در حالت­های غیر عادی به ­صورت سنتی از سیستم­های کنترل حفاظتی و داده­ های فرایندی بهره­ گیری می­ شود. در این مقاله روشی پیشنهاد شده است که بتوان از تاثیرات غیر مستقیم حالت­های کارکرد غیر عادی با استفاده از شیوه­ های داده ­کاوی حالت غیر طبیعی کارکرد ماشین ­های دوار را تشخیص داد. یکی از حالت ­های خطرناک کارکرد غیر عادی در کمپرسورها به­ عنوان یکی از ماشین­ های دوار با اهمیت در صنایع، وضعیت سرج می­ باشد. دراین مقاله، با استفاده از داده های واقعی ذخیره شده در طول سه سال متوالی یک کمپرسور سه مرحله ای واحد سرمایش یک پالایشگاه گاز ارتباط میان وضعیت سرج کمپرسور و میزان لرزش نقاط مختلف آن بررسی شده است. با شیوه ­های داده­ کاوی اثبات شده است که ارتباط مستقیمی بین حالت سرج و میزان لرزش وجود دارد. همچنین نقاط حساس­ تر به لرزش در زمان­های سرج شناسایی شده است و اثبات شده است که از طریق اندازه­ گیری این نقاط می­توان سرج را تشخیص داد. بنابراین  علاوه بر شیوه­ های موجود و سنتی قبلی که از داده­ های فرایندی استفاده می­ کنند، می­توان از میزان لرزش نقاط به­ عنوان یک سیستم حفاظتی افزونه برای تشخیص سرج  بهره گرفت و از این طریق حفاظت بیشتری از کمپرسور در برابر وضعیت سرج  بعمل آورد. در این مطالعه، ارزیابی شیوه ­های مختلف داده­ کاوی نیز صورت گرفته است که نتایج روش نزدیکترین همسایه با تعداد همسایه دو دارای بهترین کارایی بوده است و همچنین اثرات تعداد رکورد موجود در مجموعه داده روی کیفیت و دقت نتایج بررسی شده است. http://jsdp.rcisp.ac.ir/article-1-1351-fa.pdf 2024-08-03 27 38 10.61186/jsdp.21.1.27 ماشین های دوار داده کاوی تشخیص سرج کمپرسور پارامترهای حفاظتی In order to protect rotating machines and prevent their operation in unusual situations, protective control systems and process data are traditionally used. In this article, a method has been proposed to detect the indirect effects of abnormal operating modes using data mining methods. One of the dangerous conditions of abnormal operation in compressors, as one of the important rotating machines in industries, is the surge condition. In this article, the real data stored during three years of a three-stage refrigerant compressor in a gas refinery are used. the relationship between the surge state of the compressor and the amount of vibration in its different parts has been investigated. It has been proven with data mining methods that there is a direct relationship between the state of surge and the amount of vibration. Also, more sensitive points to vibration during the surges have been identified and it has been proven that by measuring these points, surges can be detected. Therefore, in addition to the existing and previous traditional methods that use process data, it is possible to use the amount of vibration of the points as an extension protection system for surge detection. in this way, more protection of the compressor against the state of surge can be achieved. In this study, various data mining methods have been evaluated, and the results of the nearest neighbor method with the number of neighbors of two have the best performance, and the effects of the number of records in the data set on the quality and accuracy of the results have been investigated. http://jsdp.rcisp.ac.ir/article-1-1351-en.pdf 2024-08-03 27 38 10.61186/jsdp.21.1.27 Rotating machine Datamining Surge detection Compressor Protection parameters Elham Parvinnia eparvinnia@gmail.com 1 Computer engineering department, Shiraz branch. Islamic Azad university AUTHOR mohammad Safari Safari.md@gmail.com 2 Computer engineering department, Shiraz branch. Islamic Azad university AUTHOR seyedalireza khayami khayami.alr@gmail.com 3 Shiraz university AUTHOR

OTHERS_CITABLE خوشه ­بندی عملیاتی است که در آن مجموعه­ای از نمونه داده‌ها، نسبت به میزان شباهت، دسته­بندی می­شوند. نمونه داده­های خوشه­بندی، عددی یا مخلوطی از عددی و غیرعددی (اسمی) هستند. یافتن میزان شباهت و اندازه‌گیری فاصله، از چالش­های خوشه­بندی داده ­های مخلوط است. در این مقاله سعی شده است در محاسبه میزان شباهت و تعیین فاصله، به پارامتر "تعداد ویژگی‌های مشابه" توجه شود. در نسبت دادن هر نمونه به خوشه در مواردی که فاصله‌ها برابر یا نزدیک باشد، تعداد ویژگی‌های مشترک نمونه‌ها تعیین کننده خوشه مناسب خواهد بود. برای محاسبه فاصله در الگوریتم مورد نظر از تفاضل عددی نرمالسازی شده برای ویژگی‌های عددی و از فاصله همینگ برای ویژگی‌های غیرعددی استفاده شده است. تعیین مرکز خوشه اولیه نیز مانند بسیاری از روش‌ها بصورت تصادفی انجام شده است و در تکرارهای بعدی الگوریتم، نمونه مناسب‌تر به عنوان مرکز خوشه انتخاب می‌شود. الگوریتم مورد نظر با 5 الگوریتم دیگر در 5 مجموعه‌ داده مقایسه شده است. در بررسی نتایج، از سه معیارAccuracy ، RI، F-Measure  استفاده شده است. طبق نتایج آزمایشات، در سه مجموعه‌داده، الگوریتم موردنظر حداقل دو درصد بهتر از دو الگوریتم و یک درصد بهتر از یکی دیگر از الگوریتم‌ها عمل کرده است. در یکی دیگر از مجموعه‌داده‌ها الگوریتم موردنظر نتایج برابر یا نزدیک به یک درصد دقت بهتر نسبت به الگوریتم برتر داشت. در مجموعه‌داده آخر نیز الگوریتم مورد نظر در رتبه دوم از بین 5 الگوریتم قرار داشت. http://jsdp.rcisp.ac.ir/article-1-1329-fa.pdf 2024-08-03 39 52 10.61186/jsdp.21.1.39 خوشه‌بندی داده مخلوط فاصله مقادیر تشابه مقادیر مرکز خوشه. Clustering is an operation in which a set of data samples is categorized according to the degree of similarity. Examples of clustering data are numerical or a mixture of numerical and non-numerical (nominal) data. Finding similarities and measuring distances is one of the challenges of mixed data clustering. In the related works, to detect the degree of similarity and obtain the distance value, only the parameter of the distance value was considered and the cluster was selected based on its value. Clustering in this way, especially for mixed data, has not had very accurate results. In this paper, we have tried to pay attention to the parameter "number of similar features" in calculating the degree of similarity and determining the distance. In assigning each sample to a cluster in cases where the distances are equal or close, the number of common features of the samples will determine the appropriate cluster. That is, we will pay attention to the "number of similar features" in addition to the distance to select the cluster. This idea believes that in cases where the distance of the cluster centers is close to the data object, it is better to choose the cluster center that has more features similar to the data object. Logically and also according to the proposed algorithm, the amount of similarity should be in a larger number of features, not just a few limited features but with high similarity. The parameter of the "number of similar features" has a specific definition and is obtained with a suitable threshold. If the distance value of two features is less than the threshold, those two features are considered as similar features. To calculate the distance in the algorithm, the normalized numerical difference for numerical properties and the Hamming distance for non-numerical properties are used. Determining the initial cluster centers, like many methods, is done randomly, and in subsequent iterations of the algorithm, more appropriate samples are selected as the cluster centers. The algorithm is compared with 5 other algorithms in 5 datasets. In examining the results, three criteria of Accuracy, RI and F-Measure have been used. According to the test results, in the mixed and integer datasets, the algorithm performs at least two percent better than the two algorithms and one percent better than the other algorithm. In another data set, the proposed algorithm had results equal to or close to one percent better accuracy than the superior algorithm. In the last data set, the proposed algorithm was ranked second among 5 algorithms. In general, the proposed algorithm won the top rank in most of the results, and in the rest of the cases, it won the second rank out of the five tested algorithms. http://jsdp.rcisp.ac.ir/article-1-1329-en.pdf 2024-08-03 39 52 10.61186/jsdp.21.1.39 Clustering Mixed data Distance of values Similarity of values Cluster Center. hid.rezaei@nit.ac.ir 1 AUTHOR Negin Daneshpour ndaneshpour@sru.ac.ir 2 AUTHOR

OTHERS_CITABLE در زمینه‌ی شناسایی چهره، چالش‌های افت دقت، افزایش نیازمندی به حافظه، و افزایش پیچیدگی زمانی از مشکلات مهمی به شمار می‌آیند. به منظور حل این مسائل، این تحقیق یک رویکرد دومرحله‌ای سه‌واحدی معرفی کرده است: واحد زیرشبکه‌ها، واحد خوشه‌یاب، و واحد تصمیم‌گیر نهایی. در مقابل روش‌های مبتنی بر توزیع تصادفی، روش ارائه شده، از خوشه‌بندی به عنوان روش توزیع مسئله به زیرشبکه‌ها استفاده می‌کند. هر زیرشبکه‌، یک شبکه عصبی عمیق نظارتی است که با داده‌های آموزشی مربوط به دسته‌های خود آموزش می‌بیند. واحد خوشه‌یاب، شباهت بردارهای ویژگی داده‌های آزمون را با میانگین بردارهای ویژگی دسته‌ها مقایسه می‌کند و بهترین خوشه را پیدا می‌کند. در نهایت، واحد تصمیم‌گیر نهایی با ترکیب نتایج دو واحد قبلی، بهترین دسته را انتخاب می‌کند. نتایج نشان می‌دهد که روش پیشنهادی، در مقایسه با روش‌های مشابه، از نظر صحت، بازخوانی، و امتیاز F1 عملکرد بهتری دارد. این روش ضمن سریع‌تر بودن، دارای دقت بالاتری نسبت به روش‌های بدون توزیع می‌باشد و در مقایسه با روش‌های توزیعی تصادفی، سرعتی برابر و دقتی بالاتر دارد. آزمایش‌ها بر روی مجموعه‌دادگان VGGFace2 و  MS-Celeb-1M و Glint360K اجرا شده و نشان می‌دهد که این روش علاوه بر عملکرد بهتر، مقیاس‌پذیری بالاتری را در بازشناسی چهره دارد. http://jsdp.rcisp.ac.ir/article-1-1362-fa.pdf 2024-08-03 53 70 10.61186/jsdp.21.1.53 بازشناسی چهره شناسایی چهره خوشه‌بندی یادگیری عمیق یادگیری توزیعی Face recognition poses challenges in accuracy, memory efficiency, and computational complexity. This study proposes a two-stage, three-module approach: Subnetwork modules, Cluster-Finder unit, and Final-Decision module. Unlike random distribution methods, our approach employs clustering for distribution. Each subnetwork, a supervised deep neural network, is trained with cluster-specific data. The Cluster-Finder unit compares test data similarity with each subnetwork’s representative. The Final-Decision module selects the best class. Results indicate superior accuracy, recall, and F1 score compared to competitive methods. The approach is faster and more accurate than non-distribution methods, with comparable speed and higher accuracy than random distribution methods. Experiments on VGGFace2, MS-Celeb-1M, and Glint360K datasets confirm both superior performance and scalability. The proposed method, using KMeans for distribution, outperforms Softmax Dissection and Dynamic Active Class Selection. It simplifies training without additional manipulations, offering efficiency over methodologies like Softmax Dissection and ArcFace parallelization. In conclusion, this study focuses on pre-processing and post-processing without added training complexity. A divide-and-conquer approach addresses accuracy and efficiency challenges. In this study, various sources leading to errors in face recognition systems have been examined. These sources include: imprecise features, overfitting, challenging classes, distribution issues, and decision-making complexities. Various classification scenarios are explored, including non-distributed and models with random and intelligent distributions. Inaccurate features uniformly impact all scenarios, with overfitting posing the greatest challenge in non-distributed scenarios. Challenging classes are better distinguished in intelligent distribution scenarios. Inappropriate distribution has less impact in intelligent scenarios, and decision-making challenges exist in both distributions http://jsdp.rcisp.ac.ir/article-1-1362-en.pdf 2024-08-03 53 70 10.61186/jsdp.21.1.53 face recognition face identification clustering deep learning distributed learning. Sayed Mohammad Ahmadi sm.ahmadi@stu.qom.ac.ir 1 University of Qom AUTHOR Rouhollah Dianat rdianat@qom.ac.ir 2 University of Qom AUTHOR

OTHERS_CITABLE قرآن کتاب نازل‌شده از طرف خداست و تا به امروز اندیشمندان و پژوهش‌گران مختلفی در جهت شناخت قرآن و فهم آن تلاش نموده‌اند. در دسترس بودن سیستم‌های رایانه‌ای فرصت مغتنمی است که با افزایش سرعت پژوهش‌گران در پیمودن مسیر، آن‌ها را در رسیدن به قله‌های بلندتری یاری کند. خوشه‌بندی یکی از روش‌هایی است که برای فهم ساختار داده به کار می‌رود. در این مقاله به خوشه‌بندی سوره‌های قرآن کریم بر اساس هم‌وقوعی کلمات در آن پرداخته‌ و برای دست‌یابی به این هدف از یک رویکرد موجود مبتنی بر گراف استفاده نموده‌ایم. در پژوهش جاری ابتدا هر سوره را به صورت یک گراف غیرجهت‌دار و وزن‌دار بازنمایی کرده‌، سپس بردار هر سوره را بر اساس گراف سوره‌ تشکیل داده‌ایم و پس از آن سوره‌ها را خوشه‌بندی نموده‌ایم. برای ارزیابی کیفیت خوشه‌بندی از معیار نیم‌رخ استفاده کرده‌ایم. بر اساس این معیار در بهترین خوشه‌بندی در بین اجراهای مختلف مقدار نیم‌رخ ۰/۹۱ به دست‌آمده است. این پژوهش زیرساخت ساختاری مناسبی برای توصیف لایه معنایی سوره‌‌ها و آیات قران پیش روی پژوهش‌گران حوزه زبان‌شناسی محاسباتی در دامنه علوم قرآنی فراهم می‌سازد. http://jsdp.rcisp.ac.ir/article-1-1220-fa.pdf 2024-08-03 71 88 10.61186/jsdp.21.1.71 خوشه‌بندی متن بازنمایی شبکه‌ای متن گراف متن زیرگراف‌ پرتکرار قرآن‌کاوی رایانشی The Holy Qur'an is revealed from God Almighty. Up to now many scholars and researchers have tried to understand the Holy Qur'an and comprehend it. The availability of computer systems is a great opportunity to help researchers reach higher peaks by speeding them up in their way. Clustering is one of the methods has been used to understand the structure of the data. In clustering, we want to divide samples of data into groups so that the members of each cluster are similar together and are different from the members of the other clusters. Clustering of Qur'anic surahs has been the subject of some computer studies on the Qur'an. In these studies, different approaches have been considered to vectorizing the surahs. In a study, Thabet formed vectors of each surah by considering some stems of Qur'anic words as features and the normalized probability of their occurrences in the surah as feature values and clustered just 24 surahs due to the sparseness of the obtained data matrix. With a similar approach in vectorizing the surahs, Moisl calculated the minimum surah length threshold per feature in order to solve the problem of shorter surahs by using some concepts of statistical sampling theory, and could cluster more surahs. Instead of using words as features, Sharaf considered 13 features including existence of referring to the story of Adam and Ebliys, number of the phrase «یا أَیُّهَا الَّذینَ آمَنُوا» (O you who believe), and determined the method of measuring each feature. Then, he formed data matrix and clustered the Qur'anic surahs. In another study, Sufi et al. considered the topics identified for each verse in the Tafsir Rahnama as features and constructed a binary data matrix based on the presence or absence of that topic in the Tafsir of that surah and applied clustering. In this article, we have clustered the surahs of the Holy Qur'an based on the co-occurrence of words in it. To achieve this goal, we have used an existing graph-based approach. In the present study, we first represent each surah as a weighted undirected graph. Then we form the vector of each surah by considering closed frequent sub-graphs as features and relative occurrence of them in each surah as feature values, and eventually cluster the surahs. We used the Silhouette score to evaluate the quality of clustering. Based on this criterion, in the best clustering among different runs, the Silhouette score of 0.91 was obtained. This research provide a proper structural infrastructure for specifying the semantic layer of Holy Qur'an surahs for computational linguistics researchers in the domain of Qur'anic studies. http://jsdp.rcisp.ac.ir/article-1-1220-en.pdf 2024-08-03 71 88 10.61186/jsdp.21.1.71 Document Clustering Text Graph Frequent subgraph Computational Qur'an mining Maryam Sadat Mottaghi m.motaghi88@chmail.ir 1 Shahid Beheshti university AUTHOR Behrouz Minaei-Bidgoli b_minaei@iust.ac.ir 2 University of Science and Technology of Iran AUTHOR

OTHERS_CITABLE امروزه علی‌رغم توسعه مدل‌های یادگیری ماشین برای استخراج ویژگی‌ها به صورت خودکار، هنوز الگوریتم‌های بهینه‌سازی به صورت دستی طراحی می‌شوند. یکی از اهداف فرایادگیری (meta-learning)، خودکار کردن فرایند بهینه‌سازی است. الگوریتم‌های بهینه‌سازی دستی مبتنی بر بردار گرادیان تنها براساس عملیات ضرب داخلی، ضرب اسکالر و جمع برداری بر روی بردارهای ورودی نوشته می شوند. بنابراین می توان گفت که این الگوریتمها در فضای هیلبرت بعد مساله بهینه‌سازی اجرا می شوند. ما نیز قصد داریم با ایده گرفتن از این مطلب، فضایی برای یادگیری ورودی‌ها ایجاد کنیم که مستقل از ابعاد ورودی باشد. بدین منظور با ایده گرفتن از الگوریتم BFGS با حافظه محدود (L-BFGS) و همچنین سلول LSTM یک ساختار جدید با نام Hilbert LSTM (HLSTM) معرفی می‌کنیم که فرایند یادگیری در آن مستقل از ابعاد ورودی انجام می‌شود. به عبارتی الگوریتم یادگیری در فضای هیلبرت مساله بهینه‌سازی اجرا می‌شود. برای رسیدن به این هدف از لایه ضرایب خطی استفاده می‌کنیم که ترکیب خطی بردارهای ورودی را محاسبه می‌کند و ضرایب این ترکیب خطی، با کمک ضرب داخلی بردارهای ورودی بدست می‌آید. آزمایش‌های ما نشان می‌دهند که نتایج به‌دست آمده توسط بهینه‌ساز ارائه شده، به مراتب بهتر از نتایج الگوریتم‌های بهینه‌سازی دستی است. http://jsdp.rcisp.ac.ir/article-1-1142-fa.pdf 2024-08-03 89 100 10.61186/jsdp.21.1.89 Hilbert LSTM LSTM L-BFGS فرایادگیری بهینه‌سازی خودکار Nowadays using features learned by machines is common and these types of features have excellent quality in comparison with hand-designed features. While many machine learning models are developed to extract features automatically, however, the optimizing algorithms are still designed manually. In this paper, we propose a method to cast the optimizing algorithm as a machine learning problem. This is a branch of machine learning which is named meta-learning or learning to learn. Gradient-based optimization algorithms (e.g. gradient descent and BFGS) receive the gradient vector in each step and, by using the information of the previous points and gradients, estimate the update vector at the current point. The inputs and outputs of these algorithms are vectors whose dimension is the same as the optimization problem. These algorithms are written solely based on vector addition, scalar-product, and inner-product operations. Therefore, we can say that these algorithms are executed in a Hilbert space whose dimension is determined by the optimization problem. In this paper, we propose a novel method for learning to optimize over a Hilbert space of unknown dimensionality. We introduce a new neural network module named Hilbert LSTM (HLSTM) which is based on a novel LSTM cell whose learning process is independent of the input data dimension. This independency is the result of restricting the network to the operations on a Hilbert space, prohibiting the network to work directly with the entries within a vector. To achieve this goal, we use a linear coefficients layer that linearly combines the input vectors based on coefficients computed by their inner products. Training the network based on the inner product between vectors leads to learning an optimization algorithm that is independent of the data dimension. Our experiments show that the proposed optimizer achieves better results in comparison with hand-designed algorithms. http://jsdp.rcisp.ac.ir/article-1-1142-en.pdf 2024-08-03 89 100 10.61186/jsdp.21.1.89 Hilbert LSTM LSTM L-BFGS meta-learning automatic optimization Mohammad Etesam etesam@mail.um.ac.ir 1 Ferdowsi University of Mashhad AUTHOR Ashkan Sadeghi-Lotfabadi sadeghia@mail.um.ac.ir 2 Ferdowsi University of Mashhad AUTHOR Kamaledin Ghiasi-Shirazi k.ghiasi@um.ac.ir 3 Ferdowsi University of Mashhad AUTHOR

OTHERS_CITABLE ریشه‌یابی مرحله اصلی چندین فرایند پردازشی مانند متن‌کاوی، بازیابی اطلاعات و پردازش زبان طبیعی است. ابزارهای تشخیص میانوند کلمات عربی با چالش‌های زیادی روبرو هستند که بیشتر ناشی از ماهیت پیچیده کلمات این زبان و سبک­های نوشتاری متفاوت آن­ها است. تا جایی که ما می­دانیم، هیچ مجموعه داده­ی ریشه­یابیِ معیاری وجود ندارد که طیف گسترده­ای از چالش­های ریشه­یابی را پوشش دهد. بنابراین، ما توسعه یک مجموعه داده برای ارزیابی پایداری ریشه‌یاب‌ها را در چنین موقعیت­های چالش برانگیزی ارزشمند می­دانیم. این مقاله، نور-استم، یک مجموعه داده معیار با سبک‌های نوشتاری مختلف را برای ارزیابی ابزارهای تشخیص میانوند (استم) عربی معرفی ‌می‌کند. جهت تایید عملکرد این دادگان، عملکرد سه ریشه‌یاب‌ عربی (نور ۱۰، NLTK و تاشفین) مورد ارزیابی قرار گرفته است. نتایج نشان می­دهد که سنجه­ی اف در ریشه­یاب تاشفین بهتر از سایر ریشه‌یاب‌ها است که این موضوع در تحقیقات مرتبط نیز مشاهده شده است. http://jsdp.rcisp.ac.ir/article-1-1346-fa.pdf 2024-08-03 101 112 10.61186/jsdp.21.1.101 دادگان معیار ریشه‌یاب نور-استم میانوند استخراج اطلاعات The main task of the tokenization is to divide the sentences of the text into its constituent units and remove punctuation marks (dots, commas, etc.). Each unit is a continuous lexical or grammatical writing chain that is an independent semantic unit. Tokenization occurs at the word level and the extracted units can be used as input to other components such as stemmer. Stemming is the main step of several processing tasks such as text mining, information retrieval, and natural language processing.Arabic stemmers face many challenges, mostly caused by the complex nature of Arabic words and their different writing styles. To our knowledge, there is no gold stemming dataset, which contains a wide variety of different possible stemming challenges, so that, stemmers face numerous and different possible real-world challenges to stem the words. Thus, we find it valuable to develop a dataset for evaluating the sustainability of stemmers in such a variety of challenging situations. In this paper, we introduce Noor-Stem, a benchmark dataset with various writing styles for the evaluation of Arabic stemmers. We use two thousand Arabic words in this dataset. We choose the words from different sources such as holy Quran as well as the Arabic websites and assign them to two groups of human experts to determine the correct stem for each word. The first chosen collection of words includes non-repetitive words of the Quran according to their morphological structure. This collection, with more than 16,000 words, is completely by its Quranic usage, labeling only the words stems. The necessity of morphological analysis in Quranic texts as an example of the index of classical Arabic texts has given rise to this evaluation. The second word collection includes 10 thousand words from the non-repetitive words of the text data in general classic Arabic texts. Out of more than 2,600,000 non-repetitive words, considering that the dataset is going to be gold and each stem must be labeled/ensured by a couple of experts, 10,000 words are chosen, regarding the comprehensive and unique patterns to fully measure the length. The variety of patterns can face each stemmer with a serious challenge to demonstrate its performance in various processes. We evaluate the performance of three Arabic stemmers (Light 10, NLTK and Tashaphyne) on this dataset. The results show that the F-measure of Tashaphyne is better than the other stemmers, which re-proves the superiority of this stemmer in this type of problem, as well. http://jsdp.rcisp.ac.ir/article-1-1346-en.pdf 2024-08-03 101 112 10.61186/jsdp.21.1.101 Benchmark Dataset Stemmer Noor-Stem Infix Information Retrieval Azal Al-Aswad azal.alamery2@gmail.com 1 AUTHOR Behrouz Minaei-Bidgoli b_minaei@iust.ac.ir 2 AUTHOR Mohammad-Ebrahim Shenassa me.shenasa@iau-tnb.ac.ir 3 AUTHOR Sayyed-Ali Hossayni sayyed.hossayni@yandex.com 4 AUTHOR Habib Seryani hseryani@noornet.net 5 AUTHOR

OTHERS_CITABLE سیستم‌های توصیه‌گر زیرمجموعه‌ای از سیستم‌های هوشمند پالایش اطلاعات هستند که در فضای اینترنت علایق کاربر را شناسایی نموده و توصیه‌های مرتبط با سلیقه‌ی کاربر را ارائه می‌دهند. پالایش مشارکتی مبتنی بر کاربر، از مهم‌ترین انواع سیستم‌های توصیه‌گر است. از مهم‌ترین چالش‌ها در این سیستم‌ها پراکندگی و حجم زیاد داده‌ها است که بر کارایی آن‌ها اثرگذار است. در روش پیشنهادی، برای اولین بار از الگوریتم خوشه‌بندی فازی C-میانگین مرتب‌شده و الگوریتم‌ تکاملی ازدحام ذرات تطبیقی آشوبی برای خوشه‌بندی کاربران استفاده‌ شده ‌است. هدف روش پیشنهادی بهبود میزان خطای پیش‌بینی در مجموعه داده‌های حجیم با پراکندگی زیاد و کاهش تأثیر داده های پرت و نویز است. به منظور ارزیابی و اثبات کارایی روش پیشنهادی، آزمایش‌هایی روی پایگاه داده‌های واقعی اجرا شده‌ است. نتایج آزمایش‌ها نشان‌دهنده‌ی برتری روش پیشنهادی نسبت به روش‌های مرز دانش بر اساس معیارهای میانگین خطای مطلق، جذر میانگین مربعات خطا، نرخ صحت و زمان محاسباتی است.   http://jsdp.rcisp.ac.ir/article-1-1129-fa.pdf 2024-08-03 113 124 10.61186/jsdp.21.1.113 سیستم توصیه‌گر پالایش مشارکتی خوشه‌بندی فازی الگوریتم تکاملی الگوریتم ازدحام ذرات تطبیقی آشوبی Recommender systems are a subset of intelligent information filtering systems that discovers user interests and provide user-friendly recommendations. User-based collaborative filtering recommender systems is one of the most important types of recommender systems. However, they are faced with voluminous data and sparsity problems that have negative effects on the performance of the systems. In the proposed method, fuzzy C-ordered means clustering algorithm is integrated with a chaotic self-adaptive particle swarm evolutionary algorithm for clustering users. The proposed method aims to improve the rating prediction in large sparse datasets and reduce the negative impact of outliers and noisy data. Experiments have been conducted on real-world datasets to evaluate and prove the efficiency of the proposed method. Experimental results show the superiority of the proposed method that the state-of-the-art methods based on prediction error criteria, accuracy rates, and the computational time. http://jsdp.rcisp.ac.ir/article-1-1129-en.pdf 2024-08-03 113 124 10.61186/jsdp.21.1.113 Recommender systems Collaborative filtering Fuzzy clustering Evolutionary algorithm Chaotic self-adaptive particle swarm optimization algorithm. Javad Hamidzadeh J_Hamidzadeh@sadjad.ac.ir 1 Sadjad University of Technology AUTHOR Mona Moradi Mmoradi@semnan.ac.ir 2 Semnan University AUTHOR

OTHERS_CITABLE امروزه با رشد فعالیت در شبکه‌های اجتماعی شاهد افزایش کلام نفرت‌انگیز به صورت برخط هستیم و به‌همین منظور مسئلۀ تشخیص نفرت در فضای مجازی دارای اهمیت است. همچنین تطبیق دامنه نیز در این مسئله و به‌طورکلی در حوزۀ پردازش زبان طبیعی، یکی از چالش‌های مهم است. در بسیاری از مسائل، ضمن تغییر دامنه با افت عملکرد مواجهیم که این موضوع در مسئلۀ نفرت نیز صادق است. در این پژوهش با استفاده از روش‌های تطبیق دامنه سعی در افزایش قدرت تعمیم‌پذیری مدل‌های تشخیص نفرت خواهیم داشت. برای این منظور روش‌های مبتنی بر ترنسفورمر شامل آموزش خصمانۀ دامنه و ترکیب متخصصان را به کار می‌گیریم و همچنین از آموزش چند منبعی استفاده می‌کنیم. آزمایش‌ها با استفاده از چهار مجموعه‌داده در حوزۀ نفرت انجام می‌شوند. در ابتدا مد‌ل‌ها را به‌صورت درون‌ دامنه‌ای و تک منبعی ارزیابی می‌کنیم. در مرحلۀ بعد با اضافه کردن دامنه‌های دیگر به بخش آموزش، شاهد افت نتایج و انتقال منفی هستیم. سپس آزمایش‌های برون دامنه‌ای را ابتدا به‌صورت تک منبعی با مدل DistilBERT انجام می‌دهیم که با تغییر دامنه نتایج به طور قابل توجهی کاهش می‌یابند. به‌منظور افزایش قدرت تطبیق دامنۀ مدل‌ در بخش برون دامنه‌ای، روی چند منبع آموزش را انجام می‌دهیم که حدوداً در نیمی از موارد سبب بهبود نتایج می‌شود که نتیجۀ معناداری نیست. در ادامه با استفاده از روش‌های مبتنی بر ترنسفورمر شامل آموزش خصمانۀ دامنه و ترکیب متخصصان سعی در افزایش قدرت تطبیق دامنۀ مدل‌ها خواهیم داشت که در 87% از آزمایش‌های برون دامنه‌ای چند منبعی شاهد افزایش عملکرد هستیم. البته این روش‌ها در عملکرد آزمایش‌های درون دامنه‌ای هم مؤثر هستند. مسئلۀ مهمی که گاهی موجب افت‌وخیز چشمگیر نتایج می‌شود، مجموعه‌داده‌ها هستند. شباهت داده‌ها و تشابه توزیع بعضی دامنه‌ها باعث افزایش قدرت تطبیق دامنۀ مدل می‌شوند.   http://jsdp.rcisp.ac.ir/article-1-1341-fa.pdf 2024-08-03 125 142 10.61186/jsdp.21.1.125 کلام نفرت‌انگیز تطبیق دامنه تعمیم طبقه‌بندی ترنسفورمر Today, with the growth of activity in social media, we see an increase in hate speech online and for this reason, the issue of recognizing hate in cyberspace is important. Also, domain adaptation is one of the important challenges in this task and in general in the field of natural language processing. In many issues, while changing the domain, we face a drop in performance, which is also true in the task hate speech. In this research, we try to increase the generalizability of hate detection models by using domain adaptation methods. For this purpose, we use Transformer-based methods, including domain adversarial training and mixture of experts, and we also use multi-source training. Experiments are conducted using four datasets in the domain of hate. At first, we evaluate the models in an in-domain and single-source manner. In the next step, by adding other domains to the education section, we see a drop in results and a negative transfer. Then we perform the out-of-domain tests first as a single source with the DistilBERT model, which significantly reduces the results by changing the domain. In order to increase the power of domain adaptation of the model in the out-of-domain part, we perform the training on several sources, leads to improve the results in about half of the cases, which is not significant. In the following, we try to increase the domain adaptation power of the models, using transformer-based methods including domain adversarial training and the mixture of experts, which leads to increase in performance in 87% of multi-source out-of-domain tests. Of course, these methods are also effective in the performance of in-domain tests. An important issue that sometimes causes a significant drop in results is datasets. The similarity of the data and the similarity of the distribution of some domains increase the power of domain adaptation of the model and on the contrary. http://jsdp.rcisp.ac.ir/article-1-1341-en.pdf 2024-08-03 125 142 10.61186/jsdp.21.1.125 hate speech classification transformer domain adaptation generalization Seyedeh Fatemeh Nourollahi sfn1373@gmail.com 1 Qom University AUTHOR Razieh Baradaran r.baradaran@stu.qom.ac.ir 2 Qom University AUTHOR Hossein Amirkhani amirkhani@qom.ac.ir 3 Qom University AUTHOR