|
Title
|
بررسي نقش پايگاه داده هاي گرافي درارتقاي تحليل داده هاي رابطه محوردرسامانه هاي هوش مصنوعي :
سيستم هاي توصيه گر، تشخيص تقلب و پرسش و پاسخ مبتني بر گراف دانش
|
|
Type
|
Presentation
|
|
Keywords
|
Graph Database,Knowledge Graph,Cypher,Neo4j,Data Science,Graph Learning,GNN,Gremlin,Machine Learning
|
|
Abstract
|
درشد شتابان داده هاي پيچيده، ناهمگون و به شدت متصل در حوزه هايي نظير شبكه هاي اجتماعي، تشخيص تقلب، دانش گراف، تحليل زنجيره تأمين و سامانه هاي هوش مصنوعي، نياز به الگوهاي داده اي پيشرفته و رابطه محور را به طور چشمگيري برجسته ساخته است. در چنين بستري، پايگاه داده هاي گرافي با نمايش موجوديت ها و تعاملات آن ها در قالب گره و يال، زيرساختي مناسب براي تغذيه، تقويت و تبيين مدل هاي يادگيري ماشين، يادگيري عميق و سامانه هاي تبييني فراهم مي كنند. اين مقاله به واكاوي نقش پايگاه داده هاي گرافي در بهبود دقت، كارايي، مقياس پذيري و تبيين پذيري كاربردهاي هوش مصنوعي پرداخته و معماري و قابليت هاي Neo4j را به عنوان يكي از پركاربردترين سامانه هاي گرافي مورد تحليل قرار مي دهد. با اتكا بر مرور نظام مند ادبيات و نتايج بنچمارك هاي معتبر منتشرشده در فاصلهٔ سال هاي 2020 تا 2024، نقاط قوت و محدوديت هاي Neo4j در سناريوهاي متنوع تحليلي شناسايي و توصيه هايي براي گزينش معماري مناسب در پروژه هاي داده محور ارائه مي شود. يافته ها نشان مي دهد كه Neo4j در مواجهه با داده هاي به شدت وابسته و پرس وجوهاي چندمرحله اي ، عملكردي برتر و پايدار از خود بروز مي دهد. افزون بر اين، هم افزايي پايگاه داده هاي گرافي با Graph Learning، شبكه هاي عصبي گراف و گراف هاي دانش، بهبودهاي قابل توجهي در كيفيت و تبيين پذيري سامانه هاي پرسش و پاسخ، سيستم هاي توصيه گر، سامانه هاي كشف تقلب و كاربردهاي حوزهٔ سلامت به همراه داشته است.
|
|
Researchers
|
Nadia Fallaahi (First researcher) , Saeed Talatian Azad (Second researcher)
|