چکیده مقاله
پژوهش حاضر با هدف ارائه یک مدل ترکیبی مبتنی بر ترنسفورمرها و یادگیری تقویتی از بازخورد انسانی RLHF برای تحلیل پویای الگوهای رفتاری در داده های حجیم شبکه های اجتماعی انجام شده است با توجه به ماهیت پویا و پیچیده تعاملات انسانی در فضای مجازی، روش های سنتی تحلیل داده توانایی لازم برای انطباق با تغییرات سریع رفتاری و استخراج الگوهای معنادار را ندارند در این مطالعه، ابتدا مبانی نظری مرتبط با معماری ترنسفورمر، مکانیسم های توجه، مدل های زبانی بزرگ و یادگیری تقویتی عمیق مورد بررسی قرار گرفت سپس مدل ترکیبی پیشنهادی طراحی و پیاده سازی شد که شامل دو بخش اصلی است: لایه های ترنسفورمر برای استخراج ویژگی های متنی و رفتاری، و عامل یادگیری تقویتی برای انطباق پویا با بازخوردهای محیطی و انسانی یافته های پژوهش نشان داد که مدل ترکیبی قادر است با بهره گیری از مکانیسم توجه، تمرکز محاسباتی را بر روی بحرانی ترین بخش های رفتاری معطوف کرده و از سوی دیگر با دریافت بازخورد پیوسته از محیط، سیاست های خود را به روزرسانی نماید مدل پیشنهادی در مقایسه با رویکردهای ایستا، عملکرد پایدارتر و دقیق تری در تشخیص الگوهای رفتاری نوظهور و تغییرات تدریجی سبک ارتباطی کاربران از خود نشان داد همچنین توانایی مدل در تعامل هوشمندانه و بهینه سازی محتوا برای پاسخ های رفتاری مطلوب، افق های جدیدی را برای طراحی سیستم های مداخله پیشگیرانه در حوزه هایی همچون سلامت روان، شناسایی رفتارهای مخرب و ایجاد محیط های مجازی امن تر می گشاید این پژوهش ضمن تایید کارایی رویکرد ترکیبی، چالش هایی همچون پیچیدگی محاسباتی و ملاحظات اخلاقی را نیز مطرح می سازد که می تواند زمینه ساز تحقیقات آتی در این حوزه باشد
کلیدواژهها
نویسندگان
محمد نوربخش
دانشجوی ارشد رشته مهندسی کامپیوتر گرایش هوش مصنوعی دانشگاه جامع امام حسین تهران، ایران
حسین صابری
هیئت علمی دانشگاه جامع امام حسین تهران، ایران
شیوه ارجاع
نوربخش، محمد و صابری، حسین،1404،ارائه یک مدل ترکیبی مبتنی بر ترنسفورمرها و یادگیری تقویتی (RLHF) جهت تحلیل پویای الگوهای رفتاری در داده های حجیم شبکه های اجتماعی،ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان
ارائهشده در
مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی2 اسفند 1404 · همدان