مطالعات مدیریت کسب و کار هوشمند
مطالعات مدیریت کسب و کار هوشمند

طراحی سیستم سنجش تطایق نام و حوزه فعالیت شرکت ها بر اساس هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسنده

محمد ربیعی

استادیار، گروه مهندسی برق و کامپیوتر، دانشکده فنی و مهندسی، دانشگاه ایوان کی، ایوان کی، سمنان، ایران.نویسنده مسئول ohammad.Rabiei@eyc.ac.ir :

https://doi.org/10.22054/ims.2026.83957.2573
چکیده
تایید نام در فرآیند ﺛﺒﺖ ﺗﺎﺳﻴﺲ ﺷﺮﻛﺖ ﺑﺎﻋﺚ ﻣﻲﺷﻮﺩ ﺍﺯ ﺛﺒﺖ ﺷﺮﻛﺖ ﻫﺎﻳﻲ ﻛﻪ ﻧﺎﻡ ﺁﻥ ﻫﺎ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﻫﻤﺨﻮﺍﻧﻲ ﻧﺪﺍﺭﺩ ﺟﻠﻮﮔﻴﺮﻱﺑﻌﻤﻞ ﺁﻳﺪ. ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ بمنظور بررسی درصد تطبیق ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻣﺘﻘﺎﺿﻴﺎﻥ ﺛﺒﺖ ﺷﺮﻛﺖ ﺑﺎ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ روشی نوین بر اساس الگوریتمهای یادگیری عمیق ارائه شده است. داده های این پژوهش از ﺳﺎﺯﻣﺎﻥ ﺛﺒﺖ ﺍﺳﻨﺎﺩ ﻭ ﺍﻣﻼﻙ ﻛﺸﻮﺭ جمع آوری گردیده است. در روش پیاده سازی ابتدا از فیلترهای اولیه نامگذاری شرکت استفاده شده است. سپس با ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺗﺮﻛﻴﺐﺭﻭﺵ آریا برت به ﻋﻨﻮﺍﻥ ﻳﻚ ﺗﻜﻨﻴﻚ تعبیه کلمات به ﺗﺒﺪﻳﻞ ﻧﺎﻡ پیشنهادی ﺷﺮﻛﺖ به بردار پرداخته می شود. در مرحله ای موازی زمینه فعالیت شرکت را با استفاده از فستتکس به ﺑﺮﺩﺍﺭ ﻋﺪﺩﻱ ﻭ تلفیق بردار بدست آمده با الگوریتمهای یادگیری عمیق حافظه کوتاه و بلند مدت دو طرفه بر اساس یک لایه توجه اضافه می گردد. جهت ارزیابی نتایج از ﻣﻌﻴﺎﺭ ﺷﺒﺎﻫﺖﻛﺴﻴﻨﻮﺳﻲ و معیار روج (1و2و ال) ﺍستفاده ﺷﺪﻩ ﺍﺳﺖ. پس از تایید پذیرش نام شرکت و زمینه فعالیت، از روش خوشه بندی دیبی اسکن برای خوشه بندی نام شرکت در دسته های فعالیت استفاده می شود.
نتایج تحقیق نشان می دهد که مقادیر دقت در بخش بردار سازی زمینه فعالیتهای شرکت برای معیار روج ال مقدار 7982/0 و مقادیر دقت و فراخوانی نهایی مدل به ترتیب 8512/0 ،8317/. محاسبه گردید. ﻫﻤﭽﻨﻴﻦ ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺷﺒﺎﻫﺖ ﻛﺴﻴﻨﻮﺳﻲﻣﺤﺎﺳﺒﻪ ﺷﺪﻩ ﺑﻴﻦ ﻧﺎﻡ ﭘﻴﺸﻨﻬﺎﺩﻱ ﻭ ﺯﻣﻴﻨﻪ ﻓﻌﺎﻟﻴﺖ ﺷﺮﻛﺖ ﺑﺎ ﻣﻘﺪﺍﺭ 93 درصد ﺑﺮ ﺍﺳﺎﺱ معیارهای ﺗﻌﻴﻴﻦ ﻧﺎﻡ ﻧﺸﺎﻥ ﺩﻫﻨﺪﻩ ﻛﺎﺭﻛﺮﺩ ﺩﺭﺳﺖ ﻣﺪﻝ ﻣﻲﺑﺎﺷﺪ.

کلیدواژه‌ها

ﺍﺭﺗﺒﺎﻁ ﻣﻌﻨﺎﻳﻲ
ﺛﺒﺖ ﺷﺮﻛﺖ
ﺷﺒﺎﻫﺖ ﻛﺴﻴﻨﻮﺳﻲ
ﻣﺘﻦ ﻛﺎﻭﻱ
یادگیری عمیق
موضوعات

عنوان مقاله English

Designing a system for matching the name and field of activity of companies based on artificial intelligence

نویسنده English

mohammad rabiei
Associate Professor, Department of Electrical and Computer Engineering, Faculty of Engineering, Eyvanekey University, Eyvanekey, Semnan, Iran.Corresponding Author: Mohammad.Rabiei@eyc.ac. ir
چکیده English

Semantic similarity is used in applications such as information retrieval, text summarization and sentiment analysis. In this article, a new method based on deep learning has been presented in order to check the matching percentage of the proposed name of the company registration applicants with the time of the company's activity. The key innovation lies in the use of a combined Aria BERT model for word embedding to convert registered company names into vectors. Additionally, the company's field of activity is converted into numerical vectors using the FastText model, which are then processed through deep learning algorithms, specifically bidirectional long short-term memory (Bi-LSTM) networks with an additional attention layer. The results were evaluated using cosine similarity and ROUGE criteria. Following the approval of the company name and activity field, the DBSCAN clustering method is employed to categorize the company names based on their activities.
The results demonstrate that the ROUGE-1, ROUGE-2, and ROUGE-L scores for company activity vectorization are 0/7623, 0/7413, and 0/7982, respectively. The overall model accuracy and recall were 0/8512 and 0/8317, respectively. Moreover, the correlation coefficient between the cosine similarity of the proposed names and the company's activity time, as calculated by the model, was 93%, confirming the model's effectiveness.
This method effectively preventing the registration of names that do not meaningfully relate to the company's operations. By clustering company names, the method facilitates the suggestion of related names based on the company's field of activity.

کلیدواژه‌ها English

Company registration
Cosine similarity
Deep learning
Semantic relation
Text mining
  1. Abdous, M., Piroozfar, P., & Minaei Bidgoli, B. (2024). PESTS: Persian–English cross-lingual corpus for semantic textual similarity. Language Resources & Evaluation. https://doi.org/10.1007/s10579-024-09759-3
  2. Baigi, S. F. M., Sarbaz, M., Sobhani-Rad, D., & Kimiafar, K. (2023). A comparative study of rehabilitation information systems in 8 countries: A literature review. Iranian Rehabilitation Journal, 21(1), 1–16. https://doi.org/10.32598/irj.21.1.1766.1
  3. Barbella, M., & Tortora, G. (2022). Rouge metric evaluation for text summarization techniques. SSRN. https://doi.org/10.2139/ssrn.4120317
  4. Dogan, M. E., Dogan, T. G., & Bozkurt, A. (2023). The use of artificial intelligence (AI) in online learning and distance education processes: A systematic review of empirical studies. Applied Sciences, 13(5). https://doi.org/10.3390/app13053056
  5. Ghafouri, A., Abbasi, M. A., & Naderi, H. (2023). AriaBERT: A pre-trained Persian BERT model for natural language understanding. arXiv. https://arxiv.org/abs/2304.04632
  6. Hosseini, Z. S. M. E., Izadi, M., Tavakoli, M., et al. (2021). Designing a deep neural network model for finding semantic similarity between short Persian texts using a parallel corpus.
  7. Khan, S., & Anjum, M. A. I. (2023). Words in mental lexicon: A comparative analysis of word association (WA) responses of Pakistani L1 and Afghan L2 speakers of Urdu. Journal of Communication and Cultural Trends, 5(1), 86–105. https://doi.org/10.32350/jcct.51.05
  8. Masumi, M., Majd, S. S., Shamsfard, M., & Beigy, H. (2024). FaBERT: Pre-training BERT on Persian blogs. arXiv. https://doi.org/10.48550/arXiv.2402.06617
  9. Mehrban, A., & Ahadian, P. (2023). Evaluating BERT and ParsBERT for analyzing Persian advertisement data. arXiv. https://arxiv.org/abs/2305.02426
  10. Moniri, S., Schlosser, T., & Kowerko, D. (2024). Investigating the challenges and opportunities in Persian language information retrieval through standardized data collections and deep learning. Computers. https://doi.org/10.3390/computers13020045
  11. Ros, F., Riad, R., & Guillaume, S. (2023). PDBI: A partitioning Davies–Bouldin index for clustering evaluation. Neurocomputing, 528, 125–139. https://doi.org/10.1016/j.neucom.2023.01.043
  12. Sadidpour, S. S., Haji Gholamreza, M., Mohammadzadeh, M. R., Mohammadi, M. R., & Keivanrad, M. A. (2022). Investigation of the semantic similarity of Persian sentences using vector space adaptation and deep learning.
  13. Sadjadi, S. M., Rajabi, Z., Rabiei, L., & Moin, M.-S. (2024). FarSSiBERT: A novel transformer-based model for semantic similarity measurement of Persian social networks informal texts. arXiv. https://arxiv.org/abs/2407.19173
  14. Zareshahi, A., Javadzade, M. A., & Bastami, E. (2024). Measuring semantic similarity of Persian sentences using ParsBERT model. In 2024 10th International Conference on Artificial Intelligence and Robotics (QICAR) (pp. 316–321). https://doi.org/10.1109/QICAR61538.2024.10496609

 

 

 

‌

 

 

‌ ‌استناد به این مقاله: ربیعی، محمد. (1405). طراحی سیستم سنجش تطابق نام و حوزه فعالیت شرکت‌ها بر اساس هوش مصنوعی، مطالعات مدیریت کسب وکار هوشمند، 15(55)، 299-328. DOI: 10.22054/ims.2026.83957.2573

 Journal of Business Intelligence Management Studies is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License..

مطالعات مدیریت کسب و کار هوشمند
دوره 15، شماره 55
بهار 1405
صفحه 307-336

  • تاریخ دریافت 06 بهمن 1403
  • تاریخ بازنگری 28 آبان 1404
  • تاریخ پذیرش 13 دی 1404

اعضای هیات تحریریه

ارسال مقاله

هزینه بررسی مقاله ها

تماس با ما