ارائه کننده: علی رضا فلاح زاده
استاد راهنما: دكتر رضا برادران كاظم زاده
استاد داور داخلي: دكتر محمدرضا قطره ساماني
استاد داور خارج از دانشگاه: دكتر جعفر باقري نژاد
نماينده تحصيلات تكميلي: دكتر محمدرضا قطره ساماني
تاریخ: 1403/10/09
ساعت: 11:00
مكان: اتاق 351 دانشكده فني و مهندسي

چکیده:
در دنیای پژوهشی کنونی، یکی از چالش‌های برجسته توانایی تطابق دقیق دانشجویان با استادان مناسب بر اساس نیازهای تخصصی و انتظارات آموزشی است. این مشکل از تداخلات و عدم تطابق‌های ناشی از سیستم‌های پیشنهاددهنده استاد به دانشجو، دقت پایین، و پوشش ناکافی موضوعات پژوهشی در این سیستم‌ها به وجود می‌آید. این پایان‌نامه به طراحی و توسعه یک سیستم توصیه‌گر هوشمند برای تطبیق دانشجویان با دانشگاه‌ها و اساتید مناسب پرداخته است. هدف اصلی پژوهش، ارائه رویکردی جامع برای افزایش دقت و کارایی در انتخاب‌های تحصیلی و پژوهشی با استفاده از تکنیک‌های پیشرفته یادگیری ماشین و پردازش زبان طبیعی(NLP) است. مدل پیشنهادی از ترکیب الگوریتم‌های TF-IDF برای اندازه‌گیری اهمیت یک کلمه، Word Mover’s Distance  برای اندازه‌گیری شباهت معنایی و الگوریتم جنگل تصادفی برای تطبیق دقیق علایق پژوهشی و ویژگی‌های فردی استفاده می‌کند. از ویژگی‌های این تحقیق، توانایی تولید داده مصنوعی شبیه‌سازی شده برای آموزش مدل‌ها علاوه بر داده های واقعی جمع آوری شده از منابع مختلفی مانند پایگاه داده مراکز مهاجرتی و پرسشنامه‌ها است که به ما امکان می‌دهد تا به داده‌های آموزشی به تعداد دلخواه دست یابیم. همچنین، با استفاده از روش L1 Regression برای حذف ویژگی‌های نامرتبط، ساختار داده‌ها بهینه‌سازی شده است و با گذر زمان و کاربرد مدل در شرایط واقعی، داده‌های واقعی به دست آمده از محیط عملیاتی به صورت خودکار جایگزین داده های مصنوعی شده و باعث هوشمندتر شدن مدل می‌شوند. سیستم از طریق ارزیابی با معیارهایی نظیر مربعات خطا و خطای مطلق نشان داد که توانسته است نقاط ضعف موجود در پژوهش‌های قبلی را برطرف کند و با معرفی روش‌های نوین انطباق معنایی و بهینه‌سازی محاسباتی، بستر مناسبی برای توسعه سیستم‌های توصیه‌گر در حوزه آموزش عالی فراهم می‌کند.