شرکت های پیشرو در ارایه خدمات به درستی می دانند که برای بقا و رشد در محیط به شدت رقابتی امروز ناچارند به طور مداوم به رصد کیفیت خدماتی بپردازند که به مشتریان شان ارایه می دهند. به درستی این یک راهبرد برای آن هاست که با بازخورد گرفتن از مشتریان به عنوان مهم ترین عامل در صعود یا سقوط شان از جایگاه رقابتی، به تثبیت و اعتلای موقعیت شان بپردازند. در این راستا مدل های مبتنی بر ادراک و انتظار مشتری از جایگاه ویژه ای در بررسی کیفیت خدمات برخوردارند که به طور گسترده ای در دامنه متفاوتی از شرکت های خدماتی از آن ها استفاده می شود. پژوهش حاضر با به کارگیری شبکه های عصبی مصنوعی به عنوان یک ابزار قدرت مند در پردازش اطلاعات غیرخطی، به بررسی مقایسه ای مدل های فوق در صنعت هتل داری به عنوان یک صنعت پیشروی خدماتی می پردازد. نتایج نشان داد که شبکه های عصبی مصنوعی با استفاده از داده های جمع آوری شده توسط مدل سروکوال وزنی نسبت به مدل های دیگر، با دقت بیشتری قادر به ارزیابی کیفیت خدمات و پیش بینی رضایت مندی مشتریان است.

Automatic topic detection seems unavoidable in social media analysis due to big text data which their users generate. Clustering-based methods are one of the most important and up-to-date categories in topic detection. The goal of this research is to have a wide study on this category. Therefore, this paper aims to study the main components of clustering-based-topic-detection, which are embedding methods, distance metrics, and clustering algorithms. Transfer learning and consequently pretrained language models and word embeddings have been considered in recent years. Regarding the importance of embedding methods, the efficiency of five new embedding methods, from earlier to recent ones, are compared in this paper. To conduct our study, two commonly used distance metrics, in addition to five important clustering algorithms in the field of topic detection, are implemented by the authors. As COVID-19 has turned into a hot trending topic on social networks in recent years, a dataset including one-month tweets collected with COVID-19-related hashtags is used for this study. More than 7500 experiments are performed to determine tunable parameters. Then all combinations of embedding methods, distance metrics and clustering algorithms (50 combinations) are evaluated using Silhouette metric. Results show that T5 strongly outperforms other embedding methods, cosine distance is weakly better than other distance metrics, and DBSCAN is superior to other clustering algorithms.

تحلیل و محاسبه شبکه های تهویه یکی از مهمترین بخش های طراحی، پیش از استخراج است. شبکه طراحی شده در حین عملیات استخراج ممکن است تحت تاثیر پارامترهایی داخلی و خارجی قرار گیرد و در نتیجه کارایی پیش بینی شده در مرحله طراحی را نداشته باشد. شناسایی پارامترهای دخیل در کارایی یک شبکه تهویه در طول مرحله های آماده سازی و فرایند استخراج اهمیت فراوانی دارد. با در نظر گرفتن عدم قطعیت موجود در تغییرات مقاومت ناشی از عوامل داخلی و خارجی، ورودی مدل تحلیل حساسیت شبکه تهویه، تغییرات مقاومت در نظر گرفته شده است. شیب تفاضل محدود تغییرات شدت جریان پس از هر بار تغییر مقاومت نسبت به شدت جریان در حالت عادی به عنوان کمیت حساسیت اندازه گیری شده است. آنالیز حساسیت برای شبکه تهویه معدن تخت انجام شده است. تغییرات مقاومت در تونل اصلی که وظیفه حمل و نقل پرسنل و مواد حاصل از استخراج را بر عهده دارند به عنوان وروودی مدل تحلیل حساسیت در نظر گرفته شده است. بر اساس رابطه افت فشار، تغییرات شدت جریان همه شاخه ها به ازای هر بار تغییر به عنوان خروجی مدل ذخیره شده است. شیب تفاضل محدود تغییرات شدت جریان پس هر بار اعمال تغییر مقاومت به عنوان مقدار حساسیت هر شاخه محاسبه شده است. بیشترین مقدار معرف حساس ترین شاخه نسبت به تغییر مقاومت در تونل اصلی است. حساس ترین شاخه، تونل خروج هوای تهویه شده از بخش های مختلف معدن و دویل تهویه منتقل کننده هوا بین دو تراز ارتفاعی متفاوت است. شاخه های با حساسیت بالا ریسک بالاتری برای از کار افتادن دارند بنابراین می توان حساسیت هر شاخه از شبکه را به عنوان ضریبی در مدل تحلیل قابلیت اطمینان شبکه های تهویه وارد کرد.