چارچوبی بهینه برای مدیریت اطلاعات سازمانی با استفاده از یادگیری عمیق مبتنی بر LSTM

مدیریت موثر اطلاعات سازمانی در شرایطی که بنگاه های مدرن حجم عظیمی از داده های پویا و ناهمگون تولید می کنند، به طور فزاینده ای حیاتی شده است. برای مقابله با محدودیت های روش های تحلیلی متداول در ثبت وابستگی های زمانی و الگوهای پیچیده، این پژوهش یک چارچوب مبتنی بر یادگیری عمیق را معرفی می کند که از شبکه حافظه طولانی کوتاه مدت (LSTM) برای طبقه بندی داده های سازمانی و ارتقای عملکرد بهره می برد. مدل پیشنهادی با تکیه بر توانایی LSTM در حفظ وابستگی های بلندمدت، تفسیر دقیق تری از اطلاعات ترتیبی سازمانی را ممکن می سازد. نتایج تجربی، بهبودهای مستمر عملکرد را نسبت به رویکردهای موجود نشان می دهد؛ از جمله افزایش ۱.۵۶ درصدی در دقت، ۲.۵۱ درصدی در صحت، ۳.۳۶ درصدی در شاخص F۱ و ۲.۸۵ درصدی در فراخوانی. علاوه بر این، زمان اجرا و تاخیر پردازش به ترتیب ۲.۱۰ و ۱.۸۹ درصد کاهش یافته و در مجموع، کاهش ۳.۲۶ درصدی در تاخیر کلی پردازش حاصل شده است. این یافته ها بر اثربخشی روش پیشنهادی در بهبود قابلیت اطمینان تحلیلی، کارایی محاسباتی و توانمندی های پشتیبانی تصمیم در سامانه های مدیریت اطلاعات سازمانی تاکید دارند.