بهبود استخراج ویژگی با استفاده از یک مدل یادگیری عمیق گروهی برای تشخیص موجودیت | ||
| مدل سازی در مهندسی | ||
| دوره 20، شماره 69، تابستان 1401، صفحه 103-112 اصل مقاله (982.16 K) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2022.23901.2115 | ||
| نویسندگان | ||
| الهام پارسایی مهر1؛ مهدی فرتاش* 2؛ جواد اکبری ترکستانی2 | ||
| 1گروه کامپیوتر، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد اراک، | ||
| 2گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران | ||
| چکیده | ||
| یکی از مراحل اولیه در بیشتر پردازشهای زبان طبیعی، استخراج موجودیت نامدار از جمله است. در این زمینه تکنیکهای مختلف مبتنی بر یادگیری ماشین ارائه شده است که بدون نیاز به پیچیدگیهای استخراج ویژگی دستی، دقت بالاتری از خود نشان داده اند. لذا، دراین تحقیق ما برای گرفتن ویژگیهای جمله ورودی از ترکیب دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشن و همینطور حافظه کوتاه مدت طولانی استفاده میکنیم. با استخراج ویژگیهای محلی کلمات توسط شبکه کانولوشن در کنار ویژگیهای سراسری، اطلاعات بیشتری از جمله جهت کلاسبندی دقیقتر موجودیتها بدست میآوریم. ما معماری پیشنهادیمان را روی دو دیتاست CoNLL2003 و ACE05 ارزیابی مینماییم و نشان میدهیم که افزودن شبکه کانولوشن سطح کلمه باعث استخراج اطلاعات محلی مفیدی از کلمات موجود در جمله میشود که منجر به افزایش دقت سیستم میگردد. در نهایت، کارایی سیستم را با دیگر رقبا مقایسه مینماییم و برتری این معماری نسبت به دیگران گزارش داده میشود. | ||
| کلیدواژهها | ||
| تشخیص موجودیت نامدار؛ تعبیه گذاری کلمه؛ LSTM؛ CNN؛ پردازش زبان طبیعی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,176 تعداد دریافت فایل اصل مقاله: 769 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 718 |
| تعداد مقالات | 10,319 |
| تعداد مشاهده مقاله | 72,321,797 |
| تعداد دریافت فایل اصل مقاله | 64,044,995 |