این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۱، شماره ۳، صفحات ۹۷-۱۱۰
عنوان فارسی شناسایی موجودیت‌های اسمی با استفاده از یادگیری عمیق و رویکرد تقویتی
چکیده فارسی مقاله مطالعات و بررسی‌ها نشان می‌دهد که در سال‌های اخیر اهمیت شناسایی موجودیت‌های اسمی در متن دو چندان شده و به‌عنوان داغ‌ترین موضوع‌ها در حوزه پردازش زبان طبیعی به آن پرداخته می‌شود. یکی از دلایل این امر سرعت رشد بالای روش‌های نوظهور در حوزه هوش مصنوعی به طور ویژه شبکه‌های عصبی می‌باشد. با روی کار آمدن شبکه‌های عصبی عمیق به دلیل کارایی بالایی که در حل مسائل حوزه پردازش زبان طبیعی از خود نشان دادند، این امکان به وجود آمد که در حل مسائلی مانند شناسایی موجودیت‌های اسمی با ارائه روش‌های جدید بتوان به خروجی‌های مطلوب‌تری رسید. آنچه باعث بهتر شدن دقت چنین سیستم‌هایی می‌شود استفاده از ویژگی‌های منحصربه‌فردی است که تا قبل از ظهور یادگیری عمیق دست نیافتنی بودند. یکی از آن‌ها استفاده از مدل‌های زبانی است که معنا را از پیکره‌های متنی درک کرده‌اند. در این مقاله با استفاده از مدل زبانی معنایی ایجاد شده در زبان فارسی و یک شبکه عصبی عمیق پیشنهادی با الگوگیری از منطق تکرار در این شبکه‌ها، روشی پیشنهاد شده است که مشکل نیاز به داده زیاد را در فرایند یادگیری حل می‌کند. روش پیشنهادی بر روی مجموعه داده CoNLL 2003 انگلیسی و مجموعه داده آرمان و پیما در زبان فارسی ارزیابی شده است و به ترتیب مقادیر 95.3، 96.32 و94.72 را برای معیار F  به ثبت رسانده که بهبود نسبی را نسبت به روش‌های اخیر نشان می‌دهد.
کلیدواژه‌های فارسی مقاله موجودیت اسمی، شناسایی موجودیت اسمی، مدل زبانی، یادگیری عمیق، رویکرد تقویتی
عنوان انگلیسی Identify the Named Entities Using Deep Learning and Reinforcement Approach
چکیده انگلیسی مقاله The increasing growth of unstructured textual data has led some researchers to seek solutions to extract knowledge from this data for their own purposes. Issues such as information retrieval, text summarization, question answering systems, machine translation and knowledge base construction. Therefore, by processing natural language, which is one of the subfields of artificial intelligence, information can be extracted from textual data and by analyzing them, a better and more accurate understanding of this data can be achieved. This has led to the production of tools for a better and deeper understanding of texts. One of the most important processing in text is Named Entity Recognition and recognizing their type such as person, place, organization and numeric values. Studies show that in recent years, not only has the importance of Named Entity Recognition in the text not diminished, but it has been addressed as one of the hottest topics in the field of natural language processing. Perhaps one of the reasons why the Named Entity Recognition is one of the current issues in the field of natural language processing is the high growth rate of emerging methods in the field of artificial intelligence, especially neural networks. With the advent of deep neural networks due to their high efficiency in solving problems in the field of natural language processing, it became possible to achieve more desirable outcomes in solving problems such as Named Entity Recognition by presenting new methods. What improves the accuracy of such systems is the use of unique features that were unattainable before the advent of deep learning. One of them is the use of linguistic models that have understood the meaning. The construction of language models based on deep learning created a revolution in the field of natural language processing to the point that the competition for the construction of language models with high accuracy became serious. In this research, using a semantic language model created in Persian and a proposed deep neural network by modeling the logic of repetition in these networks, a method is proposed that solves the problem of the need for high data in the learning process. The proposed method is evaluated on CoNLL 2003 English data set and Arman and Peyma data set in Persian language and shows 95.3, 96.32 and 94.72 for F measure, respectively.
کلیدواژه‌های انگلیسی مقاله Named Entity, Named Entity Recognition, Language Model, Deep Learning
نویسندگان مقاله علی امیری‌جزه | Ali Amiri Jezeh
Imam Hossein University
دانشگاه امام حسین(ع)

مهدی نقوی | Mehdi Naghavi
Imam Hossein University
دانشگاه امام حسین(ع)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1502-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش متن
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات