بهبود استخراج ویژگی با استفاده از یک مدل یادگیری عمیق گروهی برای تشخیص موجودیت
محل انتشار: فصلنامه مدل سازی در مهندسی، دوره: 20، شماره: 69
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 147
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JME-20-69_009
تاریخ نمایه سازی: 12 مهر 1401
چکیده مقاله:
یکی از مراحل اولیه در بیشتر پردازش های زبان طبیعی، استخراج موجودیت نامدار از جمله است. در این زمینه تکنیک های مختلف مبتنی بر یادگیری ماشین ارائه شده است که بدون نیاز به پیچیدگی های استخراج ویژگی دستی، دقت بالاتری از خود نشان داده اند. لذا، دراین تحقیق ما برای گرفتن ویژگی های جمله ورودی از ترکیب دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشن و همینطور حافظه کوتاه مدت طولانی استفاده می کنیم. با استخراج ویژگی های محلی کلمات توسط شبکه کانولوشن در کنار ویژگی های سراسری، اطلاعات بیشتری از جمله جهت کلاسبندی دقیقتر موجودیتها بدست میآوریم. ما معماری پیشنهادی مان را روی دو دیتاست CoNLL۲۰۰۳ و ACE۰۵ ارزیابی می نماییم و نشان میدهیم که افزودن شبکه کانولوشن سطح کلمه باعث استخراج اطلاعات محلی مفیدی از کلمات موجود در جمله می شود که منجر به افزایش دقت سیستم می گردد. در نهایت، کارایی سیستم را با دیگر رقبا مقایسه مینماییم و برتری این معماری نسبت به دیگران گزارش داده می شود.
کلیدواژه ها:
نویسندگان
الهام پارسایی مهر
گروه کامپیوتر، دانشکده مهندسی، دانشگاه آزاد اسلامی واحد اراک،
مهدی فرتاش
گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
جواد اکبری ترکستانی
گروه مهندسی کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :