سازوكاري براي بهينه‌سازي استخراج ويژگي براي تشخيص هم‌مرجعي در زبان فارسي

كارشناسي ارشد

تشخيص هم‌مرجعي يكي از پايه هاي مهم در پردازش زبان طبيعي مي‌باشد. كاربردهاي مهمي در حوزه‌هايي مانند پاسخ گويي به سؤال، ترجمه ماشين، خلاصه سازي اتوماتيك و استخراج موجوديت نامدار، دارد. وظيفه‌ي تشخيص هم‌مرجعي حل و فصل عبارت‌هاي اسمي و ضماير در متن است كه به موجوديت يكسان ارجاع مي‌دهد بنابراين به منظور فهميدن سندهاي متني و يا حتي سخن لازم است هم‌مرجعي حل و فصل شود. روش‏هاي تشخيص هم‌مرجعي را مي‏توان به دو دسته‏ي روش‏هاي زبان‏شناسي و روش‏هاي يادگيري ماشين تقسيم نمود. روش‏هاي زبان‏شناسي بيشتر به اطلاعات زبان‏شناسي نياز دارند، البته مشكلي كه اين روش‏ها دارند اين است كه احتمال خطا در آن‌ها بيشتر است هم¬چنين اجراي اين روش‌ها زمانبر مي‏باشند، درحالي كه روش‏هاي يادگيري ماشين كم¬تر به اطلاعات زبان‏شناسي نياز دارند و نتايج به¬دست آمده از آن‌ها قابل اعتماد‏تر است. تشخيص عبارت¬هاي هم مرجع با استفاده از رو¬ش¬هاي يادگيري ماشين و مبتني بر پيكره در سال¬هاي اخير در عمليات مرجع گزيني رونق فراوان پيدا كرده است و نتايج مناسبي را هم به دنبال داشته است. براي استفاده از چنين روش¬هايي نياز به يك پيكره برچسب گذاري شده با حجم مناسب مي¬باشد. در اين پايان‏نامه تلاش مي‏كنيم تا فرآيند تشخيص مرجع‏مشترك را مورد مطالعه قرار دهيم .به همين منظور بايد ركن هاي اساسي كار را كه پيكره نشانه‏گذاري شده و الگوريتم پيشنهادي پيش‏بيني عبارت‏هاي اسمي هم‏‏مرجع است را مبناي كار قرار دهيم. درهمين راستا، در قدم اول با استفاده از پيكره PCAC-2008 كه داراي نشانه‏هاي اشاره و هم‏مرجعي مي¬باشد، سيستمي ارائه مي‏كنيم كه اسم هاي هم¬مرجعي موجود در متن را شناسايي كرده و سپس با درنظرگرفتن ويژگي هاي مشخص شده نمونه‏هاي مثبت و منفي را از پيكره استخراج مي‏كنيم و با تغيير دادن ويژگي¬ها مي خواهيم به اين نتيجه برسيم كه كدام دسته از ويژگي¬هاي مشخص شده تأثير چشم¬گيري در بالا بردن يا پايين آوردن دقت و بازيابي و در نهايت معيار F دارند. در نهايت نيز با استفاده از الگوريتم‏ يادگيري پايه شبكه عصبي نمونه‏هاي حاصله را مورد ارزيابي و مقايسه قرار داديم. نتايج حاصل از اين پژوهش نشان مي‏دهد كه سيستم مورد نظر با به كارگيري شبكه عصبي و با درنظرگرفتن ويژگي¬هاي نحوي خاص، توانسته معيار F را براي فرايند تشخيص مرجع ضمير به 59.4 برساند كه نسبت به سايرين عملكرد بهتري است.

191143

دانشگاه علم و صنعت ايران

نرم افزار

دكتر بهروز مينايي