يك سيستم بازيابي اطلاعات خود نظارتي در زبان فارسي با استفاده از روش¬هاي يادگيري عميق

كارشناسي ارشد

با پيشرفت تكنولوژي و افزايش محبوبيت و دسترسي به شبكه جهاني اينترنت، حجم اسناد و اطلاعات در دسترس كاربران روز به روز در حال افزايش است و نياز به وجود سيستم‌هايي براي بازيابي اطلاعات مرتبط با نياز اطلاعاتي كاربران بيش از پيش احساس مي‌شود. سيستم‌هاي بازيابي اطلاعات تُنُك از اولين سيستم‌هاي مطرح شده هستند و شامل روش‌هاي رتبه‌بندي مانند BM25 مي‌باشند. در اين سيستم‌ها، بازيابي براساس تطبيق ظاهري كلمات پرسه و سند انجام مي‌دهند. اين سيستم‌ها با مشكل شكاف واژگاني روبه‌رو خواهند بود و منجر به افت كارايي سيستم‌هاي بازيابي اطلاعات مي‌شوند. با روي كار آمدن شبكه‌هاي عصبي و رويكردهاي يادگيري عميق، سيستم‌هاي بازيابي اطلاعات متراكم مطرح شدند. از پركاربردترين الگوريتم‌ها در سيستم‌هاي بازيابي اطلاعات متراكم مي‌توان به رويكرد يادگيري بانظارت اشاره كرد كه براي آموزش به حجم قابل قبولي از داده‌هاي آموزشي برچسب‌دار نياز دارد. هدف از اين پژوهش، ارائه يك سيستم بازيابي اطلاعات متراكم بدون نظارت براي زبان‌ها و زمينه‌هاي اطلاعاتي كم‌منبع مي‌باشد. در اين راستا، از مدل زباني بِرت به عنوان يك مدل زباني از پيش آموزش ديده استفاده شده است. سپس براي تنظيم دقيق اين مدل زباني براي ايجاد يك سيستم بازيابي اطلاعات، از رويكردي با عنوان داده‌افزايي انتخابي (SDA) براي غلبه بر محدوديت دسترسي به مجموعه داده برچسب‌گذاري شده استفاده مي‌شود. بر اين اساس نمونه‌هاي برچسب‌دار جديدي براي مجموعه داده بازيابي توليد مي‌گردد. رويكرد پيشنهادي مذكور پس از تنظيم دقيق مدل بازيابي، يك ارزيابي اوليه انجام داده و سپس نمونه‌هاي موجود در مجموعه داده آموزشي را كه مدل بازيابي متراكم ضعف بيشتري روي آن داشته است گسترش مي‌دهد كه در مراحل بعدي، تنظيم دقيق روي داده‌هاي جديد موجب افزايش كارايي مدل مي‌شود. براي توليد نمونه‌هاي جديد، با روش‌ خلاصه‌سازي انتزاعي، پرسه‌هاي جديد از اسناد موجود بدست مي‌آيد. راهكار پيشنهادي بر روي مجموعه داده PersianQuAD در زبان فارسي تنظيم دقيق شده و در معيارهايي از جمله معيار بازخواني و ميانگين رتبه متقابل با مدل زباني پايه مقايسه شده است و نتايج حاصل از اين راهكار پيشنهادي در سه سند نخست بازيابي شده به ترتيب با 9.8% و 5.067% بهبود نسبت به حالت اوليه دست يافته است. سپس براي بررسي راهكار پيشنهادي در زباني غير از زبان فارسي از مجموعه داده Ms-Marco در زبان انگليسي استفاده شده است و با تنظيم دقيق مدل پيشنهادي با اين مجموعه داده در معيارهاي بازخواني و ميانگين رتبه متقابل با 5.61% و 3.31% بهبود نسبت به حالت پايه و اوليه دست يافته كه نشان دهنده كارايي و بهبود راهكار پيشنهادي به صورت مستقل از زبان مي‌باشد.

229916

دانشگاه اصفهان

مهندسي كامپيوتر - نرم افزار

محمدعلي نعمت بخش , زهرا زجاجي