7188

ارائه الگوريتمي مبتني بر يادگيري عميق براي برچسب‌زني نقش معنايي با استفاده از فريم‌نت

كارشناسي

مهندسي كامپيوتر

1400

دكتر بهروز مينايي بيدگلي

1400/01/25

مهندسي كامپيوتر

Provide a Deep Learning Algorithm for Semantic Role Labeling using FrameNet

با افزايش روزافزون داده‌ها در اينترنت و تبديل شدن وب به يكي از بزرگترين و ارزشمندترين منابع داده‌ي موجود از سويي و از سوي ديگر، حجم وسيع داده‌هاي توليد شده در اينترنت در قالب زبان طبيعي، اهميت توسعه توانايي پردازش زبان طبيعي را بيش از پيش نشان مي‌دهد. در زبان‌شناسي نوين به طور معمول سطوح مختلفي براي دانش و تحليل زباني در نظر گرفته مي‌شود و معنا يكي از اين سطوح است كه به درك مفهوم واژه‌ها و جملات مربوط مي‌شود. به عبارت ديگر زنجيره‌ي آواها يا حروف، بدون داشتن معنا به هيچ‌وجه كاركرد زبان را نخواهند داشت. يكي از اساسي‌ترين مباحث مورد بحث در پردازش زبان طبيعي، تشخيص اجزاي جمله و ارتباط آن‌ها با موضوع جمله و توانايي پاسخ به سئوالاتي نظير اينكه "چه كسي، چه عملي را، روي چه چيزي و در چه زمان و مكاني، چرا و چگونه انجام داده است" مي‌باشد. اين فرآيند، برچسب‌زني نقش معنايي ناميده مي‌شود. بنابراين، مطالعه‌ي دقيق سطح معنا يا معناشناسي و برچسب‌زني نقش معنايي، به عنوان يكي از مهم‌ترين ابزارهاي پيش‌پردازشي براي اكثر كاربردهاي پردازش زبان طبيعي مانند استخراج موضوع و مفهوم، خلاصه‌سازي، ترجمه‌ي ماشيني، تحليل احساسات، سيستم‌هاي پاسخگو و متن‌كاوي از اهميت ويژه‌اي برخوردار است. اين پروژه بر آن است تا روشي مبتني بر يادگيري عميق جهت برچسب‌زني نقش معنايي در زبان انگليسي بر پايه پيكره‌معنايي فريم‌نت معرفي نمايد. در اين راستا ابتدا يك الگوريتم اكتشافي جهت تشخيص لغات هدف در جمله ارائه مي‌شود. در ادامه براي تشخيص قاب مربوط به جمله و لغت هدف از يك الگوريتم رده‌بندي استفاده شده است و درنهايت يك شبكه عصبي عميق جهت تشخيص بخش‌ها و نقش‌هاي متناظر با آن معرفي ميگردد. روش مطرح شده بر روي مجموعه داده كونل 2008 يادگيري و آزمايش مي‌شود. معيار صحت، بازخواني و معيار اف به دست آمده از اين پروژه در زبان انگليسي به ترتيب 69 درصد، 59 درصد و 64 درصد مي‌باشد.

فريم‌نت , برچسب‌زني نقش معنايي , پردازش زبان‌هاي طبيعي