رويكردي دقيق‌تر براي درك نظرات كاربران ارائه مي‌دهد، به اين صورت كهABSA تحليل احساسات مبتني بر جنبه جنبه‌هاي خاصي را در يك جمله شناسايي كرده و احساسات بيان‌شده نسبت به هر جنبه را تعيين مي‌كند. در حالي كه در زبان‌هاي با منابع بالا مانند انگليسي پيشرفت چشمگيري داشته‌اند، در زبان‌هاي كم‌منبع مانند اردوABSA تكنيك‌هاي همچنان كمتر مورد بررسي قرار گرفته‌اند. اين امر به دليل كمبود داده‌هاي حاشيه‌نويسي‌شده، پيچيدگي زباني و منابع به‌عنوان راه‌حلي (Few-Shot Learning - FSL) محاسباتي محدود است. در همين حال، يادگيري با نمونه‌هاي كم اميدواركننده براي مقابله با كمبود داده‌ها مطرح شده است كه به مدل‌ها اجازه مي‌دهد از تعداد محدودي نمونه برچسب‌خورده به‌طور مؤثر تعميم دهند. براي زبان‌هاي ABSAاين سمينار مطالعه‌اي جامع در مورد تكنيك‌هاي يادگيري با نمونه‌هاي كم و كاربرد بالقوه آن در تحلي NLP كم ‌منبع با تمركز ويژه بر زبان اردو ارائه مي‌دهد. گزارش با معرفي مفاهيم كليدي در پردازش زبان طبيعي و چالش‌هاي موجود در زمينه‌هاي زباني با منابع محدود آغاز مي‌شود. سپس به بررسي روش‌هاي مختلف ABSA احساسات مي‌پردازد و همچنين استفاده از مدل‌هاي pro‎mp‎t و رويكردهاي مبتني بر (meta learning) از جمله يادگيري متا FSL را در وظايف چندزبانه تحليل احساسات بررسي مي‌كند XLM RoBERTa و BERT, RoBERTaپيش‌آموزش‌ديده مانند. از طريق بررسي گسترده‌ي ادبيات موجود، مدل‌ها و مجموعه‌داده‌ها، اين سمينار به شكاف‌هاي تحقيقاتي مهمي مانند در طبقه‌بندي احساسات زبان اردو FSL كمبود داده‌هاي برچسب‌خورده در سطح جنبه براي زبان اردو و استفاده‌ي اندك از اشاره مي‌كند. با تحليل روش‌هاي فعلي و چالش‌ها، اين كار پايه‌اي براي تحقيقات آينده فراهم مي‌كند كه به توسعه‌ي سيستم‌هاي تحليل احساسات داده‌محور، قابل توضيح و سازگار براي زبان‌هاي كم‌منبع مي‌پردازد. يافته‌ها و بينش‌هاي مبتني بر ارائه‌شده در اينجا با هدف اطلاع‌رساني به كارهاي پايان‌نامه‌اي آينده است كه پياده‌سازي عملي مدل‌هاي FSL براي زبان اردو را در كاربردهاي دنياي واقعي بررسي خواهند كرد .

5/21/2025 12:00:00 AM

87122

1404/06/09

A Study of Few Shot Learning For Aspect Based Sentimental Analysis In Low Resource Languages: with Focus in Urdu

يادگيري با نمونه‌هاي كم، تحليل احساسات مبتني بر جنبه، زبان اردو، مدل‌هاي مبدل

Few-Shot Learning, Aspect-Based Sentiment Analysis, In low resource language such as Urdu Language, Transformer Models, BERT, Natural Language Processing, Low-Resource Languages, Sentiment Analysis, Data Scarcity, Machine Learning