26090

كارشناسي ارشد

1400/08/30

عادل تركمان رحماني - بهروز مينايي بيدگلي

مهندسي كامپيوتر

برچسب¬زني نقش معنايي يكي از پژوهش¬هاي اساسي پردازش زبان طبيعي است. برچسب¬زني نقش معنايي فرآيندي است كه طي آن برچسب¬هاي مشخص‌كننده نقش¬هاي معنايي به كلمات يا عبارات در يك جمله اختصاص داده مي‌شود و ساختار گزاره-آرگومان جملات را توليد مي‌كند. بيشتر روش¬هاي سنتي برچسب-زني نقش معنايي به ويژگي¬هاي نحوي حاصل از تجزيه‌گرهاي نحوي وابستگي زيادي داشتند. اما در پژوهش‌ها و رهيافت‌هاي جديد، مدل¬هاي جديدي تحت عنوان مدل‌هاي انتها به انتها براي برچسب¬زني نقش معنايي ارائه شد كه استفاده از اطلاعات حاصل از تجزيه نحوي در آن¬ها كنار گذاشته شده و در عين حال نتايج مطلوبي هم حاصل شده است. روش پيشنهادي ما در اين پژوهش، ارائه الگوريتمي انتها به انتها براي برچسب¬زني نقش معنايي است كه بر اساس رهيافت يادگيري عميق و همچنين روش مبتني بر وابستگي، با بهره¬گيري از پيكره وابستگي نحوي زبان فارسي كه نخستين پيكره نحوي زبان فارسي است، به برچسب¬زني نقش معنايي در زبان فارسي مي‌پردازد. روش ارائه‌شده با استفاده از شبكه عصبي بازگشتي عميق دوطرفه، پس از استفاده پيكره وابستگي نحوي و استخراج گزاره‌ها از آن، جفت گزاره-آرگومان¬هاي موجود در هر جمله را مشخص مي‌كند. با توجه به اين كه در اين روش از اطلاعات نحوي استفاده نشده يا كمترين استفاده شده، نتيجه به دست آمده در اين پژوهش با معيار ارزيابي سنجه اف، 88.23 % است كه بهتر از نتايج روش¬هاي قبلي مبتني بر اطلاعات نحوي است و اين نشان مي¬دهد كه مي¬توان بدون استفاده از اين اطلاعات هم نتايج خوب و قابل قبولي بدست آورد.

1400/11/30

A deep learning algorithm for end-to-end semantic role labeling

11/21/2022 12:00:00 AM

Semantic role labeling is one of the basic tasks of natural language processing. Semantic role labeling is the process by which semantic role tags are assigned to words or phrases in a sentence and produce the predicate-argument structure of the sentences. Most traditional methods of semantic role labeling were highly dependent on the syntactic properties of syntactic parsers. However, in new research and approaches, new models called end-to-end models for semantic role labeling have been proposed in which the use of information obtained from syntactic analysis has been abandoned and at the same time desirable results have been obtained. Our proposed method in this research is to provide an end-to-end algorithm for semantic role labeling based on the deep learning approach as well as the method based on dependency, using the syntactic dependency body of Persian language which is the first syntactic body of Persian language, deals with the labeling of semantic role in Persian language. The proposed method uses a bidirectional deep recurrent neural network, after using the syntactic dependency body and extracting the propositions from it, identifies the pair of predicate-arguments in each sentence. Due to the fact that this method did not use syntactic information or the least used, the result obtained in this study with the evaluation criterion of F1 is 88.23%, which is better than the results of previous methods based on syntactic information, and this shows It can be said that good and acceptable results can be obtained without using this information.

برچسب زني نقش معنايي , پردازش زبان طبيعي , يادگيري عميق , تجزيه نحوي , متن‌كاوي

Semantic role labeling , natural language processing , deep learning , syntactic analysis , Text Mining

محمدحسين شجاعي باغيني

محمدحسين شجاعي باغيني