تشخيص موجوديت هاي اسمي در زبان فارسي با تمركز بر تشخيص خدمات شغلي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

موجوديت‌هاي اسمي، واحدهاي اساسي يك متن هستند. هدف اصلي توسعه سيستم‌ تشخيص موجوديت‌هاي اسمي، دسته‌بندي كلمات يك متن به دسته‌هاي مهمي مانند شخص، سازمان و مكان است. تشخيص موجوديت‌هاي اسمي، كاربرد زيادي در زمينه‌هاي مختلف نظير سيستم‌هاي استخراج اطلاعات، پرسش و پاسخ و خلاصه‌سازي دارد. روش‌هاي مختلفي براي حل مسئله تشخيص موجوديت‌هاي اسمي ارائه شده است كه مي‌توان آن‌ها را در چهار دسته‌ اصلي شامل روش‌هاي مبتني بر قاعده، روش‌هاي بدون نظارت، روش‌هاي با نظارت و روش‌هاي مبتني بر يادگيري عميق قرارداد. تشخيص موجوديت‌هاي اسمي، هنوز هم براي زبان‌هاي كم منبع مانند زبان فارسي، يك چالش اساسي محسوب مي‌شود؛ زيرا اين زبان‌ها با كمبود مجموعه‌داده‌هاي مناسب براي حل اين مسئله مواجه هستند. اين موضوع زماني بيشتر رخ مي‌نمايد كه بخواهيم يك نوع موجوديت اسمي جديد را شناسايي كنيم كه در پژوهش‌هاي قبلي ناديده گرفته شده است. در اين صورت ابتدا بايد يك مجموعه‌داده مناسب براي اين كار ايجاد شود. با توجه ‌به اينكه اكثر مطالعات انجام شده در حوزه‌ تشخيص موجوديت‌هاي اسمي، به طور ويژه براي داده‌هاي خبري تنظيم شده‌اند، موجوديت‌هاي محدودي در زبان فارسي قابل شناسايي هستند. يكي از موجوديت‌هاي اسمي مغفول، موجوديت خدمت است كه مي‌تواند كاربردهاي مهمي در زمينه‌هاي مختلف از جمله سرويس‌هاي شغل‌يابي و چت‌بات آنلاين داشته باشد. هدف اصلي اين پژوهش تشخيص موجوديت اسمي خدمت است، اما با توجه به اينكه موجوديت اسمي شهر نيز مي‌تواند در كنار خدمت حائز اهميت باشد، شناسايي موجوديت اسمي شهر هم در اين پژوهش پوشش داده شده است. بدين منظور، ابتدا مجموعه داده‌اي كه داراي جملات متنوع در حوزه خدمت و شهر مي‌باشد، تهيه و به دو روش مختلف IO و IOB برچسب‌گذاري شده است. سپس چهار مدل مبتني بر يادگيري عميق شامل مدل BiLSTM+ CRF، مدل BiLSTM+ Softmax، مدل BiLSTM+ CNN+ Softmax و مدلBiLSTM+ CNN+ CRF، براي آموزش سيستم استفاده شده‌اند. از بين چهار مدل به كار گرفته شده در اين پژوهش، مدل BiLSTM+ CRF در حالت برچسب‌گذاري به شيوه IOB با متوسط صحت 45/96 درصد، بهترين عملكرد را داشته است.

222928

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان