بهبود استخراج ویژگی با استفاده از یک مدل یادگیری عمیق گروهی برای تشخیص موجودیت

یکی از مراحل اولیه در بیشتر پردازش های زبان طبیعی، استخراج موجودیت نامدار از جمله است. در این زمینه تکنیک های مختلف مبتنی بر یادگیری ماشین ارائه شده است که بدون نیاز به پیچیدگی های استخراج ویژگی دستی، دقت بالاتری از خود نشان داده اند. لذا، دراین تحقیق ما برای گرفتن ویژگی های جمله ورودی از ترکیب دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشن و همینطور حافظه کوتاه مدت طولانی استفاده می کنیم. با استخراج ویژگی های محلی کلمات توسط شبکه کانولوشن در کنار ویژگی های سراسری، اطلاعات بیشتری از جمله جهت کلاسبندی دقیقتر موجودیتها بدست میآوریم. ما معماری پیشنهادی مان را روی دو دیتاست CoNLL۲۰۰۳ و ACE۰۵ ارزیابی می نماییم و نشان میدهیم که افزودن شبکه کانولوشن سطح کلمه باعث استخراج اطلاعات محلی مفیدی از کلمات موجود در جمله می شود که منجر به افزایش دقت سیستم می گردد. در نهایت، کارایی سیستم را با دیگر رقبا مقایسه مینماییم و برتری این معماری نسبت به دیگران گزارش داده می شود.

Keywords:

تشخیص موجودیت نامدار , تعبیه گذاری کلمه , LSTM , CNN , پردازش زبان طبیعی