رفع ابهام کلمات با استفاده از ماشین بردار پشتیبان

رفع ابهام معنای واژگان یکی از مسائل بنیادی در پردازش زبان طبیعی است که هدف آن تعیین معنای صحیح یک واژه در بافت جمله می باشد. این مسئله یکی از چالش های اصلی در درک ماشینی زبان است، زیرا سیستم باید بتواند از میان معانی مختلف، گزینه درست را براساس بافت انتخاب کند. در این مقاله، روشی مبتنی بر طبقه بند ماشین بردار پشتیبان برای رفع ابهام معنایی واژگان ارائه می شود. در روش پیشنهادی، دو نوع خصیصه ی زبانی شامل خصیصه های لغوی و خصیصه های نحوی از متون استخراج می گردند. خصیصه های لغوی شامل اطلاعاتی همچون کلمات همسایه، ریشه واژه و الگوهای هم رخدادی هستند و خصیصه های نحوی از نقش های دستوری و وابستگی های نحوی بین واژه ها به دست می آیند. هر یک از این دو نوع خصیصه، به صورت جداگانه و همچنین به صورت ترکیبی، به مدل ماشین بردار پشتیبان داده می شوند تا عملکرد مدل در سه حالت مختلف ارزیابی گردد. برای ارزیابی مدل، از روش اعتبارسنجی متقابل ده قسمتی استفاده شده و عملکرد آن با استفاده از معیارهای دقت، صحت، فراخوانی مورد ارزیابی قرار گرفته است. نتایج آزمایش ها نشان می دهد که ترکیب خصیصه های لغوی و نحوی باعث افزایش دقت مدل تا ۸۹٪ می شود که نسبت به استفاده ی مجزای هر یک از خصیصه ها عملکرد بهتری دارد. یافته ها نشان می دهند که بهره گیری از مدل های یادگیری ماشین به ویژه ماشین بردار پشتیبان در کنار ترکیب خصیصه های زبانی، رویکردی موثر برای بهبود رفع ابهام معنایی واژگان محسوب می شود.

Keywords:

رفع ابهام کلمات , پردازش زبان طبیعی , ماشین بردار پشتیبان , خصیصه های لغوی و نحوی