فهرست نشریات علمی دسترسی آزاد ایران

یکی از مراحل اولیه در بیشتر پردازش‌های زبان طبیعی، استخراج موجودیت نامدار از جمله است. در این زمینه تکنیک‌های مختلف مبتنی بر یادگیری ماشین ارائه شده است که بدون نیاز به پیچیدگی‌های استخراج ویژگی دستی، دقت بالاتری از خود نشان داده اند. لذا، دراین تحقیق ما برای گرفتن ویژگی‌های جمله ورودی از ترکیب دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشن و همینطور حافظه کوتاه مدت طولانی استفاده می‌کنیم. با استخراج ویژگی‌های محلی کلمات توسط شبکه کانولوشن در کنار ویژگی‌های سراسری، اطلاعات بیشتری از جمله جهت کلاسبندی دقیقتر موجودیتها بدست میآوریم. ما معماری پیشنهادی‌مان را روی دو دیتاست CoNLL2003 و ACE05 ارزیابی می‌نماییم و نشان میدهیم که افزودن شبکه کانولوشن سطح کلمه باعث استخراج اطلاعات محلی مفیدی از کلمات موجود در جمله می‌شود که منجر به افزایش دقت سیستم می‌گردد. در نهایت، کارایی سیستم را با دیگر رقبا مقایسه مینماییم و برتری این معماری نسبت به دیگران گزارش داده می‌شود.