فهرست نشریات علمی دسترسی آزاد ایران

واژه کوچک‌ترین واحد زبان است که دارای «صورت» و «معنا»ست. واژه ممکن است بیش‌از یک معنا داشته باشد و با توجه‌ به کاربرد آن در بافت زبانی، معنای دقیق آن مشخص می‌شود. گردآوری تمام معانی یک واژه به‌صورت دستی کار بسیار پرزحمت و زمان‌بر است. افزون بر آن، ممکن است معانی واژه با گذشت زمان دچار تغییر شود؛ به این صورت که معانی موجود واژه کم‌کاربرد شده یا معانی جدید به آن اضافه شود. یکی‌از روش‌هایی که می‌توان برای تعیین معنای واژه استفاده کرد به‌کارگیری روش‌های رایانشی با توجه‌ به بافت زبانی است. در پژوهش حاضر تلاش می‌شود با ارائه یک الگوریتم محاسباتی، معانی واژه‌های هم‎نگاره فارسی با توجه ‏به بافت زبانی به‌صورت خودکار و بدون نیاز به ناظر انسانی تعیین شود. برای رسیدن به این هدف، از روش تعبیه معنای واژه در یک مدل فضای برداری استفاده می‌شود. برای ساخت بردار واژه، از یک رویکرد مبتنی‌ بر شبکه عصبی استفاده می‌شود تا اطلاعات بافت جمله به‌ خوبی در بردار واژه گنجانده شود. در گام بعدی مدل پیشنهادی، برای ساخت بردار متن و تعیین معنای واژه، دو حالت جمله‌بنیان و بافت‌بنیان معرفی می‌شود. در حالت جمله‌بنیان، تمام واژه‌های جمله‌ای که واژه هدف در آن وجود دارد، در ساخت بردار نقش دارد؛ ولی در حالت بافت‌بنیان فقط تعداد محدودی از واژه‌های اطرافِ واژه هدف برای ساخت بردار در نظر گرفته می‌شود. دو معیار ارزیابی درونی و برونی برای ارزیابی کارایی الگوریتم خوشه‌بندی به‌‌کار گرفته می‌شود. معیار ارزیابی درونی که محاسبه مقدار تراکم داده در هر خوشه است برای دو حالت جمله‌بنیان و بافت‌بنیان محاسبه می‌گردد. ارزیابی برونی به داده استاندارد طلایی نیاز دارد که برای این هدف، یک مجموعه داده شامل 20 واژه هدف فارسی و تعداد 100 جمله نشانه‌گذاری‌شده برای هر یک از این واژه‌ها تهیه شده‌ است. بر اساس نتایج به‌دست‌آمده از ارزیابی درونی، تراکم خوشه‌ای حالت جمله‌بنیان با تفاوتی معنادار بالاتر از حالت بافت‌بنیان است. با در نظر گرفتن دو شاخصV و F در ارزیابی برونی، مدل بافت‌بنیان به‎صورتی معنادار کارایی بالاتری را نسبت ‌به جمله‌‏بنیان و مدل‏‌های پایه به‌‌دست آورده‌ است.