شناسایی موجودیت‌های اسمی با استفاده از یادگیری عمیق و رویکرد تقویتی

مطالعات اخیر نشان می‌دهد که شناسایی موجودیت‌های اسمی به یکی از موضوعات پرطرف‌دار در حوزه پردازش زبان طبیعی تبدیل شده‌است؛ این افزایش توجه بیشتر ناشی از رشد سریع روش‌های نوین در هوش مصنوعی، به‌ویژه شبکه‌های عصبی است. ظهور شبکه‌های عصبی عمیق به‌دلیل توانایی‌های برجسته آن‌ها در حل مسائل پیچیده پردازش زبان طبیعی، فرصت‌هایی نوین برای بهبود عملکرد سامانه‌های شناسایی موجودیت‌های اسمی فراهم کرده‌است؛ یکی از عوامل کلیدی در افزایش دقت این سامانه‌ها، بهره‌گیری از ویژگی‌های پیشرفته‌ای است که تا پیش از ظهور یادگیری عمیق قابل دسترسی نبودند، از جمله استفاده از مدل‌های زبانی که توانایی درک معنای متن‌های بزرگ را دارند. در این مقاله، یک روش پیشنهادی مبتنی بر مدل زبانی معنایی در زبان فارسی و شبکه عصبی عمیق طراحی شده‌است که با استفاده از منطق تکرار، مشکل وابستگی به داده‌های زیاد را کاهش می‌دهد. این روش روی مجموعه‌داده conll 2003 انگلیسی و دو مجموعه‌داده فارسی آرمان و پیما ارزیابی شده‌است؛ نتایج ارزیابی به ترتیب مقادیر 95.3، 96.32 و 94.72 را برای معیار f نشان داده که حاکی از بهبود عملکرد نسبت به روش‌های پیشین است.

identify the named entities using deep learning and reinforcement approach

named entity recognition (ner) has emerged as a critical and highly applicable task in the field of natural language processing (nlp). its significance stems from its essential role in numerous nlp applications, such as machine translation, question answering, text summarization, and information extraction. recent studies highlight the substantial impact of advancements in artificial intelligence (ai), particularly deep neural networks (dnns), on improving the performance of ner systems.deep neural networks, with their ability to learn complex patterns and extract rich features, have opened new horizons in addressing nlp challenges. these methods leverage advanced language models like bert and gpt to enable deeper comprehension of linguistic structures and semantic relationships. one of their prominent capabilities is to capture long-term dependencies in complex sentences while reducing the reliance on manually engineered features.this research introduces a novel hybrid approach for named entity recognition in both persian and english languages, based on deep neural networks and semantic language models. to address the dependency on large datasets, the proposed method employs an iterative logic mechanism that facilitates effective learning with limited data. the proposed system was evaluated on three datasets: the conll 2003 dataset for english, two persian datasets, arman and peyma.experimental results demonstrate that the proposed method achieves f1-scores of 95.3, 96.32, and 94.72 on the conll, arman, and peyma datasets, respectively. these scores reflect significant improvements over previous methods.the findings of this study suggest that combining advanced language models with deep neural networks can significantly enhance the accuracy and efficiency of ner systems. these achievements pave the way for developing effective nlp tools for low-resource languages, particularly persian, and enable the application of this technology in both industrial and research contexts.