روشی جدید جهت استخراج موجودیت‌های اسمی در عربی کلاسیک

تشخیص واحدهای اسمی به عنوان یکی از سامانه های پردازش زبان طبیعی عبارت از تشخیص اسامی خاص و طبقه بندی آن ها به یکی از گروه های شخص، مکان، سازمان و زمان است. این عملیات به دلیل تاثیر قابل توجه در بهبود کارایی دیگر حوزه های پردازش زبان طبیعی مانند ترجمه ماشین، بازیابی اطلاعات، خوشه بندی نتایج جستجو و پرسش و پاسخ، در سال های اخیر مورد توجه پژوهش گران در زبان عربی نیز قرار گرفته است. گرچه بیشتر پژوهش ها در این حوزه روی عربی استاندارد امروزی انجام شده است، اما در این مطالعه عربی کلاسیک مورد توجه است. در همین راستا، روشی جدید جهت تشخیص واحدهای اسمی در زبان عربی ارائه می شود. در این پژوهش یک پیکره متنی عربی کلاسیک به نام نورکورپ، متشکل از 130 هزار کلمه برچسب گذاری شده توسط متخصصان، معرفی می شود؛ همچنین از یک فرهنگ لغات شامل 18000 اسامی اشخاص که از کتب حدیثی استخراج شده است، به عنوان منابع خارجی استفاده می شود. مدل پیش بینی، بر اساس مجمع رده بندها و یک روش دو مرحله ای پیشنهاد شده است؛ به طوری که در مرحله نخست تشخیص واحدهای اسمی از طریق الگوریتم آدابوست m1 و در مرحله دوم طبقه بندی آن ها به گروه های از پیش تعیین شده توسط الگوریتم آدابوست m2 انجام می شود. به منظور غلبه بر چالش های زبان عربی عملیات نشانه گذاری، برچسب گذاری ادات سخن و قطعه کردن عبارت پایه به کار گرفته شده است. با استفاده از یک روش آماری، برخی از کلمات پر کاربرد در واحدهای اسمی به عنوان کلمات کلیدی استخراج شدند. نتیجه به دست آمده از مدل پیشنهادی در ارزیابی fmeasure معادل 85/86 درصد است که بیان گر عملکرد مطلوب مدل است. در آخر، روش پیشنهادی روی یک پیکره استاندارد امروزی به نام انرکورپ اعمال و نتایج با پیکره نورکورپ مقایسه شده اند.