تشخیص موجودیت‌های نام‌دار در ساختارهای معنایی تودرتو با استفاده از مکانیزم توجه

یکی از فرایندهای پرکاربرد در پردازش زبان طبیعی که نقش ویژه‌ای در بهبود کیفیت سایر فرایندهای مرتبط دارد، تشخیص موجودیت‌های نام‌دار است؛ ولی انجام این فرایند به دلیل تعدد مفاهیم معناشناسی تودرتو در متون، به آسانی ممکن نیست و در پردازش زبان طبیعی به یک مشکل جدی تبدیل شده است. در مطالعاتی که تا کنون انجام شده از یک مقیاس برای استخراج ویژگی‌ها استفاده شده و به همین دلیل بخش عمده‌ای از اطلاعات موجود در متن لحاظ نشده و در نتیجه خطای تشخیص زیاد بوده است. برای حل این مشکل، در این مقاله روشی مبتنی بر مکانیزم توجه چندمقیاسی برای تشخیص موجودیت‌های نام‌دار در ساختارهای معنایی تودرتو معرفی شده است. در این روش با تلفیق مدل bert و شبکه‌های bilstm اطلاعات غنی‌تری برای استخراج ویژگی آماده شده و در ادامه با استفاده از مکانیزم توجه چندمقیاسی ترکیبی از ویژگی‌های مناسب برای تشخیص موجودیت‌های نام‌دار استخراج می‌شوند. نتایج حاصل از اجرای مدل برروی سه مجموعه‌داده‌ی متفاوت نشان می‌دهند که امتیازf1 خروجی این مدل در حالت میانگین 41/86% بوده است.