ارائه یک مدل ترکیبی جدید بر پایه شبکه های عصبی عمیق برای تشخیص موجودیت‌ها در اسناد متنی

در سال‌های اخیر، شبکه‌های عصبی عمیق به عنوان یک روش یادگیری جدید و موثر در بسیار از کاربردهای پردازش زبان طبیعی معرفی شده‌اند. یکی از این کاربردها تشخیص موجودیت نام‌دار است که نقش حیاتی در سیستم‌هایی مانند سیستم‌های پرسش/پاسخ و مترجم‌ها دارد. ازآنجایی که تکنیک‌های سنتی برای استخراج موجودیت نیاز به محاسبات زیادی برای شناسایی ویژگی‌ها دارند؛ لذا مدل‌های شبکه‌های عصبی عمیق برای غلبه بر این چالش ارائه شده‌اند. در این تحقیق ما یک معماری جدید معرفی می‌کنیم که در آن دو مدل شبکه های عمیق به نام‌های cnn و lstm با هم ترکیب می‌شوند تا ویژگی بیشتری از جمله ورودی استخراج شود. ما آزمایشاتمان را روز دو دیتاست عمومی به نام‌های ace05 و conll03 پیاده کردیم. ارزیابی‌ها نشان می‌دهد که بکارگیری مدل cnn برای استخراج ویژگی‌های محلی کلمات در کنار lstm منجر به بهبود کارایی سیستم تشخیص موجودیت می‌شود و نتایج به طور چشمگیری بهبود می‌یابد. با مقایسه با کارهای دیگران که از روش‌های استخراج ویژگی دستی استفاده می‌کنند یا مولفه‌های کمتری در معماری سیستم‌شان بکار می گرفتند، برتری معماری پیشنهادی ما را از لحاط دقت اثبات می‌کند.