یک مدل نوین مبتنی بر شبکه‌های عصبی عمیق برای برچسب‌گذاری اجزای واژگانی کلام

برچسب‌گذاری اجزای واژگانی کلام موضوع تحقیقاتی مهمی در حوزه‌ی پردازش زبان طبیعی است و پایه‌ی بسیاری از دیگر مباحث مطرح در این حوزه است. در این مقاله یک روش نوین برچسب‌گذاری اجزای واژگانی کلام به کمک شبکه‌های عصبی عمیق معرفی می‌گردد. هدف اصلی مدل پیشنهادی، استخراج چسب‌های عمیق و سطح بالا از متون و سپس طبقه‌بندی این ویژگی‌های سطح بالا می‌باشد. روش پیشنهادی متکی بر این ایده است که از شبکه‌ای عصبی عمیق کوچک می‌توان برای یافتن ویژگی‌های عمیق و تولید خروجی مطلوب بهره برد. روش موردنظر با استفاده از کتابخانه‌های تخصصی tensorflow و keras api در پایتون پیاده‌سازی و عملکرد آن بر روی مجموعه‌های داده استاندارد conll2000 ارزیابی گردید. نتایج آزمایش حاکی از آن است که روش پیشنهادی قابلیت استخراج ویژگی‌های سطح بالای واژگان زبان طبیعی را داشته و قادر است به ازای برچسب‌های پرتکرار و پرکاربرد به دقت قابل توجهی برسد. میانگین دقت مدل پیشنهادی به ازای برچسب‌های مختلف برابر 80.26% بوده است. بعلاوه، این روش قابلیت استفاده در محیط‌های متنوع و بر روی دستگاه‌های مختلف را نیز دارد.

a new deep neural networks based model for part of speech tagging

part of speech tagging is an important issue in natural language processing and is the base of many other major subjects in this field. in this article, a new method have been introduced for part of speech tagging using deep neural networks. the purpose of this method is solving problems that common other methods are facing with which are extract deep features from texts and classifying these features. the proposed method is based on that we can find deep features and product optimal output by using small deep neural networks. this method was implemented using tensorflow's specialized libraries and keras api in python and was evaluated on conll2000 standard dataset. the experimental results show that the proposed method is capable to extract high level features from natural language's words and is able to achieve considerable accuracy for repetitive tags. in addition, this method is able to be used in variant environments and on different devices.