شماره ركورد كنفرانس
4163
عنوان مقاله
توليد درختبانك سازهاي زبان فارسي به روش نيمهخودكار
عنوان به زبان ديگر
Generating the Persian Constituency Treebank using a semi-automatic approach
پديدآورندگان
دهقان محمدحسين mh.dehghan@ut.ac.ir دانشگاه تهران , ملاعباسي محمد mollaabbasi.m@ut.ac.ir دانشگاه تهران , فيلي هشام hfaili@ut.ac.ir دانشگاه تهران , شاكري آزاده shakery@ut.ac.ir دانشگاه تهران
تعداد صفحه
20
كليدواژه
پردازش زبان طبيعي , درختبانك سازهاي , درختبانك وابستگي , تجزيهگر سازهاي.
سال انتشار
1396
عنوان كنفرانس
چهارمين همايش ملي زبان شناسي رايانشي
زبان مدرك
فارسي
چكيده فارسي
در اين مقاله به توضيح مراحل برچسبزني و آمارههاي مربوط به درختبانك سازهاي زبان فارسي ميپردازيم. اين درختبانك شامل حدود 30000 جمله است كه بهصورت نيمهخودكار و با تبديل ساختار وابستگي به سازهاي توليد شدهاست. در مرحلة اول ساختار وابستگي بهصورت خودكار به ساختار سازه تبديل شده و سپس ساختار سازة توليدشده، بهصورت دستي موردبازبيني قرار گرفتهاست. با كمك درختبانك توليدشده دو تجزيهگر نحوي سازهاي آموزش داده شدهاست. با انجام يك پيشپردازش و افزودن اطلاعات مربوط به كلمه به برچسب كلمات كيفيت تجزيهگرها بهبود يافته و كيفيت نهايي 85.51 درصد بهدست آمدهاست.
چكيده لاتين
This paper describes the annotation process and statistics properties of the Persian constituency treebank. The treebank consists of 30,000 sentences. It was developed semi-automatic. First the dependency tree was converted to constituency tree. Then the constituency tree was corrected manually. Two constituency parsers were developed, by using the new constituency treebank. We achieve 85.51% in term of f1-score for the constituency parser with the help of a pre-processing.
كشور
ايران
لينک به اين مدرک