سرايش خودكار شعر فارسي با كمك شبكه هاي عصبي عميق بازگشتي

Automatic Persian Poem Generation Using Deep Recurrent Neural Networks

شبكه هاي عميق عصبي قادر به يادگيري ساختار و الگوها در داده ها و ساخت مدل مبتني بر اين الگوها هستند. آثار هنري مختلفي با استفاده از مدل هاي آموزش داده شده بر روي هنرهاي ساخت انسان توسط شبكه هاي عصبي عميق ارائه گرديده است. اين آثاراز نظركيفي قابل مقايسه تقريبي با آثار هنري انساني مي باشند. در اين مقاله، هدف پيشنهاد يك چارچوب يادگيري ماشين براي توليد شعر فارسي مي باشد. چارچوب پيشنهادي از يك شبكه عصبي عميق بازگشتي براي يادگيري مدل شعراستفاده مي نمايد. علاوه بر اين، معيار ارزيابي كيفيت براي متن مولد براي اندازه گيري نزديكي اشعار توليد شده به اشعار اصلي پيشنهاد شده است. نتايج تجربي نشان مي دهد كه چارچوب پيشنهاد شده قادر به توليد اشعار با كيفيت قابل قبول براي مخاطبان انساني است.

Deep neural networks are capable of learning the structure and patterns in the data and build a model based on these patterns. Various artistic forms generated using models learned by deep neural networks from human created art are gradually become good enough to simulate the human artistic senses. In this paper, a machine learning based framework for generating epic Persian poetry is proposed. The proposed framework uses a deep recurrent neural network for learning the poetry model from the complete works of Persian poet Ferdowsi Toosi. Furthermore, a quality assessment criteria for generative text is proposed to measure the closeness of the generated poems to original poems. The experimental results show that the proposed framework is capable of producing poems with acceptable quality for human audience.