تشخيص موجوديت هاي اسمي بر پايه شبكه هاي عصبي با حافظه بلند كوتاه مدت پايدار

مسئلۀ شناسايي موجوديت‌هاي اسمي به ‌عنوان يكي از شاخه‌هاي پردازش زبان طبيعي و زيرمجموعه‌اي از استخراج اطلاعات به‌شمار مي‌رود. هدف اصلي در تشخيص موجوديت‌هاي اسمي، دسته‌بندي اسامي خاص متن با برچسب‌هايي مانند شخص، مكان و سازمان است. امروزه اكثر روش‌هايي كه براي اين منظور معرفي شده‌اند سعي در استفاده از ويژگي‌هايي دارند كه مختص به يك زبان خاص نيست. از جمله اين روش‌ها مي‌توان به استفاده از شبكه عصبي با حافظه بلند مدت – كوتاه مدت اشاره‌كرد. آموزش اين شبكه‌هاي عصبي به‌وسيله استخراج ويژگي‌ها از بردارهاي كلمات در سطح نويسه و بردارهاي كلمات از پيش آموزش ديده انجام مي‌گيرد. دراين مقاله مدل جديدي براي ساخت نمايش‌هاي برداري كلمات پيشنهاد مي‌شود كه از تركيب بردار نحوي كلمه با دو بردار كلمه قبلي به‌دست مي‌آيد. بردار نحوي كلمه شامل اطلاعات نحوي موجود در جمله مانند موقعيت كلمه در جمله، نقش كلمات و ارتباط نحوي آن‌ها با يكديگر است. استفاده از اين روش باعث توسعه سيستم‌هايي مي‌شود كه كمترين وابستگي را به دامنه دارند. كارايي روش پيشنهادي بر روي مجموعه داده موجوديت‌هاي اسمي مورد ارزيابي قرار گرفته‌است. نتايج به‌دست آمده، نشان‌دهنده بهبود قابل ملاحظه‌اي در مقايسه با ساير روش‌هاي مطرح در حوزه تشخيص موجوديت‌هاي اسمي مي‌باشد.