ارائه روشی متفاوت در بخش بندی بدنه زیرکلمات فارسی

سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 265

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISCEE20_039

تاریخ نمایه سازی: 6 مهر 1400

چکیده مقاله:

در سیستم های بازشناسی و بازیابی اسناد فارسی یکی از مهمترین چالش ها، بخش بندی بدنه کلمات است. در ساختارنوشتار فارسی با توجه به ساختار بهم پیوسته کلمات نیاز به یافتن محل دقیق اتصال حروف در روشهای مبتنی برجداسازی است. در این پژوهش نگاهی متفاوت به ساختار نوشتار زبان فارسی ارائه شده است. در این روش نیازی بهیافتن محل دقیق اتصال حروف نی ست. برای این کار به جای بخش بندی بدنه زیرکلمات به حروف، بدنه به زیرحرو فشکسته شده اند. برای این کار ابتدا بخش-ها یی که صرفا نقش اتصال دهنده زیرحروف را داشته و تاثیری در ماهیتحرف نداشته اند مشخص و از بدنه حذف شده اند. بر این اساس شیوه متفاوتی در بخش بندی بدنه کلمات فارسی معرفیشده است. در این روش با توجه به عدم نی از به تخمین نقطه انفصال، خطای ناش ی از تشخیص غلط آن حذف شدهاست. با توجه به تعداد محدود دیکشنری تعریف شده برای زیرحروف نهایی ، فرآیند تشخیص زیرحروف با خطای کمتراز ۱ % انجام شده است.

نویسندگان

زهرا بهمنی

عضو هیات علمی دانشگاه صنعتی خاتم الانبیاء بهبهان،ایران