دسته بندی متن موضوعی خبرهای فارسی بکمک مدل های پیش بینی یادگیری عمیق
سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 531
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IECECONF01_008
تاریخ نمایه سازی: 8 آبان 1400
چکیده مقاله:
در این مقاله راجع به مدل های هوش مصنوعی یادگیری عمیق که برای دسته بندی متن ها و موضوعات مختلف در ایترنت و ایمیل بکار می رود بحث و تحقیق شده است. طبقه بندی داده های درایفتی و ربط دادن آن ها به موضوعی که جمله راجع به آن بحث می کند، توسط یک شبکه RNN به کمک معماری Keras روی مدل LSTM و Bidirectional LSTM و در نهایت با استفاده از مدل یادگیری عمیق GRU به کمک نرم افزار متلب صورت گرفته و دقت هر مدل و مدت زمان محاسباتی که شبکه هنگام یادگیری صرف می کند در مقاله آورده شده است. هدف از این مقاله این است که یه کمک مدل های موجود در یادگیری عمیق دیتای ورودی شبکه که از خبرگزاری های اینترنتی روزنامه های کثیر الانتشار و دیجی مگ گرفته شده را به عنوان ورودی به شبکه اعمال کنیم و پس از آموزش شبکه انتظار می رود مدل با دقت بالایی بتواند موضوع این خبر را به درستی پیش بینی و دسته بندی کند. با توجه به نتایج به دست آمده، مدل های پیشنهادی شبکه در این مقاله مدل GRU با حدود ۹۷.۳% بالاتین دقت در پیش بینی و مدل LSTM کمترین زمان محاسبات آموزش مدل را داشته است.
کلیدواژه ها:
پیش بینی و دسته بندی موضوعی اخبار فارسی ، شبکه RNN ، مدل های پیش بینی ، مدل یادگیری عمیق ، شبکه های عصبی
نویسندگان