توسعه یک مدل ابرگراف نوتروسوفیک برای خالصه سازی

در پژوهش پیش رو، از یک روش مبتنی بر مدل ابرگراف های نوتروسوفیک جهت خالصه سازی متن استفاده شده که به دلیل توانایی در مدل سازی روابط پیچیده بین جملات، نسبت به روش های قبلی موجود عملکرد بهتری داشته است. چالش اصلی در خالصه سازی خودکار متن، انتخاب دقیق جملات مهم از متن طوالنی و ارائه خالصه ای خوانا و دقیق است. مسائلی که روش های موجود فعلی در میزان کیفیت متن خالصه شده مرتبط با موضوع اصلی متن با چالش های جدی مواجه هستند. در مدل پیشنهادی، ابتدا هر جمله به یک گره و روابط بین جملات به یال های ابرگراف تبدیل می شوند، سپس با استفاده از منطق نوتروسوفیک، مهمترین گره ها (جملات) شناسایی می شوند، در ادامه جملات شناسایی شده به عنوان خالصه انتخاب می شوند. نتایج نشان می دهد که روش ارائه شده توسط نگارنده نسبت به سایر روش های موجود توانسته متن خالصه شده ای با کیفیت بالاتر و دقیق تری تولید کند. مزیت اصلی استفاده از مدل فوق توانایی در درک و پردازش اطلاعات مبهم و نامطمئن در متن، درک بهتر ساختار معنایی متن، تولید خالصه هایی دقیق تر و خواناتر می باشد. در مجموع، این پژوهش یک گام مهم در جهت بهبود روش های خالصه سازی خودکار متون محسوب می شود. نتایج بدست آمده از اجرای مدل فوق بر روی پایگاه داده India Text با متن کوتاهی به طول ۲۱۵۳۵ کاراکتر و پایگاه داده Samsung Text با متن با طول متوسط ۶۴۵۵۶ و پایگاه داده BBC News با متن طولانی تری با تعداد ۱۳۲۴۳۵ کاراکتر با ارائه میانگین مقادیر بدست آمده برای پارامترهای ارزیابی F۱_Score=۰.۸۶ و Precision=۰.۸۱ و Recall=۰.۹۰ توانسته نتایج مطلوب تری نسبت به سایر مدل های مشابه در این حوزه بدست آورد.

کلیدواژه ها:

خالصه سازی متن ، مدل ابرگراف نوتروسوفیک ، پردازش زبان طبیعی ، منطق نوتروسوفیک ، یادگیری عمیق