مروری بر روشهای مدرن در حوزه تشخیص موجودیتهای نامدار

تشخیص موجودیتهای نامدار (NER) یکی از وظایف پایه ای در پردازش زبان طبیعی (NLP) است که نقش کلیدی در درک ساختار معنایی متون ایفا می کند. در این مقاله با تمرکز بر چهار پژوهش مهم در زمینه NER با استفاده از مدل های یادگیری عمیق پیشرفت های اخیر این حوزه بررسی شده است. مقایسه ای تطبیقی بین این مطالعات انجام شده و روند تحول معماری ها، استفاده از داده های آموزشی و روش های بهبود عملکرد مدل ها تحلیل گردیده است. نتایج نشان می دهد که استفاده از نمایش های برداری کلمات (Word Embeddings) و مدل های یادگیری انتقالی (Transfer Learning) همچون BERT به طور قابل توجهی کیفیت استخراج موجودیت های نامدار را افزایش داده اند. این مقاله با هدف ارائه دیدگاهی جامع از پیشرفت های اخیر و چالش های آینده می تواند راهنمای مفیدی برای پژوهشگران علاقه مند به این حوزه باشد.

کلیدواژه ها:

پردازش زبان طبیعی ، یادگیری عمیق ، تشخیص موجودیتهای نامدار