بهره مندی از منابع داده ای چند زبانی برای یادگیری انتقالی در تشخیص گفتمان ناپسند فارسی

در این پایان نامه، مسئله تشخیص گفتمان ناپسند در شبکه های اجتماعی مورد بررسی قرار می گیرد. باتوجه به اهمیت ارتباطات آنلاین و نیاز به حفظ یک محیط سالم و متناسب با استانداردهای اخلاقی، هدف اصلی این تحقیق توسعه یک روش دقیق و کارآمد برای تشخیص پیام های گفتمانی ناپسند در شبکه های اجتماعی است. باتوجه به اهمیت و افزایش استفاده از گفتمان ناپسند، در پی رواج استفاده از شبکه های اجتماعی، تحقیقات متعددی برای شناسایی انواع گفتمان ناپسند در انواع زبان ها صورت گرفته است. در مورد زبان فارسی، باتوجه به اینکه به عنوان یک زبان کم منبع شناخته می شود، تحقیقات معدودی انجام شده است. در این پایان نامه بر آنیم تا به مسئله تشخیص اتوماتیک گفتمان ناپسند در زبان فارسی بپردازیم. دراین خصوص به خزش متون شبکه اجتماعی و برچسب گذاری و آماده سازی یک مجموعه دادگان پرداختیم. همچنین از برخی از دادگان موجود در زبان فارسی استفاده نمودیم. در زمینه مدل، باتوجه به کم منبع بودن زبان فارسی، به سراغ مدل های مبتنی بر یادگیری انتقالی (به طور خاص انتقال بین زبانی) و استفاده از منابع داده ای چندزبانه خواهیم پرداخت. با بهره گیری از یک مجموعه دادگان بزرگ گفتمان ناپسند در زبان انگلیسی، به معرفی سه معماری مبتنی بر یادگیری انتقالی خواهیم پرداخت. دو معماری، از روش های ترجمه بین زبانی بهره خواهند برد. معماری سوم نیز از مدل های زبانی چندزبانه مانند M-BERT و XLM استفاده خواهد نمود. نتایج به دست آمده از تست معماری های پیشنهادی حاکی از آن است که این روش ها نسبت به روش های دیگر مبتنی بر یادگیری ماشین و یادگیری عمیق (مانند شبکه های عصبی بازگشتی، شبکه های عصبی پیچشی و استفاده از مدل های زبانی تک زبانه مانند BERT فارسی) بادقت بالاتری (حدود 5 تا 10 درصد) به تشخیص گفتمان ناپسند می پردازد.

کلیدواژه ها:

پردازش زبان طبیعی ، یادگیری عمیق ، یادگیری انتقالی ، مدل های بین زبانی ، تشخیص گفتمان ناپسند