تاثیر طبقه بندی واژه ای برروی مدل های زبانی

بازشناسی متون، در سال های اخیر بسیار مورد توجه قرار گرفته است .در دهه های اخیر با توجه به کاربردهای گسترده مدل زبان، تحقیقات زیادی برای مدل سازی زبان های پرکاربرد جهانی و به خصوص زبان انگلیسی انجام شده است[1]. این مقاله تاثیر طبقه بندی واژه ای بر روی مدل های زبانی شبکه ای عصبی RNNLM را مورد بررسی قرار می دهد که اخیراٌ بسیاری از تکنیک های مدل سازی زبانی را معرفی کرده است. این به راحتی برای بهبود تشخیص گفتار موجود و سیستمهای ترجمه استفاده می شود . ما نگاه دقیق تری به این طبقه بندی انجام داده و دریافته ایم که طبقه بندی های پیشرفته می توانند با ترجمه مناسب عملکرد را نیز بهبود ببخشند. در این مقاله ما در مورد انتخاب پارامتر مطلوب و قابلیت های حالت های مختلف بحث می کنیم به خصوص استفاده از الگوریتم های قهوه ای را مورد بررسی قرار دادیم که روش کلاسیکی برای طبقه بندی است در آزمایشات استاندارد ما متوجه شدیم که 5 تا 7 درصد از پیچیدگی با استفاده از الگوریتم قهوه ای مسیر است.

کلیدواژه ها:

RNNLM ، الگوریتم های قهو های ، PPL