تاثیر طبقه بندی واژه ای برروی مدل های زبانی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 576
فایل این مقاله در 10 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSPLLL01_030
تاریخ نمایه سازی: 25 آذر 1395
چکیده مقاله:
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.
نویسندگان
فاطمه ریاحی
دانشجوی کارشناسی نرم افزار، دانشکده برق و کامپیوتر دانشگاه گناباد، ایران
هانیه غلامی
دانشجوی کارشناسی نرم افزار، دانشکده برق و کامپیوتر، دانشگاه گناباد، ایران
ملیحه جعفری
دانشجوی کارشناسی نرم افزار، دانشکده برق و کامپیوتر، دانشگاه گناباد، ایران
زهرا حبیب فتح آبادی
دانشجوی کارشناسی نرم افزار، دانشکده برق و کامپیوتر، دانشگاه گناباد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :