تشخیص خودکار کنایه در جملات زبان فارسی با درخت تصمیم

امروزه کنایه به یک ویژگی فراگیر در بسیاری از متون برخط تبدیل شده است. افراد برای بیان زیباتر منظور خود از کنایه استفاده می کنند. با اجتماعی تر شدن و تعاملی شدن فضای مجازی، مسیله تشخیص کنایه بیش تر از قبل مورد توجه قرار گرفته شده است چرا که تشخیص کنایه به تعیین قطبیت درست جملات در اندیشه کاوی کمک فراوانی می کند. تاکنون در مورد تشخیص کنایه در زبان فارسی انجام نشده است. فارسی زبانان به منظور بیان کنایه در نوشتار و گفتار خود از روش های مختلفی استفاده می کنند. یکی از پرکاربردترین روش های بیان کنایه در میان فارسی زبانان استفاده از عبارات و اصطلاحاتی است که توسط اکثریت افراد جامعه به عنوان کنایه شناخته شده اند. به همین منظور در این پژوهش تلاش شده است که تا حد امکان عبارات کنایه دار فارسی جمع آوری شود و موضوع تشخیص خودکار کنایه در جملات فارسی به تشخیص حضور یا عدم حضور این عبارات و اصطلاحات محدود شده است و این اصطلاحات، عبارات کنایه دار نامیده شده اند. به منظور تعیین ویژگی های حضور عبارات کنایه دار در یک جمله، کلمات کلیدی عبارات کنایه دار استخراج شده و با توجه به فراوانی آن ها در مجموعه داده، آن ها از نظر اهمیت به دو نوع اول و دوم تقسیم شده اند. در این پژوهش با استفاده از این کلمات کلیدی، چهار ویژگی برای تشخیص حضور عبارات کنایه دار در یک جمله در نظر گرفته شده است: حضور کلمات کلیدی نوع اول، حضور کلمات کلیدی نوع دوم، هم وقوعی کلمات کلیدی یک عبارت کنایه دار و فاصله بین کلمات یک عبارت کنایه دار در جمله مورد نظر. برای دسته بندی جملات هم روش درخت تصمیم به کار رفته که درخت تصمیم نهایی هرس شده تقریبا دقت 0.72 و صحت 0.96 را نشان داده است. همچنین نشان داده می شود که روش پیشنهادی بسیار بهتر از روش کیسه کلمات عمل می کند.

کلیدواژه ها:

تشخیص کنایه ، زبان فارسی ، پردازش متن ، درخت تصمیم