استخراج ویژگی برای یک سیستم شناسایی و طبقه بندی اسامی فارسی

یک سیستم شناسایی و طبقه بندی اسامی (NER:Name Entity Recignition) سیستمی است که می توانند یک یا چند نوع از اسامی را در متن شناسایی و طبقه بندی کند این اسامی می توانند اسامی اشخاص، ارگانها ، شرکت ها، اسامی مکان ها( کشور، شهر، خیابان و ...) اسامی زمان (تاریخ و ساعت) مقادیر مالی، درصدها، و ... باشد هر چند که در دهه اخیر کارهای زیادی برروی سیستم شناسایی و طبقه بندی اسامی در زبانهای مختلف و دامنه های مختلف انجام شده است اما مشکلات و محدودیتهایی که در زبان فارسی وجود دارد باعث شده است تا سیستم های شناسایی و طبقه بندی اسامی در این زبان با مشکل مواجه شوند در این مقاله علاوه بر بررسی این مشکلات و راه حل های آن، یک بردار ویژگی برای اموزش سیستم استخراج گردیده است. برای استخراج ویژگی ها از مجموعه داده پژوهشکده هوشمند علایم استفاده شده است در الگوریتم پیش پردازش داده ها اسامی را با استفاده از POS از داده ها حدا شده و سپس مصدرها، اسامی زمان، اسامی شمارشی، اعداد را هم از مجموعه داده حذف می شود سپس سیستم را با طبقه بندی کننده های خطی و غیرخطی آموزش می دهیم نتایج برای اسامی عمومی 99% صحت، برای اسامی مکان 92% صحت و برای اسامی خاص افراد 80% صحت را نشان میدهد و برای مجموع داده ها سیستم دارای 96% صحت می باشد.

کلیدواژه ها:

پردازش زبان طبیعی ، شناسایی و طبقه بندی اسامی ، انتخاب ویژگی