یادگیری نمایش ساختاریافته از طریق یادگیری تقویتی و شبکه های با حافظه بلندمدت-کوتاه مدت

طبقه بندی متن برای دسته بندی متون در گروه های سازمان یافته استفاده می شوند. محتوای این متون توسط مدل های یادگیری ماشین آنالیز شده و بر همین اساس برچسب گذاری می شوند. یادگیری نمایش یکی از مسائل مهم در حوزه پردازش زبان طبیعی می باشد که تاثیر زیادی در طبقه بندی متن دارد. برخلاف روش های قبلی که ساختار خاصی استفاده نمی کنند، در این مقاله به منظور یادگیری نمایش ساختاریافته، یک روش جدیدی مبتنی بر یادگیری تقویتی پیشنهاد می شود که هدف آن شناسایی ساختارهای مناسب و مرتبط با تسک است. در روش پیشنهادی از مدل های ID-LSTM ، HS-LSTM و ترکیبی از این دو مدل برای ایجاد نمایش ساختاریافته استفاده شده است. در مدل ID-LSTM فقط کلمات مهم و مرتبط با تسک در نمایش نهایی وجود دارند و کلمات غیر مرتبط حذف می شوند. در مدل HS-LSTM نیز، ساختارهای به شکل عبارت در یک جمله شناسایی می شوند. در ترکیب این دو مدل، خرویی مدل اول که یش نمایش خلاصه تری می باشد به عنوان ورودی به مدل دوم داده می شود تا عبارت های بهینه تری برای طبقه بندی شناسایی شوند. به منظور ارزیابی روش پیشنهادی، آزمایشاتی بر روی دو دسته از دیتاست ها انجام شده و نتایح حاصل بیانگر این هستند که روش پیشنهادی توانایی یادگیری نمایش های مرتبط با تسک را از طریق مشخص کردن ساختارها و کلمات مهم دارد.

کلیدواژه ها:

هوش مصنوعی ، پردازش زبان طبیعی ، طبقه بندی متن ، یادگیری تقویتی ، یادگیری نمایش جدید