مطالعه و دسته بندی پیکره های متنی برچسب دار در زبان فارسی

دسترسی به دادههای زبانی شامل پیکرههای متنی، پیکرههای درختی و واژگانها یکی از نیازمندیهای اولیه و ملزومات مهم در روشهای آماری در پردازش زبان طبیعی و تحلیل احساسات و نظرات کاربران در وب و اندیشهکاوی، است و عدم دسترسی مناسب به چنین دادههایی، مشکلات فراوانی را پیش پای پژوهشگران علوم دادهو هوش مصنوعی قرار میدهد. بسیاری از زبانشناسان در پژوهشهای خود از پیکرههای زبانی بهره میگیرند و به بررسی ویژگیها و کشف قواعد زبان از طریق اطلاعات موجود در دادههای زبانی میپردازند . در این مقاله معرفی جامعوکاملی از پیکره ها و پایگاه داده های متنی زبان فارسی دارای برچسب از ابتدا تا کنون ارایه شده است، که در مقایسه با تحقیقات انجام شده ی قبلی بسیار کامل تر و دقیق تر می باشد.در این بررسی به مقایسه پیکره ها، ذکر کاربردهای هر یک از آنها، مزایا و معایب، روش ساخت و ذکر خصوصیات آنها، پرداخته شده است.این مقاله می تواندبرای پژوهش های مربوط به، تصمیم گیری ها، تحلیل احساسات و نظرات کاربران در زبان فارسی استفاده شود و در روش های یادگیری ماشین، در انتخاب پیکره های مورد نیاز در تحقیقات مرتبط به کار رود و با کشف کمبودها و چالش های موجود در این حوزه، برای یافتن موضوعات تحقیقات مورد نیاز در آینده مفید باشد.

کلیدواژه ها:

پیکره های متنی ، فارسی ، پردازش زبان طبیعی ، نظرکاوی ، تحلیل متون