CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بکارگیری دسته بندی کننده و رتبه بندی کننده آنتروپی بیشینه در فرایند تعیین مرجع ضمایر زبان فارسی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۰۷۰ | نظرات: ۱
سال انتشار: ۱۳۸۷
کد COI مقاله: ACCSI14_023
زبان مقاله: فارسی
حجم فایل: ۱۶۰.۵۷ کیلوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بکارگیری دسته بندی کننده و رتبه بندی کننده آنتروپی بیشینه در فرایند تعیین مرجع ضمایر زبان فارسی

  نفیسه سادات موسوی - دانشگاه صنعتی شریف دانشکده مهندسی کامپیوتر
  غلام رضا قاسم ثانی - دانشگاه صنعتی شریف دانشکده مهندسی کامپیوتر

چکیده مقاله:

تعیین عبارات اسمی هم -مرجع یکی از شاخه های تحقیقاتی مطرح در زمینه پردازش زبا ن های طبیعی است و نقش موثری در کاربردهایی همچون ترجمه ماشینی، خلاصه سازی خودکار متون، پاسخگویی خودکار به سوالات و استخراج اطلاعات دارد که در هر یک از آن ها درک صحیحی از متن حائز اهمیت است. تعیین عبارات اسمی هم -مرجع به فرایندی اطلاق می شود که در آن تمام عبارات اسمی که به یک موجودیت واحد اشاره دارند، تعیین می گردند. فرایند تعیین عبارات اسمی هم- مرجع را می توان به دو دسته روش های زبانشناسی و روش های یادگیری ماشین تقسیم نمود. روش های زبان شناسی به اطلاعات زبان شناسی بسیاری نیاز دارند که بدست آوردن این اطلاعات فرایندی پر خطا و زمان بر است . ولی روش های یادگیری ماشین به اطلاعات زبان شناسی کمتری احتیاج دارند و با بکارگیری آن ها نتایج بهتری حاصل می شود. فرایند تعیین مرجع ضمایر، یک زیر بخش مهم و چالش انگیز از فرایند تعیین عبارات اسمی هم -مرجع است که در آن تنها تعیین مرجع ضمایر مورد توجه قرار می گیرد. در این مقاله، ابتدا روش های یادگیری ماشین بکار رفته در حوزه تعیین عبارات اسمی هم مرجع /تعیین مرجع ضمایر دسته بندی و شرح داده می شوند و سپس نحوه اعمال دو روش بر روی زبان فارسی، ارائه شده و نتایج آن ها گزارش خواهد شد.

کلیدواژه‌ها:

پردازش زبان طبیعی، یادگیری ماشین، تعیین عبارات اسمی هم- مرجع، تعیین مرجع ضمایر، دسته بندی، رتبه بندی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ACCSI14-ACCSI14_023.html
کد COI مقاله: ACCSI14_023

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
موسوی, نفیسه سادات و غلام رضا قاسم ثانی، ۱۳۸۷، بکارگیری دسته بندی کننده و رتبه بندی کننده آنتروپی بیشینه در فرایند تعیین مرجع ضمایر زبان فارسی، چهاردهمین کنفرانس سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، دانشگاه صنعتی امیر کبیر، https://www.civilica.com/Paper-ACCSI14-ACCSI14_023.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (موسوی, نفیسه سادات و غلام رضا قاسم ثانی، ۱۳۸۷)
برای بار دوم به بعد: (موسوی و قاسم ثانی، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • بیجن خان، م.، نقش پیکره زبانی در نوشتن دستور زبان، ... (مقاله ژورنالی)
  • حافظی منشادی، م. م.، طراحی یک تحلیل‌گرنحوی برای جملات نوشتاری ...
  • Hobbs, J., Resolving pronoun references, Readings in natural language processing, ...
  • Sidner, C. L., Focusing for interpretation of pronouns. Computational Linguistics, ...
  • McCarthy, J., and Lehnert, W., Using decision trees for coreference ...
  • Ge, N., Hale, J., and Charniak, E., A statistical approach ...
  • Ng, V., and Cardie, C., Improving machine learning approaches to ...
  • McCarthy, J., and Lehnert, W., Using decision trees for coreference ...
  • Soon, W., Ng, H., and Lim, D., A muachine learning ...
  • Ng, V., and Cardie, C., Identifying anaphoric and non- anaphoric ...
  • resolution. In Proceedings of COLING, pp. 730-736, 2002a. ...
  • Yang, X., Zhou, G.D., Su, J., and Tan, C.L., Coreference ...
  • Cardie, C., and Wagstaff, K., Noun Phrase coreference as clustering. ...
  • Wagstaff, K., Intelligent Clustering with Instance-Le vel Constraints. Ph.D. dissertation, ...
  • Finley, T., Joachims, T., Supervised clustering with support 7ector machines. ...
  • McCallum and Wellner, B., Conditional models of identity uncertainty with ...
  • Luo, X., Ittycheriah, A., Jing, H., Kambhatla, N., and Roukos, ...
  • Lou, X., Coreference or Not: A Twin Model for Coreference ...
  • Nicolae, C., and Nicolae, G., BESTCUT: A graph algorithm for ...
  • Blum and Mitchell, T., Combining Labeled and Unlabeled Data with ...
  • Muller, C., Rapp, S., and Strube, M., Applying _ training ...
  • Harabagiu, S., Bunescu, R. and Maiorano, S., Text and knowledge ...
  • Bean, D., and Riloff, E., Unsupervised learning of contextual role ...
  • Culotta, Wick, M., Hall, R., and McCallum, A., First- Order ...
  • Yang, X., Su, J., Tan, C., Kernel-Based Pronoun Resolution with ...
  • نقد پژوهشگران در مورد مقاله بکارگیری دسته بندی کننده و رتبه بندی کننده آنتروپی بیشینه در فرایند تعیین مرجع ضمایر زبان فارسی
    فاطمه بهرامی بختیاری (۱۳۹۶/۴/۹): مثاله بسیار کاربردی و مفید است.

    علم سنجی و رتبه بندی مقاله

    5.0
    ۱ تعداد پژوهشگران نظر دهنده
    5 1
    4 0
    3 0
    2 0
    1 0
    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۲۳۱۹
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.