CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

ارایه یک شبکه عصبی عمیق مبتنی بر کانولوشن برای طبقه بندی متون

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۶۵ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: COMPUTER05_007
زبان مقاله: فارسی
حجم فایل: ۶۱۱.۶۱ کیلوبایت (فایل این مقاله در ۱۰ 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 ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارایه یک شبکه عصبی عمیق مبتنی بر کانولوشن برای طبقه بندی متون

  الهام مهدی پور - عضو هیات علمی گروه کامپیوتر موسسه آموزش عالی خاوران، مشهد
  فرشته رازقی یدک - مدرس موسسه آموزش عالی خاوران، مشهد

چکیده مقاله:

طبقه بندی متون یکی از مهمترین جنبه های علمی در زیرشاخه پردازش زبان طبیعی می باشد. هنگام طبقه بندی معمولا کلاس هدف یا طبقه مورد نظر شناخته شده است و هدف طبقه بندی، پیش بینی دقیق کلاس هدف برای هر داده می باشد. با پیشرفت و توسعه تکنولوژی یکی از نوین ترین راهکارها که برای طبقه بندی متن بکار می رود استفاده از یادگیری عمیق است. در این مقاله یک شبکه عمیق مبتنی بر کانولوشن جهت طبقه بندی متون ارایه شده است. استفاده از کانولوشن روی داده های متنی نیاز به پیش پردازش و تبدیل متن به فضای برداری دارد. در این پژوهش داده های متنی با استفاده از ساختار Word Embedding به فضای برداری تبدیل شده اند. برای ارزیابی کارایی مدل پیشنهادی، ما 8 مدل مختلف یادگیری عمیق مانند GRU، RNN، LSTM و غره را پیاده سازی و آن ها را بر روی 5 مجموعه داده متنی شامل 3 مجموعه داده خبری و 2 مجموعه داده Sentiment تست کردیم. نتایج تجربی نشان می دهند که مدل پیشنهادی قادر به رقابت با سایر مدل های پیاده سازی شده است و در اکثر موارد کارایی آن بهتر از سایر مدل ها است.

کلیدواژه‌ها:

یادگیری عمیق، کانولوشن، طبقه بندی متن، پردازش زبان طبیعی

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-COMPUTER05-COMPUTER05_007.html
کد COI مقاله: COMPUTER05_007

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:
مهدی پور, الهام و فرشته رازقی یدک، ۱۳۹۷، ارایه یک شبکه عصبی عمیق مبتنی بر کانولوشن برای طبقه بندی متون، سیزدهمین سمپوزیوم بین المللی پیشرفت های علوم و تکنولوژی: سرزمین پایدار تازه های کامپیوتر و فناوری اطلاعات، مشهد، موسسه آموزش عالی خاوران، https://www.civilica.com/Paper-COMPUTER05-COMPUTER05_007.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: (مهدی پور, الهام و فرشته رازقی یدک، ۱۳۹۷)
برای بار دوم به بعد: (مهدی پور و رازقی یدک، ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۱۰۳۹
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 پیشنهادی مرتبط

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.