CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدل سازی عبارات ظاهرنشده با استفاده از یادگیری عمیق

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۳۹ | نظرات: ۰
سال انتشار: ۱۳۹۸
کد COI مقاله: SPIS05_007
زبان مقاله: فارسی
حجم فایل: ۱.۱۵ مگابات (فایل این مقاله در ۷ 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 ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدل سازی عبارات ظاهرنشده با استفاده از یادگیری عمیق

  امین قاضی زاهدی - دانشجوی دکتری، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود
    مرتضی زاهدی - استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود
  منصور فاتح - استادیار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود

چکیده مقاله:

عبارت کلیدی نشان دهنده و بیانگر مفاهیم اساسی برای یک متن است. در بسیاری از کاربردهای پردازش متن، نیاز به استخراج عبارات کلیدی با کیفیت مناسب است. در روش های قدیمی مدل سازی متن، معانی و مفاهیم مرتبط با متن اهمیت ویژه ای نداشته اند. درنتیجه ساختار اصلی مدل، بر اساس کلمات ظاهرشده در سند شکل گرفته است. طبق تحقیقات اخیر، اسناد هم خوشه اشتراک مناسبی در عبارات کلیدی مستقیما ظاهرنشده در سند متنی دارند. در این تحقیق، مدلی جهت استخراج مفاهیم اساسی متن با استفاده از تخمین متون مشابه و اضافه کردن عبارات کلیدی به لایه های مخفی شبکه عمیق، ارائه شده است. این مدل سازی بر اساس تشابه خوشه ای با یک شبکه عمیق شکل گرفته است. این ساختار، سعی در کشف عبارات ظاهرنشده و سپس تخمین بهتر عبارات کلیدی با یک RNN را دارد. این روش به طور قابل توجهی مشکل عدم بازنمایی مفاهیم اساسی و عدم وجود عبارات کلیدی به طور مستقیم را حل می کند. روش پیشنهادی روی چهار دادگان متداول در این حوزه آزمایش شده است. نتایج این آزمایش ها، بهبود حدود 14 درصدی نسبت به روش های معمول TF-IDF, KEA و RNN را نشان می دهد.

کلیدواژه‌ها:

استخراج عبارات کلیدی – شبکه عصبی عمیق – یادگیری دنباله به دنباله – خوشه 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-SPIS05-SPIS05_007.html
کد COI مقاله: SPIS05_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:
قاضی زاهدی, امین؛ مرتضی زاهدی و منصور فاتح، ۱۳۹۸، مدل سازی عبارات ظاهرنشده با استفاده از یادگیری عمیق، پنجمین کنفرانس پردازش سیگنال و سیستم های هوشمند، شاهرود، دانشگاه صنعتی شاهرود، https://www.civilica.com/Paper-SPIS05-SPIS05_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: (قاضی زاهدی, امین؛ مرتضی زاهدی و منصور فاتح، ۱۳۹۸)
برای بار دوم به بعد: (قاضی زاهدی؛ زاهدی و فاتح، ۱۳۹۸)
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: دانشگاه دولتی
تعداد مقالات: ۷۰۵۱
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

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • هوش مصنوعی > شبکه عصبی
  • هوش مصنوعی > یادگیری عمیق
  • 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.