تشخيص موجوديت‌هاي نام‌دار در ساختارهاي معنايي تودرتو با استفاده از مكانيزم توجه

يكي از فرايندهاي پركاربرد در پردازش زبان طبيعي كه نقش ويژه‌اي در بهبود كيفيت ساير فرايندهاي مرتبط دارد، تشخيص موجوديت‌هاي نام‌دار است؛ ولي انجام اين فرايند به دليل تعدد مفاهيم معناشناسي تودرتو در متون، به آساني ممكن نيست و در پردازش زبان طبيعي به يك مشكل جدي تبديل شده است. در مطالعاتي كه تا كنون انجام شده از يك مقياس براي استخراج ويژگي‌ها استفاده شده و به همين دليل بخش عمده‌اي از اطلاعات موجود در متن لحاظ نشده و در نتيجه خطاي تشخيص زياد بوده است. براي حل اين مشكل، در اين مقاله روشي مبتني بر مكانيزم توجه چندمقياسي براي تشخيص موجوديت‌هاي نام‌دار در ساختارهاي معنايي تودرتو معرفي شده است. در اين روش با تلفيق مدل BERT و شبكه‌هاي BiLSTM اطلاعات غني‌تري براي استخراج ويژگي آماده شده و در ادامه با استفاده از مكانيزم توجه چندمقياسي تركيبي از ويژگي‌هاي مناسب براي تشخيص موجوديت‌هاي نام‌دار استخراج مي‌شوند. نتايج حاصل از اجراي مدل برروي سه مجموعه‌داده‌ي متفاوت نشان مي‌دهند كه امتيازF1 خروجي اين مدل در حالت ميانگين 41/86% بوده است.