بهبود استخراج ويژگي با استفاده از يك مدل يادگيري عميق گروهي براي تشخيص موجوديت

يكي از مراحل اوليه در بيشتر پردازش‌هاي زبان طبيعي، استخراج موجوديت نامدار از جمله است. در اين زمينه تكنيك‌هاي مختلف مبتني بر يادگيري ماشين ارائه شده است كه بدون نياز به پيچيدگي‌هاي استخراج ويژگي دستي، دقت بالاتري از خود نشان داده اند. لذا، دراين تحقيق ما براي گرفتن ويژگي‌هاي جمله ورودي از تركيب دو مدل يادگيري عميق شامل شبكه عصبي كانولوشن و همينطور حافظه كوتاه مدت طولاني استفاده مي‌كنيم. با استخراج ويژگي‌هاي محلي كلمات توسط شبكه كانولوشن در كنار ويژگي‌هاي سراسري، اطلاعات بيشتري از جمله جهت كلاسبندي دقيقتر موجوديتها بدست ميآوريم. ما معماري پيشنهادي‌مان را روي دو ديتاست CoNLL2003 و ACE05 ارزيابي مي‌نماييم و نشان ميدهيم كه افزودن شبكه كانولوشن سطح كلمه باعث استخراج اطلاعات محلي مفيدي از كلمات موجود در جمله مي‌شود كه منجر به افزايش دقت سيستم مي‌گردد. در نهايت، كارايي سيستم را با ديگر رقبا مقايسه مينماييم و برتري اين معماري نسبت به ديگران گزارش داده مي‌شود.