تاثير ساخت‌واژه‌ها در تجزيه وابستگي زبان فارسي

Effect of morphologies on Persian dependency parsing

سامانه‌هاي مبتني بر داده به‌راحتي مي‌توانند به ساير زبان‌ها يا دامنه‌ها منتقل شوند. استفاده از اين رويكرد در تجزيه وابستگي منجر به ارايه روش‌هاي مبتني‌بر داده شد كه تنها نيازمند پيكره‌اي حاوي جملات و درخت وابستگي متناظر با آن به‌عنوان داده آموزشي است. الگوريتم‌هاي طراحي‌شده براي تجزيه وابستگي با وجود صحت بالا در زبان انگليسي، بر روي دسته‌اي از زبان‌ها با افت صحت مواجه مي‌شوند كه دليل اين امر را مي‌توان در پر رنگ‌تر بودن عامل بي‌ترتيبي و غناي ساخت‌واژي آنها دانست. اين بدان معناست كه سامانه‌هاي مبتني‌بر داده نيازمند انتخاب خصوصيات و تنظيم دقيق پارامترها به‌منظور رسيدن به كارايي بهينه هستند. زبان فارسي كه به‌تازگي پيكره وابستگي براي آن طراحي شده است، جزو زبان‌هايي است كه دو عامل بي‌ترتيبي و غناي ساخت‌واژي را دارد. در اين مقاله سعي شده است عوامل تاثيرگذار بر كاهش صحت تجزيه وابستگي در زبان فارسي شناسايي و راهكارهايي براي بهبود صحت آن ارايه شود.

Data-driven systems can be adapted to different languages and domains easily. Using this trend in dependency parsing was lead to introduce data-driven approaches. Existence of appreciate corpora that contain sentences and theirs associated dependency trees are the only pre-requirement in data-driven approaches. Despite obtaining high accurate results for dependency parsing task in English language, for many of other languages with high free-word order and rich morphology, most applying algorithms lead to drop in accuracy compared to English language. Therefore, data-driven systems require careful selection of features and tuning of parameters to reach optimal performance. A dependency corpus for Persian language introduced recently. Persian language has high free-word order and rich morphology. In this paper we try to find detect effective factors for decreasing parsing accuracy and we present solutions to improve the accuracy.