دانلود فایل ها در مورد چارچوبی جدید برای تشخیصِ مرجعِمشترک واسمِ اشاره در متون پارسی- فایل ۳۲ |
![]() |
۱۵
APP-Match
True/false
آیا اشاره دوم ، بدل اشاره اول کی باشد؟
۱۶
Entity-Match
True/false
آیا از نظر Entity-Type با هم یکی هستند؟
۱۷
Sub-Entity-Match
True/false
آیا از نظر Entity-Sub-Type با هم یکی هستند؟
شکل ۴-۵ : شمایی از نمایش خروجی تعیین نمونههای مثبت و منفی
در این پایان نامه،تمامی نمونههای بدست آمده از مرحله قبل به دودسته آموزشی(۸۰%) و آزمایشی(۲۰تقسیم شدند. سپس هر کدام از الگوریتمهای یادگیری شبکه عصبی، ماشین بردار پشتیبان و درخت تصمیم توسط نمونههای مثبت و منفیِ مجموعه آموزشی، آموزش داده شد و در نهایت مدلهای بدست آمده بر روی مجموعه آزمایشی ارزیابی شدهاند(نمونههای مثبت نشانگر اشارههای هممرجع و نمونههای منفی، اشارههای غیر هممرجع میباشند). شیوهی عملکرد هر کدام از این الگوریتمها در فصل چهارم شرح داده شدهاست.
۴-۳-۳. معیار ارزیابی
برای ارزیابی ماشین یادگیری و یا مقایسهی دو یادگیر متفاوت نیاز است تا بتوان کارایی آنها را مورد بررسی قرار داد. در این خصوص ابزارهای ارزیابی متفاوتی وجود دارد که از جملهی آنها، MUC (ویلیان[۲۱۶] و همکاران ، ۱۹۹۵)، B3 (بگا[۲۱۷] و همکارش ۱۹۹۸)، CEAF (لو ۲۰۰۵)، Balance(رکاسنس[۲۱۸] و همکارش ۲۰۱۱) و … میباشد. هر کدام از این مقیاس ها میتوانند رفتار یا نتایج متفاوتی را برای یک سیستم منعکس نمایند[۵۰] گاهی اوقات در برخی از شرایط و در برخی از زمینههای پردازش زبان طبیعی، ارزیابی کارایی یک سیستم مورد توجه است که در قالب معیار صحت سنجیده میشود. بسیاری از مسائل پردازش زبان طبیعی (همانند برچسبگذاری ادات سخن) با معیار صحت سنجیده میشوند که تمام انواع خطاها (مثبت نادرست و منفی نادرست) را یکسان در نظر میگیرد. تعریف معیار صحت بصورت رابطه ۴-۱ است. حالتهای ممکن برای تشخیص ارتباط میان دو اشاره نیز در جدول ۴-۴ آمده است.
رابطه(۴-۱)
جدول۴-۴: حالتهای ممکن نتایج یک ماشین یادگیر
پیش بینی شده به عنوان
غیر هممرجع
پیش بینی شده به عنوان
هممرجع
منفی نادرست
مثبت درست
در واقع هم مرجع
منفی درست
مثبت نادرست
در واقع غیر هم مرجع
فرم در حال بارگذاری ...
[چهارشنبه 1400-08-05] [ 12:38:00 ب.ظ ]
|