آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,550 |
| تعداد مقالات | 18,908 |
| تعداد مشاهده مقاله | 63,400,180 |
| تعداد دریافت فایل اصل مقاله | 23,124,533 |
تشخیص موضع کم نمونه با استفاده از تعبیه‌های کلمات از پیش‌آموزش‌دیده | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 07 تیر 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.65391.4947 | ||
| نویسندگان | ||
| مهدی رعایائی اردکانی* 1؛ غزل حیدرپور2 | ||
| 1دانشگاه تربیت مدرس تهران | ||
| 2دانشگاه تربیت مدرس | ||
| چکیده | ||
| تشخیص موضع کم‌نمونه که هدف آن تعیین موضع متن به صورت موافق، مخالف، یا خنثی با حداقل داده‌های برچسب‌گذاری‌شده است، همچنان یکی از چالش‌های مهم پردازش زبان طبیعی است. روش‌های سنتی که به مجموعه‌داده‌های بزرگ وابسته هستند، در کاربردهای واقعی با محدودیت مواجه می‌شوند. در این پژوهش، روشی سبک با نام SD-IWV[MR3.1] ارائه می‌شود که با ترکیب تعبیه‌های کلمات پیش‌آموخته و تعبیه‌های برچسب‌های نقش‌نما (POS)، بازنمایی غنی‌تری از کلمات ایجاد می‌کند و هم‌زمان اطلاعات معنایی و نحوی را به مدل وارد می‌سازد. علاوه بر این، روش پیشنهادی از تکنیک‌های تنظیم بردارهای پیش‌آموخته بهره می‌گیرد تا امکان تعمیم بهتر به داده‌های جدید، به ویژه در سناریوهای بدون نمونه را فراهم می‌کند. ارزیابی‌ها بر روی مجموعه داده VAST نشان می‌دهد که روش پیشنهادی با کسب امتیاز F1 معادل 0.732 عملکردی پایدار در مواجهه با ابهام موضوع و تطبیق میان‌حوزه‌ای را نشان می‌دهد و در مقایسه با روش‌های سنتی مانند BiCond، SEKT، و TGA-Net و بسیاری از مدل‌های مبتنی بر BERT، بهبود قابل‌توجهی را نشان می‌دهد. همچنین به دلیل استفاده از مدلی سبک در روش پیشنهادی، زمان یادگیری آن نیز به طور قابل توجهی از روش‌های قبلی کمتر بوده است. | ||
| کلیدواژه‌ها | ||
| پردازش زبان طبیعی؛ تشخیص موضع؛ یادگیری کم نمونه؛ تعبیه کلمات | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 108 |
||