Elde edilen sonuçlara göre önerilen öznitelik çıkarım yönteminin dil tanıma için önemli örüntüler sağladığı görülmüştür.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Doğal dil işlemenin önemli alt konularından biri olan dil tanıma (DT), bir dokümanın içeriğine göre yazıldığı dili belirleme işlemidir.
📊
Temel Bulgular & Veri:Bu çalışmada, karakterlerin UTF-8 değerlerini birbirleri ile karşılaştırmalar sonucu elde edilen ikili desenler kullanarak yeni bir dil tanıma yaklaşımı, bir boyutlu yerel ikili örüntüler (1B-YİÖ) önerilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre önerilen öznitelik çıkarım yönteminin dil tanıma için önemli örüntüler sağladığı görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:metin tabanlı dil tanıma · yerel ikili örüntüler · doğal dil işleme
Özet
Doğal dil işlemenin önemli alt konularından biri olan dil tanıma (DT), bir dokümanın içeriğine göre yazıldığı dili belirleme işlemidir. Bu çalışmada, karakterlerin UTF-8 değerlerini birbirleri ile karşılaştırmalar sonucu elde edilen ikili desenler kullanarak yeni bir dil tanıma yaklaşımı, bir boyutlu yerel ikili örüntüler (1B-YİÖ) önerilmiştir. Önerilen yöntem farklı sayıda dillerden oluşan metinler içeren dört veri kümesi ile test edilmiştir. 1B-YİÖ ile dokümanlardan elde edilen öznitelikler kullanılarak farklı makine öğrenmesi yöntemleri ile sınıflandırma işlemi gerçekleştirilmiştir. Dört veri kümesi için sınıflandırma başarıları sırası ile %86.20, %92.75, %100 ve %89.77 olarak gözlenmiştir. Elde edilen sonuçlara göre önerilen öznitelik çıkarım yönteminin dil tanıma için önemli örüntüler sağladığı görülmüştür.
KAYA, Y., Ertuğrul, Ö. F. (2016). Doküman dili tanıma için yeni bir öznitelik çıkarım yaklaşımı: İkili Desenler. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 31 - Sayı: 4, 0–0. https://ajindex.com/articles/20300
Selamat, A., ve Ng, C. C. 2011. Arabic script web page language identifications using decision tree neural networks. Pattern Recognition, 44(1): 133-144.
Takçı, H. ve Ekinci, E. 2012. Minimal feature set in language identification and finding suitable classification method with it, Procedia Technology, 1: 444 – 448 Xafopoulos, A., Kotropoulos, C., Almpanidis, G., ve Pitas, I. 2004. Language identification in web documents using discrete HMMs. Pattern recognition,37(3): 583-594.
Popescu, M., ve Liviu P. Dinu. 2007. Kernel meth ods and string kernels for authorship identification:The federalist papers case. Proceedings of RANLP, September. Popescu M., ve Cristian Grozea. 2012. Kernel methods and string kernels for authorship analysis. CLEF (Online Working Notes/Labs/Workshop), September. Popescu, M., ve Radu Tudor Ionescu. 2013. The Story of the Characters, the DNA and the Native Language. Proceedings of the Eighth Workshop on Innovative Use of NLP for Building Educational Applications, pages 270–278,
June. Nie, J. Y. (2010). Cross-language information retrieval. Synthesis Lectures on Human Language Technologies, 3(1), 1-125.
Li, H., Ma, B., ve Lee, C. H. 2007. A vector space modeling approach to spoken language identification. IEEE Transactions on Audio, Speech, and Language Processing,, 15(1): 271-284.
Nakamura, S., Markov, K., Nakaiwa, H., Kikui, G. I., Kawai, H., Jitsuhiro, T.,. & Yamamoto, S. (2006). The ATR multilingual speech-to-speech translation system. Audio, Speech, and Language Processing, IEEE Transactions on,14(2), 365-376.
Kaya, Y., Ertuğrul, Ö. F., ve Tekin, R. (2014). An Expert Spam Detection System Based on Extreme Learning Machine. Computer Science, 1(2), 132-137.
Selamat, A., ve Omatu, S. 2004. Web page feature selection and classification using neural networks. Information Sciences, 158: 69-88.
Mani, I., ve Maybury, M. T. (Eds.). (1999). Advances in automatic text summarization (Vol. 293). Cambridge: MIT press. Chong, Leighton K., ve Christine K. Kamprath. "Machine translation and telecommunications system." U.S. Patent No. 5,497,319. 5 Mar. 1996.
Takcı, H., ve Soğukpınar, İ. 2005. Letter based text scoring method for language identification. In Advances in Information Systems (pp. 283-290).
Springer Berlin Heidelberg. Evans, D. A., Grefenstette, G. T., ve Tong, X. 2008. U.S. Patent No. 7,359,851. Washington, DC: U.S. Patent and Trademark Office. Cavnar, W.B., Trenkle, J. M. 1994. N-gram-based text categorization. In: In Proceedings