Türkçe için ardışık şartlı rastgele alanlarla bağlılık ayrıştırma

Temel Bulgular & Veri:Giriş ve çıkış dizisinin içeriklerinegöre doğal dil işlemenin birçok konusu (varlık isim tanıma, makine çevirisi, morfolojik analiz, cümleleri öğelerine ayırma vb.) sekans etiketleme olarak tanımlanabilir.

💡

Sonuç & Katkı:Gerçekleştirilen bu çalışma ile Türkçe için en yüksek bağlılık ayrıştırması sonuçlarınaulaşılmıştır.

🔬Tür:Araştırma Makalesi

📍Kapsam:Genişletilmiş Akademik Örneklem

⚙️Değişkenler:Alan Parametreleri

Özet

Sekans etiketleme bir giriş dizisine karşılık bir çıkış dizisinin üretimidir. Giriş ve çıkış dizisinin içeriklerinegöre doğal dil işlemenin birçok konusu (varlık isim tanıma, makine çevirisi, morfolojik analiz, cümleleri öğelerine ayırma vb.) sekans etiketleme olarak tanımlanabilir. Bağlılık ayrıştırması, bir cümle içerisindekisözcükler arasındaki ilişkilerin ve ilişki türlerinin belirlenmesidir ve bir cümlenin anlamsal analizininyapılabilmesi için şarttır. Bağlılık ayrıştırması sekans etiketleme problemi olarak tanımlandığında iki çıkışdizisinin (ilişki türü, ilişkili kelime) birden üretilmesi gerekmektedir. Bizim önerimiz, özellikle Sekansetiketleme problemlerinin çözümünde sıklıkla kullanılan Şartlı Rastgele Alanların bağlılık ayrıştırmasıproblemi içinde kullanılabilir olduğudur. Ancak Şartlı Rastgele Alanlar tek çıkış üreten bir yöntemdir. Buzorluğu aşabilmek için iki çıkışlı (Bağlılık Türü ve Bağlanılan Kelime) bir problem olan Bağlılık Ayrıştırması iki parçaya bölünerek çözülmüştür. Ardından elde edilen sonuçlar birleştirilerek sistemin çıktısıolarak verilmiştir. Gerçekleştirilen bu çalışma ile Türkçe için en yüksek bağlılık ayrıştırması sonuçlarınaulaşılmıştır.

Abstract

In the most general form Sequence Labelling is the production of an output sequence in response to an inputsequence. Many of natural language processing problems such as (entity name recognition, machinetranslation, morphological analysis, separation of the elements of sentence etc.) can be defined as a sequencelabelling. Dependency parsing is to determine the relationship and the type of the relationship between wordswithin a sentence and it is essential to perform semantic analysis of a sentence. When dependency parsing is defined as a sequence labelling problem, production of two outputs (relationship type, related words) isrequired. Our recommendation is to use the Conditional Random Fields (CRF) which is commonly used insequence labelling problems. However CRF is a method that produces a single output. To overcome thisdifficulty we propose to divide Dependency Parsing which is a problem with two outputs into two parts. Theoverall solution is provided by combining the results of these parts. With the performed operation we reached the best dependency parsing results for Turkish language.

🔖

Bu Makaleye Atıf Yap

AMASYALI, M. F., BİLGİN, M. (2022). Türkçe için ardışık şartlı rastgele alanlarla bağlılık ayrıştırma. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 32 - Sayı: 2, 385–392. https://ajindex.com/articles/523549

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

Tesnière L., Introduction A la Syntaxe Structurale, Klincksieck, Paris, 1959
Graham N., NLP Programming Tutorial-Dependency Parsing. http://www.phontron.com/slides/nlpprogramming-en-11-depend.pdf. Erişim Tarihi Kasım 25, 2013
Bilgin M., Ardışık Şartlı Rastgele Alanlarla Sekans Etiketleme, Doktora Tezi, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2015
Buchholz S., Marsi, E., CoNLL-X Shared Task on Multilingual Dependency Parsing, Computational Natural Language Learning (CoNLL), New YorkAmerika Birleşik Devletleri, 149-164, 8-9 Haziran, 2006
Chen W., Zhang Y., Isahara H., A Two-Stage Parser for Multilingual Dependency Parsing, Computational Natural Language Learning (CoNLL), Prague-Çek Cumhuriyeti, 1129-1133,28-30 Haziran, 2007
Ambati B.R., Samar H., Sambhav J., Sharma D.M., Sangal R., Two Methods to Incorporate Local Morphosyntactic Features in Hindi Dependency Parsing, Statistical Parsing of Morphologically Rich Languages (SPMRL),Los Angeles-Amerika Birleşik Devletleri, 22-30, 5 Haziran, 2010
Cer D., Marneffe M.C., Jurafsky D., Manning C.D., Parsing to Stanford Dependencies: Trade-offs Between Speed and Accuracy, Language Resources and Evaluation (LREC), Valletta-Malta, 1628-1632, 17-23 Mayıs, 2010
Eryiğit G., İlbay T., Can O.A., Multiword Expressions in Statistical Dependency Parsing, Statistical Parsing of Morphologically Rich Languages (SPMRL), Dublin- İrlanda, 45-55, 6 Ekim, 2011
Lafferty J., McCallum A., Pereira F., Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data, International Conference on Machine Learning (ICML), Massachusetts-Amerika Birleşik Devletleri, 282-289, 28 Haziran - 1 Temmuz, 2001
Kazkılınç S., Türkçe Metinlerin Etiketlenmesi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, 2012
Eryiğit G., Adalı E., Oflazer K., Türkçe cümlelerin kural tabanlı bağlılık analizi, 15th Turkish Symposium on Artificial Intelligence and Neural Networks, MuğlaTürkiye, 17-24, 21-24 Haziran, 2006
Vapnik V., The Nature of Statistical Learning Theory, Second Edition, Springer, New York, 1995
Weizhen L., Wenjian W., Huiyuan F., Air Pollutant Parameter Forecasting Using Support Vector Machines, International Joint Conference on Neural Networks (IJCNN), Honolulu-Hawaii, 630-635, 12-17 Mayıs, 2002
Shen J., Pei Z.J., Lee E.S., Support Vector Regression in the Analysis of Soft-Pad Grinding of Wire-Sawn Silicon Wafer