دانلود ترجمه مقاله مدل های زبانی مبتنی بر یادگیری عمیق در درک زبان طبیعی
عنوان فارسی |
چارچوبی برای مدل های زبانی مبتنی بر یادگیری عمیق با استفاده از یادگیری چندکاره در درک زبان طبیعی: مروری سیستماتیک بر مقالات و جهت گیری های آتی |
عنوان انگلیسی |
Framework for Deep Learning-Based Language Models Using Multi-Task Learning in Natural Language Understanding: A Systematic Literature Review and Future Directions |
کلمات کلیدی : |
  یادگیری عمیق؛ نمایش دانش؛ NLU چند وظیفهای؛ یادگیری بدون نظارت |
درسهای مرتبط | مهندسی کامپیوتر |
تعداد صفحات مقاله انگلیسی : 20 | نشریه : IEEE |
سال انتشار : 2022 | تعداد رفرنس مقاله : 112 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
پاورپوینت :
ندارد سفارش پاورپوینت این مقاله |
وضعیت ترجمه مقاله : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید |
1. مقدمه 2. پژوهش های پیشین 3. روش تحقیق 4. پیشینه 5. نتایج 6. بحث و بررسی 7. محدودیتهای مطالعه 8. کارهای آینده و چالشها 9. نتیجهگیری
چکیده – یادگیری زبانهای انسانی برای یک کامپیوتر کار دشواری است. با این حال، تکنیکهای یادگیری عمیق عملکرد را در تقریباً تمام وظایف پردازش زبان طبیعی (NLP) به طور قابل توجهی بهبود بخشیدهاند. متاسفانه، این مدلها نمیتوانند برای همه وظایف NLP با عملکرد مشابه تعمیم داده شوند. NLU (درک زبان طبیعی) زیرمجموعهای از NLP است که شامل وظایف مانند ترجمه ماشینی، سیستمهای مبتنی بر گفتگو، استنتاج زبان طبیعی، استنتاج متن، تحلیل احساسات و غیره میشود. پیشرفت در حوزه NLU بهبود عملکرد جمعی در تمام این وظایف است. اگرچه MTL (یادگیری چند وظیفهای) قبل از یادگیری عمیق معرفی شد، اما در سالهای گذشته توجه قابل توجهی به خود جلب کرده است. هدف از این مقاله شناسایی، بررسی و تحلیل مدلهای مختلف زبان مورد استفاده در NLU و NLP برای یافتن جهتهای تحقیقات آینده است. مرور سیستماتیک ادبیات (SLR) با استفاده از دستورالعملهای جستجوی ادبیات پیشنهادی توسط کیچنهام و چارترز در مورد مدلهای مختلف زبان بین سالهای 2011 تا 2021 تهیه شده است. این SLR نشان میدهد که مدلهای زبانی مبتنی بر روش یادگیری بدون نظارت پتانسیل بهبود عملکرد را نشان میدهند. با این حال، آنها با چالش طراحی چارچوب عمومی برای مدل زبان مواجه هستند، که عملکرد NLU چند وظیفهای و نمایش تعمیم یافته دانش را بهبود میبخشد. ترکیب این رویکردها ممکن است منجر به یک NLU چند وظیفهای کارآمدتر و قویتر شود. این SLR مراحل ساخت یک چارچوب مفهومی را برای دستیابی به اهداف بهبود عملکرد مدلهای زبانی در حوزه NLU پیشنهاد میکند. مقدمه: NLU یک موضوع تحقیقاتی نسبتاً جدید است که در آن یک کامپیوتر قبل از انجام وظایف استاندارد NLU مانند بازیابی اطلاعات، پاسخ به سوالات، ترجمه زبان، خلاصه سازی متن، طبقه بندی اخبار و غیره، اطلاعات را از متن زبان طبیعی تجزیه و تحلیل و استخراج میکند. روندهای اخیر در متن کاوی نیاز فزاینده استخراج اطلاعات با کیفیت بالا از متن ساختاریافته و بدون ساختار را برآورده میکند. برعکس، روندهای اخیر در درک سیستماتیک زبان (SLU) در جهت درک اهداف عملی در متن ورودی، همراه با صحت ساختاری دستوری زبان ورودی است. دامنههای کاربردی برای NLU در جدول 1 فهرست شدهاند. کاربرد تجاری محبوب مبتنی بر NLU چت بات است. طبق آمار خدمات مشتری هوش مصنوعی گارتنر [1]، چت باتها تا سال 2020 مسئول 85٪ از خدمات مشتری خواهند بود. طبق آمار هوش مصنوعی کرانچ بیس [1]، بیش از 10000 توسعهدهنده اکنون چت باتهایی را برای فیس بوک مسنجر میسازند.
ترجمه مقاله مرتبط با این مقاله | دانلود ترجمه مقاله یادگیری عمیق در پردازش زبان طبیعی |
Learning human languages is a difficult task for a computer. However, Deep Learning (DL) techniques have enhanced performance significantly for almost all-natural language processing (NLP) tasks. Unfortunately, these models cannot be generalized for all the NLP tasks with similar performance. NLU (Natural Language Understanding) is a subset of NLP including tasks, like machine translation, dialogue-based systems, natural language inference, text entailment, sentiment analysis, etc. The advancement in the field of NLU is the collective performance enhancement in all these tasks. Even though MTL (Multi-task Learning) was introduced before Deep Learning, it has gained significant attention in the past years. This paper aims to identify, investigate, and analyze various language models used in NLU and NLP to find directions for future research. The Systematic Literature Review (SLR) is prepared using the literature search guidelines proposed by Kitchenham and Charters on various language models between 2011 and 2021. This SLR points out that the unsupervised learning method-based language models show potential performance improvement. However, they face the challenge of designing the general-purpose framework for the language model, which will improve the performance of multi-task NLU and the generalized representation of knowledge. Combining these approaches may result in a more efficient and robust multi-task NLU. This SLR proposes building steps for a conceptual framework to achieve goals of enhancing the performance of language models in the field of NLU. Introduction: NLU is a relatively new research topic in which a computer analyses and extracts information from natural language text before doing standard NLU tasks, viz. information retrieval, question-answering, language translation, text summarization, news classification, and so on. The recent trends in text mining caters to the ever-increasing need of extraction of high-quality information from structured as well unstructured text. On the contrary, the recent trends in systematic language understanding (SLU) are in the direction of understanding actionable intents in the input text, along with grammatical structural correctness of the input language. The application domains for NLU are listed in Table 1. The popular business application based on NLU is a chatbot. According to Gartner’s AI customer service statistics [1], chatbots will be responsible for 85% of customer service by 2020. According to Crunchbase’s AI stats [1], more than 10,000 developers now build chatbots for Facebook Messenger.
ترجمه این مقاله در 43 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.
محتوی بسته دانلودی:
PDF مقاله انگلیسی ورد (WORD) ترجمه مقاله به صورت کاملا مرتب (ترجمه شکل ها و جداول به صورت کاملا مرتب)
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.