دانلود ترجمه مقاله یادگیری عمیق در پردازش زبان طبیعی

1. پردازش زبان طبیعی به طور خلاصه 2. وظایف و کاربردها 3. پیشرفت‌های اخیر در NLP 4. منابع 5. مسائل جاری و جهت‌گیری‌های آینده

چکیده – پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی است که شامل طراحی و پیاده‌سازی سیستم‌ها و الگوریتم‌هایی است که قادر به تعامل از طریق زبان انسانی هستند. به لطف پیشرفت‌های اخیر یادگیری عمیق، کاربردهای NLP پیشرفت بی‌سابقه‌ای در عملکرد داشته‌اند. در این مقاله، مروری بر کاربرد تکنیک‌های یادگیری عمیق در NLP ارائه می‌دهیم، با تمرکز بر وظایف مختلفی که یادگیری عمیق تأثیر قوی‌تری بر آن‌ها نشان می‌دهد. علاوه بر این، ما منابع اصلی در تحقیقات NLP، از جمله نرم‌افزار، سخت‌افزار و مجموعه داده‌های محبوب را بررسی، توصیف و بازبینی می‌کنیم. در نهایت، به محدودیت‌های اصلی یادگیری عمیق در NLP و جهت‌گیری‌های تحقیقاتی فعلی تأکید می‌کنیم. پردازش زبان طبیعی به طور خلاصه: پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی است که مملو از وظایف پیچیده، پیشرفته و چالش‌برانگیز مرتبط با زبان مانند ترجمه ماشینی، پاسخ به سوالات، خلاصه‌سازی و غیره است. NLP شامل طراحی و پیاده‌سازی مدل‌ها، سیستم‌ها و الگوریتم‌ها برای حل مشکلات عملی در درک زبان‌های انسانی است. ما می‌توانیم NLP را به دو شاخه اصلی تقسیم کنیم که عبارتند از تحقیقات بنیادی (یا پایه) و کاربردی. متعلق به دسته اول، مشکلات عمومی را می‌یابیم که نشان‌دهنده آجرهای ساخت سیستم‌های پیچیده مبتنی بر زبان انسانی هستند. برخی از این وظایف شامل مدل‌سازی زبان، تحلیل مورفولوژیکی، پردازش نحوی یا تجزیه و تحلیل معنایی است. علاوه بر این، NLP با موضوعات کاربردی مانند استخراج خودکار اطلاعات مرتبط (به عنوان مثال، موجودیت‌های نام‌گذاری شده و روابط بین آن‌ها) از متون، ترجمه متون بین زبان‌ها، خلاصه‌سازی اسناد، پاسخ خودکار به سوالات، طبقه‌بندی و خوشه‌بندی اسناد سروکار دارد.

Natural Language Processing (NLP) is a branch of artificial intelligence that involves the design and implementation of systems and algorithms able to interact through human language. Thanks to the recent advances of deep learning, NLP applications have received an unprecedented boost in performance. In this paper, we present a survey of the application of deep learning techniques in NLP, with a focus on the various tasks where deep learning is demonstrating stronger impact. Additionally, we explore, describe, and revise the main resources in NLP research, including software, hardware, and popular corpora. Finally, we emphasize the main limits of deep learning in NLP and current research directions. NLP in a nutshell: Natural Language Processing (NLP) is a branch of artificial intelligence brimful of intricate, sophisticated, and challenging tasks related to the language, such as machine translation, question answering, summarization, and so on. NLP involves the design and implementation of models, systems, and algorithms to solve practical problems in understanding human languages. We may split NLP into two main sub-branches, which are fundamental (or basic) and applicative research. Belonging to the first category, we find general problems representing the bricks to build complex systems based on human language. Some of these tasks are language modeling, morphological analysis, syntactic processing, or parsing, and semantic analysis. Additionally, NLP deals with applicative topics such as automatic extraction of relevant information (e.g., named entities and relations between them) from texts, translation of text between languages, summarization of documents, automatic answering of questions, classification and clustering of documents.

ترجمه این مقاله در 40 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.