دانلود ترجمه مقاله رویکرد یادگیری عمیق برای تشخیص موجودیت نامدار از رسانه های اجتماعی

1. مقدمه 2 مقالات مرتبط 3. رویکرد پیشنهادی 4 ارزیابی تجربی 5 . بحث و بررسی و کارهای آتی 6. نتیجه گیری

چکیده – تشخیص موجودیت نامدار/ اسمی (NER) از پست های رسانه های اجتماعی کار چالش برانگیزی است. محتوای ایجاد شده توسط کاربر که ماهیت رسانه های اجتماعی را شکل می دهد، نویزی بوده و حاوی اشتباهات دستوری و زبانی است. این محتوای نویزی، وظایفی نظیر NER را بسیار سخت تر می کند. در این مطالعه، دو رویکرد جدید یادگیری عمیق را با استفاده از یادگیری عمیق چند ماهیتی و ترنسفورمرها ارائه می دهیم. در هر دو رویکرد، از ویژگی های تصویر پست های کوتاه رسانه های اجتماعی استفاده می شود تا نتایج بهتری در مورد وظیفه NER حاصل شود. در رویکرد اول، ویژگی های تصویر را با استفاده از InceptionV3 استخراج کرده و برای ترکیب ویژگی های متنی و تصویر از fusion استفاده می کنیم. این رویکرد زمانیکه تصاویر مربوط به موجودیت ها توسط کاربر ارائه می شوند، تشخیص موجودیت نامدار قابل اعتمادتری را امکانپذیر می کند. در رویکرد دوم، از ویژگی های تصویر همراه با متن استفاده کرده و آن را در یک ترنسفورمر BERT مانند پیش می بریم. نتایج تجربی با استفاده از معیارهای دقت ، فراخوانی و امتیاز Fl، حاکی از برتری کار ما در مقایسه با سایر راه حل های پیشرفته NER است.

Named entity recognition (NER) from social media posts is a challenging task. User-generated content that forms the nature of social media is noisy and contains grammatical and linguistic errors. This noisy content makes tasks such as NER much harder. We propose two novel deep learning approaches utilizing multimodal deep learning and transformers. Both of our approaches use image features from short social media posts to provide better results on the NER task. On the first approach, we extract image features using InceptionV3 and use fusion to combine textual and image features. This approach presents more reliable name entity recognition when the images related to the entities are provided by the user. On the second approach, we use image features combined with text and feed it into a BERT-like transformer. The experimental results using precision, recall, and F1 score metrics show the superiority of our work compared to other state-of-the-art NER solutions.

ترجمه این مقاله در 28 صفحه آماده شده و در ادامه نیز صفحه 20 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.