اخبار و اعلانات

 آمار

تعداد نشریات34
تعداد شماره‌ها1,326
تعداد مقالات9,515
تعداد مشاهده مقاله9,572,680
تعداد دریافت فایل اصل مقاله5,835,562
بجانی, صادق. (1403). ارائه روشی جدید مبتنی بر شبکه عصبی RWKV، برای تشخیص مقالات خودمتناقض در دانشنامه فارسی. پدافند الکترونیکی و سایبری, 3(3), -.
صادق بجانی. "ارائه روشی جدید مبتنی بر شبکه عصبی RWKV، برای تشخیص مقالات خودمتناقض در دانشنامه فارسی". پدافند الکترونیکی و سایبری, 3, 3, 1403, -.
بجانی, صادق. (1403). 'ارائه روشی جدید مبتنی بر شبکه عصبی RWKV، برای تشخیص مقالات خودمتناقض در دانشنامه فارسی', پدافند الکترونیکی و سایبری, 3(3), pp. -.
بجانی, صادق. ارائه روشی جدید مبتنی بر شبکه عصبی RWKV، برای تشخیص مقالات خودمتناقض در دانشنامه فارسی. پدافند الکترونیکی و سایبری, 1403; 3(3): -.

ارائه روشی جدید مبتنی بر شبکه عصبی RWKV، برای تشخیص مقالات خودمتناقض در دانشنامه فارسی

مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی
دوره 3، شماره 3، آذر 1403
نوع مقاله: مقاله علمی-ترویجی
نویسنده
صادق بجانی*
sbejani@ihu.ac.ir
تاریخ دریافت: 19 آبان 1403،  تاریخ بازنگری: 01 دی 1403،  تاریخ پذیرش: 12 بهمن 1403 
چکیده
در دانشنامه فارسی یکی از قابلیت‌های لازم تشخیص جملات متناقض در هر متن است تا از این طریق خدمات مناسب برای کاربران فراهم شود. تا کنون در داخل کشور برای تشخیص تناقض در متن‌های فارسی کارهای تحقیقاتی کمی انجام گرفته است که از دقت کافی برخوردار نیستند. این تحقیق به بررسی و ارزیابی یک روش نوین برای تشخیص جملات متناقض در یک متن‌ فارسی با استفاده از شبکه عصبی RWKV پرداخته است. هدف اصلی این تحقیق، تشخیص جملات متناقض در یک متن فارسی با استفاده از داده‌های مجموعه‌داده FarsTail با دقت بالا است. بر اساس روش تحقیق، شبکه عصبی مناسب RWKV به عنوان یک مدل یادگیری عمیق انتخاب شد. در ادامه تنظیم دقیق مدل یاد شده جهت وظیفه تشخیص تناقض در متن، بارگذاری مدل و داده‌ها، پیش‌پردازش داده‌ها، تنظیم دقیق مدل با داده‌های پیش پردازش شده و سپس ارزیابی مدل انجام گرفت. لازم به بیان است که داده‌ها به سه دسته‌ی استنتاجی ، متناقض و خنثی تقسیم‌بندی شده و پس از پیش‌پردازش، مدل آموزش‌دیده و برای تشخیص جملات متناقض در یک متن فارسی به کار گرفته شد. ارزیابی مدل با استفاده از ماتریس درهم‌ریختگی و محاسبه‌ی معیار‌های مختلفی از جمله دقت، دقت پیش‌بینی مثبت، بازخوانی و امتیاز F1 انجام شد. نتایج ارزیابی نشان داد که مدل RWKV با دقت ۰۶/۹۵% و امتیاز F1 برابر با ۰۳/۹۲%، توانایی بالایی در شناسایی جملات متناقض در یک متن، نسبت به کارهای مشابه قبلی دارد. مقایسه‌ی عملکرد مدل RWKV با مدل‌های دیگر مانند mBERT، ESIM، HBMP وDecompAtt حاکی از برتری RWKV در تفکیک کلاس‌های.
کلیدواژه‌ها
تشخیص جملات متناقض؛ شبکه عصبی RWKV؛ یادگیری عمیق؛ مجموعه‌داده FarsTail؛ داده متناقض؛ داده استنتاجی؛ داده خنثی
عنوان مقاله [English]
Presenting a method for detecting self-contradictory articles based on RWKV neural network in Persian encyclopedia
نویسندگان [English]
-- --
-
چکیده [English]
In the Persian encyclopedia, one of the necessary capabilities is to recognize contradictory sentences in each text in order to provide appropriate services to users. So far, few research works have been done inside the country to detect contradictions in Persian texts, which do not have enough accuracy. This research investigates and evaluates a new method for detecting contradictory sentences in a Persian text using the RWKV neural network. The main goal of this research is to detect contradictory sentences in a Persian text using data from FarsTail dataset with high accuracy. Based on the research method, the appropriate neural network RWKV was selected as a deep learning model. Next, fine-tuning the mentioned model for the task of detecting contradictions in the text, loading the model and data, pre-processing the data, fine-tuning the model with the pre-processed data and then evaluating the model was done. It should be mentioned that the data was divided into three categories: inferential, contradictory and neutral, and after pre-processing, the model was trained and used to recognize contradictory sentences in a Persian text. The evaluation of the model was done by using the confusion matrix and calculating various criteria including accuracy, positive prediction accuracy, readability and F1 score. The evaluation results showed that the RWKV model with an accuracy of 95.06% and an F1 score equal to 92.03% has a high ability to identify contradictory sentences in a text, compared to previous similar works. Comparing the performance of the RWKV model with other models such as mBERT, ESIM, HBMP and DecompAtt indicates the superiority
کلیدواژه‌ها [English]
Recognize Contradictory Sentences, RWKV Neural Network, Deep Learning, FarsTail Dataset, Paradoxical Data, Inferential Data, Neutral Data
مراجع
آمار
تعداد مشاهده مقاله: 26