دانلود پایان نامه ارشد درمورد فرآیند تحلیل، منطق فازی، علی کریمی

دانلود پایان نامه ارشد

ه طور خودکار بسته شد.
همان‏طور که در مثال۳ مشاهده می‏شود، دو عبارت اسمی‏فوق با یکدیگر هم‏مرجع نمی‏باشند اما دارای یک مرجع گفتاری مشابه هستند یا به تعبیر [۶2] با یکدیگر هم‏واژگان50 هستند. در این مثال، عبارت اسمی‏«درب» به عبارت اسمی‏«اتاق» وابستگی دارد (به عبارت بهتر، منظور از «درب»، دربِ اتاق ذکر شده است نه دربِ ساختمان یا دربِ خودرو یا هر دربِ دیگری)
در جدول1-۱ برخی از ‏ویژگی‏های هر کدام از روابط پیشایندی و هم‏مرجعی را قرار داده‏ایم. توجه به این ویژگی‏ها به درک بهتر نقاط تشابه و اختلاف این دو رابطه کمک فراوانی می‏نماید.
همچنين بايد اضافه كنيم كه دو عبارت اسمی ‏می‏توانند به طور هم‏زمان هم رابطه‏ی هم‏مرجعی و هم رابطه‏ی پیشایندی داشته باشند. البته این بدین معنا نیست که هرگاه دو عبارت اسمی ‏با یکدیگر هم‏مرجع باشند، با یکدیگر ارتباط پیشایندی نیز داشته باشند و یا بالعکس.

شکل 1-۱: انواع روابط ممکن میان دو عبارت اسمی
شکل 1-۱، ارتباط میان دو عبارت اسمی ‏را با در نظر گرفتن چند حوزه مشخص نمایش می‏دهد. ما این حوزه‏ها را با توجه به مفاهیم هم‏مرجعی و پیشایندی تفسیر خواهیم نمود. دو عبارت اسمی‏در صورتی که با یکدیگر مرتبط باشند، می‏توانند هم دارای ارتباط هم‏مرجعی و هم دارای ارتباط پیشایندی باشند. مانند آنچه در مثال۴ آمده است.
مثال ۴: (علی کریمی)Ant,1 در نیمه دوم، ۲ گل به ثمر رساند. به طوری که به عنوان (محبوب‏ترین بازیکن پرسپولیس)Ana.1 در این بازی تشویق شد.
در میان عبارت‏های اسمی‏ای که دارای چنین ارتباط دو‏جانبه‏ای هستند می‏توان به برخی از ضمایر و مراجع آن‏ها نیز اشاره کرد. البته مثال‏های ۵ و ۶ نشان می‏دهند که همه ضمایر و مراجعشان در این رابطه صادق نیستند.
مثال ۵: )هر سگیAnt( زندگی )خودشAna( را دارد.
مثال ۶: اگر (یک خانه)Ant داشتم (آن)Ana را به تو اجاره می‌دادم.
در مثال ۵، ارتباط میان «هر سگی» و «خودش» یک ارتباط پیشایندی از نوع «ارتباط دهنده51» یا «با‏هم‏آیی» می‏باشد؛ و یا در مثال ۶، «یک خانه» در دنیای واقعی وجود خارجی ندارد. بنابراین طبق تعریفِ ارتباطِ هم‏مرجعی، «یک خانه» نمی‏تواند به عنوان هم‏مرجع برای «آن» در نظر گرفته‏شود.[76] همان طور که در شکل 1-۱ مشاهده می‏شود، عبارت‏های اسمی‏که از نوع پیشایندی هستند اما ارتباط هم‏مرجعی ندارند در حوزه پیشایند‏های «ارتباط‏دهنده» قرار می‏گیرند [80،87] اغلب پژوهشگران این نوع پیشایند را زمانی به کار می‏برند که در جفت عبارت (مقدم و تالی)، عبارت مقدم به وضوح در متن ظاهر نشده باشد و با استفاده از برخی از موجودیت‏هایی که قبلاً در متن اشاره شده است می‏توان وجود آن‏ها را اثبات کرد. مثال ۳، یک نمونه مناسب برای این نوع از پیشایندها می‏باشد. در این مثال ارتباط میان دو عبارت «درب» و «اتاق» از نوع مرونیمیک52 است به این معنا که «درب» جزئی از «اتاق» محسوب می‏شود.53
یکی دیگر از انواع ارتباط پیشایندی، پیشایند صفر54 است. مثال ۷ نمونه‏ای از این ارتباط را نشان می‏دهد.
مثال ۷: (دو جاده به سمت اصفهان)Ant می‏رود، (یکی اتوبانی و سریع)Gap1 و (دیگری خاکی و خطرناک)Gap2 است.
در حقیقت پیشایندهای صفر، یکی از انواع پیشایندهای کاهش یافته می‏باشند به این ترتیب که لزوماً به صورت عبارت‏های اسمی‏ نیستند بلکه به صورت یک شکاف در یک عبارت ظاهر می‏شوند.[35] در مثال۷ منظور از «اتوبانی و سریع» و «خاکی و خطرناک»، دو جاده‏ای است که به سمت اصفهان می‏روند. هدف از تحلیل پیشایندهای صفر، شناسایی چنین روابطی است.
یکی از حالتهای ارتباط پیشایند صفر، ضمایر صفر55 می‏باشد که تحلیل آن در برخی زبان‏ها مانند ژاپنی[92]، اسپانیایی[62] و حتی پارسی بسیار حیاتی است. در این نوع از پیشایندها، يكي از اركان در جفت(مقدم،تالي) حذف می‏شود. نمونهای از این نوع پیشایند، مثال ۶ می‏باشد که منظور از گوینده چنین است: «اگر من یک خانه داشتم آن‏را به تو اجاره می‏دادم».
در نهایت دو عبارت اسمی‏می‏توانند تنها از نوع هم‏مرجع خالص56باشند. ما این ارتباط را با مثال «پرفسور زاده»، «پدر منطق فازی» و «بنیان‏گذار منطق فازی» تفسیر می‏نماییم. همان طور که می‎دانید هر سه عبارت مذکور به شخص«پروفسور لطفعلی عسگر‏زاده» اشاره دارند اما اگر عبارت اسمی‏اول، یعنی «پرفسور زاده» در متن عنوان نشود، باز هم می‏دانیم که عبارت‏های اسمی‏ «پدر منطق فازی» و «بنیان‏گذار منطق فازی» با یکدیگر هم‏مرجع هستند. نمونه‏ی دیگری از یک ارتباط هم‏مرجعِ خالص، ارجاع انواع عبارت‏های اسمی‏به «باراک اوباما»، در پاراگراف‏ها، مکالمات با حتی متون متمایز است. اغلب نمونه‏هایی از روابط هم‏مرجع خالص در مستندات متقاطع مشاهده می‏شود. با تکیه بر این مفهوم برخی از پژوهشگران مانند [88] به تحلیل مرجع‏مشترک در متون متقاطع پرداخته‏اند.
نکته‏ی دیگر اینکه، در همه پژوهش‏هایی که برای شناسایی مرجع ضمیر در زبان‏هایی مانند انگلیسی انجام شده است، همیشه مرجع ضمیر پیش از ضمیر قرار می‏گیرد. اما در زبان پارسی این امکان وجود دارد که مرجع یک ضمیر پس از آن قرار گیرد. مثال ۸ ، نمونه‏ای از زبان پارسی می‏باشد که این مسئله را نشان می‏دهد.
مثال ۸: سی.ان.ان به آمریکا و جهان چنان شوکی وارد کرد که حتی (خود)Ana,1( ترنر)Ant,1 نیز آن‏را باور نمی‏کرد.
بطورکلی، آنچه مبرهن است برای شناسایی و بررسی هر کدام از روابط پیشایندی و یا هم‏مرجعی، نیاز به دانش‏های واژگانی و زبان‏شناسی در زبان مورد نظر می‏باشد. به طوری که هر چقدر یک رابطه هم‏مرجعی بیشتر پیشایندی باشد به دانش زبان‏شناسی بیشتری نیاز دارد. در همین راستا، شکل 1-۲، میزان ارتباط میان حوزه‏ها‏ی گفته شده را با هر کدام از انواع دانش‏های زبان‏شناسی و واژگانی نمایش می‏دهد.

شکل 1-۲: میزان ارتباط میان حوزه‏ها‏ با انواع دانش‏های زبان‏شناسی و واژگانی
1-۲-۲.تحليل پيشايند:
یکی از وظایف مهم پردازش زبان طبیعی است که موجب کاهش ابهام عبارت‏های اسمی‏ به کار رفته در متن می‏شود. به طور کلی این فرآیند وابستگی و پیوند میان دو عبارت تالی و مقدم را به گونه‏ای تشخیص می‏دهد که عبارت مقدم، عبارت تالی را تفسیر نماید.
1-۲-۳.تحليل مرجع‏مشترک:
با توجه به آنچه گفته شد، تحلیل مرجع‏مشترک، به فرآیند مرتبط کردن تمام عبارت‏هایی گفته می‏شود که به یک موجودیت واحد در دنیای واقعی اشاره دارند. این عبارت‏های اسمی‏هم‏مرجع، با هم تشکیل یک زنجیره واحد را می‏دهند که شامل ضمایر صفر تا اسامی‏خاص خواهد بود. تمام اعضای تشکیل دهنده‏ی این زنجیره باید از نظر تعداد، جنس و… با یکدیگر هم تراز باشند.

1-۲-۴.تقابل تحليل مرجع‏مشترک و تحليل پيشايندی:
با توجه به آنچه تا کنون درباره دو مفهوم تحلیل مرجع‏مشترک و تحلیل پیشایند گفته شد، این دو وظیفه با وجود شباهت زیادی که با یکدیگر دارند، دو وظیفه مجزا محسوب می‏شوند. بدین‏ترتیب که با به کارگیری فرآیند تحلیل مرجع‏مشترک، سیستم می‏تواند تمام اطلاعاتی که در مورد یک موجودیت در متن وجود دارد را شناسایی نماید. از طرفی دیگر تفسیر درست پیشایندها در متون به رفع ابهامات موجود در متن می‏انجامد؛ لذا استفاده از این دو وظیفه با در نظر گرفتن حوزه‏ها‏ی تشابه و اختلاف آن‏ها به درک و استخراج اطلاعات مفید در متن کمک فراوانی خواهد نمود. در این بخش با استفاده از مثال‏هایی لزوم اجرای این دو فرآیند را در کنار یکدیگر بررسی می‏کنیم.
پس از شناخت فرآیندهای تحلیل مرجع‏مشترک و تحلیل پیشایند و اینکه یک سیستم چه انتظاراتی را باید برآورده نماید، لازم است تا روال کار را برای اجرای هر فرآیند را مشخص نماییم. استفاده از الگوریتم‏های یادگیری، از پرکاربردترین روش‏های ارائه شده برای شناسایی روابط مثبت و منفی در مرجع‏مشترک و پیشایند می‏باشد. به این ترتیب که الگوریتم با استفاده از برخی ویژگی‏ها (مانند [105]( آموزش می‏بیند تا روابط مثبت و منفی را پيش‏بینی نماید57. البته شایان ذکر است که برخی از ویژگی‏ها برای این دو فرآیند مشترک و برخی دیگر متفاوت می‏باشد. به عنوان مثال ویژگی تطابق رشته‏ای58 از جمله مواردی است که برای تحلیل مرجع‏مشترک بسیار مورد توجه قرار گرفته است اما در فرآیند تحلیل پیشایند کاملاً بی معنا است( دو عبارت یکسان چگونه می‏توانند یکدیگر را تفسیر نمایند). به عبارت دیگر فرض بر این است که دو عبارت اسمی‏که در یک متن تکرار می‏شوند به احتمال خیلی زیاد هم‏مرجع هستند.
مثال ۹: دیروز دو تیم محبوب «الف» و «ب» به مصاف یکدیگر رفتند. تیم «الف»، در نیمه اول بسیار درخشید به طوری که طرفداران این تیم به پیروزی تیمشان امیدوار بودند. اما دیری نپایید که تیم «ب» روال بازی را به نفع خود تغییر داد که منجر به شادمانی طرفداران این تیم شد.
همان طور که در مثال ۹ مشاهده می‏شود، عبارت اسمی‏«طرفداران این تیم» در خطوط ۲ و ۳ عیناً تکرار شده است. بنابراین طبق ویژگی تطابق رشته‏ای در فرآیند تحلیل مرجع‏مشترک این دو عبارت با یکدیگر هم‏مرجع در نظر گرفته خواهند شد، اما واقعیت این است که این دو عبارت با یکدیگر هم‏مرجع نیستند. به عبارتی قرار گرفتن این دو عبارت در یک زنجیره واحد یکی از خطاهای تحلیل مرجع‏مشترک محسوب می‏شود. در حالی که استفاده از فرآیند تحلیل پیشایندی موجب رفع این خطا خواهد شد. این کار به این ترتیب انجام خواهد گرفت که عبارت «طرفداران این تیم» در خط ۳ با اولین و نزدیک‏ترین مفسر خود یعنی «تیم ب»، تشکیل یک جفت تالی و مقدم را می‏دهند و به همین ترتیب «طرفداران این تیم» در خط ۲ با «تیم الف» جفت خواهد شد. این مثال نمونه‏ایست که در آن دقتِ59 تحلیل پیشایندی از تحلیل مرجع‏مشترک پیشی می‏گیرد.
طبق آنچه در فرآیند تحلیل پیشایندی رایج است. هنگام شناسایی مقدم برای هر عبارت تالی، حرکت از تالی به سمت عبارت‏های اسمی‏ماقبل آن انجام خواهد شد تا به این ترتیب، جفت عبارت‏های (مقدم و تالی) شناسایی شوند. همان طور که پیش از این اشاره شد، فرآیند تشخیص مرجع ضمیر نیز از همین رویکرد پیروی می‏نماید، با این تفاوت که در برخی موارد مقدم (در اینجا منظور مرجع ضمیر است) بعد از تالی قرار می‏گیرد (مانند مثال ۸). بنابراین حرکت الگوریتم (راست به چپ) نمی‏تواند به شناسائی مرجع صحیح برای ضمیر مورد نظر منجر شود. در حالی که اجرای وظیفه‏ی تحلیل مرجع‏مشترک، با شناسایی عبارت‏های هم‏مرجع، تا حد زیادی این مشکل را برطرف خواهد نمود. حرکت الگوریتم در تحلیل مرجع‏مشترک نیز از راست به چپ خواهد بود با این تفاوت که نقطه‏ شروع آن می‏تواند انتهای متن باشد، هر عبارت اسمی‏جدید که با عبارت‏های پیش از خود هم‏مرجع باشد به زنجیره‏های موجود اضافه می‏شود، در غیر این صورت خودش تشکیل زنجیره‏ای جدید را خواهد داد. در چنین حالتی فراخوانی60 و دقت در تحلیل مرجع‏مشترک نسبت به تحلیل پیشایندی پیشی می‏گیرد.
به همین ترتیب نیز راهکار‏ها‏ی ارائه شده برای هر کدام از این فرآیندها تا حدودی با یکدیگر متفاوت می‏باشد. به عنوان نمونه یک رویکرد در فرآیند تحلیل پیشایندی افراز پس از آموزش الگوریتم یادگیری است که تنها به منظور افرازِ جفت‏های (مقدم و تالی) صورت می‏گیرد. به این ترتیب که پس از ایجاد نمونه‏ها‏ی مثبت و منفی که عموماً توسط یک رده‏بند ایجاد می‏شوند، نزدیک‏ترین و مناسب‏ترین مقدم برای تالی مورد نظر مشخص می‏شود. در مقابل برخی پژوهشگران برای تحلیل مرجع‏مشترک را یک فرآیند دومرحله‏ای در نظر می‏گیرند؛ در مرحله‏ی اول به جای استفاده از دو اصطلاح تالی و مقدم، اصطلاحاتی مانند «قابل برچسب61» و یا «اشاره» جایگزین می‏شود. هر اشاره می‏تواند خروجی فرآیند كشف و شناسایی اشاره باشد. توجیه این جایگزینی این است که ما در تحلیل مرجع‏مشترک به مفاهیم مفسر یا ارجاع دهنده نیاز نداریم و به جای آن اصلاحِ مستقلِ اشاره را جایگزین می‏نماییم. هر اشاره به عنوان یک ارجاع به هر گروه از موجودیت‏ها در نظر گرفته می‏شود و می‏تواند یکی از انواع اسم عام، اسم خاص و حتی ضمیر (یا شبه ضمیر) باشد. همچنین سایر عبارت‏های موجود در متن که برای تحلیل مرجع‏مشترک کاربرد

پایان نامه
Previous Entries دانلود پایان نامه ارشد درمورد باراک اوباما، منطق فازی، یادگیری ماشین Next Entries دانلود پایان نامه ارشد درمورد یادگیری ماشین، فرآیند تحلیل، کانون توجه