Sinir ağları ve önceden eğitimli kelime yerleştirmeleri ile adlı varlık tanıma

NER (Adlandırılmış Varlık Tanıma), metin içindeki adlar, yerler ve kuruluşlar gibi temel bilgi öğelerini tanımlayan ve sınıflandıran doğal dil işlemenin kritik bir bileşenidir. Sinir ağları, bu yerleştirmeleri kullanarak, zengin bağlamsal çeşitlilikler içeren anlamlı semantik temsiller aracılığıyla, geniş bir yapılandırılmamış metin yelpazesi içindeki kelimeler arasındaki karmaşık ilişkiler hakkında daha fazla bilgi elde eder. Bu araştırmanın temel amacı, Word2Vec, GloVe, FastText ve BERT gibi son teknoloji sözcük yerleştirme yeteneklerini kullanarak NER sistemlerinin hassasiyetini ve sağlamlığını arttırmaktır. Kelime yerleştirmeler, kelimeleri semantik ve sözdizimsel ortaklıkların yakalandığı yüksek boyutlu bir alana dönüştürdükleri ve makine öğrenimi modellerinin yapılandırılmamış metin girdisini başarılı bir şekilde ele almasına ve analiz etmesine olanak tanıdığı için bu süreçte önemli bir rol oynar. Bu araştırma, bu hedefi gerçekleştirmek için Koşullu Rastgele Alan (CRF) katmanıyla birlikte eklenen çift yönlü uzun kısa süreli bellek (BiLSTM) ağı gibi sıralı etiketleme görevlerinde popüler bir tasarım önermektedir. Bu iki öğenin birleştirilmesi, modelin, yapılandırılmamış metinsel verilerdeki yerel ve küresel bağımlılıkları yakalayarak, kesin varlık tanıma için gerekli bağlamı doğru bir şekilde temsil etmesini sağlar, böylece girdi metni içindeki varlıkların tanımlanmasını ve sınıflandırılmasını değerlendirip geliştirir