دانشکده مهندسی کامپیوتر- دفاعیه ارشد
ساناز ساکی نوروزی - 1397/12/21

حذف تصاویر و رنگ‌ها  | تاریخ ارسال: ۱۳۹۷/۱۲/۲۰ | 

ارائه­ دهنده:

ساناز ساکی نوروزی

  استاد راهنما:

آقایان دکتر احمد اکبری و دکتر ناصر مزینی

استاد مشاور: دکتر بابک ناصرشریف


  استاد ممتحن خارجی :  دکتر منصور ولی
استاد ممتحن داخلی: دکتر محمد طاهر پیله ور

  زمان :  سه شنبه  21 اسفند ماه

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304


ساناز ساکی نوروزی دانشجوی کارشناسی ارشد آقای دکتر محمدرضا کنگاوری سه شنبه 21 اسفند ساعت 14:00 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان مدل سازی زبانی با استفاده از شبکه های عصبی عمیق دفاع خواهند نمود.

چکیده پایان نامه:

 در سال‌های اخیر توجه ویژه‌ای به شبکه‌های عصبی به منظور مدل‌سازی زبانی در کاربردهای مختلف پردازش زبان طبیعی شده است. در این مدل‌های زبانی ساختارهای مختلفی از شبکه‌های عصبی مورد استفاده قرار گرفته‌اند که شبکه‌های بازگشتی نتایج خوبی در این زمینه به‌دست آوردند، این شبکه‌ها با توجه به محدود نبودن به طول ثابتی از کلمات ورودی نتایج بهتری نسبت به شبکه‌های پیش‌رو داشتند. با این وجود شبکه‌های عصبی بازگشتی در یادگیری دنباله‌های طولانی مشکلاتی دارند که برای رفع این مشکل شبکه‌ی حافظه‌ی کوتاه‌مدت ماندگار پیشنهاد شده است. در این پژوهش به دنبال روشی برای مدل‌سازی زبان با در نظر گرفتن اجزای کلام  بودیم  و از شبکه‌های کوتاه‌مدت ماندگار یک طرفه و دو طرفه برای  مدل‌سازی زبانی استفاده شد. ساختاری که براساس شبکه‌های گفته شده پیشنهاد شد، ساختاری موازی برای در نظر گرفتن کلمات و نقش آن‌ها بود. ساختار پیشنهادی شامل دو مسیر موازی از شبکه‌های  حافظه‌ی کوتاه‌مدت ماندگار است که ورودی مسیرها کلمات و نقش آن‌ها می‌باشد. ورودی‌ها بعد از عبور از لایه‌ی تعبیه‌ساز وارد حافظه‌ی کوتاه‌مدت ماندگار می‌شوند و سپس این دو مسیر با هم الحاق شده و در مسیر الحاق‌شده با توجه به این‌که از شبکه‌های یک طرفه و یا دوطرفه استفاده شده باشد، به ترتیب از شبکه‌‌ی حافظه‌ی کوتاه‌مدت ماندگار و لایه‌ی تماماً متصل استفاده می‌شود و در نهایت هم لایه‌ی بیش‌نرم برای پیش‌بینی کلمه‌ی بعدی قرار دارد. از مجموعه‌ داده‌ی PTB ر این پژوهش استفاده شده است که یکی از مجموعه‌‌ داده‌هایی است که به طور گسترده‌ برای ارزیابی عملکرد مدل زبان در زبان انگلیسی مورد استفاده قرار می‌گیرد. برای ارزیابی عملکرد روش‌ها از معیار سرگشتگی استفاده شده‌است. نتایج به‌دست آمده نسبت به مدل‌های پایه در یک مجموعه آزمون یکسان، حدود 1.5 درصد کاهش مقدار سرگشتگی برای شبکه یک‌طرفه و 7  درصد کاهش برای شبکه‌ی دوطرفه داشته‌است.
 


  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

نشانی مطلب در وبگاه دانشکده مهندسی کامپیوتر:
http://www.iust.ac.ir/find.php?item=14.11064.55912.fa
برگشت به اصل مطلب