Do n’t Throw Those Morphological Analyzers Away Just Yet : Neural Morphological Disambiguation for ArabicArabic

Nasser Zalmout; Nizar Habash

doi:10.18653/v1/D17-1073

Do n’t Throw Those Morphological Analyzers Away Just Yet : Neural Morphological Disambiguation for ArabicArabic

Abstract

This paper presents a model for Arabic morphological disambiguation based on Recurrent Neural Networks (RNN). We train Long Short-Term Memory (LSTM) cells in several configurations and embedding levels to model the various morphological features. Our experiments show that these models outperform state-of-the-art systems without explicit use of feature engineering. However, adding learning features from a morphological analyzer to model the space of possible analyses provides additional improvement. We make use of the resulting morphological models for scoring and ranking the analyses of the morphological analyzer for morphological disambiguation. The results show significant gains in accuracy across several evaluation metrics. Our system results in 4.4 % absolute increase over the state-of-the-art in full morphological analysis accuracy (30.6 % relative error reduction), and 10.6 % (31.5 % relative error reduction) for out-of-vocabulary words.

Abstract

Hierdie papier stel 'n model vir arabiese morfologiese ontsammings gebaseer op Herhaalde Neurale Netwerke (RNN). Ons trein Long- Term Geheue (LSTM) selle in verskeie konfigurasies en inbêer vlakke om die verskeie morfologiese funksies te model. Ons eksperimente wys dat hierdie modele uitvoer state-of-the-art stelsels sonder eksplisiese gebruik van funksieengineering. Maar by die byvoeg van leer funksies van 'n morfologiese analiseerder na model die spasie van moontlike analiseerdes verskaf addisionele verbetering. Ons maak gebruik van die resulteerde morfologiese modele vir skoring en rangering van die analiseerdes van die morfologiese analiseerder vir morfologiese ontsammings. Die resultate wys betekende verskaffings in presisiteit oor verskeie evalueringsmetries. Ons stelsel resultaat in 4.4% absolute vergroot oor die staat-van-die-kuns in volledige morfologiese analisie-presisie (30.6% relatiewe fout verduur), en 10.6% (31.5% relatiewe fout verduur) vir uitwoorde woorde.

Abstract

ይህም ፕሮግራም የቀድሞው ኔural ኔትርክ (RNN) በመሠረት ላይ የአረብኛ የሞሮፎሎጂ ክፍላጎችን ምሳሌ ያቀርባል፡፡ የረጅም ቆራጭ ማስታወሻ (LSTM) ክፍሎችን በብዙ ምርጫዎች እና የሞሮፎሎጂ ምርጫዎችን ለማስተካከል እናስተምረዋለን፡፡ ፈተናዎቻችን እነዚህ ምሳሌዎች የዓላማ ሥርዓት ሥርዓት ስርዓቶችን ሳይገልጹ የፊደል ኢንጂንጂንተር ሲጠቀም ያሳየቃሉ፡፡ ምንም እንኳን፣ ሞሮፎሎጂ አስተያይር ላይ መማር ፍትሕርቶችን በመጨመር የቻልባትን ትርጉም ማሻሻሻል፡፡ የሞሮፎሎጂ analyzer ን ለማንቀሳቀስ እና ለማንቀሳቀስ እናጠይቃለን፡፡ ፍጥረቶቹ በብዙ ማስታወቂያው ማተሚያዎች ላይ ትክክለኛ ግንኙነት ያሳያል፡፡ ስርዓታችን በሙሉ ሞሮፎሎጂ ትክክል (30.6 በመቶ የስህተት ጉዳይ) እና 10.6 በመቶ (31.5 በመቶ የስህተት ጉዳይ) ለባሕላዊ ቃላት አካባቢ ትክክል ነው፡፡

Abstract

تقدم هذه الورقة نموذجًا للتوضيح الصرفي للغة العربية بناءً على الشبكات العصبية المتكررة (RNN). نقوم بتدريب خلايا الذاكرة طويلة المدى (LSTM) في العديد من التكوينات ومستويات التضمين لنمذجة الميزات المورفولوجية المختلفة. تُظهر تجاربنا أن هذه النماذج تتفوق في الأداء على أحدث الأنظمة دون استخدام صريح لهندسة الميزات. ومع ذلك ، فإن إضافة ميزات التعلم من محلل صرفي لنمذجة مساحة التحليلات الممكنة يوفر تحسينًا إضافيًا. نحن نستفيد من النماذج المورفولوجية الناتجة لتسجيل درجات وتصنيف تحليلات المحلل المورفولوجي من أجل توضيح الغموض المورفولوجي. تظهر النتائج مكاسب كبيرة في الدقة عبر العديد من مقاييس التقييم. ينتج عن نظامنا زيادة مطلقة بنسبة 4.4٪ على أحدث التقنيات في دقة التحليل الصرفي الكاملة (30.6٪ تقليل الخطأ النسبي) ، و 10.6٪ (31.5٪ تقليل الخطأ النسبي) للكلمات خارج المفردات.

Abstract

Bu kağıt, yenidən Nöral Networks (RNN) vasitəsilə ərəbcə morfolojik səbəbçilik modelini göstərir. Biz çoxlu konfigurasiyada və müxtəlif morfolojik fəaliyyətlərini modelləşdirmək üçün uzun-uzun Qısqa Yadını (LSTM) hücrelərini təhsil edirik. Bizim təcrübələrimiz bu modellərin fərqli inženjeri istifadə etmədən istifadə edilməsini göstərir. Lakin, morfolojik analizacıdan öyrənmə fərqli əlamətlərini mümkün analizacıların məsəlinə model etmək üçün daha yaxşılıqlarını verir. Biz morfolojik disambiguasyon üçün morfolojik analizacının analizasyonlarını scoring və ranking etmək üçün növbəti morfolojik modellərini istifadə edirik. Sonuçlar bir neçə değerlendirmə metriklərinin doğruluğunda mövcud qənimətləri göstərir. Sistemimiz tamamilə morfolojik analizi dəqiqliyində 4.4%-dən tamamilə art ırmağa başladı (30.6%-in qohum xəta düşürməsi), və sözləri olmayan 10.6% (31.5%-in qohum xəta düşürməsi).

Abstract

Настоящата статия представя модел за арабско морфологично разграничаване въз основа на повтарящи се неврални мрежи (РНН). Обучаваме клетки за дългосрочна краткосрочна памет (ЛСТМ) в няколко конфигурации и вградени нива, за да моделираме различните морфологични характеристики. Нашите експерименти показват, че тези модели превъзхождат най-съвременните системи без изрично използване на функционален инженеринг. Добавянето на учебни функции от морфологичен анализатор за моделиране на пространството на възможни анализи обаче осигурява допълнително подобрение. Използваме получените морфологични модели за оценка и класиране на анализите на морфологичния анализатор за морфологично разграничаване. Резултатите показват значителни печалби в точността на няколко показателя за оценка. Нашата система води до 4,4% абсолютно увеличение спрямо най-съвременните в пълна точност на морфологичния анализ (30,6% намаление на относителната грешка) и 10,6% (31,5% намаление на относителната грешка) за думи извън речника.

Abstract

এই পত্রিকাটি পুনরায় নিউরাল নেটওয়ার্ক (আরএনএন) ভিত্তিক ভিত্তিক আরবী মরোফোলজিক্যাল বিভ্রান্তির জন্য একটি মডেল উপস আমরা বেশ কনফিগারেশনে লম্বা শর্ট-টার্ম ম মেমোরি প্রশিক্ষণ করি এবং বিভিন্ন নৈতিক বৈশিষ্ট্যাবলীর বৈশিষ্ট্যাবলী মডেল করার জন্য। আমাদের পরীক্ষাগুলো দেখাচ্ছে যে এই মডেলগুলো প্রকাশ্য বৈশিষ্ট্যের রাষ্ট্র-অফ-শিল্প ব্যবস্থার বাইরে প্রকা তবে মরোফোলিক্যাল বিশ্লেষকের কাছ থেকে শিক্ষা বৈশিষ্ট্য যোগ করে সম্ভাব্য বিশ্লেষণের স্থান মডেল করার জন্যে আরো উন্নত আমরা মরোফোলিক্যাল বিশ্লেষকের বিশ্লেষণ ব্যবহার করি মরোফোলিক্যাল বিভ্রান্ত করার জন্য মডেল ব্যবহার করি। ফলাফল বেশ কয়েকটি মূল্যায়ন মেট্রিকে সঠিকভাবে বিশাল অর্জন প্রদর্শন করে। আমাদের সিস্টেমের ফলে পুরো মরোফোলিকাল বিশ্লেষণের সঠিকভাবে ৪. ৪% পরিমাণ বৃদ্ধি হয়েছে (৩০. ৬% আত্মিক ভুল কমে) এবং শব্দভাণ্ডারের কথার জন্য ১০.৬% (৩১.

Abstract

ཤོག་བྱང་འདིས་ཨ་རིའི་ནང་དུ་རྩོམ་པ་ཞིག་གི་སྒྲིག་འགོད་ཀྱི་རྣམ་པ་སྟོན་གསལ་པོ་ཞིག་ཡོད། We train Long-Term Memory (LSTM) cells in several configurations and embedding levels to model the various morphological features. Our experiments show that these models outperform state-of-the-art systems without explicit use of feature engineering. ཡིན་ནའང་། དབྱེ་ཞིབ་དཔྱད་པ་ཞིག་གིས་མཐུན་སྣེ་དབྱེ་ཞིབ་ཆས་ཀྱི་བར་སྟོང་ཞིབ We make use of the resulting morphological models for scoring and ranking the analyses of the morphological analyzer for morphological disambiguation. གྲུབ་འབྲས་བ་མང་ཙམ་སྟོན་པར་ངེས་པར་ལྡན་གྲངས་སུ་མཐོང་བ་རྐྱེན་ཐུབ་མངོན་འཆར། ང་ཚོའི་མ་ལག་གིས་གནས་སྟངས་འདིའི་གནས་སྟངས་གཙང་བཟོས་པའི་དབྱེ་ཞིབ་ཚད་མང་ཙམ་བཟོ་བ་ཡིན།

Abstract

Ovaj papir predstavlja model za arapsku morfološku disambiguaciju na temelju ponovnih neuronskih mreža (RNN). Treniramo kratkoročnu sjećanje (LSTM) ćelije u nekoliko konfiguracija i ugrađenih nivoa kako bi modelili različite morfološke funkcije. Naši eksperimenti pokazuju da ovi modeli izvršavaju state-of-the-art sisteme bez objašnjenja funkcionalnog inženjeringa. Međutim, dodavanje znakova učenja morfološkog analizatora u modelu prostora mogućih analiza pruža dodatno poboljšanje. Koristimo rezultate morfoloških modela za izvlačenje i rankiranje analize morfološkog analizatora morfološkog disambiguacije. Rezultati pokazuju značajne dobitke tačnosti u nekoliko metrika procjene. Naš sistem rezultira apsolutnom povećanju stanja umjetnosti od 4,4% u potpunoj točnosti morfološke analize (relativno smanjenje grešaka od 30,6%) i 10,6% (relativno smanjenje grešaka od 31,5%) za riječi izvan riječi.

Abstract

Aquest article presenta un model de desambiguació morfològica àrab basat en xarxes neurals recurrents (RNN). Ensenyem cèl·lules de memòria a curt termini (LSTM) en diverses configuracions i nivells d'incorporació per modelar les diverses característiques morfològiques. Els nostres experiments demostren que aquests models superen els sistemes més avançats sense utilitzar explícitament l'enginyeria de característiques. Tanmateix, afegir característiques d'aprenentatge d'un anàlisi morfològic per modelar l'espai de possible anàlisis proporciona millora adicional. Utilitzem els models morfològics resultants per puntuar i classificar les anàlisis del analitzador morfològic per la desambiguació morfològica. Els resultats mostren millors significatius en la precisió a través de diverses mètriques d'evaluació. El nostre sistema resulta en un increment absolut del 4,4% en la precisió de l'anàlisi morfològica completa (30,6% de reducció d'errors relativs) i en un 10,6% (31,5% de reducció d'errors relativs) per paraules fora de vocabulari.

Abstract

Tento článek představuje model arabského morfologického rozcestnění založený na recidivních neuronových sítích (RNN). Trénujeme dlouhodobou krátkodobou paměť (LSTM) buňky v několika konfiguracích a integrovaných úrovních pro modelování různých morfologických rysů. Naše experimenty ukazují, že tyto modely překonávají nejmodernější systémy bez explicitního využití funkčního inženýrství. Přidání učebních funkcí z morfologického analyzátoru k modelování prostoru možných analýz však přináší další zlepšení. Výsledné morfologické modely využíváme pro skórování a hodnocení analýz morfologického analyzátoru pro morfologické rozlišení. Výsledky ukazují významné zvýšení přesnosti v několika hodnotících metrikách. Náš systém vede k 4,4% absolutnímu nárůstu oproti nejmodernějšímu stavu techniky v plné morfologické přesnosti analýzy (30,6% relativní redukce chyb) a 10,6% (31,5% relativní redukce chyb) pro slova mimo slovní zásobu.

Abstract

Denne artikel præsenterer en model for arabisk morfologisk forståelse baseret på tilbagevendende neurale netværk (RNN). Vi træner Long Short-Term Memory (LSTM) celler i flere konfigurationer og indlejringsniveauer for at modellere de forskellige morfologiske træk. Vores eksperimenter viser, at disse modeller overgår state-of-the-art systemer uden eksplicit brug af feature engineering. Men at tilføje læringsfunktioner fra en morfologisk analysator til at modellere rummet for mulige analyser giver yderligere forbedringer. Vi anvender de resulterende morfologiske modeller til at score og rangere analyserne af den morfologiske analysator for morfologisk forståelse. Resultaterne viser betydelige gevinster i nøjagtighed på tværs af flere evalueringsmetrics. Vores system resulterer i 4,4% absolut stigning i fuld morfologisk analyse nøjagtighed i forhold til state-of-the-art (30,6% relativ fejlreduktion) og 10,6% (31,5% relativ fejlreduktion) for ord uden for ordforråd.

Abstract

Die vorliegende Arbeit stellt ein Modell für arabische morphologische Disambiguation basierend auf wiederkehrenden neuronalen Netzwerken (RNN) vor. Wir trainieren Long-Short-Term Memory (LSTM)-Zellen in verschiedenen Konfigurationen und Einbettungsebenen, um die verschiedenen morphologischen Merkmale zu modellieren. Unsere Experimente zeigen, dass diese Modelle moderne Systeme ohne explizite Verwendung von Feature Engineering übertreffen. Das Hinzufügen von Lernmerkmalen aus einem morphologischen Analysator, um den Raum möglicher Analysen zu modellieren, bietet jedoch zusätzliche Verbesserungen. Die daraus resultierenden morphologischen Modelle nutzen wir für die Bewertung und Rangfolge der Analysen des morphologischen Analysators zur morphologischen Disambiguation. Die Ergebnisse zeigen signifikante Genauigkeitssteigerungen über mehrere Bewertungsmetriken hinweg. Unser System führt zu 4,4% absoluter Anstieg gegenüber dem Stand der Technik in voller morphologischer Analysegenauigkeit (30,6% relative Fehlerreduktion) und 10,6% (31,5% relative Fehlerreduktion) für Wörter außerhalb des Wortschatzes.

Abstract

Η παρούσα εργασία παρουσιάζει ένα μοντέλο αραβικής μορφολογικής αποσαφήνισης με βάση τα Επαναλαμβανόμενα Νευρικά Δίκτυα (RNN). Εκπαιδεύουμε κύτταρα μακροχρόνιας βραχυπρόθεσμης μνήμης (σε διάφορες διαμορφώσεις και επίπεδα ενσωμάτωσης για να μοντελοποιήσουμε τα διάφορα μορφολογικά χαρακτηριστικά. Τα πειράματά μας δείχνουν ότι αυτά τα μοντέλα ξεπερνούν τα σύγχρονα συστήματα χωρίς ρητή χρήση της μηχανικής χαρακτηριστικών. Ωστόσο, η προσθήκη μαθησιακών χαρακτηριστικών από έναν μορφολογικό αναλυτή για τη μοντελοποίηση του χώρου των πιθανών αναλύσεων παρέχει πρόσθετη βελτίωση. Χρησιμοποιούμε τα προκύπτουσα μορφολογικά μοντέλα για την βαθμολόγηση και ταξινόμηση των αναλύσεων του μορφολογικού αναλυτή για μορφολογική αποσαφήνιση. Τα αποτελέσματα δείχνουν σημαντικά κέρδη στην ακρίβεια σε διάφορες μετρήσεις αξιολόγησης. Το σύστημά μας έχει ως αποτέλεσμα 4,4% απόλυτη αύξηση έναντι της τελευταίας τεχνολογίας σε πλήρη ακρίβεια μορφολογικής ανάλυσης (30,6% σχετική μείωση σφαλμάτων) και 10,6% (31,5% σχετική μείωση σφαλμάτων) για λέξεις εκτός λεξιλογίου.

Abstract

Este artículo presenta un modelo para la desambiguación morfológica árabe basado en redes neuronales recurrentes (RNN). Entrenamos células de memoria a corto plazo (LSTM) en varias configuraciones y niveles de incrustación para modelar las diversas características morfológicas. Nuestros experimentos muestran que estos modelos superan a los sistemas de última generación sin el uso explícito de la ingeniería de funciones. Sin embargo, la adición de funciones de aprendizaje de un analizador morfológico para modelar el espacio de posibles análisis proporciona una mejora adicional. Utilizamos los modelos morfológicos resultantes para puntuar y clasificar los análisis del analizador morfológico para la desambiguación morfológica. Los resultados muestran mejoras significativas en la precisión en varias métricas de evaluación. Nuestro sistema da como resultado un aumento absoluto del 4,4% con respecto al estado de la técnica en la precisión total del análisis morfológico (reducción del error relativo del 30,6%) y del 10,6% (reducción del error relativo del 31,5%) para las palabras fuera del vocabulario.

Abstract

Käesolevas töös esitatakse araabia morfoloogilise eristamise mudel, mis põhineb korduvatel närvivõrkudel (RNN). Me koolitame pikaajalise lühiajalise mälu (LSTM) rakke mitmetes konfiguratsioonides ja manustamistasemetes, et modelleerida erinevaid morfoloogilisi omadusi. Meie eksperimendid näitavad, et need mudelid ületavad kaasaegseid süsteeme ilma funktsioonide insenerita. Kuid morfoloogilise analüsaatori õppimisfunktsioonide lisamine võimalike analüüside ruumi modelleerimiseks pakub täiendavat paranemist. Kasutame saadud morfoloogilisi mudeleid morfoloogilise analüsaatori analüüside skoorimiseks ja järjestamiseks morfoloogilise selgituse saavutamiseks. Tulemused näitavad märkimisväärset täpsuse kasvu mitme hindamismeetodika puhul. Meie süsteemi tulemusena suureneb morfoloogilise analüüsi täielik täpsus 4,4% (suhtelise vea vähenemine 30,6%) ja sõnavara väliste sõnade puhul 10,6% (31,5% suhtelise vea vähenemine).

Abstract

این کاغذ یک مدل برای تغییرات مورفولوژیکی عربی بر اساس شبکه‌های عصبی دوباره (RNN) را نشان می‌دهد. ما سلولهای حافظه کوتاه مدت طولانی (LSTM) را در چند تنظیمات و سطح تنظیمات برای مدل ویژه های متفاوتی مورفولوژیکی آموزش می‌دهیم. آزمایشات ما نشان می دهند که این مدل‌ها بدون استفاده از مهندسی ویژه‌های ویژه‌ای از سیستم‌های ایالت هنری بیشتر انجام می‌دهند. با این حال، اضافه کردن ویژه‌های یادگیری از یک تحلیل‌کننده مورفولوژیکی برای مدل فضای تحلیل‌های ممکن بهترین اضافه می‌کند. ما از مدل‌های مرفولژیک نتیجه‌ای استفاده می‌کنیم که برای تحلیل‌های مرفولژیک برای تغییر تغییر مرفولژیکی انجام می‌دهیم. نتیجه‌ها برتری مهمتری در دقیق در متریک‌های چندین ارزیابی را نشان می‌دهند. سیستم ما به 4.4% افزایش کامل در حالت هنر با دقیق تحلیل کامل مورفولوژیکی (کاهش خطای نسبت به 30.6%) و 10.6% (کاهش خطای نسبت به 31.5% نسبت) برای کلمات خارج از کلمات صحبت می‌کند.

Abstract

Tässä työssä esitellään arabian morfologisen erittelyn malli, joka perustuu toistuviin hermoverkkoihin (RNN). Koulutamme Long Short-Term Memory (LSTM) -soluja useissa kokoonpanoissa ja upotustasoissa erilaisten morfologisten ominaisuuksien mallintamiseksi. Kokeemme osoittavat, että nämä mallit suoriutuvat huippuluokan järjestelmistä ilman nimenomaista ominaisuussuunnittelua. Morfologisen analysaattorin oppimisominaisuuksien lisääminen mahdollisten analyysien tilan mallintamiseen tarjoaa kuitenkin lisäparannuksia. Hyödynnämme saatuja morfologisia malleja morfologisen analysaattorin analyysien pisteyttämiseen ja luokitteluun morfologista erittelyä varten. Tulokset osoittavat, että useiden arviointimittareiden tarkkuus paranee merkittävästi. Järjestelmämme tuottaa täydellisen morfologisen analyysin tarkkuuden 4,4% absoluuttisen lisäyksen huipputekniikkaan verrattuna (30,6% suhteellinen virhevähennys) ja sanaston ulkopuolisten sanojen osalta 10,6% (31,5% suhteellinen virhevähennys).

Abstract

Cet article présente un modèle de désambiguïsation morphologique arabe basé sur les réseaux de neurones récurrents (RNN). Nous entraînons des cellules de mémoire à long terme (LSTM) dans plusieurs configurations et niveaux d'intégration afin de modéliser les différentes caractéristiques morphologiques. Nos expériences montrent que ces modèles surpassent les systèmes de pointe sans recours explicite à l'ingénierie des caractéristiques. Cependant, l'ajout de fonctionnalités d'apprentissage provenant d'un analyseur morphologique pour modéliser l'espace des analyses possibles apporte une amélioration supplémentaire. Nous utilisons les modèles morphologiques résultants pour noter et classer les analyses de l'analyseur morphologique en vue de la désambiguïsation morphologique. Les résultats montrent des gains significatifs en termes de précision pour plusieurs mesures d'évaluation. Notre système se traduit par une augmentation absolue de 4,4 % par rapport à l'état actuel de la précision de l'analyse morphologique complète (réduction de 30,6 % de l'erreur relative) et de 10,6 % (réduction de l'erreur relative de 31,5 %) pour les mots hors vocabulaire.

Abstract

Cuireann an páipéar seo múnla i láthair le haghaidh dí-athbhrí moirfeolaíocha Araibis bunaithe ar Líonraí Néaracha Athfhillteacha (RNN). Cuirimid oiliúint ar chealla Cuimhne Fadtéarmach Gearrthéarmach (LSTM) i roinnt cumraíochtaí agus leibhéil leabaithe chun na gnéithe moirfeolaíocha éagsúla a shamhaltú. Léiríonn ár dturgnaimh go sáraíonn na samhlacha seo na córais nua-aimseartha gan úsáid shainráite a bhaint as gné-innealtóireacht. Mar sin féin, cuirtear feabhas breise ar fáil trí ghnéithe foghlama ó anailísí moirfeolaíocha a chur leis an spás anailísí féideartha. Bainimid úsáid as na samhlacha moirfeolaíocha a eascraíonn as seo chun anailísí an anailísí moirfeolaíocha a scóráil agus a rangú le haghaidh dí-athbhrí moirfeolaíocha. Léiríonn na torthaí gnóthachain shuntasacha i gcruinneas thar roinnt méadracht mheastóireachta. Is é an toradh atá ar ár gcóras ná 4.4% de mhéadú absalóideach ar chruinneas anailíse moirfeolaíoch iomlán (laghdú earráide coibhneasta 30.6%), agus 10.6% (laghdú earráide coibhneasta 31.5%) d’fhocail as-focal.

Abstract

Wannan takardan na bãyar da wani motel wa mutfologi na Larabci, a kan karatun Naural Networks (RNN). Tuna tafiyar da lokaci masu yiwuwa na Kwamfyuta Kwamfyuta Kwamfyutan Nayi (LSSM) cikin wasu tsari da ke ƙunsa da zane-ƙunsa dõmin a motsar wasu fuskar morfologi. Kayan jarrabõyinmu, za'a nũna cewa waɗannan misalin su fara halin-na'urar-sanar kuma bã da wani amfani da muhalli na masu tsari. Amma, ku ƙara wasu masu amfani da karatun daga mai analyzawa na morfologi zuwa ya motsa filin analyki masu yiwuwa, yana da ƙari mai kyau. Tuna amfani da misãlai masu ƙara na morfologi ga yin ƙidãya da yin chegara a kan analyren mutfologi wa rabo. Mataimakin za'a nuna matsayin mai muhimmi cikin taƙaitacce a kowace metrici mai ƙidãya. Our system results in 4.4% absolute increase over the state-of-the-art in full morphological analysis accuracy (30.6% relative error reduction), and 10.6% (31.5% relative error reduction) for out-of-vocabulary words.

Abstract

העבודה הזו מציגה דוגמא לניתוח מורפולוגי ערבי מבוסס על רשתות נוירוליות מתחזרות (RNN). אנו מאמן תאי זיכרון ארוך לטווח קצר (LSTM) במספר תצורות ורמות קיצוב כדי לדוגמא את התחומים המורפולוגיים השונים. הניסויים שלנו מראים שהדוגמנים האלה עולים מערכות חדשות בלי שימוש ברור בהנדסה של תכונות. עם זאת, להוסיף תכונות למידה מאנליזר מורפולוגי כדי לדוגמא את המרחב של ניתוחים אפשריים מספק שיפור נוסף. אנו משתמשים בדוגמנים המורפולוגיים הנוצאים כדי לנקוט ולצביע את הניתוחים של הניתוח המורפולוגי עבור ניתוח מורפולוגי. התוצאות מראות שיפוטים משמעותיים בדיוק במטריות הערכה רבות. המערכת שלנו תוצאת בגילוי מוחלט של 4.4% על המצב המיוחד בתוך בדיקת ניתוח מורפולוגי מלאה (30.6% שינוי טעויות יחסית), ו-10.6% (31.5% שינוי טעויות יחסית) למילים מחוץ למילים המיליים.

Abstract

यह पेपर आवर्तक तंत्रिका नेटवर्क (RNN) के आधार पर अरबी रूपात्मक बहुविकल्पी के लिए एक मॉडल प्रस्तुत करता है। हम विभिन्न रूपात्मक विशेषताओं को मॉडल करने के लिए कई कॉन्फ़िगरेशन और एम्बेडिंग स्तरों में लंबी अल्पकालिक मेमोरी (एलएसटीएम) कोशिकाओं को प्रशिक्षित करते हैं। हमारे प्रयोगों से पता चलता है कि ये मॉडल फीचर इंजीनियरिंग के स्पष्ट उपयोग के बिना अत्याधुनिक प्रणालियों से आगे निकल जाते हैं। हालांकि, संभावित विश्लेषणों के स्थान को मॉडल करने के लिए एक रूपात्मक विश्लेषक से सीखने की सुविधाओं को जोड़ना अतिरिक्त सुधार प्रदान करता है। हम रूपात्मक बहुविकल्पी के लिए रूपात्मक विश्लेषक के विश्लेषण को स्कोर करने और रैंकिंग करने के लिए परिणामी रूपात्मक मॉडल का उपयोग करते हैं। परिणाम कई मूल्यांकन मैट्रिक्स में सटीकता में महत्वपूर्ण लाभ दिखाते हैं। हमारे सिस्टम के परिणामस्वरूप पूर्ण रूपात्मक विश्लेषण सटीकता (30.6% सापेक्ष त्रुटि में कमी) में अत्याधुनिक पर 4.4% पूर्ण वृद्धि होती है, और आउट-ऑफ-शब्दावली शब्दों के लिए 10.6% (31.5% सापेक्ष त्रुटि में कमी) होती है।

Abstract

Ovaj papir predstavlja model za arapsku morfološku disambiguaciju na temelju ponovnih neuronskih mreža (RNN). Treniramo kratkoročnu sjećanje (LSTM) ćelije u nekoliko konfiguracija i ugrađenih razina kako bi modelili različite morfološke funkcije. Naši eksperimenti pokazuju da ovi modeli izvršavaju stanje umjetničkih sustava bez objašnjenja inženjeringa. Međutim, dodavanje znakova učenja morfološkog analizatora u modelu prostora mogućih analiza pruža dodatno poboljšanje. Koristimo rezultate morfoloških modela za izvlačenje i rankiranje analize morfološkog analizatora morfološkog disambiguacije. Rezultati pokazuju značajne dobitke tačnosti u nekoliko mjera procjene. Naš sustav rezultira apsolutnom povećanju stanja umjetnosti od 4,4% u potpunoj točnosti morfološke analize (relativno smanjenje grešaka od 30,6%) i 10,6% (relativno smanjenje grešaka od 31,5%) za riječi izvan riječi.

Abstract

Ez a tanulmány bemutatja az arab morfológiai egyértelműsítés modelljét az ismétlődő neurális hálózatok (RNN) alapján. Hosszú rövid távú memória (LSTM) sejteket képezünk több konfigurációban és beágyazási szinten a különböző morfológiai jellemzők modellezésére. Kísérleteink azt mutatják, hogy ezek a modellek felülmúlják a legkorszerűbb rendszereket anélkül, hogy kifejezetten használnák a funkciótervezést. Azonban a morfológiai analizátorból származó tanulási funkciók hozzáadása a lehetséges analízisek területének modellezéséhez további javulást jelent. A kapott morfológiai modelleket felhasználjuk a morfológiai analizátor analíziseinek pontozására és rangsorolására morfológiai egyértelműsítésre. Az eredmények számos értékelési mutatóban jelentős pontosságnövekedést mutatnak. Rendszerünk 4,4%-os abszolút növekedést eredményez a korszerű morfológiai elemzési pontosság (30,6%-os relatív hibacsökkentés), és 10,6%-os (31,5%-os relatív hibacsökkentés) a szókincsen kívüli szavak esetében.

Abstract

Այս հոդվածը ներկայացնում է արաբական մորֆոլոգիական բացատրության մոդել, որը հիմնված է Կարգավոր Նյարդային ցանցերի (ՌՆՆ) վրա: Մենք վարժեցնում ենք երկարաժամկետ հիշողության (LSMT) բջիջները բազմաթիվ կազմակերպություններում և ներգրավում մակարդակներ, որպեսզի մոդելավորենք տարբեր մորֆոլոգիական հատկությունները: Մեր փորձարկումները ցույց են տալիս, որ այս մոդելները գերազանցում են ամենաբարձր համակարգերը առանց առանձնահատկության ճարտարագիտության օգտագործման: Այնուամենայնիվ, մորֆոլոգիական վերլուծությունից ուսումնական հատկություններ ավելացնելը հնարավոր վերլուծությունների տարածքի մոդելավորման համար ապահովում է ավելին բարելավում: Մենք օգտագործում ենք արդյունքում ստացված մորֆոլոգիական մոդելները, որպեսզի կարողանանք գնահատել և գնահատել մորֆոլոգիական վերլուծողի վերլուծությունը մորֆոլոգիական բացառման համար: Արդյունքները ցույց են տալիս որոշ գնահատման չափումների ճշգրտության մեջ նշանակալի բարձրացում: Մեր համակարգը հանգեցնում է 4.4 տոկոսի բացարձակ աճի վերաբերյալ լավագույն մորֆոլոգիական վերլուծության ճշգրտության (30.6 տոկոսի հարաբերական սխալների կրճատման) և 10.6 տոկոսի (31.5 տոկոսի հարաբերական սխալների կրճատման) բառերի համար:

Abstract

Kertas ini mempersembahkan model untuk penyelesaian morfologi Arab berdasarkan Rangkaian Neural Rekorden (RNN). Kami melatih sel Memori Panjang-Panjang (LSTM) dalam beberapa konfigurasi dan tahap embedding untuk model berbagai ciri-ciri morfologi. Eksperimen kami menunjukkan bahwa model ini melebihi sistem state-of-the-art tanpa penggunaan eksplicit dari teknik fitur. Namun, menambah fitur belajar dari analisir morfologi untuk model ruang dari analisis kemungkinan menyediakan perkembangan tambahan. Kami menggunakan model morfologi hasilnya untuk mencetak dan mengatur analisis morfologi untuk penyelesaian morfologi. Hasilnya menunjukkan keuntungan yang signifikan dalam akurasi melalui beberapa metrik evaluasi. Our system results in 4.4% absolute increase over the state-of-the-art in full morphological analysis accuracy (30.6% relative error reduction), and 10.6% (31.5% relative error reduction) for out-of-vocabulary words.

Abstract

Questo articolo presenta un modello di disambiguazione morfologica araba basato sulle reti neurali ricorrenti (RNN). Formiamo cellule Long Short-Term Memory (LSTM) in diverse configurazioni e livelli di incorporazione per modellare le varie caratteristiche morfologiche. I nostri esperimenti dimostrano che questi modelli superano i sistemi all'avanguardia senza l'uso esplicito di feature engineering. Tuttavia, l'aggiunta di funzionalità di apprendimento da un analizzatore morfologico per modellare lo spazio di possibili analisi fornisce ulteriori miglioramenti. Utilizziamo i modelli morfologici risultanti per valutare e classificare le analisi dell'analizzatore morfologico per la disambiguazione morfologica. I risultati mostrano significativi incrementi di accuratezza in diverse metriche di valutazione. Il nostro sistema si traduce in un aumento assoluto del 4,4% rispetto allo stato dell'arte nella precisione completa dell'analisi morfologica (riduzione degli errori relativi del 30,6%) e del 10,6% (riduzione degli errori relativi del 31,5%) per le parole fuori vocabolario.

Abstract

本論文は、再発性ニューラルネットワーク（ RNN ）に基づくアラビア語の形態曖昧化のモデルを提示する。長期記憶（ LSTM ）細胞をいくつかの構成と埋め込みレベルで訓練し、様々な形態学的特徴をモデル化します。当社の実験によると、これらのモデルは、機能工学を明示的に使用せずに、最先端のシステムを上回る性能を発揮することが示されています。しかしながら、可能な分析の空間をモデル化するために形態学的分析器から学習機能を追加することは、さらなる改善を提供する。私たちは、結果として得られた形態モデルを利用して、形態解析器の分析をスコアリングし、ランク付けして、形態の曖昧さを解消します。この結果は、いくつかの評価指標にわたって、正確性の大幅な向上を示しています。我々のシステムは、完全な形態解析精度において、最先端のものよりも絶対的に4.4 ％増加し（相対的誤差低減30.6 ％）、語彙外の単語では10.6 ％（相対的誤差低減31.5 ％）をもたらします。

Abstract

Perintah iki nambah model kanggo mbenggo maneh dumalusi sistem arab sing basa ning, recurent Neral Network (DNN). Awak dhéwé luwih Ketokan Latar Where am I politenessoffpolite"), and when there is a change ("assertivepoliteness Awak dhéwé ngéwangi gambarang penggunaké modèl mrolengké kanggo ngilangno karo hal basa karo hal-iwak cara nggawe mrolengké. ontrol Sistem dhéwé éntuk 4.4% olèhku nggawe geraksi kanggo langgar-kanggo langgar stadu-kanggo langgar bantuan mrolemang (30.6% nambah perusahaan eror), lan 10.6% (31.5% nambah perusahaan langgar-perusahaan) kanggo langgar-perusahaan langgar.

Abstract

ეს დოკუმენტი აპაბიური მორპოლოგიური განამბიგუაციისთვის მოდელია, რომელიც განვითარებული ნეიროლური ქსელები (RNN) დაბაზიან. ჩვენ მრავალი კონფიგურაციაში და სხვადასხვა მოპოროლოგიური ფუნქციების მოდელისთვის ძირითადი მარცხნის მეხსიერება (LSTM) კონფიგურაციაში და სხვადასხვა ჩვენი ექსპერიმენტები აჩვენებენ, რომ ეს მოდელები გავაკეთებენ სისტემის განმავლობას, რომელიც არ გამოყენებენ ფუნქციების ინეზინერიციას. მაგრამ, მოპოროლოგიური ანალიზერიდან სწავლების ფუნქციების დამატება შესაძლებელი ანალიზების მსოფლიოს მოდელეში დამატება დამატება. ჩვენ მომპოროლოგიური მოდელეების გამოყენება მოპოროლოგიური განსხვავებაში მოპოროლოგიური ანალიზატორის ანალიზაციების გამოყენება. წარმოდგენები მნიშვნელოვანი წარმოდგენება რამდენიმე განსაზღვრებული მეტრიკაში. ჩვენი სისტემის შემდეგ 4.4% აბსოლოგიური გაზრდება მოპროლოგიური ანალიზაციის წარმატებით (30.6% შემდეგ შეცდომის შემდეგ) და 10.6% (31.5% შემდეგ შეცდომის შემდეგ) სიტყვების გარეშე.

Abstract

Бұл қағаз араб морфологикалық дисамбигвациясының үлгісін көрсетеді. Қайталану невралдық желілер (RNN) негізінде. Біз қысқа уақыт жады (LSTM) ұяшықтарын бірнеше конфигурациялау мен ендіру деңгейінде бірнеше морфологиялық мүмкіндіктерді үлгілеу үшін ұзындық ұяшықтарды Біздің тәжірибеміз бұл үлгілер өзгертілікті инженерлік инженерлігін қолданбаған күй- жай жүйелерді жасайды. Бірақ морфологиялық анализатордан оқыту мүмкін анализациялардың орынын үлгілеу үшін қосылу мүмкін жақсарту үшін қосылады. Біз морфологиялық дезамбигуация үшін морфологиялық анализатордың анализацияларын сұрау және реттеу үшін морфологиялық моделогиялық моделогтарды қолданамыз. Нәтижелер бірнеше бағалау метрикалықтардың дұрыстығын көрсетеді. Жүйеміздің 4,4% деген сөздерді сөздердің тығыс үшін морфологиялық анализ дұрыстығында (30,6% салыстырық қатесін азайту) және 10,6% (31,5% салыстырық қатесін азайту үшін) абсолюттік көтеріп тұрады.

Abstract

역귀신경망(RNN)을 기반으로 한 아랍어 어형 소멸 모델을 제시했다.우리는 다양한 형태 특징을 시뮬레이션하기 위해 장단기기억(LSTM) 세포의 몇 가지 구성과 삽입 수준을 훈련한다.우리의 실험은 특징 공정을 명확하게 사용하지 않은 상황에서 이런 모델들이 가장 선진적인 시스템보다 우수하다는 것을 보여 주었다.그러나 형태학 분석기에서 학습 기능을 추가하여 가능한 분석 공간을 모의함으로써 추가적인 개선을 제공할 수 있다.우리는 얻은 형태학 모델을 이용하여 형태학 분석기의 분석을 평가하고 정렬하여 형태학의 분열을 없앴다.그 결과 여러 평가 지표 중 정확성이 현저히 높아진 것으로 나타났다.우리 시스템은 완전 형태 분석 정확도(상대 오차 감소 30.6%)와 어휘량 외 단어의 정확도(상대 오차 감소 31.5%) 측면에서 가장 선진적인 시스템보다 4.4% 높아졌다.

Abstract

This paper presents a model for Arabic morphological disambiguation based on Recurrent Neural Networks (RNN). Keliose konfigūracijose ir įterpimo lygiuose mokome ilgalaikę trumpalaikę atminties (LSTM) ląsteles modeliuoti įvairias morfologines savybes. Mūsų eksperimentai rodo, kad šie modeliai viršija pažangiąsias sistemas be aiškios savybių inžinerijos. However, adding learning features from a morphological analyzer to model the space of possible analyses provides additional improvement. Naudojamės gautais morfologiniais modeliais morfologiniam analizatoriui morfologiniam atsisakymui įvertinti ir klasifikuoti. Rezultatai rodo, kad daugelio vertinimo rodiklių tikslumas labai padidėjo. Mūsų sistema sukuria 4,4 proc. absoliutųjį aukščiausios kokybės padidėjimą visiškai morfologinės analizės tikslumui (30,6 proc. santykinis klaidų sumažėjimas) ir 10,6 proc. (31,5 proc. santykinis klaidų sumažėjimas) ne žodiniams žodžiams.

Abstract

Овој весник претставува модел за арапска морфолошка деамбигуација базирана на рекурентните неврални мрежи (РНН). Ги тренираме клетките на долгорочна меморија (LSTM) во неколку конфигурации и вградуваме нивоа за да ги моделираме различните морфолошки карактеристики. Нашите експерименти покажуваат дека овие модели ги надминуваат најсовремените системи без експлицитна употреба на инженерство на карактеристики. Сепак, додавањето на фактеристики на учење од морфолошкиот анализатор за моделирање на просторот на можните анализи обезбедува дополнително подобрување. Ние ги користиме резултатите на морфолошките модели за оценка и рангирање на анализите на морфолошкиот анализатор за морфолошка дебабигуација. Резултатите покажуваат значителни зголемувања во точноста во неколку метрики на проценка. Нашиот систем резултира со 4,4 отсто апсолутно зголемување во однос на најсовремената морфолошка анализа во точност (30,6 отсто релативно намалување на грешките) и 10,6 отсто (31,5 отсто релативно намалување на грешките) за зборови кои не се релативни.

Abstract

ഈ പത്രത്തില്‍ വീണ്ടും വീണ്ടും വരുത്തുന്ന നെയുറല്‍ നെറ്റ്വര്‍ക്കുകള്‍ അടിസ്ഥാനമായി അറബിക്ക് മൊര്‍ഫോളജിക്കല്‍ ഡിസ നമ്മള്‍ പല ക്രമീകരണങ്ങളിലും ക്രമീകരിക്കുന്ന നിലങ്ങളിലും നീണ്ട കുറഞ്ഞ മെമ്മറിയിലും പരിശീലിക്കുന്നു. വ്യത്യസ്ത മോര്‍ഫോളിക്കല നമ്മുടെ പരീക്ഷണങ്ങള്‍ കാണിച്ചു കൊണ്ടിരിക്കുന്നു ഈ മോഡലുകള്‍ വ്യക്തമായ പ്രതിഫല എഞ്ചിനിജിനീയറിന് ഉപയോഗിക്കാ എന്നാലും ഒരു മോര്‍ഫോളിക്കല്‍ അന്യായോജിക്കുന്നവനില്‍ നിന്നും പഠിക്കുന്ന വിശേഷതകള്‍ ചേര്‍ക്കുന്നത് സാധ്യതക്ക വിശ മോര്‍ഫോളജിക്കല്‍ അന്യായോജിക്കുന്നവന്റെ അന്വേഷണങ്ങള്‍ക്കും സ്കോര്‍ട്ട് ചെയ്യുന്നതിനും മോര്‍ഫോളജിക്ക് വിവരങ്ങള്‍ക്കുമുള്ള The results show significant gains in accuracy across several evaluation metrics. നമ്മുടെ സിസ്റ്റത്തിന്റെ പൂര്‍ണ്ണമായ മോര്‍ഫോളിക്കല്‍ അന്യായത്തില്‍ 4.4% പൂര്‍ണ്ണമായ മുഴുവന്‍ കൂടുതല്‍ വര്‍ദ്ധിപ്പിക്കുന്നതാണ് (30.6% relative error reduction), 10.6% (31.5% relative error reduction)

Abstract

Энэ цаас дахин дахин сэтгэл мэдрэлийн сүлжээ (RNN) дээр суурилсан Араб морфологик хэмжээсүүдийн загварыг харуулдаг. Бид урт хугацааны санамж (LSTM) эсүүдийг олон тохируулалт болон өөр өөр морфологик чадварыг загварчлахын тулд сургалтын түвшинд суралцаж байна. Бидний туршилтууд эдгээр загварууд маш тодорхой инженерийн хэрэглээгүй байдал дээр ажилладаг. Гэвч морфологийн шинжилгээчээс суралцах боломжтой шинжилгээний орон зайд суралцах чадварыг нэмэх нь нэмэлт сайжруулах боломжтой. Бид морфологикийн шинжилгээний шинжилгээг шалгахын тулд үр дүнтэй морфологик загварыг ашигладаг. Үүний үр дүнд хэд хэдэн тооцооллын метриктик дээр тодорхойлолтой ашиг гаргадаг. Бидний систем бүрэн морфологик шинжилгээний тодорхойлолт дээр 4.4%-ийн абсолютт нэмэгдэж байна (30.6% харьцангуй алдаа багасгаж буй), мөн 10.6% (31.5% харьцангуй алдаа багасгаж буй) үгсийн үгсийн тулд 10.6%.

Abstract

Kertas ini menghasilkan model untuk penyelesaian morfologik Arab berdasarkan Rangkaian Neural (RNN) berulang-ulang. Kami melatih sel ingatan jangka pendek panjang (LSTM) dalam beberapa konfigurasi dan tahap penyampaian untuk memmodelkan pelbagai ciri-ciri morfologik. Eksperimen kami menunjukkan bahawa model ini melampaui sistem state-of-the-art tanpa menggunakan secara eksplicit teknik ciri-ciri. Namun, menambah ciri-ciri pembelajaran dari analisis morfologik untuk model ruang analisis yang mungkin menyediakan penambahan tambahan. Kami menggunakan model morfologi yang menghasilkan untuk mencetak dan menandakan analisis morfologi untuk penyelesaian morfologi. Keputusan menunjukkan keuntungan yang signifikan dalam ketepatan melalui beberapa metrik penilaian. Our system results in 4.4% absolute increase over the state-of-the-art in full morphological analysis accuracy (30.6% relative error reduction), and 10.6% (31.5% relative error reduction) for out-of-vocabulary words.

Abstract

Dan id-dokument jippreżenta mudell għal diżambiguazzjoni morfoloġika Għarbija bbażata fuq Netwerks Newrali Rikorrenti (RNN). Aħna nħarrġu ċ-ċelloli tal-Memorja fuq medda twila ta’ żmien qasira (LSTM) f’diversi konfigurazzjonijiet u livelli ta’ inkorporazzjoni biex nimmudellaw id-diversi karatteristiċi morfoloġiċi. L-esperimenti tagħna juru li dawn il-mudelli jaqbżu s-sistemi l-aktar avvanzati mingħajr l-użu espliċitu tal-inġinerija tal-karatteristiċi. However, adding learning features from a morphological analyzer to model the space of possible analyses provides additional improvement. Aħna nagħmlu użu mill-mudelli morfoloġiċi li jirriżultaw għall-valutazzjoni u l-klassifikazzjoni tal-analiżi tal-analizzatur morfoloġiku għad-diżambigwazzjoni morfoloġika. Ir-riżultati juru żidiet sinifikanti fil-preċiżjoni f’diversi metriċi ta’ evalwazzjoni. Is-sistema tagħna tirriżulta f’żieda assoluta ta’ 4.4% fuq l-aktar avvanzata fl-eżattezza sħiħa tal-analiżi morfoloġika (tnaqqis relattiv ta’ żball ta’ 30.6%), u 10.6% (tnaqqis relattiv ta’ żball ta’ 31.5%) għal kliem barra mill-vokabulari.

Abstract

Dit artikel presenteert een model voor Arabische morfologische verduidelijking gebaseerd op Recurrent Neural Networks (RNN). We trainen Long Short-Term Memory (LSTM) cellen in verschillende configuraties en embedding niveaus om de verschillende morfologische kenmerken te modelleren. Onze experimenten tonen aan dat deze modellen beter presteren dan state-of-the-art systemen zonder expliciet gebruik van feature engineering. Het toevoegen van leerfuncties van een morfologische analyzer om de ruimte van mogelijke analyses te modelleren levert echter extra verbetering op. We maken gebruik van de resulterende morfologische modellen voor het scoren en rangschikken van de analyses van de morfologische analysator voor morfologische verduidelijking. De resultaten tonen significante toename in nauwkeurigheid bij verschillende evaluatiestatistieken. Ons systeem resulteert in 4,4% absolute toename ten opzichte van de state-of-the-art in volledige morfologische analysenauwkeurigheid (30,6% relatieve foutreductie), en 10,6% (31,5% relatieve foutreductie) voor woorden buiten woordenschat.

Abstract

Denne papiret viser eit modell for arabisk morfologisk disambiguasjon basert på gjentaande neiralnettverk (RNN). Vi treng langsiktige minne (LSTM) i fleire oppsett og innbyggingsnivå for å modellere ulike morfologiske funksjonar. Eksperimentane våre viser at desse modelane utfører tilstandssystemet utan eksplisitt bruk av funksjonsengineering. Men å leggja til læringsfunksjonar frå ein morfologisk analyser for å modellera mellomrom på moglege analyser gjer tilleggsvising. Vi bruker den resultanta morfologiske modellen for å skalera og rankera analysene av morfologiske analyseren for morfologiske disambiguasjon. Resultatet viser signifikante forståking i nøyaktighet over fleire evalueringsmetrikar. Sistemet vårt resulterer i 4,4% absolutt økning over kunsttilstanden i fullstendig morfologisk analyser (30,6% relativt feilreduksjon), og 10,6% (31,5% relativt feilreduksjon) for uten ordliste.

Abstract

Niniejszy artykuł przedstawia model arabskiego rozpoznawania morfologicznego opartego na Recurrent Neuroral Networks (RNN). Szkolimy komórki LSTM (Long Short Term Memory) w kilku konfiguracjach i poziomach osadzenia w celu modelowania różnych cech morfologicznych. Nasze eksperymenty pokazują, że modele te przewyższają najnowocześniejsze systemy bez wyraźnego użycia inżynierii funkcji. Jednak dodanie cech uczenia się z analizatora morfologicznego do modelowania przestrzeni możliwych analiz zapewnia dodatkową poprawę. Wykorzystujemy wynikające z nich modele morfologiczne do oceny i rankingu analiz morfologicznych analizy dla rozpoznawania morfologicznego. Wyniki pokazują znaczący wzrost dokładności w kilku wskaźnikach oceny. Nasz system powoduje 4,4% bezwzględny wzrost w stosunku do najnowocześniejszego stanu techniki w pełnej dokładności analizy morfologicznej (30,6% względna redukcja błędów względnych) dla słów poza słownictwem.

Abstract

Este artigo apresenta um modelo para desambiguação morfológica árabe baseado em Redes Neurais Recorrentes (RNN). Treinamos células de Long Short-Term Memory (LSTM) em várias configurações e níveis de incorporação para modelar as várias características morfológicas. Nossos experimentos mostram que esses modelos superam os sistemas de última geração sem o uso explícito de engenharia de recursos. No entanto, adicionar recursos de aprendizado de um analisador morfológico para modelar o espaço de possíveis análises fornece melhorias adicionais. Utilizamos os modelos morfológicos resultantes para pontuar e classificar as análises do analisador morfológico para desambiguação morfológica. Os resultados mostram ganhos significativos de precisão em várias métricas de avaliação. Nosso sistema resulta em um aumento absoluto de 4,4% sobre o estado da arte na acurácia total da análise morfológica (30,6% de redução de erro relativo) e 10,6% (31,5% de redução de erro relativo) para palavras fora do vocabulário.

Abstract

Această lucrare prezintă un model de dezambiguizare morfologică arabă bazat pe Rețelele Neurale Recurente (RNN). Instruim celulele Long Short-Term Memory (LSTM) în mai multe configurații și niveluri de încorporare pentru a modela diferitele caracteristici morfologice. Experimentele noastre arată că aceste modele depășesc performanțele sistemelor de ultimă generație fără utilizarea explicită a ingineriei caracteristicilor. Cu toate acestea, adăugarea caracteristicilor de învățare de la un analizor morfologic pentru a modela spațiul de analize posibile oferă îmbunătățiri suplimentare. Utilizăm modelele morfologice rezultate pentru punctarea și clasificarea analizelor analizorului morfologic pentru dezambiguizarea morfologică. Rezultatele arată câștiguri semnificative în precizie în mai multe măsurători de evaluare. Sistemul nostru are ca rezultat o creștere absolută de 4,4% față de cea mai modernă a acurateții complete a analizei morfologice (reducere relativă a erorilor cu 30,6%) și 10,6% (reducere relativă a erorilor cu 31,5%) pentru cuvintele din afara vocabularului.

Abstract

В данной работе представлена модель арабской морфологической дезамбигментации на основе рекуррентных нейронных сетей (RNN). Мы обучаем клетки Длинной Краткосрочной Памяти (LSTM) в нескольких конфигурациях и уровнях встраивания для того чтобы смоделировать различные морфологические характеристики. Наши эксперименты показывают, что эти модели превосходят современные системы без явного использования функциональной инженерии. Тем не менее, добавление признаков обучения из морфологического анализатора для моделирования пространства возможных анализов обеспечивает дополнительное улучшение. Мы используем полученные морфологические модели для оценки и ранжирования анализов морфологического анализатора для морфологической дезамбигуляции. Результаты показывают значительное повышение точности по нескольким показателям оценки. Наша система приводит к абсолютному увеличению на 4,4% по сравнению с современным уровнем точности полного морфологического анализа (уменьшение относительной ошибки на 30,6%) и на 10,6% (уменьшение относительной ошибки на 31,5%) для слов, не входящих в словарь.

Abstract

මේ පැත්ත පෙන්වන්නේ අරාබික මෝර්ෆිකෝලික අසාර්ථක විස්තරයක් වෙනුවෙන් මෝඩෙල් එකක් පෙන්වන්නේ. අපි විවිදිහට සංවිධානය සහ සම්බන්ධ ස්ථානය සඳහා විවිදිහට විවිදිහට ප්‍රමාණය කරන්න ලොකු කාලාවක් මතක ස්මත අපේ පරීක්ෂණය පෙන්වන්නේ මේ මොඩේල් ස්ථානයේ ඉන්ජිනියාර්ගේ ප්‍රයෝජනයක් නැති විසින් ප්‍රයෝජනය කරන නමුත්, විශ්ලේෂණයක් විශේෂකයෙන් ඉගෙනගන්න පුළුවන් විශ්ලේෂකයෙන් අවශ්‍ය විශ්ලේෂකයෙන් අ අපි ප්‍රතිචාර විශ්ලේෂක විශ්ලේෂකයේ විශ්ලේෂක විශ්ලේෂකය විශ්ලේෂකයෙන් ප්‍රතිචාර කරනවා. ප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රතිප්‍රමාණයක් විශේෂයෙන් ව අපේ පද්ධතිය ප්‍රතිචාර 4.4% ප්‍රතිශ්න විශ්ලේෂණය සම්පූර්ණ විශ්ලේෂණය සම්පූර්ණ විශ්ලේෂණය (30.6% සම්පූර්ණ විශ්ලේෂණය අවසානය) සහ 10

Abstract

V prispevku je predstavljen model za arabsko morfološko razločitev, ki temelji na ponavljajočih se živčnih omrežjih (RNN). Celice dolgoročnega kratkoročnega pomnilnika (LSTM) treniramo v različnih konfiguracijah in nivojih vdelave za modeliranje različnih morfoloških značilnosti. Naši poskusi kažejo, da ti modeli presegajo najsodobnejše sisteme brez eksplicitne uporabe funkcijskega inženiringa. Vendar pa dodajanje učnih funkcij iz morfološkega analizatorja za modeliranje prostora možnih analiz omogoča dodatno izboljšanje. Pridobljene morfološke modele uporabljamo za ocenjevanje in razvrščanje analiz morfološkega analizatorja za morfološko razločitev. Rezultati kažejo znatno povečanje natančnosti pri več meritvah ocenjevanja. Naš sistem zagotavlja 4,4% absolutno povečanje natančnosti popolne morfološke analize (30,6% zmanjšanje relativne napake) in 10,6% (31,5% zmanjšanje relativne napake) za besede zunaj besedišča.

Abstract

Kanu wuxuu soo bandhigaa tilmaamo ku saabsan shabakada Neural Network (RNN). Waxaan ku tababarinaa xubnaha dhaadheerka dheer (LSTM) oo ku tababaraya koonfureedyo badan iyo heerarka lagu sameynayo si aan u sameyno tababaro kala duduwan. Imtixaanadayada waxay muuqataa in modelladan ay ka samaystaan nidaamka farshaxanka oo aan si cad u isticmaalin injiilka gaarka ah. Si kastaba ha ahaatee ku daro barashada analyegista morphologiga ah si uu u sameyno booska baaritaanka suurtagalka ah ayaa beddelaya kororo dheeraad ah. We make use of the resulting morphological models for scoring and ranking the analyses of the morphological analyzer for morphological disambiguation. Abaalkooda waxaa ka muuqda faa'iido aad u weyn oo ku saxda meelo kala gedisan. nidaamkayaga waxaa ka soo baxay korodho kaliya oo ka korodhsan xaaladda farshaxanka oo dhan (30.6% ee u dhow khaladda), iyo 10.6% (31.5% ee khaladda ku saabsan khaladda) hadalka aan hadalka ahayn.

Abstract

Ky dokument paraqet një model për çambiguacionin morfologjik arab bazuar në rrjetet neurale të përsëritura (RNN). Ne trajnojmë qelizat e Kujtesës së Lartë afat-shkurtër (LSTM) në disa konfigurime dhe nivele të përfshirjes për të modeluar karakteristikat e ndryshme morfologjike. Eksperimentet tona tregojnë se këto modele tejkalojnë sistemet më të larta pa përdorim eksplicit të inxhinierisë së karakteristikave. Megjithatë, shtimi i karakteristikave mësimi nga një analizues morfologjik për të modeluar hapësirën e analizave të mundshme ofron përmirësim shtesë. We make use of the resulting morphological models for scoring and ranking the analyses of the morphological analyzer for morphological disambiguation. Rezultatet tregojnë fitime të rëndësishme në saktësinë në disa metrika vlerësimi. Sistemi ynë rezulton në 4.4% rritje absolute mbi gjendjen e fundit në saktësinë e analizës morfologjike të plotë (30.6% reduktim relativ i gabimeve) dhe 10.6% (31.5% reduktim relativ i gabimeve) për fjalët jashtë fjalëkalimit.

Abstract

Ovaj papir predstavlja model za arapsku morfološku disambiguaciju na osnovu ponovnih neuronskih mreža (RNN). Treniramo kratkoročnu uspomenu (LSTM) ćelije u nekoliko konfiguracija i ugrađenih nivoa kako bi modelili različite morfološke funkcije. Naši eksperimenti pokazuju da ovi modeli izvršavaju stanje umjetnosti bez objašnjenja inženjeringa. Međutim, dodavanje znakova učenja morfološkog analizatora u modelu prostora mogućih analiza pruža dodatno poboljšanje. Koristimo rezultate morfoloških modela za izvlačenje i rankiranje analize morfološkog analizatora morfološkog disambiguacije. Rezultati pokazuju značajne dobitke tačnosti u nekoliko metrika procjene. Naš sistem rezultira apsolutnom povećanju stanja umjetnosti od 4,4% u potpunoj morfološkoj analizi tačnosti (relativno smanjenje grešaka od 30,6%) i 10,6% (relativno smanjenje grešaka od 31,5%) za nečije reči.

Abstract

Denna uppsats presenterar en modell för arabisk morfologisk disambiguation baserad på återkommande neurala nätverk (RNN). Vi tränar LSTM-celler (Long Short-Term Memory) i flera konfigurationer och inbäddningsnivåer för att modellera de olika morfologiska egenskaperna. Våra experiment visar att dessa modeller överträffar toppmoderna system utan uttrycklig användning av funktionsteknik. Men att lägga till inlärningsfunktioner från en morfologisk analysator för att modellera utrymmet för möjliga analyser ger ytterligare förbättringar. Vi använder oss av de resulterande morfologiska modellerna för att poängsätta och rangordna analyser av den morfologiska analysatorn för morfologisk disambiguation. Resultaten visar betydande förbättringar i noggrannhet över flera utvärderingsmetoder. Vårt system resulterar i en absolut ökning på 4,4% jämfört med den senaste tekniken av fullständig morfologisk analysnoggrannhet (30,6% relativ felreduktion) och 10,6% (31,5% relativ felreduktion) för ord utanför ordförrådet.

Abstract

Gazeti hili linaleta mfano wa ubaguzi wa kimarabu kwa kutumia Mtandao wa Neural unaoendelea (RNN). Tunafundisha seli za kumbukumbu za muda mrefu (LSTM) katika maeneo kadhaa na kuzuia viwango vya kuelezea sifa mbalimbali za kimaadilojia. Majaribio yetu yanaonyesha kuwa mifano hii inafanya mifumo ya sanaa bila matumizi ya uhalisia. Hata hivyo, kuongeza vipengele vya kujifunza kutoka kwa mchambuzi wa morphological ili kutengeneza nafasi ya uchambuzi unaowezekana inatoa maendeleo zaidi. Tunatumia mifano ya kimaadilojia kwa kucheza na kuchora uchambuzi wa mchambuzi wa kimaadilojia kwa ajili ya ubaguzi wa kimaadilojia. Matokeo yanaonyesha mafanikio makubwa katika maeneo kadhaa ya uchunguzi. Mfumo wetu unasababisha kuongezeka kwa asilimia 4.4 zaidi ya hali ya sanaa katika uchambuzi mzima (asilimia 30.6 inayohusiana na kupunguza makosa), na asilimia 10.6 (asilimia 31.5 inayohusiana na kupunguza makosa) kwa maneno isiyo ya maneno.

Abstract

@ info நாம் பல வடிவமைப்புகளில் நீண்ட சிறிய நினைவகம் (LSTM) செல்களை பயிற்சி செய்கிறோம் மற்றும் உள்ளமைப்பு நிலைகளில் மாற்றுவதற்கான பல நம்முடைய சோதனைகள் காண்பிக்கிறது இந்த மாதிரிகள் சிறப்பு பொறியியல் பயன்படுத்தாமல் கலை அமைப்புகளை வெளிப்படையாக்கு ஆயினும், ஒரு ஆராய்ந்த ஆராய்ச்சியிலிருந்து கற்றல் குணங்களை சேர்த்து, சாத்தியமான ஆய்வுகளின் இடைவெளியை மாதிரி நாம் மோர்போலிக் பரிசுத்தம் மற்றும் ஆராய்ச்சி ஆராய்ச்சியின் முடிவு மாதிரிகளை பயன்படுத்துகிறோம் மோர்போலிக் பிரிவின முடிவுகள் சில மதிப்பின் முறைகளில் சரியான வெற்றியை காண்பிக்கிறது. எங்கள் கணினியின் முழு morphological analysis accuracy (30. 6% relative error reduction), மற்றும் 10. 6% (31. 5% சொல்லாத பிழை குறைப்பு)

Abstract

Bu kagyz tekrarly Näralnetlere (RNN) tabanly arabça morfolojik çalyşmak üçin bir nusga görkezýär. Biz birnäçe konfigurasiýa we düzümlerde gysga geçirmek üçin Uzun Zaman Hata (LSTM) häsiýetleri belleýäris. Biziň deneylerimiz bu nusgalar özellikleriň enjiniýanyň tapawutlyk ulanmasyny üstün edýärler. Ýöne, morfolojik analizatçiden öwrenme özelliklerini baglamak mümkin analyzlaryň boşluklarının örneklerine eklenmek üçin eklenmez. Morfolojik değişiklikler için morfolojik modellerini tara ve sıralamak için kullanıyoruz. Netijeler birnäçe deňlenme metriklerinde has dogry gazanlygyny görkezýär. Sistemimiz 4.4% sanat titizliginiň doly morfolojik analýşiniň dogrylygyna ýükselişi däldir (30.6% relative error reduction), we 10.6% (31.5% relative error reduction) sözlerimiz ýok edildi.

Abstract

This paper presents a model for Arabic morphological disambiguation based on Recurrent Neural Networks (RNN). ہم بہت سی پیکربندی اور مختلف مورفولوژیکوں کی موڈل کے لئے لانگ ترمیم مہمانی (LSTM) سلولوں کو ٹرین کریں گے۔ ہمارے آزمائش دکھاتے ہیں کہ یہ موڈلے مضبوط طریقہ انجینژی کے استعمال کے بغیر استعمال کرتے ہیں. However, learning features from a morphological analyzer to model the space of possible analyses provide additional improvement. ہم اس کے نتیجے کے مورفولوژیکی موڈل سے استعمال کرتے ہیں کہ مورفولوژیکی نامبوغ کے لئے مورفولوژیکی تحلیل کرنے والے کی تحلیل کریں اور رنگ کریں۔ نتیجے مختلف مطالعہ متریک کے اندر مطالعہ کے مطالعہ کے مطالعہ سے اہم کامیابی دکھاتے ہیں ہماری سیستمی 4.4% کی مطلوب زیادتی کی وجہ سے کامل مورفولوژیکی تحلیل دقیق میں (30.6% نسبت خطا کم) اور 10.6% (31.5% نسبت خطا کم) باتوں کے لئے۔

Abstract

Name Biz bir necha moslamalarda uzun uzun xotira (LSTM) hujayralarni o'rganamiz va boshqa morfologik imkoniyatlarini modellash uchun boshqa darajada. Bizning imtiyozlarimiz shu modellar shaxsiy tizimlarning holatini bajarishini ko'rsatadi, bu foydalanuvchi muhandiya ishlatilmaydi. However, adding learning features from a morphological analyzer to model the space of possible analyses provides additional improvement. Biz natijasida morfologik modellaridan foydalanamiz. Morfologik analyzerni o'zgartirish uchun o'anaviy qilamiz. @ info Bizning tizimimiz sohalar davlatda butun morfologik analytika haqida 4.4% uzadi (30.6% relative xato kamaytirish) va 10.6% (31.5% relative xato kamaytirish) ga keladi.

Abstract

Tờ giấy này tượng trưng cho mô hình biến dạng morphine của A Rập dựa trên các mạng thần kinh liên miên (RNN). Chúng tôi đào tạo các tế bào rối trí nhớ ngắn hạn (LSTM) trong nhiều cấu hình và chồng chéo cấp để mô tả các tính chất lịch sự khác nhau. Những thí nghiệm của chúng tôi cho thấy những mẫu này vượt trội các hệ thống hiện đại mà không có kỹ thuật đặc trưng. Tuy nhiên, việc thêm các tính chất học từ một phân tích lịch sử để mô tả khoảng trống các phân tích có thể giúp cải tiến thêm. Chúng tôi sử dụng các mô hình morphical cho việc ghi điểm và xếp hạng các phân tích của chất lượng phân tách lịch học. Kết quả cho thấy khả năng chính xác cao hơn nhiều so với tỉ lệ đánh giá. Hệ thống của chúng ta kết quả là 4.4=.=) tăng hoàn toàn trên độ chính xác tiến hóa phân tích lịch học đầy đủ (30.6=.=) cắt giảm lỗi tương đối) và 10.6=. (31.5=. giảm lỗi tương đối) cho từ ra khỏi từ vựng.

Abstract

本文立一递归神经网络(RNN)阿拉伯语形消歧义模。数种配嵌长短期记(LSTM)细胞,以拟诸形。臣等实验明,未明征役,优于先进之统。然从形分析器添学特征建模可供额外改进。吾因其所生而评分之,以消形态学歧义。结果显示,于数评指标中,准确性显进。全形析准确性(差减于至30.6%),4.4%于至进,词汇外单词于至10.6%(,31.5%)于下。

Anthology ID:: D17-1073
Volume:: Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing
Month:: September
Year:: 2017
Address:: Copenhagen, Denmark
Venue:: EMNLP
SIG:: SIGDAT
Publisher:: Association for Computational Linguistics
Note:
Pages:: 704–713
Language:
URL:: https://aclanthology.org/D17-1073
DOI:: 10.18653/v1/D17-1073
Bibkey:
Cite (ACL):: Nasser Zalmout and Nizar Habash. 2017. Do n’t Throw Those Morphological Analyzers Away Just Yet : Neural Morphological Disambiguation for ArabicArabic. In Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pages 704–713, Copenhagen, Denmark. Association for Computational Linguistics.
Cite (Informal):: Do n’t Throw Those Morphological Analyzers Away Just Yet : Neural Morphological Disambiguation for ArabicArabic (Zalmout & Habash, EMNLP 2017)
Copy Citation:
PDF:: https://aclanthology.org/D17-1073.pdf
Terminologies:

PDF Cite Search Translate