فهرس المقالات NLP

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Coreference Resolution Using Verbs Knowledge
  hasan zafari Maryam hourali Heshaam Faili
  10.7508/jist.2017.18.002
  Coreference resolution is the problem of determining which mention in a text refer to the same entities, and is a crucial and difficult step in every natural language processing task. Despite the efforts that have been made in the past to solve this problem, its perform أکثر

  Coreference resolution is the problem of determining which mention in a text refer to the same entities, and is a crucial and difficult step in every natural language processing task. Despite the efforts that have been made in the past to solve this problem, its performance still does not meet today’s applications requirements. Given the importance of the verbs in sentences, in this work we tried to incorporate three types of their information on coreference resolution problem, namely, selectional restriction of verbs on their arguments, semantic relation between verb pairs, and the truth that arguments of a verb cannot be coreferent of each other. As a needed resource for supporting our model, we generate a repository of semantic relations between verb pairs automatically using Distributional Memory (DM), a state-of-the-art framework for distributional semantics. This resource consists of pairs of verbs associated with their probable arguments, their role mapping, and significance scores based on our measures. Our proposed model for coreference resolution encodes verbs’ knowledge with Markov logic network rules on top of deterministic Stanford coreference resolution system. Experiment results show that this semantic layer can improve the recall of the Stanford system while preserves its precision and improves it slightly. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - روش نوین مدل‌سازی و پاسخ‌یابی بهینه مطلق برنامه‌ریزی توسعه شبکه انتقال با لحاظ شرایط پیشامد
  ابوالفضل ناطقی حسین سیفی محمدکاظم شیخ‌الاسلامی محمدصادق سپاسیان
  برنامه‌ریزی توسعه شبکه انتقال، یکی از مهم‌ترین بخش‌های برنامه‌ریزی توسعه شبکه برق می‌باشد. تا کنون روش‌های مختلفی جهت انجام این برنامه‌ریزی مورد استفاده قرار گرفته‌اند تا بتوانند بهترین حالت توسعه شبکه انتقال را ارائه دهند. در این مقاله، روش‌های برنامه‌ریزی خطی ترکیبی ع أکثر

  برنامه‌ریزی توسعه شبکه انتقال، یکی از مهم‌ترین بخش‌های برنامه‌ریزی توسعه شبکه برق می‌باشد. تا کنون روش‌های مختلفی جهت انجام این برنامه‌ریزی مورد استفاده قرار گرفته‌اند تا بتوانند بهترین حالت توسعه شبکه انتقال را ارائه دهند. در این مقاله، روش‌های برنامه‌ریزی خطی ترکیبی عدد- صحیح (MILP) و برنامه‌ریزی غیر خطی ترکیبی عدد- صحیح (MINLP) جهت انجام مطالعات برنامه‌ریزی توسعه شبکه انتقال مورد استفاده قرار گرفته و روش جدید برنامه‌ریزی غیر خطی (NLP) با حذف عدد صحیح به‌عنوان روشی جدید معرفی گشته است. همچنین در انجام مسأله برنامه‌ریزی، حالات مختلف وقوع پیشامد نیز در حل مسأله وارد شده است كه در مطالعات گذشته، اين مهم صورت نگرفته بود. برای حل مسأله، ترکیب‌های مختلفی از توابع هدف شامل هزینه توسعه، هزینه بهره‌برداری و هزینه تلفات مورد توجه قرار گرفته و نتایج حالات مختلف با یکدیگر مقایسه شده‌اند. برای بررسی امکان دسترسی به نقطه بهینه مطلق در مسأله حاضر، روش حل BARON به‌عنوان روش حل مناسب مورد استفاده قرار گرفته است. روش‌های ارائه‌شده بر روی شبکه نمونه 6شینه گارور و شبکه 118شینه IEEE اعمال شده است. نتایج به‌دست آمده، نشان‌دهنده امکان دسترسی به نقطه بهینه مطلق با دقت و سرعت بالا با استفاده از روش‌های مدل‌سازی MINLP و NLP است. همچنین مشاهده می‌شود که با در نظرگیری حالات وقوع پیشامد، نتایج توسعه شبکه، دقیق‌تر و صحیح‌تر خواهد بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - An Efficient Sentiment Analysis Model for Crime Articles’ Comments using a Fine-tuned BERT Deep Architecture and Pre-Processing Techniques
  Sovon Chakraborty Muhammad Borhan Uddin Talukdar Portia  Sikdar Jia Uddin
  10.61186/jist.38322.12.45.1
  The prevalence of social media these days allows users to exchange views on a multitude of events. Public comments on the talk-of-the-country crimes can be analyzed to understand how the overall mass sentiment changes over time. In this paper, a specialized dataset has أکثر

  The prevalence of social media these days allows users to exchange views on a multitude of events. Public comments on the talk-of-the-country crimes can be analyzed to understand how the overall mass sentiment changes over time. In this paper, a specialized dataset has been developed and utilized, comprising public comments from various types of online platforms, about contemporary crime events. The comments are later manually annotated with one of the three polarity values- positive, negative, and neutral. Before feeding the model with the data, some pre-processing tasks are applied to eliminate the dispensable parts each comment contains. In this study, A deep Bidirectional Encoder Representation from Transformers (BERT) is utilized for sentiment analysis from the pre-processed crime data. In order the evaluate the performance that the model exhibits, F1 score, ROC curve, and Heatmap are used. Experimental results demonstrate that the model shows F1 Score of 89% for the tested dataset. In addition, the proposed model outperforms the other state-of-the-art machine learning and deep learning models by exhibiting higher accuracy with less trainable parameters. As the model requires less trainable parameters, and hence the complexity is lower compared to other models, it is expected that the proposed model may be a suitable option for utilization in portable IoT devices. تفاصيل المقالة