کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6900059 1446486 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Semantic Annotation of Arabic Web Documents using Deep Learning
ترجمه فارسی عنوان
نشانه معنایی اسناد وب عربی با استفاده از آموزش عمیق
کلمات کلیدی
یادگیری عمیق، نشانه معنایی، زبان عربی، هستی شناسی،
ترجمه چکیده
چشم انداز وب معنایی این است که به جای وب از اسناد و مدارکی در وب استفاده کنیم که می تواند توسط ماشین ها پردازش شود. این دیدگاه را می توان در وب موجود با استفاده از حاشیه نویسی معنایی بر اساس هستی شناسی عمومی و عمومی به دست آورد. با توجه به رشد چشمگیر و حجم عظیمی از منابع وب، نیاز به نشانه شناسی سریع و خودکار معنایی از اسناد وب وجود دارد. زبان عربی در تحقیقات معنایی وب در مقایسه با زبان لاتین، به خصوص در زمینه حاشیه نویسی معنایی، کمتر مورد توجه قرار گرفت. هدف از این مقاله بررسی امکان استفاده از کلمات جاسازی شده از الگوریتم های یادگیری عمیق برای حاشیه نویسی معنایی اسناد وب عربی است. برای ارزیابی عملکرد چارچوب پیشنهادی، غذا، تغذیه، و هستی شناسی سلامت برای نوشتن برخی از اسناد مربوط به وب مورد استفاده قرار گرفت. برای یک مجموعه داده شده از اسناد و هستی شناسی عربی، چارچوب حاشیه نویسی این اسناد را با استفاده از فرمت های مختلف خروجی تولید می کند. نتایج اولیه نشان می دهد عملکرد امیدوار کننده ای است که از تحقیق در وب معنایی با توجه به زبان عربی پشتیبانی می کند. چارچوب پیشنهادی می تواند برای ساختن برنامه وب معنایی و موتورهای جستجوی معناشناختی برای زبان عربی استفاده شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
نشانه معنایی اسناد وب عربی با استفاده از آموزش عمیق
چکیده انگلیسی
The vision of Semantic Web is to have a Web of things instead of Web of documents in a form that can be processed by machines. This vision could be achieved on the existing Web using semantic annotation based on common and public ontologies. Due to exponential growth and the huge size of the Web sources, there is a need to have fast and automatic semantic annotation of Web documents. Arabic language received less attention in semantic Web research as compared to Latin languages especially in the field of semantic annotation. The aim of this paper is to investigate the feasibility of using word embeddings from deep learning algorithms for semantic annotation of Arabic Web documents. To evaluate the performance of the proposed framework, food, nutrition, and health ontologies were used to annotate some related Web documents. For a given set of Arabic documents and ontologies, the framework produces annotations of these documents using different output formats. The initial results show a promising performance which will support the research in the Semantic Web with respect to Arabic language. The proposed framework could be used for building semantic Web application and semantic search engines for Arabic Language.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Computer Science - Volume 130, 2018, Pages 589-596
نویسندگان
, , ,