غلبه بر چالش های چند زبانه و چند وظیفه ای در NLP

جدول پیوندها

1. چکیده و مقدمه

2. دامنه و وظیفه

   2.1. منابع داده و پیچیدگی

   2.2. تعریف وظیفه

3. کار مرتبط

   3.1. بررسی اجمالی تحقیق متن کاوی و NLP

   3.2. متن کاوی و NLP در استفاده در صنعت

   3.3. متن کاوی و NLP برای تهیه

   3.4. نتیجه گیری از بررسی ادبیات

4. روش پیشنهادی

   4.1. دانش دامنه

   4.2. استخراج محتوا

   4.3. منطقه بندی لات

   4.4. تشخیص آیتم لات

   4.5. تجزیه زیادی

   4.6. تجزیه XML، پیوستن به داده ها، و توسعه شاخص های ریسک

5. آزمایش و نمایش

   5.1. ارزیابی مولفه

   5.2. نمایش سیستم

6. بحث

   6.1. تمرکز “صنعت” پروژه

   6.2. ناهمگونی داده ها، ماهیت چند زبانه و چند وظیفه ای

   6.3. معضل انتخاب های الگوریتمی

   6.4. هزینه داده های آموزشی

7. نتیجه گیری، قدردانی و مراجع

6.2. ناهمگونی داده ها، ماهیت چند زبانه و چند وظیفه ای

همانطور که بارها ذکر شد، در مقایسه با تحقیقات و همچنین سایر روش‌های متن کاوی و NLP صنعت گزارش‌شده در ادبیات، داده‌هایی که با آن‌ها سروکار داریم چند زبانه و ناهمگون هستند، به طوری که هدف پروژه با یک نوع روش نمی‌تواند محقق شود. اما به زیرشاخه های متعددی از متن کاوی و تحقیقات NLP مربوط می شود. در حالی که ممکن است راه حل های ثابت شده ای در هر یک از این زیر شاخه ها وجود داشته باشد، همانطور که بحث شد …