ابزارهای لازم برای پردازش متن در زبان فارسی
تشخیص دهنده ی جمله: این ابزار باید با توجه به کاراکترهای جداکننده ی جمله در زبان فارسی، توانایی تشخیص جملات را در متن ورودی داشته باشد. برای ایجاد این ابزار باید ابتدا تمامی کاراکترها، نماد ها و احیاناً قواعد دستوری که باعث شکسته شدن جملات می شوند، شناسایی گردند. با توجه به پایه بودن جمله در بسیاری از پردازش های زبانی، خروجی دقیق این ابزار از درجه ی اهمیت بالایی برخوردار است. از نمونه های انگلیسی آن می توان به OpenNLP، Stanford NLP، NLTK و Freeling اشاره کرد.
Tokenizer: ابزاری برای شکستن یک متن بر اساس واحدهای با معنی مانند کلمه، پاراگراف، نمادهای معنادار مانند space و tab و &hellip . لازمه ی ایجاد این ابزار جمع آوری واحد هایی است که در زبان فارسی به عنوان واحد های مستقل معنایی شناخته می شوند. سپس بر اساس انتخاب هر کدام از این واحدها متن بر اساس آن شکسته خواهد شد. از نمونه های انگلیسی آن می توان به Flex، JLex، JFLex، ANTLR، Ragel و Quex اشاره کرد.
Named entity recognition: ابزاری برای تشخیص اسامی و نوع آنها اعم از اسامی افراد، اماکن، مقادیر عددی و &hellip . برای تشخیص اینکه یک کلمه اسم است، راه های مختلفی وجود دارد که از جمله ی آنها مراجعه به لغتنامه، مراجعه به word-net، در نظر گرفتن ریشه ی کلمه، استفاده از قواعد نحوی ساخت واژه و &hellip می باشد. در این ابزار پس از تشخیص اسم ها با استفاده یک لغتنامه از اسامی افراد، مکان ها، مقادیر عددی و &hellip نوع اسم تشخیص داده می شود. به نظر می رسد که این لغتنامه در فارسی موجود نمی باشد.
از جمله نمونه های انگلیسی این ابزار می توان به Stanford NER و Illinois NER اشاره کرد.
Word-net: مجموعه ای از لغات و ارتباط میان آنها به لحاظ معنایی. ارتباطات معنایی در داخل این مجموعه شامل ۱۶ رابطه می باشد. این مجموعه به عنوان یک مرجع در بسیاری از پردازش های زبانی مورد استفاده قرار می گیرد. ار نمونه های انگلیسی آن می توان به Princeton Wordnet و EuroWordnet اشاره کرد. آزمایشگاه فناوری وب دانشگاه فردوسی مشهد نیز یک نمونه از این مجموعه با نام فردوس نت را تولید کرده است.
Stemmer: ابزاری برای ریشه یابی لغات و تشخیص نوع کلمه ساخته شده از آن ریشه (اسم مکان، اسم زمان، حالت فاعلی، مفعولی و &hellip ). معمولاً ریشه یابی لغات بر اساس قواعد ساخت واژه ای و سپس حذف پسوندها می باشد. تاکنون روش مؤثری برای حذف پیشوندها ارائه نشده است. در تلاشی که در آزمایشگاه فناوری وب انجام شده است، سعی شده تا بر اساس آنالیزهای آماری و داده کاوی پسوندها حذف گردند، که این روش هم می تواند راهی برای تشخیص ریشه باشد.
معروفترین الگوریتم ریشه یابی در انگلیسی porter می باشد.
Similarity recognition: ابزاری برای تشخیص میزان شباهت میان دو عبارت بر اساس پارامترهای مختلف مانند نوع اسامی مشابه به کار رفته، استفاده از word-net و&hellip . در این ابزار پس از تشخیص نوع کلمات به کار رفته در یک جمله و سپس بر اساس جایگاه آن کلمات در جمله، کلماتی که در جایگاه های یکسان قرار دارند، مورد مقایسه قرار می گیرند. از نمونه های انگلیسی آن می توان به Illinois NESim و Illinois WNSim اشاره نمود.
Chunker: ابزاری برای تشخیص گروه های اسمی، فعلی و &hellip . در یک جمله. جهت تقویت الگوریتم های وابسته به SRL لازم است نه تنها نقش های کلمات مشخص گردند، بلکه باید وابستگی های کلمات به لحاظ نقشی در جمله مشخص گردند. از جمله نمونه های انگلیسی آن می توان به Illinois Chunker اشاره کرد.
Semantic role labeler: ابزاری برای تشخیص نقش گرامری کلمه در جمله. این ابزار یکی از مهمترین نقش ها را در پردازش های زبانی بر عهده دارد. دقت در این ابزار بسیار حائز اهمیت است. این ابزار باید نقش های گرامری کلمات در جمله ها مانند فعل، فاعل، مفعول مستقیم، مفعول غیر مستقیم و &hellip . را تشخیص دهد. از جمله نمونه های انگلیسی آن می توان به OpenNlP، Illinois SRL، Swirl و LTHSRL اشاره کرد. این ابزارها از الگوریتم پارسینگ charniak استفاده می کنند.
Annotator: ابزاری برای ایجاد یک نمونه از یک آنتولوژی در یک سند داده شده. از ابزارهای موجود در انگلیسی می توان به Illinois Curator و Stanford Annotator اشاره کرد.
Coreference resolution: ابزاری برای تعیین مرجع اسمی یک اسم یا یک ضمیر در جملات. این ابزار در زبان انگلیسی معادل ابزاری است که مرجع ضمیر را که به صورت اسم در جمله های قبلی آمده است، مشخص می کند. استفاده از ضمایر به جای اسامی در زبان انگلیسی بسیر رایج می باشد. اما در زبان فارسی این امر چندان رایج نیست. اما در زبان فارسی عنوان یک مفهوم اسمی با اصطلاحات مختلف بسیار رایج می باشد. عملاً ما به دنبال ابزاری هستیم که مرجع خاص یک سری از عنوان ها ی مختلف اسمی را مشخص کند. از نمونه های انگلیسی این ابزار می توان به Illinois Coreference package اشاره کرد.
Pos tagger: ابزاری برای مشخص کردن نوع کلمات از قبیل اسم، صفت، قید، فعل و &hellip . یکی از روش های کاری برای ایجاد این ابزار، ایجاد یک rule base که معمولاً به صورت دستی تشکلیل می شود، برای تشخیص نوع کلمه است. از نونه های فارسی آن می توان به ابزار آزمایشگاه آقای دکتر بیجن خان، و ابزار آزمایشگاه فناوری وب دانشگاه فردوسی مشهد اشاره کرد. از نمونه های انگلیسی آن می توان به Illinois Part Of Speech Tagger و Stanford POS Tagger اشاره کرد.
&mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash -
نرمالسازی متن
در ابتدا بایستی همه&zwnj ی نویسه&zwnj های (کاراکترهای) متن با جایگزینی با معادل استاندارد آن، یکسان&zwnj سازی گردند. در اولین گام باید متون برای استفاده در گام&zwnj های بعدی به شکلی استاندارد درآیند. از آنجایی که متون مختلف ممکن است بسیار به هم شبیه باشند اما به دلیل تفاوت&zwnj های ساده ظاهری از نظر ماشین متفاوت باشند؛ به همین دلیل سعی شده است این تفاوت های ساده&zwnj ی ظاهری برطرف گردد. همچنین اصلاحات دیگری نیز به منظور پردازش دقیق تر متون در این مرحله صورت می گیرد.
در اولین گام باید متون برای استفاده در گام های بعدی به شکلی استاندارد درآیند. از آنجایی که متون مختلف ممکن است بسیار به هم شبیه باشند اما به دلیل تفاوت&zwnj های ساده ظاهری از نظرماشین متفاوت باشند؛ به همین دلیل سعی شده است این تفاوت&zwnj های ساده ی ظاهری برطرف گردد. برای رسیدن به این هدف، قبل از مقایسه متون، پیش&zwnj پردازش&zwnj هایی روی آنها آنجام می&zwnj شود. طبیعتا هر چه این پیش&zwnj پردازش&zwnj ها قوی&zwnj تر باشد، نتایج حاصل ازمقایسه متون قابل اطمینان تر خواهد بود. لازم به ذکر است که از آن جایی که زبان فارسی جزو زبان&zwnj های غیر ساختیافته است با مشکلات بسیار بیشتری نسبت به سایر زبان&zwnj ها مواجه خواهیم شد. متون غیرساخت&zwnj یافته، متونی هستند که پیش فرض خاصی در مورد قالب آنها نداریم و آنها را به صورت مجموعه&zwnj ای مرتب از جملات در نظر می&zwnj گیریم.
در ابتدا بایستی همه ی نویسه&zwnj های (کاراکترهای) متن با جایگزینی با معادل استاندارد آن یکسان سازی گردند. در پردازش رسم الخط زبان فارسی، با توجه به قرابتی که با رسم الخط عربی دارد، همواره در تعدادی از حرف ها مشکل وجود دارد که از جمله آن ها می توان به حروف &ldquo ک&rdquo ، &ldquo ی&rdquo ، همزه و &hellip اشاره نمود. در اولین گام باید مشکلات مربوط به این حروف را برطرف ساخت. علاوه بر این، اصلاح و یکسان سازی نویسه&zwnj ی نیم&zwnj فاصله و فاصله در کاربردهای مختلف آن و همچنین حذف نویسه ی « ـ» که برای کشش نویسه های چسبان مورد استفاده قرار می گیرد و مواردی مشابه برای یکسان سازی متون، از اقدامات لازم قبل از شروع فاز&zwnj های مختلف می باشد. در این فاز مطابق با یک سری قاعده دقیق و مشخص، فاصله ها و نیم فاصله های موجود در متن برای علاماتی نظیر &ldquo ها&rdquo و &ldquo ی&rdquo غیرچسبان در انتهای لغات و همچنین پیشوندها و پسوندهای فعل ساز نظیر &ldquo می&rdquo ، &ldquo ام&rdquo ، &ldquo ایم&rdquo ، &ldquo اید&rdquo و موارد مشابه جهت استفاده در فازهای بعدی، اصلاح می گردند. در ادامه به چند نمونه از این اصلاحات، اشاره شده است.
با استفاده از این ویژگی نرم&zwnj افزار می&zwnj توان همه ی نویسه&zwnj های (کاراکترهای) متن را استاندارد نمود. اگر نویسه&zwnj ی غیر استانداردی یافت شد، با معادل استاندارد آن جایگزین می&zwnj شود. برخی از این اصلاحات در ذیل آورده شده است:
- اصلاح انواع حرف « ک» به معادل فارسی آنان.
- اصلاح انواع حرف « ی» به معادل فارسی آنان.
- بررسی همزه و انواع مختلف املاهای موجود و اصلاح هر کدام (به عنوان مثال تبدیل ؤ به و ، ئ به ی ، أ به ا ، إ به ا و&hellip )
- حذف شناسه&zwnj ی همزه از انتهای واژه&zwnj هایی مثل شهداء
- حذف شناسه « آ» به « ا» مانند: آب به اب
- اصلاح نویسه&zwnj ی « طور» در واژه&zwnj هایی مانند به طور، آن طور، این طور و &hellip
- بررسی وجود حرف « ی» در انتهای لغاتی مانند خانه&zwnj ی ما و اصلاح آنان
- حذف تشدید از واژه&zwnj ها
- تبدیل ارقام عربی و انگلیسی به معادل فارسی.
- اصلاح نویسه&zwnj ی نیم&zwnj فاصله
- اصلاح اعراب و حذف فتحه، کسره و ضمه و همچنین تنوین&zwnj ها
- حذف نیم&zwnj فاصله&zwnj های تکراری
- حذف نویسه&zwnj ی « ـ» که برای کشش نویسه های چسبان مورد استفاده قرار می گیرد. مانند تبدیل« بــــــــر» و « بـــر» به « بر»
- چسباندن پسوندهای « تر» ، « ترین» و &hellip به آخر واژه&zwnj ها
- اصلاح فاصله&zwnj گذاری « ها» در انتهای واژه&zwnj ها و همچنین پسوندهای « های» ، « هایی» ، « هایم» ، « هایت» ، « هایش» و &hellip
- اصلاح فاصله&zwnj گذاری « می» ، « نمی» ، « درمی» ، « برمی» ، « بی» در ابتدای واژه&zwnj ها
- تبدیل « &zwj ة» به « &zwj ه&zwnj ی»
- تبدیل « ب» متصل به ابتدای واژه&zwnj ها به « به»
- اصلاح فاصله&zwnj گذاری پسوندها
- حذف فاصله&zwnj ها و نیم&zwnj فاصله&zwnj های اضافه بکار رفته در متن
- تصحیح فاصله&zwnj گذاری در مورد علائم سجاوندی بدین صورت که علائم سجاوندی به لغات قبل از خود می&zwnj چسبند و با لغت بعد از خود فاصله خواهند داشت.
برای اعمال اصلاحات اولیه قبل از هر عملیاتی، بایستی متون مورد پردازش توسط ابزار Normalizer طراحی شده، مورد اصلاح قرار گیرند.
&mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &ndash
ریشه&zwnj یابی معنایی در زبان فارسی
هدف از انجام پروژه ریشه یابی معنایی در زبان فارسی، جداسازی کلمات از متن و بازگرداندن کلمات به ریشه اصلی تشکیل دهنده آنهاست. تفاوت اصلی این پروژه با سایر پژوهش&zwnj های انجام شده در زمینه ریشه&zwnj یابی، قابلیت بازگرداندن کلمات به ریشه بدون از بین رفتن معنای آنها در جمله می&zwnj باشد. بدین منظور به نقش کلمات در جمله توجه ویژه&zwnj ای شده است. در این طرح از مجموعه افعال گرداوری شده توسط گروه دادگان و لغات پرکاربرد پیکره همشهری استفاده شده است.
&mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &ndash
برچسب گذار نقش کلمات فارسی
برچسب گذاری اجزای واژگانی کلام (Part of Speech tagging) عمل انتساب برچسب های واژگانی به کلمات و نشانه های تشکیل دهنده یک متن است؛ به صورتی که این برچسب ها نشان دهنده نقش کلمات و نشانه ها در جمله باشد. درصد بالایی از کلمات از نقطه نظر برچسب واژگانی دارای ابهام هستند، زیرا کلمات در جایگاههای مختلف برچسب های واژگنی متفاوتی دارند. بنابراین برچسب گذاری واژگانی عمل ابهام زدایی از برچسب ها با توجه به زمینه (متن) مورد نظر است. برچسب گذاری واژگانی عملی اساسی برای بسیاری از حوزه های دیگر پردازش زبان طبیعی(NLP) از قبیل ترجمه ماشینی، خطایاب و تبدیل متن به گفتار می باشد. تا کنون مدل ها و روش های زیادی برای برچسب گذاری در زبان های مختلف استفاده شده است. بعضی از این روش ها عبارتند از:
- مدل مخفی مارکوف (Markov Hidden Model)
- برچسب گذاری مبتنی بر تبدیل یا قانون (Transformation/Rule -based tagger)
- سیستم های مبتنی بر حافظه (Memory-basedSystem
- سیستم های ماکزیمم آنتروپی (Maximum Entropy System)
&mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &mdash &ndash
پارسر زبان فارسی
به موازات پیشرفت و تحولات نظری در زبان&zwnj شناسی جدید، روش&zwnj های تحلیل متون و دستورات زبان بوسیلهی رایانه نیز تحول یافته است. منظور از گرامر هر زبان، در دست داشتن یک سری دستورات زبانی قابل فهم برای رایانه است که به کمک آنها بتوان اجزای نحوی یک جمله را به طور صحیح تفکیک نمود. تجزیه و تحلیل جمله و شکستن آن به اجزای تشکیل دهنده مانند گروه های اسمی، فعلی، قیدی و غیره توسط ابزاری به نام پارسر صورت می گیرد که نقش اساسی در طراحی و یا افزایش دقت سایر ابزارهای پردازش متن دارد.
پارسر طراحی شده برای زبان فارسی در این پروژه، از ساختار لغات، موقعیت و ترتیب لغات در جمله، حروف یا عبارات قبل و بعد از آنها و نوع لغات، درخت نحوی یا پارسینگ را برای جملات متن تشکیل می دهد. در واقع عملیات پارسینگ با توجه به ریختشناسی (مطالعه ساختار و حالتهای مختلف یک کلمه) و همچنین دستورات نحوی گرامر زبان فارسی صورت میگیرد. بدیهی است هر چقدر نگارش بکار رفته در جملات و همچنین رعایت علائم سجاوندی طبق اصول و با دقت بیشتری صورت گرفته باشد، عملیات پارسینگ با کیفیت بهتری صورت خواهد گرفت و اجزای تشکیل دهنده ی جمله با عملیات کمتر و ساده تری برچسب زده خواهند شد.
یک فایل فشرده حاوی فایل EXE (شامل ابزارهای پیش پردازش متون زبان فارسی : نرمالسازی &ndash ریشه یابی &ndash برچسب زنی نحوی &ndash پارسر )
کد سی شارپ همراه با کتابخانه های مورد نیاز جهت ریشه یابی کلمات فارسی:
در این نمونه کد، که به زبان سی شارپ نوشته شده است، کتابخانه های لازم برای استفاده از کد ریشه یاب زبان فارسی که در آزمایشگاه فناوری وب دانشگاه فردوسی مشهد تولید شده است، به کد اضافه شده و چگونگی استفاده از این کتابخانه ها در کد مشخص است و در قالب ابزاری جهت دادن ورودی و مشاهده خروجی آماده شده است.
در کد موجود در فایل ضمیمه سه کتابخانه (فایل dll) اضافه شده اند که امکان شناسایی افعال و ریشه یابی کلمات را فراهم می آورند&hellip
برای استفاده از نرم افزار در صورت اجرا نشدم برنامه در فایل EXE، ابتدا بسته نرم افزاری دات نت فریمورک ۴.۵ را نصب نمایید.
استفاده از این برنامه در پژوهشهای علمی با ارجاع به مقاله مربوطه بلامانع است.
&ndash احمد استیری، محسن کاهانی، رضا سعیدی، احسان عسگریان، &ldquo طراحی ابزار پارسر زبان فارسی&rdquo ، اولین کنفرانس پردازش خط و زبان فارسی، سمنان، ۱۳۹۱.
