ساخت واژه فارسی و کلمات:
- وندها مانند نشانه جمع، ضمایر ملکی، کسره اضافه و …
- کتابــهــایـــم
- ساخت واژه افعال
- ابهام در ساخت واژه
- مردی: نکره ، شناسه دوم شخص
- تشخیص کران کلمات
- «کتابها»، «کتاب ها»، «کتاب ها»
اولین کار برای برچسب گذاری زبان فارسی:
- آسی و حاجی عبدالحسینی ۲۰۰۰
- Megerdoomian 2004
- Raja et al 2007
- ارومچیان ۲۰۰۶ و ۲۰۰۷ (مرادزاده، ۱۳۸۳) ـ (بی جن خان و مرادزاده، ۱۳۸۳ )
چند نمونه پیکره:
- پیکره موازی زبان فارسی
- همشهری
- پیکره بی جن خان
- ۲.۶ میلیون تگ دستی
- ۴۳۰۰ موضوع: حقوقی، سیاسی، حسابداری، اقتصادی و …
- ۷۶۷۰۶ واژه
دو نسخه ـ حدود ۵۰۰ تا ۶۰۰ برچسب ـ برچسبها در سه دسته:
- برچسب های نحوی ـ ساختواژی: اسم، فعل، صفت، قید، حرف ربط، حرف اضافه، حرف
- برچسب های خاص: ادات شرط، کیفیت نما، کلمه پرسشی، جمله واره، حرف ندا، منادی،
- برچسب های متفرقه: جداکننده، علامت ریاضی.
وجود انواع تکواژها در زبانهای خاص مثل فارسی:
- تکواژهای تصریفی: معمولا برای ساخت کلماتی استفاده می شوند که حامل مفاهیم دستوری در جمله باشند
- تکواژهای اشتقاقی: کلمات جدید را می سازند که بار مفهومی خاصی را منتقل می کنند.
- تکواژهای ترکیبی
مشکل:
- تعداد برچسب های متمایز پیکره زیاد و فراوانی کم
- تفسیرهای متفاوت کلمات با بن واژه یکسان
- دخترم N,COM,SIM,1
- دختر N,COM خوبم ADJ,CMPR,SIM,1
- راه حل تکواژهای تصریفی
- سیستم برچسب گذاری را به یک تحلیل گر ساختواژی مجهز کرد.
حال با توجه به جدول بخش قبل کلمه و برچسب آن هر دو تجزیه می شوند:
- مثال
- کتابها (N,COM,PL)
- کتاب + ها (N,COM) + (PL)
انجام برچسب گذاری:
- توزیع احتمالی کلمات ناشناخته: مقادیر احتمالی توزیع می تواند در برچسب گذارهای آماری به طور مستقیم استفاده شود
- روشهای پیدا کردن توزیع: پیکره دو بخشی
- کلمات ناشناخته = کلماتی که در مجموعه آموزش نیستند
- نیاز به پیکره بزرگ
- کلمات کم تکرار
- کلماتی که یک در کل پیکره ظاهر شدند
یکسانی تظاهر واجی و نوشتاری تکواژها:
- /ja’ aani/ . یاء نکره: جوانی را دیدم
- /ja aa’ni/ . یاء اسم ساز: جوانی نعمتی است
- /ja’ aani / . یاء شناسه: تو هنوز جوانی
- / ja aa’ni / …. یاء نسبت: مشکلات جوانی
رابطه بین وزن کلمات عربی و بعضی پسوندهای فارسی:
- منزلت
- راه حل : لیست تصمیم گیری
- جمع آوری و برچسب گذاری مجموعه آموزشی
- به دست آوردن توزیع های باهم آیی
- کلمات قبل و بعد
- محاسبه نرخ درست نمایی