Geri Dön

Neural dependency parsing for Turkish

Türkçe için nöral bağlılık ayrıştırma

  1. Tez No: 650762
  2. Yazar: SALİH TUÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ BURCU CAN BUĞLALILAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Dilbilim, Computer Engineering and Computer Science and Control, Linguistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 79

Özet

Bağlılık ayrıştırma, sözcükler arasındaki sözdizimsel ve anlamsal ilişkilerin belirlenerek dilbilgisel yapıların ortaya çıkarılmasını içerir. Uzun dönemli bağlılıkların çıkarılması ve sözlük dışı sözcüklerin meydana getirdiği sorunlardan ötürü bağlılık ayrıştırmada henüz iste- nen başarı elde edilememiştir. Mevcut sorunlar Türkçe iiçin de geçerli olup, özellikle sondan eklemeli yapısı gereği sözlük dışı sözcük oranı diğer dillere göre nispeten daha fazladır. Şimdiye kadar yapılan çalışmalar, Tekrarlı Sinir Ağlarının uzun dizilerde başarılı olamadığını göstermiştir. Bu tezde önerdiğimiz nöral model, kodlayıcı-kod çözücü yaklaşımını, Trans- former ağı üzerine kurulu bir kodlayıcı ve Yığıt Tabanlı İşaretçi Ağı üzerine kurulu bir kod çözücüyle gerçekleştirmektedir. Sözlük dışı sözcük problemi için ise sözcüklerin karak- ter tabanlı österimleri kullanılmaktadır. hem Türkçe, hem de İngilizce için gerçekleştirilen deneyler, önerilen modelin diğer nöral modellere göre özellikle uzun cümlelerde daha başarılı olduğunu ve uzun dönemli bağlılıkları etkili bir şekilde bulabildiğini göstermektedir.

Özet (Çeviri)

Dependency Parsing is the task of finding the grammatical structure of a sentence by identify- ing syntactic and semantic relationships between words. The current accuracy of the depen- dency parsers is still not satisfying due to the long term dependencies and out-of-vocabulary (OOV) problem. Those problems also apply to Turkish because of the high percentage of OOV words due to its agglutinative morphological structure compared to other languages. The recent work shows that Recurrent Neural Networks (RNNs) are not efficient for long sequences. The deep neural architecture that we propose in this thesis follows an encoder- decoder structure with an encoder based on a Transformer Network and a decoder based on a Stack Pointer Network. The character-level word embeddings are also integrated in the model to cope with the OOV problem. The results for both Turkish and English show that the proposed model performs better for long sentences and can identify long term dependencies more efficiently compared to other neural models.

Benzer Tezler

  1. Derin öğrenme yöntemleri ile Türkçede bağlılık ayrıştırma

    Dependency parsing with deep learning methods in Turkish

    MÜCAHİT ALTINTAŞ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET CÜNEYD TANTUĞ

  2. Türkçe eşgönderge çözümlemesi

    Turkish coreference resolution

    TUĞBA PAMAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜLŞEN ERYİĞİT

  3. Effect of contextual embeddings on graph-based dependency parsing

    Başlık çevirisi yok

    BERKAY FURKAN ÖNDER

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. DENİZ YURET

  4. Named entity recognition in turkish using deep learning methods and joint learning

    Türkçe varlık isimlerinin tanınması için derin öğrenme ve birlikte öğrenme

    ARDA AKDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TUNGA GÜNGÖR

  5. Joint learning of morphological segmentation, morpheme tagging, part-of-speech tagging, and dependency parsing

    Morfolojik analiz, sözcük türü işaretleme ve bağlılık ayrıştırmanın eş zamanlı öğrenilmesi

    HÜSEYİN ALEÇAKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişsel Bilim Ana Bilim Dalı

    Prof. Dr. HÜSEYİN CEM BOZŞAHİN

    DR. ÖĞR. ÜYESİ BURCU CAN BUĞLALILAR