Foydalanuvchi

YONLASHISH

Annotatsiyalangan korpusdan foydalangan holda
ma'lum aniqlik. Izohlangan matnlarning kichik to'plamidan boshlab, u o'zining tasniflagichlarini

ko'pgina NLP ilovalari uchun odatiy yondashuv qo'lda
o'qitadi va keyin izohlash uchun qo'shimcha hujjatlarni tanlaydi.

izohlash orqali oltin standart korpusni yaratish va keyin mashinani o'rganish modelini o'rgatishdan iborat [5].
Model va korpusning sifatiga, boshqa (annotatsiya qilingan) korpuslarga o'xshashligi va vazifaning murakkabligiga qarab, natijada olingan model boshqa korpuslar uchun ko'proq yoki kamroq ishlaydi. Kattaroq oltin standart korpus o'qitish uchun ko'proq ma'lumot
beradi, bu esa aniqroq va ishonchli modelga olib keladi. Shu sababli, avtomatik izohlash algoritmlarini ishlab chiqish yoki qo'lda izohlash jarayonini
tezlashtirish uchun texnikani ishlab chiqish maqsadga muvofiqdir.

Korpus annotatsiyasiga yondashuvlar odatda (yarim) avtomatik va qo'lda yondashuvlarga bo'linishi mumkin. Qo'lda yondashuvlar bilan bog'liq muammo, shubhasiz, ularning narxidir.

Bu atamalarga teg qo'shish ko'p vaqt talab qiladigan jarayon va NLP algoritmlari yaxshi ishlashi uchun odatda minglab hujjatlar kerak bo'ladi. Bunday algoritmlarning foydaliligi ular to'g'ri tegni tayinlashning aniqligi bilan belgilanadi. Sintaktik teglash algoritmi ritmlarining ishonchliligi ko'pgina vazifalar uchun etarli bo'lsa-da, xatolik darajasi 2% ga etadi, avtomatik semantik teglar ko'p sohalarda amaliy maqsadlarda foydalanish uchun hali ham etarlicha aniq emas [4].
Masalan, twitter matnlari uchun nomli ob'ektni tanib olish bo'yicha yaqinda qilingan urinish test to'plamida kamida yuz ob'ektga ega sinflar uchun 0,23 dan 0,86
gacha bo'lgan F-ballari haqida hisobot beradi [6]; Ingliz korpusidagi his-tuyg'ularni tasniflash urinishlari 63%
dan 86% gacha aniqlikka erishadi [7]. Uzoq muddatli istiqbolda avtomatik izohlash yondashuvlariga alternativa yo'q, chunki qayta ishlanishi kerak bo'lgan matnli ma'lumotlarning miqdori oshadi.

1.