پاورپوینت ریشه یابی کلمات فارسی |Origins of Farsi words

ریشه یابی کلمات فارسی |Origins of Farsi words

ریشه یابی کلمات فارسی این جزوه را امروز می خواهیم در سایت دانشکده ها برای دانشجویان عزیز قرار دهیم

در 21 اسلاید زیبا با فرمت پاورپوینت جمع آوری شده است.

این مقاله بطور نمونه قسمتی از متن را خواهیم گذاشت.

انواع الگوریتم های ریشه یابی

الگوریتم های مبتنی بر دیکشنری :  کاملترین الگوریتمهای ریشه یابی هستند. مشکلاتی نظیر :

.1قابلیت گسترش پایین (no scalability)

.2ناتوانی در دسته بندی کلمات در گروه های معنایی همسان

.3درجه زمانی و مکانی بسیار بالا

الگوریتم های مبتنی بر قانون : این الگوریتمها، بر روی به دست آوردن ریشه ی کلمات از طریق تعدادی قوانین از پیش تعیین شده کار می کنند.

.1قوانین موجود ساختارهای زبانشناسی نیستند.

.2مشکلات روش قبل را ندارند.

.3از لحاظ مؤفقیت از درصد پایینی برخوردار هستند.

.4از این دسته الگوریتمها می توان به الگوریتمهای معروف Porter و Lovins و      Krovetz… بر روی زبان انگلیسی و الگوریتم ریشه یابی کاظم تقوی و … بر روی زبان فارسی اشاره کرد.

ریشه یابی کلمات فارسی

ریشه یابی کلمات فارسی بررسی الگوریتم porter :در هر برنامه جداسازي پسوند در سيستم هاي IR دو مورد بايستي مد نظر باشد.

—اول آنكه در سيستم هاي IR پسوندها به هدف افزايش كارائي سيستم حذف مي شوند و نه به لحاظ عمليات زبانشناسي. اين بدان معني است كه لزومي ندارد تا بفهميم تحت چه شرايطي يك پسوند بايستي حذف گردد.

—نكته دوم آن است كه با استفاده از روشي كه توضيح داده خواهد شد؛ يعني با استفاده از ليست پسوندها با قوانين اِعمال متعدد، ضريب موفقيت در حذف پسوندها جدا از آنكه اين پردازش چگونه ارزيابي شود، مطمئناً كمتر از 100 درصد خواهد بود.

ریشه یابی کلمات فارسی ريشه ياب پورتر ريشه ياب كاهش دهندة ادغامي براي زبان انگليسي است كه توسط مارتين پورتر در دانشگاه كمبريج در سال 1980 ارائه شد.

اين ريشه ياب بصورت مرحله اي(5 مرحله كه در هر مرحله قوانين خاصي اِعمال مي شود) و خطي می باشد که در ادامه به این مراحل اشاره می کنیم. در هر مرحله عملیات کاهش یا افزایش روی کلمات صورت می گیرد.

در زبان انگليسي يك حرف بي صدا(Consonant) در يك كلمه حرفي غير از A,E,I,O,U و Y بعد از يك حرف صدادار است.

(واقعيت آن است كه تعريف حرف بي صدا بصورت بازگشتي در اينجا باعث مبهم شدن تعريف حرف بي صدا نمي شود). بنابراين در TOY حروف بي صدا T و Y هستند و در SYZYGY حروف بي صدا S و Z و Gميباشند.

CVCV … C

CVCV … V

VCVC … C

VCVC … V

[C]VCVC … [V]

قوانين براي حذف پسوند در فرم زير نمايش داده مي شود:

(condition) S1-> S2كه به معناي آن است كه اگر كلمه اي با پسوندِ  S1 پايان بگيرد و ريشة ماقبل S1 شرطِ(condition) داده شده را ارضا كند، S1 با S2 جايگزين مي شود.

—*S: ريشه با حرفِ S پايان مي گيرد(همچنين براي ساير حروف).

—*v*: ريشه شامل حرف صدادار است.

—*d: ريشه با دو حرف صدادار يكسان پايان مي گيرد(مثل TT وSSو…).

—*o: ريشه با cvc پايان مي گيرد بطوريكه دومين c ،حروفِ W،X ياY نيست.(مثل-HOP,-WIL).

بررسی الگوریتم porter – مراحل روش

در مرحله اول بیشتر با قسمت سوم افعال و صورت جمع کلمات سروکار داریم مثل:

SSES à SS                                              caresses à    caress

IES à  I                                                   ponies à    poni

SS à SS                                                   caress à   caress

…

در مراحل 2 و3 و 4 هم به صورت مشابه قوانین مختلفی استفاده می شود تا به ریشه مورد نظر نزدیک تر شویم مثل :

2 :   (m>0) ATIONAL à ATE                 relational      à    relate

(m>0) TIONAL à   TION                conditional   à    condition

3:    (m>0) ATIVE   à                              formative     à  form

(m>0) ALIZE   à  AL                       formalize      à  formal

4 :   (m>1) IBLE   à                            defensible   à  defens

(m>1) ATE    à                            activate       à  activ

…

تا اينجا تمامي پسوندها حذف شده است و آنچه كه مانده كمي از مراحله تصفيه (مرحله 5) است. در این مرحله هم عملیاتی نظیر قوانین زیر صورت می گیرد.

(m>1) E     ->                         probate      ->   probat

…

بررسی الگوریتم porter – فلوچارت

بررسی الگوریتم porter :

 

در الگوریتم porter هیچ توجه ای به پیش وند ها نمی شود : باعث می شود که نتایج کمی نادرست باشد ولی در عمل اين مسئلة چنداني نيست چونكه وجود پيشوند احتمال كاهشها و ادغامهاي نادرست را كاهش مي دهد.

 

مزایای عمده این روش :

.1این الگوریتم کوتاه ( كمتر از 400 خط كد به صورت BCPL) و سریع می باشد. (واژگان با 10000 كلمة مختلف را در 8.1 ثانيه  بر روي IBM 370/165 در دانشگاه كمبريج پردازش كرده است).

.2ساده و کارا می باشد.

.3قابلیت انعطاف دارد.