Semi-Supervised Contextual Word Sense Disambiguation for Data Augmentation

Yapay zekâ alan?nda son dönemlerde öne ç?kan derin ö?renme mimarilerinin, do?al dil i?leme konusunun önemli problemlerinden biri olan Anlam Belirsizli?i Giderme (ABG) çal??malar?nda kayda de?er geli?melere yol açt??? gözlemlenmektedir. Denetimli yöntemler rakiplerine göre daha yüksek performans sergilemektedirler. Bunun en büyük nedeni kullan?lan e?itim verilerinin büyüklükleridir. ABG problemi için ?ngilizce dili üzerinde elle-etiketlenmi? çok miktarda veri çevrim içi olarak eri?ilebilir durumdad?r. Ancak dü?ük-kaynakl? diller (DKD’ler) probleme uygun eksikli?i ya?amaktad?rlar. Yeterli derecede toplamak ve etiketlemek vakit al?c? maliyet gerektiren bir i?tir. Bu de?inmek a?mak üzere, bu çal??mada yar?-denetimli ba?lamsal anlam belirsizli?i giderme yakla??m?n?n art?r?m? (daha sonra denetimli ö?renmede verisi kullan?lmak üzere) kullan?labilece?inin gösterilmesi amaçlanm??t?r. ba?lamda özellikle DKD’lerde test bulman?n zor olmas? nedeniyle yakla??m?n do?rulu?unu ilerleyen kullan?labilirli?ini ispatlamak amac?yla çevrimiçi bulunan kullan?lm??t?r. Olu?turulan yöntemde öbek kümesi (seed set) ba?lam vektörleri (context embeddings) kullan?lmaktad?r. Yap?lan çal??ma 9 farkl? modelinde (ELMo, BERT, RoBERTa vb.) edilmi? her modelinin üzerindeki etkileri raporlanm??t?r. ?lk temel yakla??ma sonuçlar %28 do?ruluk oran?nda art??? sa?lanm??t?r. (ELMo ile ilk yakla??m %50,39 ELMo Öbek Esasl? Ortalama Benzerlik Modeli %78,06). Al?nan sonuçlara neticesinde, önerilen DKD’ler yönelik olu?turmak gelecek vaat eden etti?i gösterilmi?tir. makale [18]’deki çal??mam?z?n geni?letilmi? versiyonudur.