ارتقای پایداری و دقت استنتاج ضرب المثل های فارسی در مدل های زبانی با بهره گیری از تزریق دانش و مکانیزم خودسازگاری

چکیده مقاله

مدل های زبانی در مواجهه با عبارات غیرترکیبی و ساختارهای وابسته به بستر فرهنگی، از جمله ضرب المثل های فارسی، به دلیل محدودیت در یادگیری دانش ضمنی و وابستگی به داده های آموزشی، با افت عملکرد مواجه می شوند هدف این پژوهش، ارزیابی تاثیر بازتنظیم تحت نظارت و مکانیزم خودسازگاری موازی بر بهبود توانایی مدل های زبانی در استنتاج و بازسازی ضرب المثل های فارسی است بدین منظور، مدل GPT۲ fa بر روی مجموعه ای از ضرب المثل های فارسی بازتنظیم شده و سپس عملکرد آن در شرایط مختلف استنتاج با استفاده از پارامترهای درجه حرارت T و تعداد نمونه های رای گیری K مورد بررسی قرار گرفت نتایج آزمایش ها نشان داد که اگرچه افزایش تصادفی بودن در فرآیند تولید توکن می تواند دقت استنتاج قطعی را در داده های آموزشی کاهش دهد، اما در داده های آزمون مستقل، زمینه مناسبی برای جست وجوی عمیق تر در فضای معنایی فراهم می سازد همچنین، به کارگیری مکانیزم خودسازگاری مبتنی بر رای گیری اکثریت موجب کاهش توهمات واژگانی و بهبود کیفیت پاسخ های تولیدشده شد ارزیابی های تجربی نشان داد که دقت تطابق کامل مدل نسبت به مدل پایه بهبود عملکرد چشمگیری داشته است یافته های پژوهش نشان می دهد که ترکیب بازتنظیم تحت نظارت و خودسازگاری موازی می تواند راهکاری موثر برای ارتقای توانایی مدل های زبانی در پردازش زبان های کم منبع و درک ساختارهای فرهنگی و معنایی پیچیده باشد

کلیدواژه‌ها

نویسندگان

نجمه کوه بر حقیقی

ارشناسی ارشد مدیریت شهری ، دانشگاه آزاد شیراز،

ساناز رحیمی

دانشجوی کارشناسی مهندسی کامپیوتر دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

معین مردانی

استاد گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

�حیمی، ساناز و مردانی، معین،1405،ارتقای پایداری و دقت استنتاج ضرب المثل های فارسی در مدل های زبانی با بهره گیری از تزریق دانش و مکانیزم خودسازگاری،دومین کنفرانس بین المللی مدیریت، علوم کامپیوتر و هوش مصنوعی،تهران

ارائه‌شده در

کنفرانس ملی مهندسی عمران، معماری و توسعه شهری31 خرداد 1405 · بابل