Convolutional auto encoders for sentence representation generation
Yükleniyor...
Dosyalar
Tarih
2018
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
In this thesis, we have proposed an alternative approach for sentence modeling problem. The difficulty of the choice of answer, the semantically related questions and the lack of syntactic closeness of the answers give rise to the difficulty of selecting the answer. The deep learning field has recently achieved a pivotal success in semantic analysis, machine translation and text summaries. The essence of this work, inspired by the human orthographic processing mechanism using multiple convolution filters are pre-rendered 2D representations of sentences, input or output size is to learn the basic features of the language without concerns. For this reason, the semantic relations in the sentence structure are learned by the convolutional variational auto-encoders first, and then the question and answer spaces learned by the auto-encoders are linked with proposed intermediate models.
Bu tez kapsamında, cümle modelleme problemi için alternatif bir yaklaşım önerilmiştir. Anlamsal olarak ilgili sorular ve cevapların söz dizimsel olarak yakın olmaması yanıt seçiminin zorluğunu doğurmaktadır. Derin öğrenme ortamı yakın zamanda anlamsal analiz, makine çevirisi ve metin özeti konularında göze çarpan bir başarı elde etmiştir. Bu çalışmanın özü, insan ortografik işleme mekanizmasından esinlenerek önceden 2 boyutlu hale getirilmiş cümle temsillerinin çoklu evrişimsel filtreler kullanılarak, girdi boyutu veya çıktı boyutu ile ilgili kaygılar olmaksızın dilin temel özelliklerinin öğrenilmesidir. Bu nedenle, bu tez kapsamında cümle yapısındaki anlamsal ilişkilerin önce evrişimsel otomatik kodlayıcılar tarafından dağılımı öğrenilip, önerilen ara modeller ile otomatik kodlayıcılar tarafından öğrenilmiş soru ve yanıt uzayları arasında bağlantı kurması sağlanmıştır.
Bu tez kapsamında, cümle modelleme problemi için alternatif bir yaklaşım önerilmiştir. Anlamsal olarak ilgili sorular ve cevapların söz dizimsel olarak yakın olmaması yanıt seçiminin zorluğunu doğurmaktadır. Derin öğrenme ortamı yakın zamanda anlamsal analiz, makine çevirisi ve metin özeti konularında göze çarpan bir başarı elde etmiştir. Bu çalışmanın özü, insan ortografik işleme mekanizmasından esinlenerek önceden 2 boyutlu hale getirilmiş cümle temsillerinin çoklu evrişimsel filtreler kullanılarak, girdi boyutu veya çıktı boyutu ile ilgili kaygılar olmaksızın dilin temel özelliklerinin öğrenilmesidir. Bu nedenle, bu tez kapsamında cümle yapısındaki anlamsal ilişkilerin önce evrişimsel otomatik kodlayıcılar tarafından dağılımı öğrenilip, önerilen ara modeller ile otomatik kodlayıcılar tarafından öğrenilmiş soru ve yanıt uzayları arasında bağlantı kurması sağlanmıştır.
Açıklama
Anahtar Kelimeler
Bi-Gram, N-Gram, Convolutional Networks, Question Answering Problem, Deep Learning, Evrişimsel Ağlar, Soru Yanıt Problemi, Derin Öğrenme
