Desvelando el reconocimiento de entidades con nombres en árabe utilizando el procesamiento del lenguaje natural con...

Área de la Ciencia:

• Procesamiento del lenguaje natural (PNL)
• Inteligencia artificial (IA)
• Aprendizaje profundo

Sus antecedentes:

• El reconocimiento de entidades con nombre (NER) es crucial para aplicaciones de PNL como la recuperación de datos.
• El NER árabe presenta desafíos únicos debido a la complejidad lingüística, especialmente en los dialectos.
• Los modelos de aprendizaje profundo existentes a menudo se centran en el árabe estándar moderno (MSA), descuidando los dialectos.

Objetivo del estudio:

• Para introducir una técnica novedosa, la optimización de Northern Goshawk con inteligencia artificial para el reconocimiento de entidades con nombre árabe (NGOAI-ANER), para el dialecto marroquí.
• Mejorar la precisión y la eficiencia de los sistemas NER árabes.
• Para abordar las complejidades del dialecto árabe NER utilizando IA avanzada.

Principales métodos:

• Técnicas de incrustación de palabras para representar el texto semánticamente.
• Memoria a corto plazo de atención larga (SALSTM) para una identificación precisa de la entidad.
• Modelo de optimización de Northern Goshawk (NGO) para el ajuste de hiperparámetros de los modelos DL.

Principales resultados:

• La técnica NGOAI-ANER demostró un rendimiento superior en el conjunto de datos de DarNERcorp.
• Logró una precisión del 97,86%, superando a los enfoques NER árabes existentes.
• Validación de la eficacia y escalabilidad del modelo NER impulsado por IA propuesto.

Conclusiones:

• La técnica NGOAI-ANER ofrece un avance significativo en el NER árabe dialectal.
• La integración de algoritmos de optimización con el aprendizaje profundo aborda eficazmente los desafíos de NER.
• Este enfoque proporciona una solución escalable y precisa para el reconocimiento de entidades con nombre árabe.