政大機構典藏-National Chengchi University Institutional Repository(NCCUR):Item 140.119/147093

政大典藏 > College of Informatics > Executive Master Program of Computer Science of NCCU > Theses > Item 140.119/147093

Please use this identifier to cite or link to this item: https://nccur.lib.nccu.edu.tw/handle/140.119/147093

Title:	以深度學習模型自動序列標記客語詞性之研究 A study on part-of-speech sequential tagging with deep learning models for Taiwan Hakka language
Authors:	吳明宗 Wu, Ming-Tsung
Contributors:	劉吉軒 Liu, Jyi-Shane 吳明宗 Wu, Ming-Tsung
Keywords:	深度學習自然語言處理中文詞性標記預訓練模型 Simple RNN LSTM transformer Bert deep learning natural language processing Chinese part-of-speech tagging pre-training model Simple RNN LSTM transformer Bert
Date:	2023
Issue Date:	2023-09-01 15:39:01 (UTC+8)
Abstract:	目前客語語料的蒐集非常困難，如何利用少許的客語語料，建立出一個詞性對應辭典，進而快速而準確的標記客語詞性，就是一個重要的議題。目前深度學習相關的模型都有此相關的應用，所以透過實際將標記過的資料處理成深度學習相關模型可以讀取的格式後，進行訓練再比較各模型的預測詞性結果，本文先後使用了Simple RNN、Bi LSTM、Bert模型各別訓練更預測後，將結果比較分析，抉擇出較好的詞性預測方法。針對Transformer的Bert部分，由於中研院有提供了中文的預訓練模型(Bert-base-Chinese-Pos)，本文則是使用了Finetune方式並將客語字彙加入訓練。實驗結果SimpleRNN準確性約為91%、BiLSTM準確性約為93%及Bert準確性約為93%。 The collection of Hakka language corpus is currently very difficult. How to use a small amount of Hakka language data to establish a part-of-speech dictionary and quickly and accurately tag the parts of speech is an important issue. Deep learning models have been widely applied in this regard. By processing the data into formats readable by deep learning models, different models such as Simple RNN, LSTM, and Transformer were trained and their prediction results were compared and analyzed. Regarding the Transformer model with the Bert component, the study utilized the pre-trained Chinese Bert model (Bert-base-chinese-pos) provided by the Institute of Information Science, Academia Sinica, and fine-tuned it by incorporating Hakka vocabulary during training. The experimental results showed that Simple RNN achieved an accuracy of 91%, BiLSTM achieved an accuracy of 93%, and Bert achieved an accuracy of 93%.
Reference:	[1]維基百科自然語言處理，2020-12-19 https://zh.wikipedia.org/wiki/%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80% E5%A4%84%E7%90%86 [2]《結構句法基礎》（1959年），L.Tesniere。 [3]詞向量，2019-09-05 https://ithelp.ithome.com.tw/articles/10213711 [4]轉換-生成語法 https://www.newton.com.tw/wiki/轉換生成語法 [5]畫句法樹的線上服務，2020-09-26 https://hambao.pixnet.net/blog/post/17704163 [6] 分佈式語義 Distributional Semantics https://academic-accelerator.com/encyclopedia/zh/distributional-semantics [7] word2vec的學習心得及glove介紹，2018，gentelyang https://www.twblogs.net/a/5b8b200e2b717718832d7a0e [8] 客家話怎麼說？基礎客語自學教學與學習筆記（臺灣客家語四縣腔為主） https://www.wpchen.net/zh/posts/hakka-language#11_%E5%AE%A2%E8%AA%9E%E7%9A%84%E4%BD%BF%E7%94%A8%E7%8F%BE%E6%B3%81 [9] 斷開中文的鎖鍊！自然語言處理 (NLP)是什麼？， https://aiacademy.tw/what-is-nlp-natural-language-processing/ [10]自然語言處理-用人工智慧看懂中文，鄭捷，2018.01 [11] 客語文句轉語音及語音辨認之研究，陳信宏，96 年 8 月 1 日至 99 年 7 月 31 日。 [12] 中文轉客文文轉音系統中的客語斷詞處理之研究，黃豐隆、余明興、林昕緯、林義証，2014。 [13] 臺灣客語語料庫，https://corpus.hakka.gov.tw/#/ [14] 第一個開放的客語斷詞工具（jieba 的演算法替換其詞庫及 HMM 機率表所製作的客家語斷詞程式）， https://github.com/ldkrsi/jieba-Hakka [15]獨熱編碼，2019-09-18 https://ithelp.ithome.com.tw/articles/10216967 [16] [常見的自然語言處理技術] 文本相似度(I): Word Embeddings，2021-09-21，https://ithelp.ithome.com.tw/articles/10268404 [17]CNN（卷積神經網絡）、RNN（循環神經網絡）、DNN（深度神經網絡）的內部網絡結構的區別，201-02-23 https://kknews.cc/zh-tw/news/6n84mm3.html [18]深度神經網絡(DNN)，2017-10-12 https://zhuanlan.zhihu.com/p/29815081 [19]Yann LeCun, Yoshua Bengio & Geoffrey Hinton(2015).Deep learning.Nature 521(7553):436-44 [20] Understanding LSTM Networks，2015-08-27 https://colah.github.io/posts/2015-08-Understanding-LSTMs/ [21]Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, vol. 9, no. 8, 1735-1780. [22]Vaswani, Ashish, et al. "Attention is all you need." Advances in Neural Information Processing Systems . 2017. https://arxiv.org/pdf/1706.03762.pdf [23] Bidirectional Encoder Representations from Transformers，Bert，https://zh.wikipedia.org/zh-hant/BERT [24] [Notes] BERT / BERT 架構理解，Haren Lin，2021。 https://haren.medium.com/paper-notes-bert-bert-%E6%9E%B6%E6%A7%8B%E7%90%86%E8%A7%A3-31c014d7dd63 [25]《臺灣客語語料庫》，客家委員會委託國立政治大學團隊建置之國家型語料庫，https://corpus.hakka.gov.tw/#/about-us [26] Toxic Language Detection in Social Media for Brazilian Portuguese，João A. Leite, Diego F. Silva, Kalina Bontcheva, Carolina Scarton，2020，P.4。 [26] Self-Supervised Learning，李宏毅，2021。 https://speech.ee.ntu.edu.tw/~hylee/ml/ml2021-course-data/bert_v8.pdf [27] 李宏毅_ELMO, Bert, GPT，shaoeChen，2021。 https://hackmd.io/@shaoeChen/Bky0Cnx7L#ELMO-Bert-GPT [28]【機器學習】交叉驗證 Cross-Validation，2019，Jason Chen https://jason-chen-1992.weebly.com/home/-cross-validation [29] Open AI，2023，Wiki https://zh.wikipedia.org/zh-tw/OpenAI [30] ChatGPT 與 LLM 的技術原理剖析、發展歷程，2023，Kordan Ou https://hitripod.com/chatgpt-technical-introduction-history/ [31] 大型語言模型(large language model，LLM)，2023，Wiki https://zh.wikipedia.org/zh-tw/%E5%A4%A7%E5%9E%8B%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B [32] 鍾屏蘭、江俊龍，學術研究基礎建置暨客家文化研究計畫，屏東教育大學客家文化所計畫成果報告書，2009。
Description:	碩士國立政治大學資訊科學系碩士在職專班 105971011
Source URI:	http://thesis.lib.nccu.edu.tw/record/#G0105971011
Data Type:	thesis
Appears in Collections:	[Executive Master Program of Computer Science of NCCU] Theses

Files in This Item:

File	Description	Size	Format
101101.pdf		7089Kb	Adobe PDF2	0	View/Open

社群 sharing

Loading...