Spaces:

parsi-ai-nlpclass
/

F22-persian-reverse-dict

Runtime error

App Files Files Community

behnamsa commited on Mar 18, 2023

Commit

e69d4ce

•

1 Parent(s): 7d6ddbe

Justify text

Browse files

Files changed (1) hide show

app.py +1 -1

app.py CHANGED Viewed

@@ -11,7 +11,7 @@ article = '''
     <h2>
     چکیده
     </h2>
-    <p>
     یافتن واژهای مناسب با سیاق متن برای انتقال مفهومی خاص یکی از چالشهای موجود در امر نویسندگی است. استفاده از یک لغت‌نامه معکوس (Reverse Dictionary)میتواند این نیاز را تا حدودی برطرف کند؛ به این صورت که با ارائه دادن یک مفهوم به مدل، تعدادی واژه هم‌معنی و یا مرتبط با آن توسط مدل پیشنهاد داده شود. در حال حاضر تنها یک روش مرتبط با این موضوع در زبان فارسی تحت عنوان PREDICT: Persian Reverse Dictionary وجود دارد که مدل‌هایBOW ،RNN ،attentions  و attention+BiLSTM را در این زمینه مورد ارزیابی قرار داده است. در این پروژه ما قصد داریم یک لغت‌نامه معکوس فارسی با استفاده از شبکه‌های بر پایه ترنسفورمر توسعه دهیم. هم‌چنین، روش ساده ولی موثر میانگین وزن‌دار tf-idf نیز مورد آزمایش قرار گرفته‌است. نتایج نشان می‌دهد که مدل‌ ترکیبی ترنسفورمر و tf-idf ارائه شده، دقت top10 مدل‌های پیشین را به میزان %6.22 و دقت top100 را به اندازه %3.79 افزایش داده است. هم‌چنین مشاهده شد که تفاوت معناداری در استفاده از شبکه‌های قدرتمند ترنسفورمر با روش میانگین وزن‌دار tf-idf وجود ندارد و عملکرد مدل بر پایه tf-idf تنها مقدار ناچیزی کمتر از مدل بر پایه ترنسفورمر است که جالب توجه است.
     </p>
     <h2>

     <h2>
     چکیده
     </h2>
+    <p style="text-align: justify;">
     یافتن واژهای مناسب با سیاق متن برای انتقال مفهومی خاص یکی از چالشهای موجود در امر نویسندگی است. استفاده از یک لغت‌نامه معکوس (Reverse Dictionary)میتواند این نیاز را تا حدودی برطرف کند؛ به این صورت که با ارائه دادن یک مفهوم به مدل، تعدادی واژه هم‌معنی و یا مرتبط با آن توسط مدل پیشنهاد داده شود. در حال حاضر تنها یک روش مرتبط با این موضوع در زبان فارسی تحت عنوان PREDICT: Persian Reverse Dictionary وجود دارد که مدل‌هایBOW ،RNN ،attentions  و attention+BiLSTM را در این زمینه مورد ارزیابی قرار داده است. در این پروژه ما قصد داریم یک لغت‌نامه معکوس فارسی با استفاده از شبکه‌های بر پایه ترنسفورمر توسعه دهیم. هم‌چنین، روش ساده ولی موثر میانگین وزن‌دار tf-idf نیز مورد آزمایش قرار گرفته‌است. نتایج نشان می‌دهد که مدل‌ ترکیبی ترنسفورمر و tf-idf ارائه شده، دقت top10 مدل‌های پیشین را به میزان %6.22 و دقت top100 را به اندازه %3.79 افزایش داده است. هم‌چنین مشاهده شد که تفاوت معناداری در استفاده از شبکه‌های قدرتمند ترنسفورمر با روش میانگین وزن‌دار tf-idf وجود ندارد و عملکرد مدل بر پایه tf-idf تنها مقدار ناچیزی کمتر از مدل بر پایه ترنسفورمر است که جالب توجه است.
     </p>
     <h2>