Resumen

La identificación de escrituras mixtas es un obstáculo para los sistemas automatizados de procesamiento del lenguaje natural. La mezcla de escrituras cursivas de diferentes idiomas es un reto porque los métodos de PLN, como el etiquetado POS y la desambiguación del sentido de las palabras, se ven afectados por el ruido del texto. Este estudio aborda el reto de la identificación de escrituras mixtas para un conjunto de datos de código mixto que consiste en urdu romano, hindi, saraiki, bengalí e inglés. El modelo de identificación de idiomas se entrena utilizando la vectorización de palabras y variantes de RNN. Además, a través de la investigación experimental, se optimizan diferentes arquitecturas para la tarea asociadas a la Memoria Larga de Corto Plazo (LSTM), la LSTM Bidireccional, la Unidad Recurrente Cerrada (GRU) y la Unidad Recurrente Cerrada Bidireccional (Bi-GRU). La experimentación logró la mayor precisión de 90,17 para Bi-GRU, aplicando las características de clase de palabras aprendidas junto con la incrustación con GloVe. Además, este estudio aborda las cuestiones relacionadas con los entornos multilingües, como las palabras romanas fusionadas con caracteres ingleses, la ortografía generativa y la escritura fonética.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:identificación de escritura mixta, unidad gated recurrent, desambiguación del sentido de las palabras, sistema de procesamiento del lenguaje, características de la clase de palabras, gru, gated recurrent bidireccional, modelo de identificación del lenguaje, palabra romana, máxima precisión
• Keywords:mixed script identification, gated recurrent unit, word sense disambiguation, language processing system, word class features, gru, bidirectional gated recurrent, language identification model, roman word, highest accuracy