انجمن کامپیوتر ایران

امضای افراد از دو مشخصه متضاد برخوردار است از یک سو دارای ساختار پایدار بوده و از سوی دیگر دو امضای یک فرد نیز کاملا یکسان نیست. تفاوتهای سطحی امضای افراد در تکرارهای متوالی در اندازه، سرعت و تغییرات غیرخطی محور زمان است. این مسائل طبقه‌بندی امضاهای حقیقی و جعلی را مشکل می‌سازد. به منظور کاهش این خطاها استفاده از ویژگیهای محلی که دقت بالاتری نسبت به ویژگیهای کلی دارند، می‌تواند راهکار موثری باشد ولی به دلیل یکسان نبودن طول ویژگیهای محلی استفاده از یک الگوریتم سریع و مقاوم در برابر اعوجاجات محلی اهمیت اساسی دارد. در این مقاله با بهره‌گیری از الگوریتم کمترین فاصله گستره سعی در تعیین نقاط متناظر واقعی می‌شود. آزمایشهای انجام شده بر روی یک پایگاه امضای گسترده حاکی از عملکرد بهتر الگوریتم MLD نسبت به روش مشهور DTW است که خطای طبقه‌بندی را در حدود 3/8% کاهش می‌دهد. همچنین نتایج نشان داد با استفاده از طبقه‌بندی کننده پنجره پارزن، شاخص EER برابر 94/0% و 78/1% به ترتیب برای گروه جاعل تصادفی و ماهر است.

اندازه‌گیری شباهت جملات در کاربردهای مختلفی از پردازش متن از جمله سیستم‌های پرسش و پاسخ و خلاصه‌سازی متن مورد استفاده قرار می‌گیرد. در این مقاله روشی جدید برای اندازه‌گیری شباهت معنایی جملات مبتنی بر نقش‌های معنایی معرفی شده است. در این روش، جملات ورودی ابتدا با برچسب‌های بخش‌های گفتار و نقش‌های معنایی برچسب‌ زده می‌شوند و سپس با استفاده از یک معیار اندازه‌گیری معنایی، شباهت کلمات در برچسب‌های نقش‌های معنایی یکسان محاسبه می‌شود. با استفاده از این مقادیر، شباهت نقش‌های معنایی، سطوح معنایی و در نهایت شباهت جملات محاسبه می‌گردد. برخلاف بسیاری از روش‌های پیشین این روش قابلیت محاسبه شباهت معنایی جملات کوتاه و ساده و همچنین طولانی با ساختارهای پیچیده را دارا می‌باشد. نتایج پیاده‌سازی نشان می‌دهند استفاده از مشابهت معنایی علاوه بر مشابهت ساده و همچنین نقش‌های معنایی علاوه بر برچسب‌های بخش‌های گفتار سبب افزایش دقت معیار اندازه‌گیری در مقایسه با روش‌های موجود می‌گردد.

انتساب مقوله¬های گرامری به کلمه¬های یک متن، بخشی مهم در سیستم پردازش زبان¬های طبیعی محسوب می شود. پیکره‏متنی که از طریق اطلاعات (pos) part of speech نشانه گذاری شده، معمولاً به عنوان پیش¬نیازی اجتناب ناپذیر در دیگر برنامه¬های کاربردی پیچیده¬تر در حوزه پردازش زبان¬های طبیعی منجملهاستخراج اطلاعات، تجزیه معنایی، ترجمه ماشینی یا تفسیر زمینه¬های معنایی و وارسی‏کننده‏های دستوریمورد استفاده قرار می¬گیرد. در بسیاری از موارد به علت عدم دسترسی به منابع آزموده‏شده و استاندارد دستوری و ریخت‏شناسی رایانه‏ای در زبان فارسی به استفاده از نشانه‏گذارهای آماری بسنده می‏شود. در این گونه نشانه‏گذارها برای تشخیص مقوله دستوری واژه های ناشناخته، بدون توجه به ساختار و ماهیت کلمه تنها از روش‏های آماری استفاده می‏شود که طبعا حاصل و نتیجه کارچندان مطلوب نخواهد بود. در این تحقیق، ما به ارائه نشانه‏گذاری هیبریدی می‏پردازیم که علاوه بر روش آماری از مزایای روش‏های قانون- محور(دستوری) و ریخت‏شناسی واژه ها در زبان فارسی در راستای بهبود نتیجه نهایی بهره می‏جوید.