In recent years, there has been a resurgence in research on empirical methods in natural language processing. These methods employ learning techniques to automatically extract linguistic knowledge from natural language corpora rather than require the system developer to manually encode the requisite knowledge. The current special issue reviews recent research in empirical methods in speech recognition, syntactic parsing, semantic processing, information extraction, and machine translation. This article presents an introduction to the series of specialized articles on these topics and attempts to describe and explain the growing interest in using learning methods to aid the development of natural language processing systems

چکیده

در سال­ های اخیر رستاخیزی در تحقیقات در زمینه روش ­های تجربه گرا در پردازش زبان طبیعی اتفاق افتاده است. این روش­ ها از تکنیک­ های یادگیری استفاده می­ کنند تا به طور خودکار دانش زبانی را از پیکره های زبان طبیعی استخراج کنند، به جای اینکه لازم باشد توسعه دهنده سیستم به طور دستی دانش لازم را کدگذاری کند. این شماره ویژه ]از ژورنال[ تحقیقات اخیر در زمینه روش­ های تجربه گرا شناسایی گفتار، تجزیه نحوی، پردازش معنایی، استخراج اطلاعات و ترجمه ماشینی را مرور می­ کند. این مقاله مقدمه ­ای بر مقاله­ های تخصصی در این حوزه­ ها را ارائه می­ کند و سعی می­ کند توضیح و تشریحی بر تمایل روزافزون به استفاده از روش­ های یادگیری­ ای ارائه دهد که به توسعه سیستم­ های پردازش زبان طبیعی کمک می­ کنند.

1-مقدمه

یکی از بزرگترین چالش ­ها در پردازش زبان طبیعی این است که چه طور برای کامپیوتر پیچیدگی زبانی­ ای را فراهم کنیم که کامپیوتر برای وظایف مبتنی بر زبان به آن نیاز دارد. این شماره ویژه راهکار یادگیری ماشینی برای مسئله اکتساب دانش زبانی ارائه می ­دهد: به جای اینکه از یک انسان بخواهیم صراحتا اطلاعات مربوط به زبان را برای کامپیوتر فراهم کند، کامپیوتر از روی منابع متنی آنلاین خودش را آموزش می ­دهد...