fa شناسائی رابطه تقابل در گفتمان فارسی به کمک روش های یادگیری باسرپرستی مقالات پردازش متن Paper پژوهشي Research گفتمان به هر قطعه یا پاره‌ای از زبان گفته می‌شود که به قصد برقراری ارتباط به کار برده شده باشد‌. سیستم شناسایی روابط موجود در گفتمان سیستمی است که می‌تواند روابط موجود بین واحدهای متنی یک گفتمان را شناسایی کند. یکی از روابط موجود در گفتمان‌های زبان فارسی رابطه تقابل است که شناسایی آن به توانائی تولید و درک گفتمان کمک می-کند و در سیستم‌های متعددی مانند خلاصه‌ساز، تفسیر و... کاربرد دارد. این رابطه در یک گفتمان می‌تواند به کمک نقش-نماهای خاص رابطه تقابل مانند "اما" و "ولی" شناسایی شود؛ اما در بعضی موارد این نقش‌نماها حذف می‌شوند و شناسایی رابطه را با مشکل مواجه می‌کنند. لذا به منظور شناسایی این رابطه، از ویژگی‌هائی مانند زمان فعل‌ها، جفت کلمات و ... استفاده شد. بدین منظور و پس از گردآوری 5000 نمونه رابطه تقابل و 5000 نمونه سایر روابط از مجموعه داده پژوهشکده هوشمند علائم، برای هر نمونه بردار ویژگی تشکیل داده شد و در نهایت برای دسته‌بندی و تشخیص رابطه تقابل از چند روش‌ یادگیری باسرپرستی شامل ماشین بردار پشتیبان ، نزدیکترین همسایه، پنجره پارزن و همچنین ترکیب این دسته-بندها استفاده شد. که بهترین میزان صحت 87.13 و مربوط به ترکیب دسته‌بندها در بهترین حالت می‌باشد Discourse is a part of language that intend is used to communicate. A discourse relation recognition system can identify one or more relation between the textual units in a discourse. Like other languages, Contrast relation is a one of the available relations in Persian discourse. Contrast relation recognition in discourse is useful for generation and perception of discourse, paraphrasing and summarization systems and et al. This relation in one discourse is often detected by discourse marker such as “اما” and “ولی”, But in some situation these markers are removed and relation recognition is difficult. For this reason we have proposed to use of some feature for relation recognition. These features are: tense of verbs, word pairs, and et al. In this paper, a Corpus of Research Center of Intelligent Signal Processing has been used to collect 5000 instances of contrast and 5000 other relations then created feature vector for each instance. We used three supervised methods for classification: SVM, KNN ,Parzen Window and combine of this classifiers. Finally, the best result achieved by combine classifier that accuracy is 87.13. پردازش زبان طبیعی, گفتمان, نقش‌نمای گفتمان, شناسایی رابطه تقابل‌, یادگیری باسرپرستی Contrast Relation Recognition , Discourse, Discourse Marker, Natural Language Processing, Supervised Learning 13 22 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-272-1&slc_lang=fa&sid=1 habib khodadadi حبیب خدادادی habibekhodadadi@gmail.com 10031947532846001926 10031947532846001926 Yes islamic azad university دانشگاه آزاد اسلامی واحد میناب saeed rahati quchani سعید راحتی قوچانی 10031947532846001927 10031947532846001927 No islamic azad university دانشگاه آزاد اسلامی واحد مشهد azam estaji اعظم استاجی 10031947532846001928 10031947532846001928 No ferdowsi university دانشگاه فردوسی مشهد