دسته‌بندی پیکره‌بنیاد هم‌نگاره‌های فارسی

ابهام، یکی از چالش­‌های بزرگ در پردازش زبان طبیعی است؛ در پردازش رایانه‌­ای متون، هم­‌نگاره­‌ها و چگونگی رفع ابهام از آن­ها از اهمیت بالایی برخوردار است. در زبان­‌هایـی ماننـد زبـان فارسـی که سـاخت­واژه پیچیـده‌­ای دارنـد، هم­‌نگاره­‌هـای بســیاری ســاخته می­‌شــوند. در این راستا شناخت هم­‌نگاره­‌ها و دسته­‌بندی انواع آن­‌ها بسیار مهم است. در پژوهش حاضر به منظور بررسی پیکره-بنیاد هم­‌نگاره­‌های فارسی، واژه­‌هایی که بیش از یک برچسب اجزای واژگانی کلام داشتند، از پیکره متنی فارسی استخراج شدند که شامل 10978 واژه است. سپس، فراوانی برچسب­‌های هر هم­‌نگاره مورد بررسی قرار گرفت و فهرست دیگری استخراج شد که شامل هم­‌نگاره­‌هایی است که علاوه بر فراوانی بالای برچسب اول آن­ها (بیش از 20) فراوانی برچسب­ دوم آن­ها نیز در پیکره متنی فارسی بیش از 10 بوده است؛ این فهرست شامل 1675 هم‌­نگاره است. ماهیت ساخت­‌واژی، آوایی یا معنایی هم­‌نگاره­‌های استخراج شده در این مرحله مورد بررسی قرار گرفت و بر اساس آن هم­‌نگاره­‌های استخراج شده در یازده دسته طبقه‌­بندی شدند که از میان آن­ها، تنها هم‌­نگاره‌­های موجود در یک دسته بر اساس معیار معنایی طبقه­‌بندی شده­‌اند و بقیه بر اساس ویژگی­‌های ساخت­‌واژی و تفاوت­‌ها آوایی آن­‌ها در دسته­‌های گوناگون قرار گرفته­‌اند. نتایج این پژوهش شامل فهرست گسترده­‌ای از هم‌نگاره­‌های فارسی استخراج شده از پیکره متنی فارسی است که هر کدام بر اساس معیارهای ساخت­‌واژی و آوایی در یک یا بیش از یک دسته از مجموع یازده دسته قرار گرفته­‌اند، این فهرست و دسته­‌بندی مربوط به هم­‌نگاره­‌ها می­‌تواند در سیستم­‌های رفع ابهام معنایی از واژگان مورد استفاده قرار گیرد.