Nov, 2023

古兰经对话：利用阿拉伯自然语言处理技术开发古兰经的语义搜索工具

PDF
TL;DR研发了一种《古兰经语义搜索工具》，通过在超过 30 个《注释》数据集上训练多个模型，使用余弦相似度，在 Quran 中找到与用户查询或提示相关的经文。使用 SNxLM 模型，能够获得高达 0.97 的余弦相似度分数，与财务事务相关的经文对应的注释是 abdu。
quransemantic search tooltafsirscosine similaritysnxlm model
发现论文，激发创造
  • 在古兰经性质领域应用本体论建模

    本文讨论了如何使用 OWL / RDF 对《古兰经》的自然相关概念进行本体建模，以利用语义搜索和查询。

    Apr, 2016

  • Qur'an QA 2022 中的 TCE：使用基于 BERT 的模型的加工集成进行古兰经阿拉伯语问答

    本文描述了作者们在 OSACT5 古兰经问答大赛中的尝试，基于 BERT 模型的阿拉伯语变体，我们提出了一种集成学习模型，并进行了后处理来增强模型预测。我们的系统在官方测试集上达到了 56.6％的部分倒数排名（pRR）分数。

    Jun, 2022

  • 通用语言建模代理

    本文提出了一种基于古兰经语言结构的新方法，利用词嵌入技术分析动物的语音数据中的频率组件，以解锁动物交流中潜在的相关性和有意义的见解，并利用生物声学模型生成音频以培训自然语言处理技术，旨在找到动物语言背后的意图而不是每个单词的翻译。

    Jun, 2023

  • QASiNa：使用《先知传记》的宗教领域问答系统

    本研究提出了以印尼语版 Sirah Nabawiyah 文献为基础构建的 Question Answering Sirah Nabawiyah (QASiNa) 数据集，并通过 mBERT、XLM-R 和 IndoBERT 模型在该数据集上进行了实验，结果显示 XLM-R 模型在 QASiNa 上的性能最佳，而 Chat GPT 则在宗教领域的问答任务中不适用，尤其对伊斯兰宗教而言。

    Oct, 2023

  • 基于 RAG 的伊斯兰理解问答系统提案：MufassirQAS LLM

    使用基于矢量数据库的检索增强生成（RAG）方法，本研究提出了一个名为 “MufassirQAS” 的问答系统，用于增强 LLM 聊天机器人在宗教上鉴赏与回答问题的准确性和透明度。该系统在处理敏感问题时表现出更好的性能。

    Jan, 2024

  • 使用端到端深度学习技术进行《古兰经》诵读识别

    本文提出了一种端到端的深度学习模型，用于识别《古兰经》的朗诵。该模型使用了公共数据集进行评估，其识别性能表现为 8.34% 的单词错误率和 2.42% 的字符错误率。

    May, 2023

  • 神经网络阿拉伯语问答

    本文介绍了一个使用维基百科作为知识来源来解决阿拉伯语开放领域事实问题回答的方法，提出了阿拉伯阅读理解数据集（ARCD），并使用预训练的双向转换器 BERT 构建了 SOQAL 系统来回答问题，实验结果表明其有效性。

    Jun, 2019

  • 古兰经音频数据集：非阿拉伯语者参与众包的标注朗诵

    通过众包的方式收集波斯语说唱语音数据集，并构建 AI 模型以简化非阿拉伯语学习者学习古兰经的过程。

    May, 2024

  • 评估语义搜索及其在阿拉伯语检索增强生成（RAG）中的作用

    机器学习、深度学习、语义相似性、阿拉伯语和检索增加生成等领域是本研究的关键词，并且该论文在阿拉伯语语义搜索的基准和评估方面进行了工作。

    Mar, 2024

  • 利用多语言资源进行阿拉伯语问答

    使用基于 BERT 的多语言模型并利用领域特定的大型阿拉伯语语料库，训练两个 BERT 模型实现确定问题答案起始位置和可行答案的排序。

    May, 2022