Dependency Parsing Using Recurrent Neural Network on Myanmar Language

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F26%3AS7AQNJ7K" target="_blank" >RIV/00216208:11320/26:S7AQNJ7K - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-981-96-1531-5_36" target="_blank" >http://dx.doi.org/10.1007/978-981-96-1531-5_36</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-981-96-1531-5_36" target="_blank" >10.1007/978-981-96-1531-5_36</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Dependency Parsing Using Recurrent Neural Network on Myanmar Language

Popis výsledku v původním jazyce

Word segmentation, part of speech of tagging and dependency parsing are the important role in Natural Language Processing (NLP). The POS and dependency parsing information are also necessary for NLP’s applications such as machine translation (MT), information retrieval (IR), etc. Although there are many research efforts in this process, there is still necessary to develop standard model for the Myanmar Language. This system uses Recurrent Neural Network (RNN) to keep away from errors and improve segmentation by utilizing POS data. In this paper, this system compares BILSTM and Hidden Markov Model (HMM) and the performances showed that precision, recall, F1 score, support and confusion matrix by using MLPOS. © The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2025.

Název v anglickém jazyce

Dependency Parsing Using Recurrent Neural Network on Myanmar Language

Popis výsledku anglicky

Word segmentation, part of speech of tagging and dependency parsing are the important role in Natural Language Processing (NLP). The POS and dependency parsing information are also necessary for NLP’s applications such as machine translation (MT), information retrieval (IR), etc. Although there are many research efforts in this process, there is still necessary to develop standard model for the Myanmar Language. This system uses Recurrent Neural Network (RNN) to keep away from errors and improve segmentation by utilizing POS data. In this paper, this system compares BILSTM and Hidden Markov Model (HMM) and the performances showed that precision, recall, F1 score, support and confusion matrix by using MLPOS. © The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2025.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Lect. Notes Electr. Eng.

ISBN

978-981-96-1530-8

ISSN

—

e-ISSN

—

Počet stran výsledku

11

Strana od-do

368-378

Název nakladatele

Springer Science and Business Media Deutschland GmbH

Místo vydání

—

Místo konání akce

Miyazaki

Datum konání akce

1. 1. 2026

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—