利用混合自适应正弦余弦算法结合深度学习进行阿拉伯诗歌韵律检测

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Leveraging Hybrid Adaptive Sine Cosine Algorithm with Deep Learning for Arabic Poem Meter Detection

阿拉伯诗歌节奏检测模型HMDL-APMDC通过融合深度学习（CAT-BiGRU网络）与自适应元启发式算法（ASCA-PSO）优化超参数，显著提升检测准确率至98.53%，超越现有模型在MetRec数据集上的表现。

　　

摘要

诗歌是任何语言中不可或缺的重要组成部分。许多文化和国家的历史都通过诗歌得以传承。与散文相比，每首诗歌都具有独特的节奏结构。诗歌的语言有其特定的韵律形式，称为“格律”。检测阿拉伯诗歌的格律是一个复杂且耗时的过程。为了对诗歌的格律进行分类，首先需要使用Arudi方法对文本进行加密处理，这一过程涉及基于规则的复杂转换；随后再通过另一组规则对加密后的文本进行格律分类。将深度学习（DL）应用于阿拉伯诗歌的格律识别，意味着构建神经网络来捕捉不同格律中的节奏模式。通过对文本数据集进行分词和预处理，模型可以提取关键特征，如单词长度或音节结构。长短期记忆网络（LSTM）或循环神经网络（RNN）等架构非常适合用于捕捉诗歌中的时间关系。本研究提出了一种结合深度学习的混合元启发式算法——阿拉伯诗歌格律检测与分类模型（HMDL-APMDC）。该模型的主要目标是识别阿拉伯诗歌中的各种格律。HMDL-APMDC方法首先对输入数据集进行预处理，使其适合分类过程；随后利用卷积层、注意力机制以及双向门控循环单元（CAT-BiGRU）实现格律类别的自动识别。此外，还采用了自适应正弦-余弦粒子群优化（ASCA-PSO）算法来优化CAT-BiGRU模型的超参数设置，从而提升格律检测效果。通过详细的仿真分析，证明了HMDL-APMDC方法的性能显著提升。实验结果表明，在MetRec数据集上，该方法的准确率达到了98.53%，优于现有的其他模型。