एन.एल.पी. आधारित हिन्दी संज्ञा-विशेषण अर्थगत अभिलक्षण मॉडल

References

[1] L. Wang, Y. Tian, and Z. Chen, “Enhancing Hindi Feature Representation through Fusion of Dual- Script Word Embeddings,” Proc. LREC- COLING 2024, pp. 5966–5976, 2024.

[2] A. Shahriar and D. Barbosa, “Improving Bengali and Hindi Large Language Models,” Proc. LREC-COLING 2024, pp. 8719–8731, 2024.

[3] H. Dubossarsky and F. Dairkee, “Strengthening the WiC: New Polysemy Dataset in Hindi and Lack of Cross-Lingual Transfer,” Proc. LREC- COLING 2024, pp. 15341–15349, 2024.

[4] D. M. Lal, P. Rayson, and M. El-Haj, “Hindi Reading Comprehension: Do Large Language Models Exhibit Semantic Understanding?,” Proc. IndoNLP 2025, pp. 1–10, 2025.

[5] D. Basu et al., “GARuD: Guided Alignment of Representations Using Distillation for Ultra- Low-Resource Languages,” Findings of IJCNLP-AACL 2025, 2025.

[6] S. Khanuja et al., “MuRIL: Multilingual Representations for Indian Languages,” arXiv:2103.10730, 2021.

[7] P. Bhattacharyya, IndoWordNet: Lexical Knowledge Base for Indian Languages, Springer, 2017.

[8] P. Bhattacharyya, “Hindi WordNet: A Lexical Database for Hindi,” Centre for Indian Language Technology (CFILT), IIT Bombay.

[9] AI4Bharat, “IndicBERT v2: Multilingual Language Models for Indian Languages,” AI4Bharat, 2023.

[10] AI4Bharat, “IndicCorp v2: Large-Scale Corpus for Indian Languages,” AI4Bharat, 2023.

[11] Ministry of Electronics and Information Technology (MeitY), “BHASHINI: National Language Translation Mission,” Government of India, 2024.

[12] J. Devlin, M. W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,” Proc. NAACL-HLT, pp. 4171– 4186, 2019.

[13] A. Vaswani et al., “Attention Is All You Need,” Advances in Neural Information Processing Systems (NeurIPS), vol. 30, 2017.

[14] T. Brown et al., “Language Models are Few-Shot Learners,” Advances in Neural Information Processing Systems (NeurIPS), vol. 33, pp. 1877–1901, 2020.

[15] H. Touvron et al., “Llama 2: Open Foundation and Fine-Tuned Chat Models,” arXiv:2307.09288, 2023.

[16] OpenAI, “GPT-4 Technical Report,” arXiv:2303.08774, 2023.

[17] Y. Liu et al., “RoBERTa: A Robustly Optimized BERT Pretraining Approach,” arXiv:1907.11692, 2019.

[18] T. Wolf et al., “Transformers: State-of-the-Art Natural Language Processing,” Proc. EMNLP System Demonstrations, pp. 38–45, 2020.

[19] T. Mikolov et al., “Efficient Estimation of Word Representations in Vector Space,” Proc. ICLR Workshop, 2013.

[20] G. A. Miller, “WordNet: A Lexical Database for English,” Communications of the ACM, vol. 38, no. 11, pp. 39–41, 1995.

[21] D. Jurafsky and J. H. Martin, Speech and Language Processing, 3rd ed., Pearson (Online Draft), 2025.

[22] C. D. Manning and H. Schütze, Foundations of Statistical Natural Language Processing. Cambridge, MA, USA: MIT Press, 1999.

[23] A. Guragain, N. Poudel, R. Piryani, and B. Khanal, “NLPineers@NLU of Devanagari Script Languages 2025: Hate Speech Detection Using Ensembling of BERT -Based Models,” arXiv:2412.08163, 2024.

[24] D. Kumar, “Cyberbullying Detection in Hinglish Text Using MuRIL and Explainable AI,” arXiv:2506.16066, 2025.

[25] S. Singh, R. Mishra, and U. S. Tiwary, “Enhancing Hindi Named Entity Recognition in Low Context: A Comparative Study of Transformer-Based Models with and without Retrieval Augmentation,” arXiv:2507.16002, 2025.

[26] पुष्पक िट्टाचायथ, हिन्दी शब्तंि (Hindi WordNet): हिन्दी शब्-संकल्पनाकोश, सेंटि फॉि इंहडयन लैंग्वेज टेक्नोलॉजी (CFILT), िाितीय प्रौद्योहगकी संस्थान, बॉम्बे. उपलब्ध: https://www.cfilt.iitb.ac.in/wordnet/

[27] धनजी प्रसाद, हिन्दी का संगणकीय व्याकिण, नई हदल्ली: िाजकमल प्रकाशन, 2019.

[28] पुष्पक िट्टाचायथ, IndoWordNet: Lexical Knowledge Base for Indian Languages, हसंगापुि: Springer, 2017.

[29] कें द्रीय हिन्दी हनदेशालय, बृित् हिन्दी कोश, नई हदल्ली: हशक्षा मंिालय, िाित सिकाि, निीन संस्किण.

[30] कें द्रीय हिन्दी हनदेशालय, अहिनि हिन्दी कोश, नई हदल्ली: हशक्षा मंिालय, िाित सिकाि.

[31] कामता प्रसाद गु�, हिन्दी व्याकिण, िािाणसी: नागिी प्रचारिणी सिा, निीन संस्किण.

[32] हकशोिीदास िाजपेयी, हिन्दी शब्ानुशासन, िािाणसी: नागिी प्रचारिणी सिा, निीन संस्किण.

[33] ििदेि बाििी, िाजपाल हिन्दी शब्कोश, नई हदल्ली: िाजपाल एं ड संस, निीन संस्किण.

[34] िामचन्द्र िमाथ, मानक हिन्दी कोश, प्रयागिाज: हिन्दी साहित्य सिेलन.

[35] िामहिलास शमाथ, िाषा औि समाज, नई हदल्ली: िाजकमल प्रकाशन, निीन संस्किण.

[36] C. F. Baker, C. J. Fillmore, and J. B. Lowe, “The Berkeley FrameNet Project,” in Proc. 36th Annual Meeting of the Association for Computational Linguistics and 17th International Conference on Computational Linguistics, vol. 1, pp. 86–90, 1998.

[37] R. Speer, J. Chin, and C. Havasi, “ConceptNet 5.5: An Open Multilingual Graph of General Knowledge,” in Proc. AAAI Conf. Artificial Intelligence, vol. 31, no. 1, pp. 4444–4451, 2017.

@article{1722166,
      author = {आलोक कुमार मिश्रा, उपेन्द्र कुमार, डॉ. अम्बरीश त्रिपाठी, गजानन्द सोनी, डॉ. इन्द्र कुमार पाण्डेय; डॉ. रमा सोनी},
      title = {एन.एल.पी. आधारित हिन्दी संज्ञा-विशेषण अर्थगत अभिलक्षण मॉडल},
      journal = {Iconic Research And Engineering Journals},
      year = {2026},
      volume = {10},
      number = {2},
      pages = {592-597},
      issn = {2456-8880},
      url = {https://www.irejournals.com/formatedpaper/1722166.pdf},
      abstract = {प्राकृतिक भाषा संसाधन (Natural Language Processing: NLP) के क्षेत्र में हिन्दी जैसी रूपात्मक एवं अर्थगत रूप से समृद्ध भाषाओं के संगणकीय विश्लेषण का महत्व निरंतर बढ़ रहा है। हिन्दी में संज्ञा एवं विशेषण वाक्य के अर्थ, संदर्भ तथा शब्दों के पारस्परिक संबंधों को स्पष्ट करने में महत्वपूर्ण भूमिका निभाते हैं। उदाहरणार्थ, "बुद्धिमान छात्र" (/bʊd̪.d̪ʱɪˈmaːn t͡ʃʰaːt̪ɾə/) में "छात्र" मानववाचक संज्ञा तथा "बुद्धिमान" गुणसूचक विशेषण है, जबकि "लाल फूल" (/laːl pʰuːl/) में "फूल" वस्तुवाचक संज्ञा एवं "लाल" रंगसूचक विशेषण है। इस शोध में हिन्दी संज्ञा एवं विशेषणों के अर्थगत अभिलक्षणों (Semantic Features) की पहचान एवं वर्गीकरण के लिए नियम-आधारित एवं कॉर्पस-आधारित संगणकीय मॉडल प्रस्तावित किया गया है। मॉडल में पूर्व-प्रसंस्करण, टोकनकरण, पद-चिह्नन (POS Tagging), संज्ञा–विशेषण की पहचान तथा अर्थगत अभिलक्षणों—जैसे सजीवता, मानवता, वस्तुगतता, स्थान, रंग, आकार, गुण, मात्रा एवं अवस्था—का निष्कर्षण किया जाता है। तत्पश्चात इन अभिलक्षणों का सत्यापन एनोटेटेड हिन्दी कॉर्पस द्वारा किया जाता है, जिससे वर्गीकरण की शुद्धता एवं विश्वसनीयता में वृद्धि होती है। प्रस्तावित मॉडल हिन्दी के लिए Semantic Feature Ontology तथा Hindi Noun–Adjective Semantic Corpus के निर्माण की आधारभूत रूपरेखा भी प्रस्तुत करता है। यह मॉडल सूचना निष्कर्षण, प्रश्नोत्तर प्रणाली, यंत्र अनुवाद, पाठ सारांशण, ज्ञान ग्राफ तथा हिन्दी आधारित बड़े भाषा मॉडलों के विकास में उपयोगी सिद्ध हो सकता है। यह शोध हिन्दी भाषा के अर्थगत संसाधनों के विकास तथा निम्न-संसाधन भारतीय भाषाओं के लिए उन्नत NLP अनुप्रयोगों की दिशा में एक महत्वपूर्ण योगदान प्रस्तुत करता है।},
      keywords = {प्राकृतिक भाषा संसाधन (NLP), हिन्दी भाषा, संज्ञा, विशेषण, अर्थगत अभिलक्षण, अर्थविज्ञान, नियम-आधारित मॉडल, कॉर्पस-आधारित मॉडल, पद-चिह्नन (POS Tagging), संगणकीय भाषाविज्ञान।},
      month = {August},
      doi = {https://doi.org/10.64388/IREV10I2-1722166}
  }