ကျွန်ုပ်တို့သည် ချတ်၊ အီးမေးလ်၊ ဝဘ်ဆိုက်များနှင့် ဆိုရှယ်မီဒီယာများမှတစ်ဆင့် အွန်လိုင်းမှလူများနှင့် ဆက်သွယ်ရာတွင် အချိန်များစွာ ကုန်ဆုံးပါသည်။
ကျွန်ုပ်တို့သည် စက္ကန့်တိုင်းတွင် ထုတ်လုပ်သော စာသားဒေတာ၏ ကြီးမားလှသော ပမာဏသည် ကျွန်ုပ်တို့၏ အာရုံစိုက်မှုကို လွတ်ကင်းသော်လည်း အမြဲတမ်းတော့ မဟုတ်ပါ။
ဖောက်သည်များ၏ လုပ်ဆောင်ချက်များနှင့် သုံးသပ်ချက်များသည် အဖွဲ့အစည်းများအား ကုန်ပစ္စည်းနှင့် ဝန်ဆောင်မှုများတွင် ဝယ်ယူသူများတန်ဖိုးထားမှုနှင့် မနှစ်သက်မှုများအပြင် အမှတ်တံဆိပ်တစ်ခုထံမှ ၎င်းတို့လိုချင်သည့်အရာများအကြောင်း တန်ဖိုးမဖြတ်နိုင်သော အချက်အလက်များကို ပေးပါသည်။
သို့သော်လည်း စီးပွားရေးလုပ်ငန်းအများစုသည် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုအတွက် အထိရောက်ဆုံးနည်းလမ်းကို သတ်မှတ်ရန် ခက်ခဲနေဆဲဖြစ်သည်။
ဒေတာအများစုသည် ဖွဲ့စည်းတည်ဆောက်ပုံမရှိသောကြောင့်၊ ကွန်ပျူတာများသည် ၎င်းကိုနားလည်ရန်ခက်ခဲပြီး ၎င်းကိုကိုယ်တိုင်စီရန်မှာ အလွန်အချိန်ကုန်မည်ဖြစ်သည်။
ဒေတာအများအပြားကို လက်ဖြင့်လုပ်ဆောင်ခြင်းသည် ခက်ခဲနက်နဲသော၊ ငွီးငေါ့ငေါ့ငေါ့ဖြစ်လာပြီး ကုမ္ပဏီတစ်ခု ချဲ့ထွင်လာသည်နှင့်အမျှ ရိုးရှင်းစွာ အရွယ်အစားမမီနိုင်ပါ။
ကျေးဇူးတင်စွာဖြင့်၊ Natural Language Processing သည် သင့်အား ပုံသဏ္ဍာန်မရှိသော စာသားများတွင် ထဲထဲဝင်ဝင်သိရှိနိုင်သော အချက်အလက်များကို ရှာဖွေနိုင်ပြီး အပါအဝင် စာသားခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ပြဿနာများစွာကို ဖြေရှင်းရာတွင် ကူညီပေးနိုင်ပါသည်။ စိတ်ဓါတ်ခွဲခြမ်းစိတ်ဖြာဘာသာရပ်အမျိုးအစားခွဲခြင်းနှင့် အခြားအရာများ။
စက်များတွင် လူသားဘာသာစကားကို နားလည်နိုင်စေရန်သည် ဘာသာစကားနှင့် ကွန်ပျူတာသိပ္ပံကို အသုံးပြုသည့် သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်း (NLP) ၏ ဉာဏ်ရည်တုနယ်ပယ်၏ ပန်းတိုင်ဖြစ်သည်။
NLP သည် ကွန်ပျူတာများကို များပြားလှသော ဒေတာပမာဏကို အလိုအလျောက် အကဲဖြတ်နိုင်စေပြီး သက်ဆိုင်ရာ အချက်အလက်များကို လျင်မြန်စွာ ဖော်ထုတ်နိုင်စေမည်ဖြစ်သည်။
အမြော်အမြင်ရှိသော အချက်အလက်များကို ဖော်ထုတ်ရန်နှင့် ပြဿနာများစွာကို ဖြေရှင်းရန်အတွက် တည်ဆောက်ပုံမထားသော စာသား (သို့မဟုတ် အခြားသော သဘာဝဘာသာစကားမျိုးများ) ကို နည်းပညာများစွာဖြင့် အသုံးပြုနိုင်သည်။
ကျယ်ကျယ်ပြန့်ပြန့်မဟုတ်သော်လည်း၊ အောက်တွင်ဖော်ပြထားသော open-source ကိရိယာများစာရင်းသည် ၎င်းတို့၏ပရောဂျက်များတွင် သဘာဝဘာသာစကားဖြင့်လုပ်ဆောင်ခြင်းကိုအသုံးပြုရန် စိတ်ဝင်စားသောမည်သူမဆို သို့မဟုတ် မည်သည့်အဖွဲ့အစည်းအတွက်မဆို စတင်ရန်ကောင်းမွန်သောနေရာတစ်ခုဖြစ်သည်။
1. NNTK
Natural Language Toolkit (NLTK) သည် ကျွန်ုပ်ကြည့်ဖူးသော အင်္ဂါရပ်အရှိဆုံး ကိရိယာဖြစ်သည် ဟု စောဒကတက်နိုင်သည်။
NLP နည်းစနစ်အားလုံးနီးပါးကို အမျိုးအစားခွဲခြင်း၊ တိုကင်ယူခြင်း၊ အရင်းပြုခြင်း၊ တဂ်ခြင်း၊ ခွဲခြမ်းစိပ်ဖြာခြင်းနှင့် ဝေါဟာရဆိုင်ရာ ကျိုးကြောင်းဆင်ခြင်ခြင်း အပါအဝင် အကောင်အထည်ဖော်ဆောင်ရွက်ထားပါသည်။
တစ်ခုစီအတွက် မကြာခဏ အကောင်အထည်ဖော်မှုများစွာရှိသောကြောင့် သင်အသုံးပြုလိုသော တိကျသော အယ်လဂိုရီသမ် သို့မဟုတ် ချဉ်းကပ်မှုကို သင်ရွေးချယ်နိုင်သည်။
ဘာသာစကားများစွာကိုလည်း ထောက်ပံ့ပေးထားသည်။ ရိုးရှင်းသောဖွဲ့စည်းပုံများအတွက် ကောင်းမွန်သော်လည်း၊ strings များကဲ့သို့ ဒေတာအားလုံးကို ကိုယ်စားပြုသည့်အချက်က ဆန်းပြားသောစွမ်းရည်အချို့ကို အသုံးပြုရန် စိန်ခေါ်မှုဖြစ်စေသည်။
အခြားကိရိယာများနှင့် နှိုင်းယှဉ်ပါက စာကြည့်တိုက်သည် အနည်းငယ်နှေးကွေးပါသည်။
အရာအားလုံးကို ထည့်သွင်းစဉ်းစားထားပြီး၊ ၎င်းသည် အချို့သော အယ်လဂိုရီသမ်များ ရောနှောရန် လိုအပ်သော လက်တွေ့စမ်းသပ်မှု၊ စူးစမ်းရှာဖွေမှုနှင့် အပလီကေးရှင်းများအတွက် အကောင်းဆုံးကိရိယာတစ်ခုဖြစ်သည်။
Pros
- ၎င်းသည် တတိယမြောက် ထပ်ထည့်မှုများပါရှိသော လူကြိုက်အများဆုံးနှင့် ပြီးပြည့်စုံသော NLP စာကြည့်တိုက်ဖြစ်သည်။
- အခြားစာကြည့်တိုက်များနှင့် နှိုင်းယှဉ်ပါက ဘာသာစကားအများစုကို ထောက်ပံ့ပေးသည်။
အားနည်းချက်များ
- နားလည်ပြီး အသုံးချရန် ခက်ခဲသည်။
- နှေးတယ်။
- မော်ဒယ်များမရှိပါ။ အာရုံကြောကွန်ရက်များ
- ၎င်းသည် စာသားများကို အဓိပ္ပါယ်ဖွင့်ဆိုချက်များကို မထည့်သွင်းဘဲ ဝါကျများအဖြစ် ပိုင်းခြားထားသည်။
2. အကျယ်ကြီး
SpaCy သည် NLTK ၏ ဖြစ်နိုင်ခြေအရှိဆုံး ထိပ်တန်းပြိုင်ဘက်ဖြစ်သည်။ ၎င်းသည် NLP အစိတ်အပိုင်းတစ်ခုစီအတွက် အကောင်အထည်ဖော်မှုတစ်ခုသာရှိသော်လည်း ယေဘုယျအားဖြင့် ၎င်းသည် ပိုမိုမြန်ဆန်သည်။
ထို့အပြင်၊ အရာအားလုံးကို အက်ပလီကေးရှင်းများဖန်တီးရန်အတွက် အင်တာဖေ့စ်ကို ရိုးရှင်းလွယ်ကူစေသည့် စာကြောင်းထက် အရာဝတ္ထုတစ်ခုအဖြစ် ကိုယ်စားပြုသည်။
သင့်စာသားဒေတာကို ပိုမိုနက်ရှိုင်းစွာ ဆုပ်ကိုင်ထားခြင်းဖြင့် သင့်အား ပိုမိုပြီးမြောက်အောင်မြင်စေမည်ဖြစ်သည်။
၎င်းသည် အခြားသော မူဘောင်များနှင့် ဒေတာသိပ္ပံကိရိယာများစွာနှင့် ချိတ်ဆက်ရန်လည်း ပိုမိုလွယ်ကူစေသည်။ သို့သော် NNTK နှင့်နှိုင်းယှဉ်ပါက SpaCy သည် ဘာသာစကားများစွာကို မပံ့ပိုးပါ။
၎င်းသည် ဘာသာစကားလုပ်ဆောင်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းဆိုင်ရာ ကွဲပြားသောရှုထောင့်များအတွက် အာရုံကြောပုံစံများစွာကို ထည့်သွင်းပေးသည့်အပြင် ရွေးချယ်စရာအကွာအဝေးနှင့် အလွန်ကောင်းမွန်သော စာရွက်စာတမ်းများပါရှိသော ရိုးရှင်းသောအသုံးပြုသူမျက်နှာပြင်တစ်ခုလည်း ပါဝင်ပါသည်။
ထို့အပြင်၊ SpaCy သည် များပြားလှသော ဒေတာပမာဏကို လိုက်လျောညီထွေဖြစ်စေရန် တည်ဆောက်ထားပြီး အလွန်တရာ စေ့စေ့စပ်စပ် မှတ်တမ်းတင်ထားသည်။
၎င်းတွင် SpaCy ဖြင့် သင်ယူရန်၊ သင်ကြားရန်နှင့် အသုံးပြုရန် ပိုမိုလွယ်ကူစေရန် လေ့ကျင့်ထားပြီးဖြစ်သည့် သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်းအတွက် မော်ဒယ်များစွာလည်း ပါဝင်သည်။
ယေဘုယျအားဖြင့်၊ ၎င်းသည် တိကျသောနည်းလမ်းမလိုအပ်ဘဲ ထုတ်လုပ်မှုတွင် စွမ်းဆောင်နိုင်ရန်လိုအပ်သည့် အက်ပ်အသစ်များအတွက် အကောင်းဆုံးကိရိယာတစ်ခုဖြစ်သည်။
Pros
- တခြားအရာတွေနဲ့ ယှဉ်ရင် မြန်တယ်။
- သင်ယူခြင်းနှင့် အသုံးပြုခြင်းသည် ရိုးရှင်းပါသည်။
- မော်ဒယ်များကို အာရုံကြောကွန်ရက်များ အသုံးပြု၍ လေ့ကျင့်သင်ကြားပေးသည်။
အားနည်းချက်များ
- NLTK နှင့် နှိုင်းယှဉ်လျှင် လိုက်လျောညီထွေမှု နည်းပါးသည်။
3. Gensim
Gensim ဟုခေါ်သော အထူးပြု open-source Python framework ကို အသုံးပြုခြင်းဖြင့် စာရွက်စာတမ်းများကို အလွယ်ဆုံးနှင့် အလွယ်ကူဆုံး ချဉ်းကပ်နည်းများကို semantic vector များအဖြစ် ဖော်ပြခြင်းဖြစ်ပါသည်။
Gensim ကို စာရေးဆရာများက အကြမ်းထည်၊ ပုံစံမကျသော စာသားအကွာအဝေးကို အသုံးပြု၍ ဖန်တီးထားသည်။ စက်သင်ယူမှု နည်းလမ်းများ; ထို့ကြောင့် Topic Modelling ကဲ့သို့သော အလုပ်များကို ကိုင်တွယ်ဖြေရှင်းရန် Gensim ကို အသုံးပြုခြင်းသည် စမတ်ကျသော အကြံဥာဏ်ဖြစ်သည်။
ထို့အပြင်၊ Gensim သည် စာသားအလားသဏ္ဍာန်တူမှုများကို ထိရောက်စွာရှာဖွေနိုင်သည်၊ အကြောင်းအရာကို အညွှန်းကိန်းများနှင့် ကွဲပြားသောစာသားများကြားတွင် သွားလာနိုင်သည်။
၎င်းသည် အလွန် အထူးပြုသည်။ Python စာကြည့်တိုက် Latent Dirichlet Allocation နှင့် အခြားသော LDA) နည်းလမ်းများကို အသုံးပြု၍ ခေါင်းစဉ်ပုံစံလုပ်ဆောင်ခြင်း လုပ်ငန်းများကို အာရုံစိုက်ပါ။
ထို့အပြင်၊ တစ်ခုနှင့်တစ်ခုဆင်တူသောစာသားများကိုရှာဖွေခြင်း၊ စာသားများကိုအညွှန်းပြုလုပ်ခြင်းနှင့်စာရွက်များကိုဖြတ်ကျော်ခြင်းအတွက်အလွန်ကောင်းမွန်သည်။
ဤကိရိယာသည် များပြားလှသော ဒေတာပမာဏကို ထိရောက်မြန်ဆန်စွာ ကိုင်တွယ်ပေးသည်။ ဤသည်မှာ စတင်သင်ခန်းစာအချို့ဖြစ်သည်။
Pros
- ရိုးရှင်းသောအသုံးပြုသူမျက်နှာပြင်
- နာမည်ကြီး algorithms များကို ထိရောက်စွာ အသုံးပြုခြင်း။
- ကွန်ပျူတာအုပ်စုတစ်ခုတွင် ၎င်းသည် ငုပ်လျှိုးနေသော Dirichlet ခွဲဝေမှုနှင့် ငုပ်လျှိုးနေသော ဝေါဟာရခွဲခြမ်းစိတ်ဖြာမှုကို ပြုလုပ်နိုင်သည်။
အားနည်းချက်များ
- ကြီးကြပ်မထားသော စာသားပုံစံ ဖန်တီးခြင်းအတွက် အများအားဖြင့် ရည်ရွယ်ပါသည်။
- ၎င်းသည် ပြီးပြည့်စုံသော NLP ပိုက်လိုင်းမရှိ၍ Spacy သို့မဟုတ် NLTK ကဲ့သို့သော အခြားစာကြည့်တိုက်များနှင့် တွဲဖက်အသုံးပြုသင့်သည်။
4. TextBlob
TextBlob သည် NLTK တိုးချဲ့မှုအမျိုးအစားတစ်ခုဖြစ်သည်။
TextBlob မှတဆင့်၊ သင်သည် NLTK လုပ်ဆောင်ချက်များစွာကို ပိုမိုလွယ်ကူစွာ ဝင်ရောက်နိုင်သည့်အပြင် TextBlob တွင်လည်း Pattern စာကြည့်တိုက်စွမ်းရည်များပါ၀င်ပါသည်။
သင်ယခုမှစတင်နေပါက သင်ယူနေစဉ်အသုံးပြုရန် အသုံးဝင်သောကိရိယာတစ်ခုဖြစ်နိုင်ပြီး စွမ်းဆောင်ရည်များစွာမလိုအပ်သော application များအတွက် ထုတ်လုပ်ရေးတွင်အသုံးပြုနိုင်ပါသည်။
၎င်းသည် တူညီသော NLP လုပ်ဆောင်ချက်များကို လုပ်ဆောင်ရန်အတွက် ပိုမိုအသုံးပြုရလွယ်ကူပြီး ရိုးရှင်းသော အင်တာဖေ့စ်ကို ပေးဆောင်သည်။
၎င်း၏ သင်ယူမှုမျဥ်းသည် အခြား open-source ကိရိယာများထက် နည်းသောကြောင့် ၎င်း၏ သင်ယူမှုမျဉ်းသည် အခြား open-source ကိရိယာများထက် နည်းသောကြောင့် ၎င်းသည် ခံစားချက်ခွဲခြမ်းစိတ်ဖြာခြင်း၊ စာသားအမျိုးအစားခွဲခြားခြင်းနှင့် စကားစုခွဲခြင်းကဲ့သို့သော NLP လုပ်ဆောင်ချက်များကို လုပ်ဆောင်လိုသော အတွေ့အကြုံမရှိသေးသူများအတွက် အကောင်းဆုံးရွေးချယ်မှုတစ်ခုဖြစ်သည်။
TextBlob သည် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုပြီး သေးငယ်သော ပရောဂျက်များအတွက် အထူးကောင်းမွန်ပါသည်။
Pros
- စာကြည့်တိုက်၏အသုံးပြုသူမျက်နှာပြင်သည်ရိုးရှင်းပြီးရှင်းလင်းသည်။
- ၎င်းသည် Google Translate ကို အသုံးပြု၍ ဘာသာစကားသတ်မှတ်ခြင်းနှင့် ဘာသာပြန်ခြင်းဝန်ဆောင်မှုများကို ပေးဆောင်သည်။
အားနည်းချက်များ
- တခြားသူတွေနဲ့ ယှဉ်ရင် နှေးတယ်။
- အာရုံကြောကွန်ရက် မော်ဒယ်များ မရှိပါ။
- စကားလုံး vector များ ပေါင်းစပ်ထားခြင်းမရှိပါ။
5. OpenNLP
Apache Foundation မှစီစဉ်ထားသောကြောင့် OpenNLP ကို Apache Flink၊ Apache NiFi နှင့် Apache Spark ကဲ့သို့သော အခြားသော Apache ပရောဂျက်များနှင့် ပေါင်းစပ်ရန် ရိုးရှင်းပါသည်။
၎င်းသည် command line သို့မဟုတ် application တစ်ခုရှိ library အဖြစ်အသုံးပြုနိုင်သည့် ပြည့်စုံသော NLP tool တစ်ခုဖြစ်သည်။
၎င်းတွင် NLP ၏ ဘုံလုပ်ဆောင်ခြင်း အစိတ်အပိုင်းများ အားလုံး ပါဝင်ပါသည်။
ထို့အပြင်၊ ၎င်းသည်ကျယ်ပြန့်သောဘာသာစကားပံ့ပိုးမှုပေးသည်။ အကယ်၍ သင်သည် Java ကိုအသုံးပြုနေပါက၊ OpenNLP သည် ထုတ်လုပ်မှုလုပ်ငန်းခွင်များအတွက် ပြင်ဆင်ထားသည့် စွမ်းရည်များစွာရှိသော ခိုင်မာသောကိရိယာတစ်ခုဖြစ်သည်။
တိုကင်သတ်မှတ်ခြင်း၊ စာကြောင်းခွဲခြမ်းခြင်းနှင့် စကားတစ်ပိုင်းစဥ်တဂ်ခြင်းကဲ့သို့သော ပုံမှန် NLP လုပ်ဆောင်ချက်များကို ဖွင့်ခြင်းအပြင်၊ ပိုမိုရှုပ်ထွေးသော စာသားလုပ်ဆောင်ခြင်းအက်ပ်လီကေးရှင်းများကို ဖန်တီးရန်အတွက် OpenNLP ကို အသုံးပြုနိုင်သည်။
အများဆုံး entropy နှင့် perceptron-based machine learning တို့လည်း ပါဝင်ပါသည်။
Pros
- အင်္ဂါရပ်များစွာပါရှိသော မော်ဒယ်လေ့ကျင့်ရေးကိရိယာ
- အခြေခံ NLP လုပ်ငန်းများနှင့် အရည်အချင်းများကို ၎င်းတို့တွင် အာရုံစူးစိုက်ထားပြီး ၎င်းတို့တွင် entity identification၊ စကားစုများကို သိရှိခြင်း နှင့် တိုကင်ယူခြင်း ပါဝင်သည်။
အားနည်းချက်များ
- ဆန်းပြားသောစွမ်းရည်များ ကင်းမဲ့ခြင်း၊ JVM နှင့် ဆက်လက်လုပ်ဆောင်လိုပါက CoreNLP သို့ ရွှေ့ခြင်းသည် နောက်ထပ် သဘာဝကျသော အဆင့်ဖြစ်သည်။
6. AllenNLP
AllenNLP သည် PyTorch ကိရိယာများနှင့် အရင်းအမြစ်များပေါ်တွင် တည်ဆောက်ထားသောကြောင့် စီးပွားဖြစ်အသုံးချပရိုဂရမ်များနှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုအတွက် စံပြဖြစ်သည်။
၎င်းသည် စာသားပိုင်းခြားစိတ်ဖြာမှုအတွက် အလုံးစုံ လွှမ်းခြုံနိုင်သော ကိရိယာတစ်ခုအဖြစ် ဖွံ့ဖြိုးတိုးတက်လာသည်။
၎င်းသည် စာရင်း၏ ပိုမိုဆန်းပြားသော သဘာဝဘာသာစကား လုပ်ဆောင်ခြင်းကိရိယာများထဲမှ တစ်ခုဖြစ်သည်။ အခြားလုပ်ဆောင်စရာများကို အမှီအခိုကင်းစွာလုပ်ဆောင်နေစဉ်၊ AllenNLP သည် အခမဲ့ SpaCy ပွင့်လင်းအရင်းအမြစ်ပက်ကေ့ချ်ကို အသုံးပြု၍ ဒေတာကို ကြိုတင်လုပ်ဆောင်သည်။
AllenNLP ၏ အဓိက အရောင်းရဆုံးအချက်မှာ အသုံးပြုရလွယ်ကူသည်။
AllenNLP သည် module များစွာပါဝင်သည့် အခြားသော NLP ပရိုဂရမ်များနှင့်မတူဘဲ သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်းလုပ်ငန်းစဉ်ကို ချောမွေ့စေသည်။
အကျိုးဆက်အနေဖြင့် ရလဒ်များသည် ရှုပ်ထွေးမှုကို ဘယ်တော့မှ မခံစားရပါ။ ဗဟုသုတများစွာမရှိသူများအတွက် အသုံးဝင်သောကိရိယာတစ်ခုဖြစ်သည်။
Pros
- PyTorch ထိပ်တွင် တီထွင်ခဲ့သည်။
- နောက်ဆုံးပေါ်မော်ဒယ်များကို အသုံးပြု၍ စူးစမ်းလေ့လာခြင်းနှင့် စမ်းသပ်ခြင်းအတွက် အထူးကောင်းမွန်သည်။
- စီးပွားရေးအရရော ပညာရပ်အရပါ အသုံးပြုနိုင်ပါတယ်။
အားနည်းချက်များ
- လက်ရှိထုတ်လုပ်နေသော အကြီးစားပရောဂျက်များအတွက် မသင့်လျော်ပါ။
ကောက်ချက်
ကုမ္ပဏီများသည် အီးမေးလ်များ၊ အွန်လိုင်းသုံးသပ်ချက်များကဲ့သို့သော ဖွဲ့စည်းပုံမရှိသော စာသားဒေတာများမှ ထိုးထွင်းသိမြင်မှုများကို ထုတ်ယူရန် NLP နည်းပညာများကို အသုံးပြုနေကြသည်။ လူမှုမီဒီယာ ပို့စ်များနှင့် အခြားအရာများ။ Open-source တူးလ်များသည် ကုန်ကျစရိတ်မရှိဘဲ၊ လိုက်လျောညီထွေဖြစ်နိုင်ပြီး developer များအား စိတ်ကြိုက်ပြင်ဆင်မှုရွေးချယ်စရာများကို အပြည့်အစုံပေးသည်။
မင်းဘာစောင့်နေတာလဲ? ၎င်းတို့ကို ချက်ချင်းသုံး၍ မယုံနိုင်လောက်အောင် တစ်ခုခု ဖန်တီးပါ။
မင်္ဂလာ Coding!
တစ်ဦးစာပြန်ရန် Leave