ਵਿਸ਼ਾ - ਸੂਚੀ[ਛੁਪਾਓ][ਦਿਖਾਓ]
ਮੈਨੂੰ ਯਕੀਨ ਹੈ ਕਿ ਤੁਸੀਂ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਨਾਲ-ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਤੇ ਨੈਚੁਰਲ ਲੈਂਗੂਏਜ ਪ੍ਰੋਸੈਸਿੰਗ (NLP) ਵਰਗੇ ਸ਼ਬਦਾਂ ਬਾਰੇ ਸੁਣਿਆ ਹੋਵੇਗਾ।
ਖਾਸ ਤੌਰ 'ਤੇ ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਅਜਿਹੀ ਫਰਮ ਲਈ ਕੰਮ ਕਰਦੇ ਹੋ ਜੋ ਹਰ ਰੋਜ਼ ਸੈਂਕੜੇ, ਜੇ ਹਜ਼ਾਰਾਂ ਨਹੀਂ, ਗਾਹਕ ਸੰਪਰਕਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦੀ ਹੈ।
ਸੋਸ਼ਲ ਮੀਡੀਆ ਪੋਸਟਿੰਗਾਂ, ਈਮੇਲਾਂ, ਚੈਟਾਂ, ਓਪਨ-ਐਂਡ ਸਰਵੇਖਣ ਜਵਾਬਾਂ, ਅਤੇ ਹੋਰ ਸਰੋਤਾਂ ਦਾ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਸਧਾਰਨ ਪ੍ਰਕਿਰਿਆ ਨਹੀਂ ਹੈ, ਅਤੇ ਇਹ ਹੋਰ ਵੀ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਸਿਰਫ ਲੋਕਾਂ ਨੂੰ ਸੌਂਪਿਆ ਜਾਂਦਾ ਹੈ।
ਇਸ ਲਈ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਦੀ ਸੰਭਾਵਨਾ ਬਾਰੇ ਉਤਸ਼ਾਹੀ ਹਨ ਬਣਾਵਟੀ ਗਿਆਨ ਉਹਨਾਂ ਦੇ ਰੋਜ਼ਾਨਾ ਦੇ ਕੰਮ ਅਤੇ ਉੱਦਮਾਂ ਲਈ।
AI-ਸੰਚਾਲਿਤ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਭਾਸ਼ਾ ਨੂੰ ਸੰਗਠਿਤ ਰੂਪ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਪਹੁੰਚ ਜਾਂ ਐਲਗੋਰਿਦਮ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਿਸ਼ਾ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ, ਜਿਸਦੀ ਵਰਤੋਂ ਟੈਕਸਟ ਤੋਂ ਵਿਸ਼ਿਆਂ ਨੂੰ ਆਪਣੇ ਆਪ ਖੋਜਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਕਾਰੋਬਾਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਡੇਟਾ ਵਾਲੇ ਕਰਮਚਾਰੀਆਂ 'ਤੇ ਬੋਝ ਪਾਉਣ ਦੀ ਬਜਾਏ ਮਸ਼ੀਨਾਂ 'ਤੇ ਆਸਾਨ ਨੌਕਰੀਆਂ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਲਈ ਵਿਸ਼ਾ ਵਿਸ਼ਲੇਸ਼ਣ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ।
ਵਿਚਾਰ ਕਰੋ ਕਿ ਤੁਹਾਡੀ ਟੀਮ ਕਿੰਨਾ ਸਮਾਂ ਬਚਾ ਸਕਦੀ ਹੈ ਅਤੇ ਹੋਰ ਜ਼ਰੂਰੀ ਕੰਮ ਲਈ ਸਮਰਪਿਤ ਕਰ ਸਕਦੀ ਹੈ ਜੇਕਰ ਕੋਈ ਕੰਪਿਊਟਰ ਹਰ ਸਵੇਰ ਗਾਹਕ ਸਰਵੇਖਣਾਂ ਜਾਂ ਸਹਾਇਤਾ ਮੁੱਦਿਆਂ ਦੀਆਂ ਬੇਅੰਤ ਸੂਚੀਆਂ ਨੂੰ ਫਿਲਟਰ ਕਰ ਸਕਦਾ ਹੈ।
ਇਸ ਗਾਈਡ ਵਿੱਚ, ਅਸੀਂ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ, ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਦੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨੂੰ ਦੇਖਾਂਗੇ, ਅਤੇ ਇਸਦੇ ਨਾਲ ਕੁਝ ਹੱਥੀਂ ਅਨੁਭਵ ਪ੍ਰਾਪਤ ਕਰਾਂਗੇ।
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਕੀ ਹੈ?
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਇੱਕ ਕਿਸਮ ਦੀ ਟੈਕਸਟ ਮਾਈਨਿੰਗ ਹੈ ਜਿਸ ਵਿੱਚ ਨਿਰੀਖਣ ਅਤੇ ਨਿਰੀਖਣ ਕੀਤੇ ਅੰਕੜੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਾਰਪਸ ਵਿੱਚ ਰੁਝਾਨਾਂ ਜਾਂ ਗੈਰ-ਸੰਗਠਿਤ ਟੈਕਸਟ ਦੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਤਰਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇਹ ਤੁਹਾਡੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਵਿਸ਼ਾਲ ਸੰਗ੍ਰਹਿ ਨੂੰ ਲੈ ਸਕਦਾ ਹੈ ਅਤੇ ਸ਼ਬਦਾਂ ਨੂੰ ਸ਼ਬਦਾਂ ਦੇ ਸਮੂਹਾਂ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕਰਨ ਅਤੇ ਵਿਸ਼ਿਆਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਸਮਾਨਤਾ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ।
ਇਹ ਥੋੜਾ ਗੁੰਝਲਦਾਰ ਅਤੇ ਔਖਾ ਲੱਗਦਾ ਹੈ, ਇਸ ਲਈ ਆਓ ਵਿਸ਼ੇ ਮਾਡਲਿੰਗ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਕਰੀਏ!
ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਹੱਥ ਵਿੱਚ ਰੰਗਦਾਰ ਹਾਈਲਾਈਟਰਾਂ ਦੇ ਸੈੱਟ ਨਾਲ ਇੱਕ ਅਖਬਾਰ ਪੜ੍ਹ ਰਹੇ ਹੋ।
ਕੀ ਇਹ ਪੁਰਾਣੇ ਜ਼ਮਾਨੇ ਦਾ ਨਹੀਂ ਹੈ?
ਮੈਨੂੰ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ ਕਿ ਅੱਜਕੱਲ੍ਹ ਬਹੁਤ ਘੱਟ ਲੋਕ ਅਖ਼ਬਾਰ ਪੜ੍ਹਦੇ ਹਨ; ਸਭ ਕੁਝ ਡਿਜੀਟਲ ਹੈ, ਅਤੇ ਹਾਈਲਾਈਟਰ ਬੀਤੇ ਦੀ ਗੱਲ ਹੈ! ਆਪਣੇ ਪਿਤਾ ਜਾਂ ਮਾਤਾ ਹੋਣ ਦਾ ਦਿਖਾਵਾ ਕਰੋ!
ਇਸ ਲਈ, ਜਦੋਂ ਤੁਸੀਂ ਅਖਬਾਰ ਪੜ੍ਹਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਮਹੱਤਵਪੂਰਣ ਸ਼ਬਦਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹੋ।
ਇੱਕ ਹੋਰ ਧਾਰਨਾ!
ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਥੀਮਾਂ ਦੇ ਕੀਵਰਡਸ 'ਤੇ ਜ਼ੋਰ ਦੇਣ ਲਈ ਇੱਕ ਵੱਖਰੇ ਰੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ। ਤੁਸੀਂ ਪ੍ਰਦਾਨ ਕੀਤੇ ਰੰਗ ਅਤੇ ਵਿਸ਼ਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਵਰਡਸ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦੇ ਹੋ।
ਕਿਸੇ ਖਾਸ ਰੰਗ ਦੁਆਰਾ ਚਿੰਨ੍ਹਿਤ ਸ਼ਬਦਾਂ ਦਾ ਹਰੇਕ ਸੰਗ੍ਰਹਿ ਕਿਸੇ ਦਿੱਤੇ ਵਿਸ਼ੇ ਲਈ ਕੀਵਰਡਸ ਦੀ ਸੂਚੀ ਹੈ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਚੁਣੇ ਗਏ ਵੱਖ-ਵੱਖ ਰੰਗਾਂ ਦੀ ਮਾਤਰਾ ਥੀਮ ਦੀ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਇਹ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਹੈ। ਇਹ ਵੱਡੇ ਪਾਠ ਸੰਗ੍ਰਹਿ ਦੀ ਸਮਝ, ਸੰਗਠਨ ਅਤੇ ਸੰਖੇਪ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ ਕਿ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਨ ਲਈ, ਸਵੈਚਲਿਤ ਵਿਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਬਹੁਤ ਸਾਰੀ ਸਮੱਗਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜੇ ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਛੋਟਾ ਪੇਪਰ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪੁਰਾਣੇ ਸਕੂਲ ਜਾਣਾ ਅਤੇ ਹਾਈਲਾਈਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹ ਸਕਦੇ ਹੋ!
ਡੇਟਾ ਨੂੰ ਜਾਣਨ ਲਈ ਕੁਝ ਸਮਾਂ ਬਿਤਾਉਣਾ ਵੀ ਫਾਇਦੇਮੰਦ ਹੈ। ਇਹ ਤੁਹਾਨੂੰ ਇੱਕ ਬੁਨਿਆਦੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰੇਗਾ ਕਿ ਵਿਸ਼ਾ ਮਾਡਲ ਨੂੰ ਕੀ ਲੱਭਣਾ ਚਾਹੀਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਉਹ ਡਾਇਰੀ ਤੁਹਾਡੇ ਮੌਜੂਦਾ ਅਤੇ ਪਿਛਲੇ ਸਬੰਧਾਂ ਬਾਰੇ ਹੋ ਸਕਦੀ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਮੈਂ ਆਪਣੇ ਟੈਕਸਟ ਮਾਈਨਿੰਗ ਰੋਬੋਟ-ਬੱਡੀ ਦੇ ਸਮਾਨ ਵਿਚਾਰਾਂ ਨਾਲ ਆਉਣ ਦੀ ਉਮੀਦ ਕਰਾਂਗਾ।
ਇਹ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪਛਾਣੇ ਗਏ ਵਿਸ਼ਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਬਿਹਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਿੱਚ ਤੁਹਾਡੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ, ਜੇਕਰ ਲੋੜ ਹੋਵੇ, ਤਾਂ ਕੀਵਰਡ ਸੈੱਟਾਂ ਨੂੰ ਟਵੀਕ ਕਰੋ।
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਦੇ ਹਿੱਸੇ
ਸੰਭਾਵੀ ਮਾਡਲ
ਬੇਤਰਤੀਬ ਵੇਰੀਏਬਲ ਅਤੇ ਸੰਭਾਵਨਾ ਵੰਡਾਂ ਨੂੰ ਸੰਭਾਵੀ ਮਾਡਲਾਂ ਵਿੱਚ ਕਿਸੇ ਘਟਨਾ ਜਾਂ ਵਰਤਾਰੇ ਦੀ ਨੁਮਾਇੰਦਗੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਇੱਕ ਨਿਰਣਾਇਕ ਮਾਡਲ ਇੱਕ ਘਟਨਾ ਲਈ ਇੱਕ ਸੰਭਾਵੀ ਸਿੱਟਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਸੰਭਾਵੀ ਮਾਡਲ ਇੱਕ ਹੱਲ ਵਜੋਂ ਇੱਕ ਸੰਭਾਵੀ ਵੰਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
ਇਹ ਮਾਡਲ ਅਸਲੀਅਤ ਨੂੰ ਸਮਝਦੇ ਹਨ ਕਿ ਸਾਨੂੰ ਕਿਸੇ ਸਥਿਤੀ ਦਾ ਪੂਰਾ ਗਿਆਨ ਘੱਟ ਹੀ ਹੁੰਦਾ ਹੈ। ਵਿਚਾਰ ਕਰਨ ਲਈ ਲਗਭਗ ਹਮੇਸ਼ਾਂ ਬੇਤਰਤੀਬਤਾ ਦਾ ਇੱਕ ਤੱਤ ਹੁੰਦਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਜੀਵਨ ਬੀਮਾ ਅਸਲੀਅਤ 'ਤੇ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਹੈ ਕਿ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਅਸੀਂ ਮਰਾਂਗੇ, ਪਰ ਸਾਨੂੰ ਇਹ ਨਹੀਂ ਪਤਾ ਕਿ ਕਦੋਂ। ਇਹ ਮਾਡਲ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਨਿਰਣਾਇਕ, ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਬੇਤਰਤੀਬੇ, ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਤਰਤੀਬ ਹੋ ਸਕਦੇ ਹਨ।
ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ
ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ (IR) ਇੱਕ ਸਾਫਟਵੇਅਰ ਪ੍ਰੋਗਰਾਮ ਹੈ ਜੋ ਦਸਤਾਵੇਜ਼ ਰਿਪੋਜ਼ਟਰੀਆਂ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਗਠਿਤ, ਸਟੋਰ, ਮੁੜ ਪ੍ਰਾਪਤ ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਪਾਠ ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ।
ਤਕਨਾਲੋਜੀ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਖੋਜਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ, ਪਰ ਇਹ ਉਹਨਾਂ ਦੀਆਂ ਪੁੱਛਗਿੱਛਾਂ ਦੇ ਜਵਾਬ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਨਹੀਂ ਦਿੰਦੀ। ਇਹ ਕਾਗਜ਼ਾਂ ਦੀ ਮੌਜੂਦਗੀ ਅਤੇ ਸਥਾਨ ਬਾਰੇ ਸੂਚਿਤ ਕਰਦਾ ਹੈ ਜੋ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।
ਸੰਬੰਧਿਤ ਦਸਤਾਵੇਜ਼ ਉਹ ਹੁੰਦੇ ਹਨ ਜੋ ਉਪਭੋਗਤਾ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ। ਇੱਕ ਨੁਕਸ ਰਹਿਤ IR ਸਿਸਟਮ ਸਿਰਫ ਚੁਣੇ ਹੋਏ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਵਾਪਸ ਕਰੇਗਾ।
ਵਿਸ਼ਾ ਤਾਲਮੇਲ
ਵਿਸ਼ਾ ਕੋਹੇਰੈਂਸ ਵਿਸ਼ੇ ਦੇ ਉੱਚ-ਸਕੋਰਿੰਗ ਸ਼ਰਤਾਂ ਦੇ ਵਿਚਕਾਰ ਸਿਮੈਂਟਿਕ ਸਮਾਨਤਾ ਦੀ ਡਿਗਰੀ ਦੀ ਗਣਨਾ ਕਰਕੇ ਇੱਕ ਸਿੰਗਲ ਵਿਸ਼ੇ ਨੂੰ ਸਕੋਰ ਕਰਦਾ ਹੈ। ਇਹ ਮੈਟ੍ਰਿਕਸ ਉਹਨਾਂ ਵਿਸ਼ਿਆਂ ਦੇ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੇ ਹਨ ਜੋ ਅਰਥਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਯੋਗ ਹਨ ਅਤੇ ਉਹਨਾਂ ਵਿਸ਼ਿਆਂ ਜੋ ਅੰਕੜਾਤਮਕ ਅਨੁਮਾਨ ਕਲਾਤਮਕ ਹਨ।
ਜੇਕਰ ਦਾਅਵਿਆਂ ਜਾਂ ਤੱਥਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਇੱਕ ਦੂਜੇ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਸੁਮੇਲ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
ਨਤੀਜੇ ਵਜੋਂ, ਇੱਕ ਸੰਯੁਕਤ ਤੱਥ ਸਮੂਹ ਨੂੰ ਇੱਕ ਸੰਦਰਭ ਵਿੱਚ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ ਸਾਰੇ ਜਾਂ ਜ਼ਿਆਦਾਤਰ ਤੱਥਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। "ਖੇਡ ਇੱਕ ਟੀਮ ਦੀ ਖੇਡ ਹੈ," "ਖੇਡ ਇੱਕ ਗੇਂਦ ਨਾਲ ਖੇਡੀ ਜਾਂਦੀ ਹੈ," ਅਤੇ "ਖੇਡ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਰੀਰਕ ਮਿਹਨਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ" ਇਹ ਸਭ ਇਕਸੁਰਤਾ ਵਾਲੇ ਤੱਥ ਸੈੱਟਾਂ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਹਨ।
ਵਿਸ਼ੇ ਮਾਡਲਿੰਗ ਦੇ ਵੱਖ-ਵੱਖ ਢੰਗ
ਇਹ ਨਾਜ਼ੁਕ ਪ੍ਰਕਿਰਿਆ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਐਲਗੋਰਿਦਮ ਜਾਂ ਵਿਧੀਆਂ ਦੁਆਰਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਇਹ ਹਨ:
- ਲੇਟੈਂਟ ਡਿਰੀਚਲੇਟ ਅਲੋਕੇਸ਼ਨ (ਐਲਡੀਏ)
- ਗੈਰ-ਨੈਗੇਟਿਵ ਮੈਟਰਿਕਸ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ (NMF)
- ਲੇਟੈਂਟ ਸਿਮੈਂਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (LSA)
- ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਲੇਟੈਂਟ ਸਿਮੈਂਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (pLSA)
ਲੇਟੈਂਟ ਡਿਰੀਚਲੇਟ ਅਲੋਕੇਸ਼ਨ (ਐਲਡੀਏ)
ਇੱਕ ਕਾਰਪਸ ਵਿੱਚ ਮਲਟੀਪਲ ਟੈਕਸਟ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ, ਲੇਟੈਂਟ ਡਿਰੀਚਲੇਟ ਅਲੋਕੇਸ਼ਨ ਦੇ ਅੰਕੜਾ ਅਤੇ ਗ੍ਰਾਫਿਕਲ ਸੰਕਲਪ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਪਰਿਵਰਤਨਸ਼ੀਲ ਅਪਵਾਦ ਅਧਿਕਤਮੀਕਰਨ (VEM) ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਟੈਕਸਟ ਦੇ ਪੂਰੇ ਕਾਰਪਸ ਤੋਂ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਅਨੁਮਾਨ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਪਰੰਪਰਾਗਤ ਤੌਰ 'ਤੇ, ਸ਼ਬਦਾਂ ਦੇ ਇੱਕ ਬੈਗ ਵਿੱਚੋਂ ਸਿਖਰਲੇ ਕੁਝ ਸ਼ਬਦ ਚੁਣੇ ਜਾਂਦੇ ਹਨ।
ਹਾਲਾਂਕਿ, ਵਾਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਰਥਹੀਣ ਹੈ.
ਇਸ ਤਕਨੀਕ ਦੇ ਅਨੁਸਾਰ, ਹਰੇਕ ਟੈਕਸਟ ਨੂੰ ਵਿਸ਼ਿਆਂ ਦੀ ਇੱਕ ਸੰਭਾਵੀ ਵੰਡ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ, ਅਤੇ ਹਰੇਕ ਵਿਸ਼ੇ ਨੂੰ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕ ਸੰਭਾਵੀ ਵੰਡ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾਵੇਗਾ।
ਗੈਰ-ਨੈਗੇਟਿਵ ਮੈਟਰਿਕਸ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ (NMF)
ਗੈਰ-ਨੈਗੇਟਿਵ ਵੈਲਯੂਜ਼ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਵਾਲਾ ਮੈਟ੍ਰਿਕਸ ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ ਵਿਸ਼ੇਸ਼ਤਾ ਕੱਢਣ ਵਾਲੀ ਪਹੁੰਚ ਹੈ।
ਜਦੋਂ ਬਹੁਤ ਸਾਰੇ ਗੁਣ ਹੁੰਦੇ ਹਨ ਅਤੇ ਗੁਣ ਅਸਪਸ਼ਟ ਹੁੰਦੇ ਹਨ ਜਾਂ ਮਾੜੀ ਭਵਿੱਖਬਾਣੀਯੋਗਤਾ ਹੁੰਦੀ ਹੈ, ਤਾਂ NMF ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ। NMF ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਜੋੜ ਕੇ ਮਹੱਤਵਪੂਰਨ ਪੈਟਰਨ, ਵਿਸ਼ਿਆਂ ਜਾਂ ਥੀਮ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ।
NMF ਮੂਲ ਵਿਸ਼ੇਸ਼ਤਾ ਸੈੱਟ ਦੇ ਇੱਕ ਰੇਖਿਕ ਸੁਮੇਲ ਦੇ ਰੂਪ ਵਿੱਚ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਤਿਆਰ ਕਰਦਾ ਹੈ।
ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਗੁਣਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੁੰਦਾ ਹੈ ਜੋ ਵਿਸ਼ੇਸ਼ਤਾ 'ਤੇ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਗੁਣ ਅਤੇ ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਹਰੇਕ ਮੁੱਲ ਦਾ ਆਪਣਾ ਗੁਣਾਂਕ ਹੁੰਦਾ ਹੈ।
ਸਾਰੇ ਗੁਣਾਂਕ ਸਕਾਰਾਤਮਕ ਹਨ।
ਲੁਪਤ ਅਰਥ ਵਿਸ਼ਲੇਸ਼ਣ
ਇਹ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਕੱਢਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਇੱਕ ਹੋਰ ਨਿਰੀਖਣ ਰਹਿਤ ਸਿੱਖਣ ਦਾ ਤਰੀਕਾ ਹੈ ਜੋ ਅਪ੍ਰਤੱਖ ਅਰਥਗਤ ਵਿਸ਼ਲੇਸ਼ਣ ਹੈ।
ਇਹ ਸਾਨੂੰ ਸਹੀ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਚੋਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਮੁੱਖ ਕੰਮ ਟੈਕਸਟ ਡੇਟਾ ਦੇ ਵਿਸ਼ਾਲ ਕਾਰਪਸ ਦੀ ਅਯਾਮਤਾ ਨੂੰ ਘਟਾਉਣਾ ਹੈ।
ਇਹ ਬੇਲੋੜੇ ਡੇਟਾ ਡੇਟਾ ਤੋਂ ਲੋੜੀਂਦੀਆਂ ਸੂਝਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਪਿਛੋਕੜ ਦੇ ਰੌਲੇ ਦਾ ਕੰਮ ਕਰਦੇ ਹਨ।
ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਲੇਟੈਂਟ ਸਿਮੈਂਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (pLSA)
ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਲੇਟੈਂਟ ਸਿਮੈਂਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (PLSA), ਜਿਸ ਨੂੰ ਕਈ ਵਾਰ ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਲੇਟੈਂਟ ਸਿਮੈਂਟਿਕ ਇੰਡੈਕਸਿੰਗ (PLSI, ਖਾਸ ਤੌਰ 'ਤੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤੀ ਸਰਕਲਾਂ ਵਿੱਚ) ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਦੋ-ਮੋਡ ਅਤੇ ਸਹਿ-ਘਟਨਾ ਡੇਟਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਇੱਕ ਅੰਕੜਾਤਮਕ ਪਹੁੰਚ ਹੈ।
ਵਾਸਤਵ ਵਿੱਚ, ਲੁਕਵੇਂ ਅਰਥਗਤ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਸਮਾਨ, ਜਿਸ ਤੋਂ PLSA ਉਭਰਿਆ, ਨਿਰੀਖਣ ਕੀਤੇ ਵੇਰੀਏਬਲਾਂ ਦੀ ਇੱਕ ਘੱਟ-ਅਯਾਮੀ ਨੁਮਾਇੰਦਗੀ ਖਾਸ ਲੁਕਵੇਂ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਉਹਨਾਂ ਦੇ ਸਬੰਧ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਪਾਈਥਨ ਵਿੱਚ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਦੇ ਨਾਲ ਹੈਂਡ-ਆਨ
ਹੁਣ, ਮੈਂ ਤੁਹਾਨੂੰ ਪਾਈਥਨ ਦੇ ਨਾਲ ਇੱਕ ਵਿਸ਼ੇ ਮਾਡਲਿੰਗ ਅਸਾਈਨਮੈਂਟ ਬਾਰੇ ਦੱਸਾਂਗਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਇੱਕ ਅਸਲ-ਸੰਸਾਰ ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ.
ਮੈਂ ਖੋਜ ਲੇਖਾਂ ਦਾ ਮਾਡਲਿੰਗ ਕਰਾਂਗਾ। ਜੋ ਡੇਟਾਸੈਟ ਮੈਂ ਇੱਥੇ ਵਰਤਾਂਗਾ ਉਹ kaggle.com ਤੋਂ ਆਉਂਦਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਤੋਂ ਉਹ ਸਾਰੀਆਂ ਫਾਈਲਾਂ ਆਸਾਨੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਮੈਂ ਇਸ ਕੰਮ ਵਿੱਚ ਵਰਤ ਰਿਹਾ ਹਾਂ ਪੰਨਾ.
ਆਉ ਸਾਰੀਆਂ ਜ਼ਰੂਰੀ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਆਯਾਤ ਕਰਕੇ ਪਾਈਥਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੀਏ:
ਹੇਠਾਂ ਦਿੱਤਾ ਕਦਮ ਉਹਨਾਂ ਸਾਰੇ ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਪੜ੍ਹਨਾ ਹੈ ਜੋ ਮੈਂ ਇਸ ਕੰਮ ਵਿੱਚ ਵਰਤਾਂਗਾ:
ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ
EDA (ਐਕਸਪਲੋਰਟਰੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ) ਇੱਕ ਅੰਕੜਾ ਵਿਧੀ ਹੈ ਜੋ ਵਿਜ਼ੂਅਲ ਤੱਤਾਂ ਨੂੰ ਰੁਜ਼ਗਾਰ ਦਿੰਦੀ ਹੈ। ਇਹ ਰੁਝਾਨਾਂ, ਪੈਟਰਨਾਂ ਅਤੇ ਟੈਸਟ ਧਾਰਨਾਵਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਅੰਕੜਾ ਸਾਰਾਂਸ਼ਾਂ ਅਤੇ ਗ੍ਰਾਫਿਕਲ ਪ੍ਰਸਤੁਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਇਹ ਦੇਖਣ ਲਈ ਕਿ ਕੀ ਡੇਟਾ ਵਿੱਚ ਕੋਈ ਪੈਟਰਨ ਜਾਂ ਸਬੰਧ ਹਨ, ਮੈਂ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕੁਝ ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਾਂਗਾ:
ਹੁਣ ਅਸੀਂ ਟੈਸਟ ਡੇਟਾਸੇਟ ਦੇ ਨਲ ਮੁੱਲਾਂ ਨੂੰ ਲੱਭਾਂਗੇ:
ਹੁਣ ਮੈਂ ਵੇਰੀਏਬਲਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਹਿਸਟੋਗ੍ਰਾਮ ਅਤੇ ਬਾਕਸਪਲਾਟ ਤਿਆਰ ਕਰਾਂਗਾ।
ਟ੍ਰੇਨ ਸੈੱਟ ਦੇ ਐਬਸਟਰੈਕਟਸ ਵਿੱਚ ਅੱਖਰਾਂ ਦੀ ਮਾਤਰਾ ਬਹੁਤ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ।
ਰੇਲਗੱਡੀ 'ਤੇ, ਸਾਡੇ ਕੋਲ ਘੱਟੋ-ਘੱਟ 54 ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ 4551 ਅੱਖਰ ਹਨ। 1065 ਅੱਖਰਾਂ ਦੀ ਔਸਤ ਮਾਤਰਾ ਹੈ।
ਟੈਸਟ ਸੈੱਟ ਸਿਖਲਾਈ ਸੈੱਟ ਨਾਲੋਂ ਵਧੇਰੇ ਦਿਲਚਸਪ ਲੱਗ ਰਿਹਾ ਹੈ ਕਿਉਂਕਿ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ 46 ਅੱਖਰ ਹਨ ਜਦੋਂ ਕਿ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ 2841 ਹਨ।
ਨਤੀਜੇ ਵਜੋਂ, ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ 1058 ਅੱਖਰਾਂ ਦਾ ਮੱਧਮਾਨ ਸੀ, ਜੋ ਕਿ ਸਿਖਲਾਈ ਸੈੱਟ ਦੇ ਸਮਾਨ ਹੈ।
ਲਰਨਿੰਗ ਸੈੱਟ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੀ ਗਿਣਤੀ ਅੱਖਰਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਸਮਾਨ ਪੈਟਰਨ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ।
ਘੱਟੋ-ਘੱਟ 8 ਸ਼ਬਦਾਂ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ 665 ਸ਼ਬਦਾਂ ਦੀ ਇਜਾਜ਼ਤ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਮੱਧਮ ਸ਼ਬਦ ਦੀ ਗਿਣਤੀ 153 ਹੈ।
ਇੱਕ ਐਬਸਟਰੈਕਟ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਸੱਤ ਸ਼ਬਦ ਅਤੇ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਵੱਧ ਤੋਂ ਵੱਧ 452 ਸ਼ਬਦਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਮੱਧਮਾਨ, ਇਸ ਕੇਸ ਵਿੱਚ, 153 ਹੈ, ਜੋ ਕਿ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਮੱਧਮਾਨ ਦੇ ਸਮਾਨ ਹੈ।
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਲਈ ਟੈਗਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
ਕਈ ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਰਣਨੀਤੀਆਂ ਹਨ। ਮੈਂ ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਟੈਗਸ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗਾ; ਆਓ ਦੇਖੀਏ ਕਿ ਟੈਗਸ ਦੀ ਜਾਂਚ ਕਰਕੇ ਅਜਿਹਾ ਕਿਵੇਂ ਕਰਨਾ ਹੈ:
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ
- ਕਿਸੇ ਦਸਤਾਵੇਜ਼ ਜਾਂ ਕਿਤਾਬ ਦੇ ਵਿਸ਼ੇ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਟੈਕਸਟ ਸੰਖੇਪ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਇਸਦੀ ਵਰਤੋਂ ਪ੍ਰੀਖਿਆ ਸਕੋਰਿੰਗ ਤੋਂ ਉਮੀਦਵਾਰ ਦੇ ਪੱਖਪਾਤ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਗ੍ਰਾਫ-ਅਧਾਰਿਤ ਮਾਡਲਾਂ ਵਿੱਚ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਅਰਥ ਸੰਬੰਧੀ ਸਬੰਧ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
- ਇਹ ਗਾਹਕ ਦੀ ਪੁੱਛਗਿੱਛ ਵਿੱਚ ਕੀਵਰਡਸ ਦਾ ਪਤਾ ਲਗਾ ਕੇ ਅਤੇ ਜਵਾਬ ਦੇ ਕੇ ਗਾਹਕ ਸੇਵਾ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ। ਗਾਹਕਾਂ ਨੂੰ ਤੁਹਾਡੇ ਵਿੱਚ ਵਧੇਰੇ ਵਿਸ਼ਵਾਸ ਹੋਵੇਗਾ ਕਿਉਂਕਿ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਉਚਿਤ ਸਮੇਂ 'ਤੇ ਲੋੜੀਂਦੀ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਪਰੇਸ਼ਾਨੀ ਦੇ. ਨਤੀਜੇ ਵਜੋਂ, ਗਾਹਕ ਦੀ ਵਫ਼ਾਦਾਰੀ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਵਧਦੀ ਹੈ, ਅਤੇ ਕੰਪਨੀ ਦੀ ਕੀਮਤ ਵਧ ਜਾਂਦੀ ਹੈ।
ਸਿੱਟਾ
ਵਿਸ਼ਾ ਮਾਡਲਿੰਗ ਇੱਕ ਕਿਸਮ ਦੀ ਅੰਕੜਾ ਮਾਡਲਿੰਗ ਹੈ ਜੋ ਪਾਠਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਮੌਜੂਦ ਐਬਸਟਰੈਕਟ "ਵਿਸ਼ਿਆਂ" ਨੂੰ ਬੇਪਰਦ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
ਇਹ ਵਿੱਚ ਵਰਤੇ ਗਏ ਅੰਕੜਾ ਮਾਡਲ ਦਾ ਇੱਕ ਰੂਪ ਹੈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਟੈਕਸਟ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ ਮੌਜੂਦ ਅਮੂਰਤ ਧਾਰਨਾਵਾਂ ਨੂੰ ਬੇਪਰਦ ਕਰਨ ਲਈ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੀ ਪ੍ਰਕਿਰਿਆ।
ਇਹ ਇੱਕ ਟੈਕਸਟ ਮਾਈਨਿੰਗ ਵਿਧੀ ਹੈ ਜੋ ਬਾਡੀ ਟੈਕਸਟ ਵਿੱਚ ਗੁਪਤ ਅਰਥਾਂ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ