در دنیای پردازش زبان‌های طبیعی (NLP)، تجزیه‌گرهای وابستگی (Dependency Parsers) ابزارهای حیاتی برای درک ساختار دستوری جملات هستند. این ابزارها به ماشین‌ها کمک می‌کنند تا روابط بین کلمات یک جمله را تشخیص داده و معنای کلی آن را استخراج کنند. مقاله حاضر به معرفی ThamizhiUDp، یک تجزیه‌گر وابستگی مبتنی بر شبکه‌های عصبی برای زبان تامیل، می‌پردازد. این ابزار به عنوان یک گام مهم در راستای توسعه ابزارهای NLP برای زبان‌های با منابع محدود (Low-Resource Languages) محسوب می‌شود.

این مقاله توسط Kengatharaiyer Sarveswaran و Gihan Dias به رشته تحریر درآمده است. نویسندگان در زمینه پردازش زبان‌های طبیعی و به طور خاص، توسعه ابزارهای NLP برای زبان‌های با منابع محدود تخصص دارند. تمرکز آن‌ها بر روی زبان تامیل، که یکی از زبان‌های مهم جنوب هند است، نشان‌دهنده تلاش برای پوشش دادن شکاف‌های موجود در فناوری‌های NLP برای زبان‌های کمتر توسعه‌یافته است.

مقاله حاضر به تشریح چگونگی توسعه یک تجزیه‌گر وابستگی عصبی به نام ThamizhiUDp می‌پردازد. این تجزیه‌گر، یک خط لوله کامل برای تجزیه وابستگی متن زبان تامیل با استفاده از فرمالیسم وابستگی جهانی (Universal Dependency formalism) ارائه می‌دهد. نویسندگان مراحل مختلف خط لوله تجزیه وابستگی را مورد بررسی قرار داده و ابزارها و منابع موجود در هر یک از این مراحل را به منظور بهبود دقت و مقابله با کمبود داده شناسایی کرده‌اند. ThamizhiUDp از Stanza برای توکن‌سازی و لِماتیزاسیون (Lemmatization)، از ThamizhiPOSt و ThamizhiMorph برای تولید برچسب‌های نوع کلمه (Part of Speech – POS) و حاشیه‌نویسی‌های مورفولوژیکی، و از uuparser با آموزش چند زبانه برای تجزیه وابستگی استفاده می‌کند.

ThamizhiPOSt، برچسب‌زن نوع کلمه اختصاصی این پروژه است که بر اساس Stanza توسعه یافته و با پیکره (Corpus) دارای برچسب نوع کلمه Amrita آموزش داده شده است. این ابزار در حال حاضر، با امتیاز F1 برابر با ۹۳.۲۷، بهترین عملکرد را در برچسب‌زنی نوع کلمه برای زبان تامیل دارد. آنالیزگر مورفولوژیکی نویسندگان، ThamizhiMorph، یک سیستم مبتنی بر قوانین است که پوشش بسیار خوبی از زبان تامیل ارائه می‌دهد. تجزیه‌گر وابستگی ThamizhiUDp با استفاده از داده‌های چند زبانه آموزش داده شده و امتیاز تخصیص برچسب (Labelled Assigned Score – LAS) برابر با ۶۲.۳۹ را نشان می‌دهد که ۴ امتیاز بالاتر از بهترین عملکرد قبلی در تجزیه وابستگی برای زبان تامیل است. بنابراین، مقاله نشان می‌دهد که تقسیم خط لوله تجزیه وابستگی برای تطبیق با ابزارها و منابع موجود، یک رویکرد مناسب برای زبان‌های با منابع محدود است.

روش‌شناسی تحقیق در این مقاله مبتنی بر یک رویکرد خط لوله (Pipeline Approach) است. به این معنا که فرآیند تجزیه وابستگی به مراحل مختلفی تقسیم شده و برای هر مرحله از بهترین ابزارها و منابع موجود استفاده شده است. مراحل اصلی این رویکرد عبارتند از:

• توکن‌سازی (Tokenization): تقسیم متن به واحدهای کوچک‌تر (توکن‌ها) مانند کلمات و علائم نگارشی. در این پروژه از Stanza استفاده شده است.
• لِماتیزاسیون (Lemmatization): تبدیل کلمات به شکل پایه (لِم) خود. Stanza در این مرحله نیز به کار گرفته شده است. برای مثال، کلمات “می‌روم”، “رفتم”، و “خواهم رفت” همگی به لِم “رفتن” تبدیل می‌شوند.
• برچسب‌زنی نوع کلمه (Part-of-Speech Tagging): تعیین نقش دستوری هر کلمه در جمله (مانند اسم، فعل، صفت). در این پروژه از ThamizhiPOSt، برچسب‌زن اختصاصی توسعه‌یافته توسط نویسندگان، استفاده شده است.
• آنالیز مورفولوژیکی (Morphological Analysis): تجزیه کلمات به اجزای سازنده آن‌ها (مانند ریشه، پیشوند، پسوند). برای این منظور از ThamizhiMorph، یک سیستم مبتنی بر قوانین، استفاده شده است.
• تجزیه وابستگی (Dependency Parsing): تعیین روابط وابستگی بین کلمات در جمله. در این مرحله از uuparser با آموزش چند زبانه استفاده شده است.

استفاده از آموزش چند زبانه (Multilingual Training) به تجزیه‌گر کمک می‌کند تا از دانش موجود در سایر زبان‌ها بهره‌مند شده و عملکرد خود را در زبان تامیل بهبود بخشد. این رویکرد به ویژه برای زبان‌هایی که داده‌های آموزشی کمی دارند، بسیار مفید است.

یافته‌های کلیدی این تحقیق را می‌توان به صورت زیر خلاصه کرد:

• ThamizhiUDp با امتیاز LAS برابر با ۶۲.۳۹، عملکرد بهتری نسبت به سایر تجزیه‌گرهای وابستگی موجود برای زبان تامیل دارد. این امتیاز ۴ واحد بیشتر از بهترین عملکرد قبلی است.
• ThamizhiPOSt با امتیاز F1 برابر با ۹۳.۲۷، بهترین برچسب‌زن نوع کلمه برای زبان تامیل است.
• رویکرد خط لوله، با استفاده از ابزارها و منابع موجود، یک روش مؤثر برای توسعه تجزیه‌گرهای وابستگی برای زبان‌های با منابع محدود است.
• آموزش چند زبانه به طور قابل توجهی عملکرد تجزیه‌گر وابستگی را بهبود می‌بخشد.

این یافته‌ها نشان می‌دهند که با استفاده از رویکردهای نوآورانه و ترکیب ابزارهای مختلف، می‌توان ابزارهای NLP قدرتمندی برای زبان‌هایی که داده‌های آموزشی کمی دارند، توسعه داد.

توسعه ThamizhiUDp و ابزارهای مرتبط با آن، دستاوردهای مهمی در زمینه پردازش زبان تامیل به شمار می‌رود. برخی از کاربردها و دستاوردهای این تحقیق عبارتند از:

• بهبود عملکرد سایر وظایف NLP مانند ترجمه ماشینی، خلاصه‌سازی متن، و تحلیل احساسات برای زبان تامیل. به عنوان مثال، یک سیستم ترجمه ماشینی می‌تواند با استفاده از ThamizhiUDp، ساختار دستوری جملات تامیل را بهتر درک کرده و ترجمه‌های دقیق‌تری ارائه دهد.
• ایجاد یک منبع ارزشمند برای محققان و توسعه‌دهندگان NLP که بر روی زبان‌های با منابع محدود کار می‌کنند. ThamizhiUDp و ابزارهای آن می‌توانند به عنوان یک پایه برای توسعه ابزارهای NLP برای سایر زبان‌های مشابه مورد استفاده قرار گیرند.
• کمک به حفظ و ترویج زبان تامیل در دنیای دیجیتال. با توسعه ابزارهای NLP قدرتمند برای این زبان، امکان دسترسی و استفاده از محتوای تامیل در اینترنت تسهیل می‌شود.
• ایجاد فرصت‌های جدید برای تحقیقات بیشتر در زمینه پردازش زبان‌های طبیعی و یادگیری ماشین.

مقاله ThamizhiUDp: تجزیه‌گر وابستگی برای زبان تامیل، یک مطالعه ارزشمند در زمینه توسعه ابزارهای NLP برای زبان‌های با منابع محدود است. نویسندگان با استفاده از یک رویکرد خط لوله نوآورانه و ترکیب ابزارهای مختلف، یک تجزیه‌گر وابستگی قدرتمند برای زبان تامیل توسعه داده‌اند که عملکرد بهتری نسبت به سایر ابزارهای موجود دارد. این تحقیق نشان می‌دهد که با استفاده از رویکردهای خلاقانه و بهره‌گیری از دانش موجود در سایر زبان‌ها، می‌توان ابزارهای NLP کارآمدی برای زبان‌هایی که داده‌های آموزشی کمی دارند، توسعه داد. دستاوردهای این تحقیق می‌تواند در بهبود عملکرد سایر وظایف NLP برای زبان تامیل، ایجاد یک منبع ارزشمند برای محققان، و کمک به حفظ و ترویج این زبان در دنیای دیجیتال نقش مهمی ایفا کند.