مقاله حاضر به معرفی یک مجموعه داده بزرگ و ارزشمند در حوزه پردازش زبان طبیعی (NLP) می‌پردازد که بر روی شناسایی و دسته‌بندی عبارت‌های اصطلاحی بالقوه (Potential Idiomatic Expressions – PIE) در زبان انگلیسی تمرکز دارد. این مجموعه داده، با عنوان “عبارت‌های اصطلاحی بالقوه (PIE) انگلیسی: پیکره‌ای برای دسته‌های اصطلاحات” می‌تواند نقش مهمی در پیشرفت سیستم‌های پردازش زبان طبیعی در وظایفی مانند ترجمه ماشینی، تشخیص معنای کلمات و بازیابی اطلاعات ایفا کند.

پردازش زبان طبیعی همواره با چالش‌های متعددی روبرو بوده است، به ویژه هنگامی که با عبارت‌های اصطلاحی و غیرمعمول مواجه می‌شود. تشخیص و درک صحیح این عبارات نیازمند دانش و توانایی‌های خاصی است که فراتر از تحلیل ساده کلمات و ساختار جملات می‌باشد. وجود یک مجموعه داده جامع و دسته‌بندی‌شده از اصطلاحات، می‌تواند به توسعه مدل‌های یادگیری ماشین کمک کند تا این عبارات را به طور دقیق شناسایی کرده و معانی آنها را در زمینه‌های مختلف درک کنند.

کمبود منابع داده‌ای که اصطلاحات را به دسته‌های مختلف تقسیم‌بندی کرده باشند، یکی از موانع اصلی در این زمینه بوده است. این مقاله با ارائه یک پیکره (corpus) با دسته‌بندی دقیق اصطلاحات، این خلاء را پر می‌کند و امکان توسعه سیستم‌های NLP قدرتمندتری را فراهم می‌سازد.

این مقاله توسط تیمی از محققان به نام‌های توسین پی. آدوومی، روشانک ودودی، آپاراجیتا تریپاتی، کنستانتینا نیکولایدو، فوتینی لیویکی و مارکوس لیویکی به رشته تحریر درآمده است. نویسندگان این مقاله متخصصان حوزه محاسبات و زبان‌شناسی و یادگیری ماشین هستند و تجربیات ارزشمندی در زمینه پردازش زبان طبیعی دارند.

زمینه تحقیقاتی این مقاله در حوزه NLP و به طور خاص بر روی شناسایی و دسته‌بندی اصطلاحات تمرکز دارد. اصطلاحات زبانی به عباراتی گفته می‌شود که معنای کلی آنها از مجموع معنای تک‌تک کلمات تشکیل‌دهنده آنها قابل استنباط نیست. به عنوان مثال، عبارت “زیر بار نرفتن” به معنای “قبول نکردن” است و نمی‌توان آن را صرفاً با ترکیب معنای کلمات “زیر”، “بار” و “رفتن” درک کرد.

این مقاله به معرفی یک پیکره داده نسبتاً بزرگ به نام عبارت‌های اصطلاحی بالقوه (PIE) برای پردازش زبان طبیعی در زبان انگلیسی می‌پردازد. چالش‌های موجود در سیستم‌های NLP در وظایفی مانند ترجمه ماشینی، ابهام‌زدایی معنای کلمات و بازیابی اطلاعات، ضرورت وجود یک مجموعه داده برچسب‌گذاری‌شده از اصطلاحات با دسته‌بندی‌های مشخص را اجتناب‌ناپذیر می‌سازد. این پیکره، فراتر از دسته‌بندی‌های کلی و تحت‌اللفظی، اصطلاحات را در دسته‌هایی مانند استعاره، تشبیه، حسن تعبیر، موازات، شخصیت‌بخشی، متناقض‌نما، پارادوکس، اغراق، کنایه و تحت‌اللفظی برچسب‌گذاری کرده است. میزان توافق بین ارزیابان مستقل در این پروژه 88.89% به دست آمده است. در حالی که تلاش‌های گذشته محدود به اندازه پیکره و دسته‌بندی‌های نمونه بودند، این مجموعه داده شامل بیش از 20100 نمونه با تقریباً 1200 مورد اصطلاح (همراه با معانی آنها) از 10 دسته مختلف است. محققان می‌توانند این پیکره را برای پاسخگویی به نیازهای خاص خود گسترش دهند. این پیکره دارای برچسب‌گذاری اجزای سخن (PoS) از کتابخانه NLTK است. آزمایش‌های طبقه‌بندی انجام‌شده بر روی این پیکره برای به دست آوردن یک مبنا و مقایسه بین سه مدل رایج، از جمله مدل BERT، نتایج خوبی را نشان می‌دهد. پیکره و کدهای مربوط به کار با آن برای وظایف NLP به صورت عمومی در دسترس قرار گرفته‌اند.

در این تحقیق، محققان از یک روش‌شناسی دقیق و ساختارمند برای ایجاد و ارزیابی پیکره PIE استفاده کرده‌اند. مراحل اصلی این روش‌شناسی عبارتند از:

• جمع‌آوری داده‌ها: داده‌های مربوط به اصطلاحات از منابع مختلفی از جمله متون آنلاین، کتاب‌ها و مقالات جمع‌آوری شده‌اند.
• برچسب‌گذاری داده‌ها: هر اصطلاح توسط دو ارزیاب مستقل برچسب‌گذاری شده است. این برچسب‌ها نشان‌دهنده دسته اصطلاح (مانند استعاره، تشبیه و غیره) و معنای آن هستند.
• محاسبه میزان توافق بین ارزیابان: میزان توافق بین ارزیابان برای اطمینان از کیفیت برچسب‌گذاری‌ها محاسبه شده است. میزان توافق بالا (88.89%) نشان‌دهنده دقت و قابلیت اطمینان برچسب‌گذاری‌ها است.
• برچسب‌گذاری اجزای سخن (PoS): اجزای سخن هر کلمه در پیکره با استفاده از کتابخانه NLTK برچسب‌گذاری شده‌اند. این برچسب‌گذاری‌ها می‌تواند در وظایف مختلف NLP مفید باشد.
• انجام آزمایش‌های طبقه‌بندی: برای ارزیابی عملکرد پیکره، آزمایش‌های طبقه‌بندی با استفاده از سه مدل رایج یادگیری ماشین (از جمله مدل BERT) انجام شده است. نتایج این آزمایش‌ها نشان‌دهنده کارایی پیکره در شناسایی و دسته‌بندی اصطلاحات است.

به عنوان مثال، عبارتی مانند “He is a night owl” (او یک جغد شب است) به عنوان یک استعاره برچسب‌گذاری شده است، زیرا این عبارت به طور غیرمستقیم بیان می‌کند که فرد مورد نظر در شب فعال است. معنای این استعاره به صورت واضح در داده‌ها مشخص شده است.

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

• پیکره PIE یک منبع داده ارزشمند برای تحقیقات در زمینه پردازش زبان طبیعی است.
• دسته‌بندی دقیق اصطلاحات در این پیکره، امکان توسعه سیستم‌های NLP قدرتمندتری را فراهم می‌سازد.
• میزان توافق بالای بین ارزیابان نشان‌دهنده کیفیت بالای برچسب‌گذاری‌ها است.
• آزمایش‌های طبقه‌بندی انجام‌شده نشان‌دهنده کارایی پیکره در شناسایی و دسته‌بندی اصطلاحات است.
• دسترسی عمومی به پیکره و کدهای مربوط به آن، امکان استفاده از این منبع را برای محققان فراهم می‌کند.

نتایج آزمایش‌های طبقه‌بندی نشان داد که مدل BERT، به عنوان یک مدل پیشرفته یادگیری عمیق، عملکرد بهتری نسبت به سایر مدل‌ها در شناسایی و دسته‌بندی اصطلاحات داشته است. این موضوع نشان می‌دهد که مدل‌های یادگیری عمیق می‌توانند به طور موثری از اطلاعات موجود در پیکره PIE برای درک بهتر اصطلاحات استفاده کنند.

پیکره PIE و نتایج این تحقیق دارای کاربردهای متعددی در زمینه‌های مختلف پردازش زبان طبیعی است. برخی از این کاربردها عبارتند از:

• بهبود ترجمه ماشینی: شناسایی و درک صحیح اصطلاحات می‌تواند به بهبود کیفیت ترجمه ماشینی کمک کند.
• ارتقاء تشخیص معنای کلمات: پیکره PIE می‌تواند به سیستم‌های تشخیص معنای کلمات کمک کند تا معنای صحیح کلمات را در زمینه‌های مختلف تشخیص دهند.
• بهبود بازیابی اطلاعات: درک اصطلاحات می‌تواند به بهبود دقت و کارایی سیستم‌های بازیابی اطلاعات کمک کند.
• توسعه سیستم‌های آموزش زبان: پیکره PIE می‌تواند در توسعه سیستم‌های آموزش زبان برای کمک به زبان‌آموزان در درک و استفاده از اصطلاحات مورد استفاده قرار گیرد.

دسترسی عمومی به پیکره PIE و کدهای مربوط به آن، امکان گسترش و استفاده از این منبع را برای محققان و توسعه‌دهندگان در سراسر جهان فراهم می‌کند. این امر می‌تواند منجر به پیشرفت‌های قابل توجهی در زمینه پردازش زبان طبیعی شود.

مقاله “عبارت‌های اصطلاحی بالقوه (PIE) انگلیسی: پیکره‌ای برای دسته‌های اصطلاحات” یک گام مهم در جهت توسعه سیستم‌های پردازش زبان طبیعی قدرتمندتر است. ارائه یک پیکره داده جامع و دسته‌بندی‌شده از اصطلاحات، می‌تواند به محققان و توسعه‌دهندگان کمک کند تا چالش‌های مربوط به درک و پردازش اصطلاحات را بهتر درک کرده و راه حل‌های موثرتری برای آنها ارائه دهند. این پیکره، به همراه کدهای مربوط به آن، به صورت عمومی در دسترس قرار گرفته است و انتظار می‌رود که نقش مهمی در پیشرفت تحقیقات در زمینه پردازش زبان طبیعی ایفا کند.

در نهایت، این تحقیق نشان می‌دهد که با استفاده از روش‌های دقیق و منابع داده مناسب، می‌توان سیستم‌های NLP را به گونه‌ای توسعه داد که قادر به درک و پردازش زبان طبیعی در سطح بالاتری باشند. این امر می‌تواند منجر به پیشرفت‌های قابل توجهی در زمینه‌های مختلفی از جمله ترجمه ماشینی، بازیابی اطلاعات و آموزش زبان شود.