پردازش زبان طبیعی (NLP) یکی از شاخه‌های پرجنب‌وجوش هوش مصنوعی است که به ماشین‌ها امکان درک، تفسیر و تولید زبان انسان را می‌دهد. یکی از وظایف بنیادی در این حوزه، «شناسایی موجودیت‌های نام‌دار» (Named Entity Recognition – NER) است که هدف آن یافتن و دسته‌بندی موجودیت‌هایی مانند اسامی افراد، سازمان‌ها، مکان‌ها و تاریخ‌ها در متن است. با این حال، مدل‌های سنتی NER تنها قادر به شناسایی موجودیت‌های «مسطح» (Flat) هستند؛ به این معنی که موجودیت‌ها همپوشانی ندارند.

اما زبان انسان بسیار پیچیده‌تر است. در بسیاری از موارد، با موجودیت‌های نام‌دار تودرتو (Nested NER) مواجه هستیم؛ یعنی یک موجودیت در دل موجودیت دیگری قرار گرفته است. برای مثال، در عبارت «هیئت مدیره شرکت ملی نفت ایران»، «شرکت ملی نفت ایران» یک سازمان است و «هیئت مدیره شرکت ملی نفت ایران» نیز یک نهاد دیگر است که موجودیت اول را در بر می‌گیرد. ناتوانی مدل‌های سنتی در مدیریت این ساختارهای تودرتو، دقت آن‌ها را در کاربردهای دنیای واقعی محدود می‌کند.

مقاله «مکان‌یابی و برچسب‌گذاری: روشی دومرحله‌ای برای شناسایی موجودیت‌های نام‌دار تودرتو» که توسط تیمی از پژوهشگران برجسته ارائه شده است، یک رویکرد نوآورانه برای حل دقیق و کارآمد این چالش ارائه می‌دهد. این مقاله با معرفی یک معماری دومرحله‌ای، نه‌تنها بر محدودیت‌های روش‌های پیشین غلبه می‌کند، بلکه استانداردهای جدیدی در زمینه دقت و سرعت برای این وظیفه تعریف می‌نماید. اهمیت این پژوهش در توانمندسازی سیستم‌های هوشمند برای درک عمیق‌تر و ساختاریافته‌تر از متون پیچیده نهفته است.

این مقاله حاصل همکاری تیمی از محققان به نام‌های یونگ‌لیانگ شن (Yongliang Shen)، شین‌یین ما (Xinyin Ma)، زچی تان (Zeqi Tan)، شوای ژانگ (Shuai Zhang)، ون وانگ (Wen Wang) و ویمینگ لو (Weiming Lu) است. این پژوهش در حوزه «محاسبات و زبان‌شناسی» (Computation and Language) طبقه‌بندی می‌شود که هسته اصلی تحقیقات در پردازش زبان طبیعی و هوش مصنوعی را تشکیل می‌دهد.

زمینه این تحقیق، تلاش مستمر جامعه علمی NLP برای حرکت از مدل‌های سطحی به سمت مدل‌هایی با درک عمیق‌تر از ساختارهای زبانی است. در حالی که مدل‌های مبتنی بر توالی (Sequence Labeling) مانند BiLSTM-CRF در شناسایی موجودیت‌های مسطح موفق بوده‌اند، برای ساختارهای تودرتو کارایی لازم را ندارند. رویکردهای جدیدتر مبتنی بر «بازه‌» (Span-based) که هر زیررشته از متن را به عنوان یک موجودیت بالقوه در نظر می‌گیرند، ذاتا قادر به مدیریت تودرتویی هستند، اما با چالش‌هایی جدی روبرو بوده‌اند. این مقاله دقیقاً در پاسخ به همین چالش‌ها ارائه شده است.

مقاله یک شناساگر دومرحله‌ای نوین به نام «مکان‌یابی و برچسب‌گذاری» (Locate and Label) را برای حل مشکل شناسایی موجودیت‌های نام‌دار تودرتو پیشنهاد می‌کند. نویسندگان ابتدا به نقد روش‌های مبتنی بر بازه می‌پردازند و نقاط ضعف اصلی آن‌ها را برمی‌شمارند:

• هزینه محاسباتی بالا: بررسی و دسته‌بندی تمام بازه‌های ممکن در یک جمله از نظر محاسباتی بسیار سنگین است.
• نادیده گرفتن اطلاعات مرزی: این روش‌ها اغلب به مرزهای دقیق شروع و پایان یک موجودیت توجه کافی ندارند.
• استفاده ناکافی از بازه‌های نیمه‌منطبق: بازه‌هایی که تنها بخشی از یک موجودیت را پوشش می‌دهند، معمولاً به عنوان نمونه‌های منفی کنار گذاشته می‌شوند و اطلاعات ارزشمند آن‌ها هدر می‌رود.
• دشواری در شناسایی موجودیت‌های طولانی: با افزایش طول بازه‌ها، فضای جستجو به صورت تصاعدی بزرگ شده و شناسایی موجودیت‌های بلند را دشوار می‌سازد.

برای غلبه بر این مشکلات، مدل پیشنهادی فرآیند را به دو مرحله هوشمندانه تقسیم می‌کند. در مرحله اول (مکان‌یابی)، مدل با استفاده از فیلتر کردن و رگرسیون مرزی، بازه‌های اولیه (Seed Spans) را پالایش کرده و «بازه‌های پیشنهادی» (Span Proposals) باکیفیت‌تری تولید می‌کند. این کار باعث حذف تعداد زیادی از گزینه‌های نامربوط و تنظیم دقیق مرزهای بازه‌های محتمل می‌شود. در مرحله دوم (برچسب‌گذاری)، این بازه‌های پیشنهادیِ پالایش‌شده به یک طبقه‌بند داده می‌شوند تا برچسب نهایی (نوع موجودیت) به آن‌ها اختصاص یابد. این معماری نه‌تنها دقت را افزایش می‌دهد، بلکه با کاهش حجم گزینه‌ها در مرحله دوم، پیچیدگی زمانی را در فاز استنتاج (Inference) به شدت کاهش می‌دهد.

معماری مدل «مکان‌یابی و برچسب‌گذاری» قلب نوآوری این مقاله است. این رویکرد از دو ماژول اصلی تشکیل شده که به صورت متوالی عمل می‌کنند:

مرحله اول: مکان‌یاب (The Locator)

هدف این مرحله، کاهش فضای جستجو و تولید مجموعه‌ای از کاندیداهای باکیفیت برای موجودیت‌هاست. این فرآیند خود شامل دو گام کلیدی است:

• فیلتر کردن (Filtering): در ابتدا، تعداد بسیار زیادی بازه اولیه یا «بذر» تولید می‌شود. بسیاری از این بازه‌ها به وضوح موجودیت نیستند (مانند «از روی» یا «کتاب را»). ماژول فیلتر یاد می‌گیرد که این بازه‌های کم‌کیفیت را به سرعت شناسایی و حذف کند. این کار بار محاسباتی را برای مراحل بعدی به طرز چشمگیری کاهش می‌دهد.
• رگرسیون مرزی (Boundary Regression): این یکی از مهم‌ترین نوآوری‌های مقاله است. به جای پذیرش یا رد ساده یک بازه، مدل یاد می‌گیرد که مرزهای آن را «اصلاح» کند. برای مثال، اگر بازه اولیه «دانشگاه صنعتی شری» باشد، ماژول رگرسیون مرزی می‌تواند آن را به بازه دقیق‌تر «[دانشگاه صنعتی شریف]» تبدیل کند. این تکنیک به مدل اجازه می‌دهد از اطلاعات بازه‌هایی که تطابق جزئی دارند نیز بهره ببرد و دقت مرزها را به حداکثر برساند. این ویژگی به ویژه در شناسایی موجودیت‌های طولانی بسیار مؤثر است.

خروجی این مرحله، مجموعه‌ای کوچک‌تر اما بسیار باکیفیت‌تر از بازه‌های پیشنهادی است که با احتمال بالایی موجودیت‌های واقعی را پوشش می‌دهند.

مرحله دوم: برچسب‌گذار (The Labeler)

بازه‌های پیشنهادی که از مرحله اول عبور کرده‌اند، به این ماژول وارد می‌شوند. وظیفه برچسب‌گذار یک کار دسته‌بندی (Classification) است. این ماژول برای هر بازه پیشنهادی، تصمیم می‌گیرد که به کدام دسته از موجودیت‌ها (مانند شخص، سازمان، مکان) تعلق دارد یا اینکه اصلاً موجودیت نیست. از آنجا که این ماژول تنها روی گزینه‌های پالایش‌شده و بهینه‌سازی‌شده کار می‌کند، می‌تواند با دقت و سرعت بالاتری عمل کند.

نویسندگان برای ارزیابی مدل خود، آن را بر روی مجموعه داده‌های استاندارد Nested NER مانند ACE 2004، ACE 2005 و Genia آزمایش کردند. نتایج به دست آمده برتری قاطع این روش را نسبت به مدل‌های پیشرفته پیشین نشان می‌دهد. یافته‌های اصلی عبارتند از:

• عملکرد فراتر از سطح پیشرفته (State-of-the-Art): مدل «مکان‌یابی و برچسب‌گذاری» در تمام مجموعه داده‌های مورد آزمایش، به امتیاز F1 بالاتری دست یافت و رکوردهای قبلی را شکست. این امر نشان‌دهنده دقت بالاتر آن در شناسایی و دسته‌بندی موجودیت‌های تودرتو است.
• بهبود چشمگیر در شناسایی موجودیت‌های طولانی: به لطف مکانیزم رگرسیون مرزی، مدل توانایی فوق‌العاده‌ای در تشخیص موجودیت‌های بلند از خود نشان داد. برخلاف مدل‌های دیگر که ممکن است در تشخیص کامل یک عبارت طولانی ناکام بمانند، این مدل می‌تواند با یک تطابق جزئی شروع کرده و مرزهای آن را تا پوشش کامل موجودیت گسترش دهد.
• کارایی محاسباتی بالا: با وجود معماری دومرحله‌ای، مدل در زمان استنتاج (Inference) سریع‌تر از بسیاری از روش‌های مبتنی بر بازه عمل می‌کند. دلیل این امر، فیلتر کردن هوشمندانه بازه‌های بی‌کیفیت در مرحله اول است که از پردازش غیرضروری آن‌ها در مرحله دوم جلوگیری می‌کند.
• استفاده بهینه از اطلاعات مرزی: این مدل با تمرکز بر تنظیم دقیق مرزها، خطاهای رایج در تعیین ابتدا و انتهای موجودیت‌ها را به حداقل می‌رساند و در نتیجه، خروجی بسیار دقیق‌تری تولید می‌کند.

دستاورد این مقاله صرفاً یک پیشرفت نظری نیست، بلکه کاربردهای عملی گسترده‌ای در دنیای واقعی دارد. توانایی درک ساختارهای تودرتو در متن، درهای جدیدی را به روی سیستم‌های هوشمند باز می‌کند:

• استخراج اطلاعات پیشرفته: در ساخت پایگاه‌های دانش (Knowledge Graphs) و تحلیل اسناد، می‌توان روابط پیچیده‌تری را استخراج کرد. برای مثال، شناسایی «رئیس [دانشکده مهندسی [دانشگاه تهران]]» به جای سه موجودیت جداگانه.
• تحقیقات زیست‌پزشکی: در مقالات علمی پزشکی، اسامی ژن‌ها، پروتئین‌ها و بیماری‌ها اغلب ساختار تودرتو دارند. این مدل می‌تواند به محققان در تحلیل سریع و دقیق حجم عظیمی از متون علمی کمک کند.
• تحلیل اسناد مالی و حقوقی: شناسایی دقیق شرکت‌ها، زیرمجموعه‌ها، بندهای قرارداد و طرفین درگیر در اسناد پیچیده حقوقی و مالی با دقت بالاتری امکان‌پذیر می‌شود.
• سیستم‌های پرسش و پاسخ هوشمند: با درک عمیق‌تر از موجودیت‌ها در یک سؤال و متن مرجع، سیستم می‌تواند پاسخ‌های دقیق‌تر و مرتبط‌تری ارائه دهد.

دستاورد اصلی این مقاله، ارائه یک چارچوب قدرتمند، دقیق و کارآمد است که یکی از موانع کلیدی در مسیر درک واقعی زبان توسط ماشین را برطرف می‌کند. این روش نه تنها یک راه حل عملی ارائه می‌دهد، بلکه الهام‌بخش رویکردهای آینده در زمینه درک ساختارهای سلسله‌مراتبی در زبان خواهد بود.

مقاله «مکان‌یابی و برچسب‌گذاری» یک گام مهم رو به جلو در زمینه شناسایی موجودیت‌های نام‌دار تودرتو است. این پژوهش با شناسایی دقیق نقاط ضعف رویکردهای موجود، یک معماری دومرحله‌ای هوشمندانه را پیشنهاد می‌دهد که به طور همزمان دقت و کارایی را بهبود می‌بخشد. مرحله مکان‌یابی با فیلتر کردن و رگرسیون مرزی، به طور مؤثری فضای جستجو را کاهش داده و کاندیداهای باکیفیتی تولید می‌کند، در حالی که مرحله برچسب‌گذاری این کاندیداها را با دقت بالا دسته‌بندی می‌نماید.

این مدل با عملکرد برتر خود در مجموعه داده‌های استاندارد، ثابت کرده است که می‌تواند چالش‌های مربوط به موجودیت‌های طولانی، مرزهای دقیق و پیچیدگی محاسباتی را به خوبی مدیریت کند. این پژوهش نه تنها یک ابزار قدرتمند برای کاربردهای عملی در حوزه‌های مختلف فراهم می‌کند، بلکه مسیری روشن برای تحقیقات آینده در زمینه درک ساختارهای پیچیده و سلسله‌مراتبی در زبان طبیعی ترسیم می‌نماید.