درک معنای کلمات، یکی از چالش‌های بنیادین در حوزه هوش مصنوعی و پردازش زبان طبیعی (NLP) است. کامپیوترها چگونه می‌توانند ظرافت‌های معنایی زبان انسان را درک کنند؟ یکی از رویکردهای مؤثر برای حل این مسئله، تجزیه معنای کلمات به واحدهای پایه‌ای و غیرقابل‌تقسیم است. در زبان‌شناسی، به این واحدهای کمینه معنایی، «سِمِم» (Sememe) گفته می‌شود. سِمِم‌ها مانند اتم‌های معنایی هستند که با ترکیب آن‌ها، مفاهیم پیچیده‌تر شکل می‌گیرند. برای مثال، کلمه «پادشاه» را می‌توان با ترکیب سِمِم‌های «حاکم»، «مرد» و «سلطنت» تعریف کرد.

برای کاربردی کردن این مفهوم در سیستم‌های کامپیوتری، «پایگاه‌های دانش سِمِم» (Sememe Knowledge Bases – SKBs) ساخته شده‌اند. این پایگاه‌های داده، مجموعه‌ای از کلمات را به همراه سِمِم‌های متناظرشان ذخیره می‌کنند. معروف‌ترین نمونه آن، پایگاه دانش HowNet برای زبان چینی است که در طی دهه‌ها و با تلاش فراوان متخصصان زبان‌شناسی به‌صورت دستی ساخته شده است. با این حال، یک مانع بزرگ وجود دارد: ساخت چنین پایگاه‌های دانشی فوق‌العاده زمان‌بر، پرهزینه و نیازمند نیروی انسانی متخصص است. به همین دلیل، اکثر زبان‌های دنیا، از جمله زبان فارسی، از چنین منبع ارزشمندی بی‌بهره‌اند.

مقاله “Automatic Construction of Sememe Knowledge Bases via Dictionaries” راه‌حلی نوآورانه و کارآمد برای این چالش بزرگ ارائه می‌دهد. این پژوهش، روشی کاملاً خودکار برای ساخت پایگاه‌های دانش سِمِم با کیفیت بالا، تنها با استفاده از یک فرهنگ لغت موجود، معرفی می‌کند. اهمیت این مقاله در این است که می‌تواند راه را برای تولید منابع معنایی غنی برای زبان‌های مختلف هموار کرده و پیشرفت پژوهش‌های پردازش زبان طبیعی را در سراسر جهان تسریع بخشد.

این مقاله توسط تیمی از پژوهشگران برجسته از گروه پردازش زبان طبیعی دانشگاه چینهوا (THUNLP) به سرپرستی اساتید برجسته‌ای چون ژیوان لیو و ماسونگ سان ارائه شده است. این گروه یکی از معتبرترین مراکز تحقیقاتی در حوزه هوش مصنوعی و NLP در سطح جهان است و سابقه درخشانی در زمینه بازنمایی دانش و معناشناسی واژگانی دارد. نویسندگان مقاله، فانچائو چی، یانگی چن، فنگ‌یو وانگ، ژیوان لیو، ژیائو چن و ماسونگ سان، با تکیه بر تجربیات پیشین خود در زمینه پایگاه‌های دانش، به‌ویژه HowNet، این روش جدید را توسعه داده‌اند. این تحقیق در تقاطع حوزه‌های هوش مصنوعی، زبان‌شناسی محاسباتی و فرهنگ‌نگاری قرار می‌گیرد و نشان‌دهنده یک گام مهم به سوی خودکارسازی فرآیندهای پیچیده زبان‌شناختی است.

این مقاله به مسئله کمبود پایگاه‌های دانش سِمِم در اکثر زبان‌ها و دشواری ساخت دستی آن‌ها می‌پردازد. نویسندگان یک روش ساده و کاملاً خودکار برای حل این مشکل پیشنهاد می‌کنند که از ظرفیت پنهان فرهنگ لغت‌های موجود بهره می‌برد. ایده اصلی این است که تعاریف ارائه‌شده در یک فرهنگ لغت، خود حاوی سِمِم‌های سازنده یک کلمه هستند. این پژوهش با پیاده‌سازی این روش، دو پایگاه دانش سِمِم بزرگ برای زبان‌های انگلیسی (DictSKB-Eng) و فرانسوی (DictSKB-Fr) ایجاد کرده است.

برای ارزیابی کیفیت این پایگاه‌های دانش، نویسندگان آزمون‌های جامع و دومنظوره‌ای را انجام داده‌اند: ارزیابی ذاتی (intrinsic) برای سنجش کیفیت خود پایگاه دانش و ارزیابی خارجی (extrinsic) برای بررسی تأثیر آن بر عملکرد وظایف کاربردی NLP. نتایج شگفت‌انگیز بودند: پایگاه دانش انگلیسی ساخته‌شده به‌صورت خودکار، نه تنها کیفیتی قابل‌قبول داشت، بلکه حتی از HowNet که دهه‌ها برای ساخت دستی آن زمان صرف شده بود، عملکرد بهتری نشان داد. علاوه بر این، استفاده از هر دو پایگاه دانش انگلیسی و فرانسوی، بهبود قابل‌توجهی در عملکرد چندین وظیفه پایین‌دستی مانند ابهام‌زدایی معنای کلمه و سنجش تشابه واژگانی به همراه داشت. این دستاورد نشان می‌دهد که می‌توان با هزینه‌ای بسیار کمتر، منابع معنایی غنی و دقیقی برای زبان‌های مختلف تولید کرد.

روش پیشنهادی این مقاله برای ساخت خودکار پایگاه دانش سِمِم (که آن را DictSKB نامیده‌اند) شامل سه مرحله اصلی است:

• مرحله اول: استخراج سِمِم‌ها (Sememe Extraction)
  چگونه می‌توان واحدهای معنایی پایه (سِمِم‌ها) را از یک فرهنگ لغت استخراج کرد؟ نویسندگان از یک الگوریتم هوشمندانه به نام بوت‌استرپینگ (bootstrapping) تکرارشونده استفاده می‌کنند. این فرآیند با یک مجموعه کوچک از کلمات پایه‌ای (seed sememes) آغاز می‌شود. سپس، الگوریتم تعاریف تمام کلمات در فرهنگ لغت را بررسی کرده و کلماتی را که با استفاده از این سِمِم‌های اولیه تعریف شده‌اند، شناسایی می‌کند. کلمات جدیدی که در این تعاریف به کار رفته‌اند، به مجموعه سِمِم‌ها اضافه می‌شوند. این چرخه چندین بار تکرار می‌شود تا زمانی که مجموعه سِمِم‌ها به پایداری برسد و دیگر کلمه جدیدی به آن اضافه نشود. در نهایت، مجموعه‌ای جامع از کلمات بنیادی که برای تعریف سایر کلمات به کار می‌روند، به‌عنوان فهرست نهایی سِمِم‌ها شناسایی می‌شود.
• مرحله دوم: حاشیه‌نویسی معانی کلمات (Word Sense Annotation)
  پس از شناسایی فهرست کامل سِمِم‌ها، نوبت به تخصیص آن‌ها به هر کلمه در فرهنگ لغت می‌رسد. برای هر کلمه و هر یک از معانی آن (sense)، الگوریتم متن تعریف مربوطه را تحلیل می‌کند و سِمِم‌هایی را که در آن تعریف ظاهر شده‌اند، استخراج می‌کند. برای مثال، برای کلمه «قله» با تعریف «نوک تیز یک کوه»، سِمِم‌هایی مانند `نوک`، `تیز` و `کوه` شناسایی و به این معنای کلمه تخصیص داده می‌شوند. این فرآیند برای تمام کلمات و معانی موجود در فرهنگ لغت تکرار شده و یک پایگاه دانش اولیه شکل می‌گیرد.
• مرحله سوم: پالایش مبتنی بر گراف (Graph-based Refinement)
  حاشیه‌نویسی اولیه ممکن است حاوی خطا یا نویز باشد. برای افزایش دقت و انسجام پایگاه دانش، نویسندگان از یک رویکرد مبتنی بر گراف استفاده می‌کنند. آن‌ها کل فرهنگ لغت را به صورت یک گراف عظیم مدل‌سازی می‌کنند که در آن، هر معنای کلمه یک گره (node) است و اگر کلمه‌ای در تعریف کلمه دیگر به کار رود، یک یال (edge) بین آن دو گره ایجاد می‌شود. سپس، با استفاده از الگوریتم‌های پیمایش گراف، اطلاعات سِمِم‌ها در سراسر شبکه توزیع و پالایش می‌شود. این کار باعث می‌شود کلمات مرتبط از نظر معنایی، دارای سِمِم‌های مشابهی شوند و ناهماهنگی‌ها برطرف گردد. نتیجه این مرحله، یک پایگاه دانش سِمِم بسیار دقیق، منسجم و باکیفیت است.

ارزیابی‌های انجام‌شده در این مقاله نتایج چشمگیری را به همراه داشت که موفقیت این رویکرد را به اثبات می‌رساند:

• برتری بر پایگاه دانش دستی: در ارزیابی ذاتی، کیفیت پایگاه دانش انگلیسی (DictSKB-Eng) با HowNet مقایسه شد. نتایج نشان داد که DictSKB-Eng از نظر پوشش واژگان و دقت معنایی، عملکردی بهتر از HowNet دارد. این یافته بسیار مهم است، زیرا نشان می‌دهد یک فرآیند کاملاً خودکار که تنها چند روز زمان می‌برد، می‌تواند از محصولی که حاصل دهه‌ها کار انسانی است، پیشی بگیرد.
• مقیاس‌پذیری و پوشش گسترده: این روش توانست پایگاه‌های دانش بزرگی برای انگلیسی و فرانسوی ایجاد کند که ده‌ها هزار کلمه و صدها هزار معنای مختلف را پوشش می‌دهند. این مقیاس‌پذیری، کاربرد آن را برای زبان‌های دیگر نیز ممکن می‌سازد.
• بهبود عملکرد در وظایف کاربردی: در ارزیابی خارجی، این پایگاه‌های دانش در مدل‌های پیشرفته NLP برای وظایفی مانند «ابهام‌زدایی معنای کلمه»، «سنجش تشابه کلمات» و «جایگزینی واژگانی» به کار گرفته شدند. نتایج نشان داد که مدل‌های مجهز به DictSKB به‌طور مداوم و با اختلاف قابل‌توجهی، از مدل‌های پایه (baseline) بهتر عمل می‌کنند. این امر ثابت می‌کند که دانش سِمِمیک استخراج‌شده، کاربردی و مؤثر است و به ماشین‌ها در درک عمیق‌تر معنا کمک می‌کند.

این پژوهش دستاوردهای مهمی برای جامعه علمی و صنعت به ارمغان آورده است:

۱. دموکراتیک‌سازی دانش معنایی: مهم‌ترین دستاورد این مقاله، ارائه یک روش سریع، ارزان و مقیاس‌پذیر برای ساخت منابع معنایی است. اکنون هر زبانی که دارای یک فرهنگ لغت دیجیتال مناسب باشد، می‌تواند صاحب پایگاه دانش سِمِم خود شود. این امر به ویژه برای زبان‌های با منابع کمتر (low-resource languages) مانند فارسی، یک فرصت استثنایی است.

۲. ارتقای مدل‌های هوش مصنوعی: پایگاه‌های دانش تولیدشده می‌توانند به‌عنوان یک منبع دانش خارجی (external knowledge) برای تقویت انواع مدل‌های NLP استفاده شوند. این دانش به بهبود عملکرد سیستم‌هایی مانند موتورهای جستجو، سیستم‌های توصیه‌گر، چت‌بات‌ها و ابزارهای ترجمه ماشینی کمک شایانی می‌کند.

۳. منبع باز و قابل تکرار: نویسندگان کدها و داده‌های مربوط به این پژوهش را (به جز فرهنگ لغت‌های دارای حق کپی‌رایت) به‌صورت عمومی منتشر کرده‌اند. این کار به دیگر پژوهشگران اجازه می‌دهد تا نتایج را بازتولید کرده، روش را بهبود بخشند و آن را برای زبان‌های جدید به کار گیرند.

مقاله “ساخت خودکار پایگاه‌های دانش سِمِم بر پایه فرهنگ لغت‌ها” یک پیشرفت بزرگ در حوزه معناشناسی محاسباتی و مهندسی دانش به شمار می‌رود. این پژوهش با ارائه یک متدولوژی کاملاً خودکار، هوشمندانه و مؤثر، بر یکی از بزرگ‌ترین موانع توسعه منابع معنایی برای زبان‌های مختلف غلبه می‌کند. موفقیت این روش در ساخت پایگاه‌های دانشی که حتی از نمونه‌های دستی و پرهزینه نیز بهتر عمل می‌کنند، نشان‌دهنده ظرفیت عظیم فرهنگ لغت‌ها به‌عنوان منابع دانش ساختاریافته است.

این کار مسیری جدید را برای تولید سریع و کم‌هزینه دانش‌نامه‌های معنایی در مقیاس جهانی باز می‌کند و آینده‌ای را نوید می‌دهد که در آن، سیستم‌های هوش مصنوعی در زبان‌های گوناگون، به درکی عمیق و انسانی از معنای کلمات دست یابند. این دستاورد، بدون شک، تأثیرات گسترده‌ای بر آینده پردازش زبان طبیعی خواهد داشت.