قلب این پژوهش، معماری شبکه عصبی آن است که برای درک روابط ظریف ساختواژی طراحی شده است. چالش اصلی این است که مدل‌های تعبیه‌سازی استاندارد مانند Word2Vec یا GloVe، بیشتر بر روابط معنایی (Semantic) تمرکز دارند تا روابط ساختاری (Morphological). برای مثال، این مدل‌ها به راحتی رابطه «پادشاه – مرد + زن = ملکه» را یاد می‌گیرند، اما در درک رابطه ساختاری «رفتن – می‌روم + دیدن = می‌بینم» ضعیف عمل می‌کنند.

برای غلبه بر این چالش، نویسندگان یک رویکرد چندلایه را اتخاذ کردند:

• تعبیه‌سازی ساختواژی (Morphological Embedding): به جای استفاده از تعبیه‌های از پیش آماده، مدل از یک لایه تعبیه‌سازی استفاده می‌کند که کلمات را بر اساس اجزای تشکیل‌دهنده‌شان (مانند حروف یا زیرواژه‌ها) نمایش می‌دهد. این کار به مدل اجازه می‌دهد تا شباهت‌های ساختاری بین کلمات را تشخیص دهد. برای مثال، مدل می‌تواند بفهمد که پسوند «-ها» در «کتاب‌ها» و «میزها» یک الگوی مشترک جمع‌بندی را نشان می‌دهد.
• یادگیری تابع تبدیل: معماری شبکه به گونه‌ای طراحی شده که «تابع تبدیل» از A به B را بیاموزد و آن را با تبدیل C به D مقایسه کند. این کار احتمالاً از طریق عملیات برداری روی بردارهای تعبیه‌شده کلمات انجام می‌شود. مدل یاد می‌گیرد که بردار حاصل از تفاضل B – A باید به بردار حاصل از تفاضل D – C بسیار نزدیک باشد. این همان مفهوم ریاضیاتی است که در پشت قیاس‌های معنایی نیز وجود دارد، اما این بار با تعبیه‌های ساختواژی اعمال می‌شود.
• مدل‌سازی دوگانه برای تشخیص و حل: مدل برای هر دو وظیفه بهینه‌سازی شده است. برای تشخیص قیاس، خروجی نهایی یک مقدار احتمال است که نشان می‌دهد آیا چهار کلمه ورودی یک قیاس معتبر را تشکیل می‌دهند یا خیر (یک مسئله طبقه‌بندی باینری). برای حل قیاس، مدل باید از میان تمام کلمات موجود در واژگان، محتمل‌ترین کلمه (D) را برای تکمیل سه‌گانه (A, B, C) پیدا کند.
• تحلیل استحکام و توازن داده‌ها: نویسندگان فراتر از ارزیابی صرف دقت رفته‌اند. آن‌ها به طور سیستماتیک تأثیر توازن داده‌های آموزشی را بررسی کرده‌اند. در زبان، برخی الگوهای ساختواژی بسیار رایج و برخی دیگر بسیار نادر هستند. عدم توازن در داده‌ها می‌تواند مدل را به سمت الگوهای رایج سوق دهد. این تحقیق نشان می‌دهد که تکنیک‌های متوازن‌سازی داده‌ها می‌تواند به طور قابل توجهی عملکرد مدل را بهبود بخشد. همچنین، با افزودن نویز عمدی (مانند غلط‌های املایی) به ورودی‌ها، استحکام (Robustness) مدل را سنجیده‌اند، که برای کاربردهای دنیای واقعی یک ویژگی بسیار مهم است.

نتایج تجربی این مقاله چندین یافته مهم را به اثبات می‌رساند:

• عملکرد برتر: مدل یادگیری عمیق پیشنهادی در هر دو وظیفه تشخیص و حل قیاس، در چندین زبان مختلف، عملکردی بهتر از رویکردهای نمادین و سایر مدل‌های پایه (Baseline) از خود نشان داد. این امر نشان‌دهنده قدرت رویکردهای داده‌محور در یادگیری الگوهای پیچیده زبانی است.
• اهمیت تعبیه‌سازی سفارشی: تحلیل‌ها نشان داد که موفقیت مدل به شدت به لایه تعبیه‌سازی ساختواژی آن وابسته است. استفاده از تعبیه‌های معنایی استاندارد نتایج ضعیف‌تری به همراه داشت، که این فرضیه را تأیید می‌کند که برای مسائل ساختواژی، به نمایش‌های ویژه‌ای از کلمات نیاز است.
• تأثیر مثبت متوازن‌سازی داده‌ها: آزمایش‌ها تأیید کردند که مدل‌هایی که بر روی داده‌های متوازن آموزش دیده‌اند، در تشخیص و تولید الگوهای ساختواژی نادر بسیار بهتر عمل می‌کنند. این یافته برای آموزش مدل‌های زبان در مقیاس بزرگ اهمیت عملی دارد.
• استحکام بالا در برابر نویز: مدل نشان داد که حتی با وجود خطاهای جزئی در کلمات ورودی، همچنان قادر به شناسایی و حل صحیح قیاس‌ها است. این ویژگی، آن را به ابزاری قابل اعتمادتر برای پردازش متون واقعی که ممکن است حاوی اشتباهات تایپی باشند، تبدیل می‌کند.

دستاوردها و کاربردهای بالقوه این تحقیق گسترده و تأثیرگذار هستند:

• بهبود ترجمه ماشینی: درک دقیق ساختواژه برای ترجمه بین زبان‌های غنی از نظر صرفی (مانند فارسی، ترکی، آلمانی و فنلاندی) ضروری است. مدلی که بتواند قیاس‌های ساختواژی را درک کند، می‌تواند ترجمه‌هایی طبیعی‌تر و دقیق‌تر تولید کند.
• موتورهای جستجوی هوشمندتر: این فناوری به موتورهای جستجو امکان می‌دهد تا روابط بین اشکال مختلف یک کلمه (مانند «رفت»، «می‌رود»، «رفتن») را درک کرده و نتایج مرتبط‌تری را به کاربر نمایش دهند.
• ابزارهای زبان‌شناسی محاسباتی: این مدل می‌تواند به عنوان یک ابزار قدرتمند در اختیار زبان‌شناسان قرار گیرد تا به مطالعه و تحلیل سیستم‌های ساختواژی در زبان‌های کمتر شناخته‌شده بپردازند.
• سیستم‌های آموزشی هوشمند: می‌توان از این رویکرد برای ساخت نرم‌افزارهای یادگیری زبان استفاده کرد که به زبان‌آموزان در درک و تمرین الگوهای صرفی و ساخت کلمات جدید کمک می‌کنند.
• گامی به سوی هوش مصنوعی قابل توضیح (XAI): با مدل‌سازی استدلال قیاسی، این پژوهش به حل یکی از چالش‌های بزرگ هوش مصنوعی، یعنی ایجاد مدل‌هایی که قادر به استدلال نمادین هستند، کمک می‌کند. این امر می‌تواند به توسعه سیستم‌های هوش مصنوعی شفاف‌تر و قابل فهم‌تر منجر شود.