در دنیای پردازش زبان طبیعی (NLP)، بازشناسی موجودیت‌های نامدار (Named Entity Recognition یا NER) نقش حیاتی ایفا می‌کند. این فرایند شامل شناسایی و طبقه‌بندی اشیاء نامدار در متن، مانند افراد، سازمان‌ها، مکان‌ها، تاریخ‌ها و غیره است. با این حال، بازشناسی موجودیت‌های *پیچیده*، که اغلب در بافت‌های کم و مبهم ظاهر می‌شوند، چالش‌های قابل توجهی را به همراه دارد. مقاله حاضر، که توسط گروه پردازش زبان طبیعی دانشگاه سابانجی (SU-NLP) ارائه شده است، به بررسی رویکردی نوآورانه برای حل این چالش در تسک ۱۱ SemEval-2022 با عنوان MultiCoNER می‌پردازد.

این مقاله حاصل تلاش بوسه چاریک، فاتح بیهان و رئیان ینیترزی، محققان برجسته در زمینه پردازش زبان طبیعی است. تخصص این محققان در زمینه‌هایی مانند یادگیری ماشین، استخراج اطلاعات و بازنمایی دانش، زمینه‌ای قوی برای تحقیق در مورد بازشناسی موجودیت‌های نامدار پیچیده فراهم کرده است. مشارکت آن‌ها در تسک MultiCoNER SemEval-2022، نشان‌دهنده تعهد آن‌ها به پیشبرد مرزهای دانش در این حوزه است.

مقاله حاضر به شرح سیستم پیشنهادی گروه پردازش زبان طبیعی دانشگاه سابانجی در تسک MultiCoNER SemEval-2022 می‌پردازد. این گروه، یک پایپ‌لاین پیوند موجودیت غیرنظارتی توسعه داده‌اند که با کمک ویکی‌پدیا، پتانسیل‌های موجودیت‌ها را شناسایی کرده و از بافت متنی مربوط به ویکی‌پدیا برای کمک به طبقه‌بندی و یافتن نوع موجودیت نامدار بهره می‌برد. نتایج نشان می‌دهد که این پایپ‌لاین، عملکرد سیستم را به‌طور قابل توجهی، به‌ویژه برای موجودیت‌های پیچیده در بافت‌های کم، بهبود می‌بخشد.

به طور خلاصه، این تحقیق به ارائه یک رویکرد جدید و مؤثر برای بازشناسی موجودیت‌های نامدار پیچیده می‌پردازد که با استفاده از دانش موجود در ویکی‌پدیا و تکنیک‌های پیوند موجودیت، دقت و کارایی سیستم‌های NER را در مواجهه با ابهام و کمبود اطلاعات متنی افزایش می‌دهد.

روش‌شناسی این تحقیق حول محور توسعه یک پایپ‌لاین پیوند موجودیت غیرنظارتی متمرکز است. مراحل کلیدی این روش عبارتند از:

• شناسایی پتانسیل‌های موجودیت: در این مرحله، سیستم با استفاده از اطلاعات موجود در ویکی‌پدیا، به دنبال شناسایی بخش‌هایی از متن می‌گردد که احتمالاً به یک موجودیت نامدار اشاره دارند.
• پیوند موجودیت به ویکی‌پدیا: پس از شناسایی پتانسیل‌ها، سیستم تلاش می‌کند تا آن‌ها را به صفحات متناظر در ویکی‌پدیا پیوند دهد. این کار با استفاده از الگوریتم‌های تطبیق متن و بررسی اطلاعات موجود در ویکی‌پدیا انجام می‌شود.
• استخراج بافت متنی از ویکی‌پدیا: پس از پیوند موجودیت به ویکی‌پدیا، سیستم بافت متنی مربوط به آن موجودیت را از صفحه ویکی‌پدیا استخراج می‌کند. این بافت متنی شامل اطلاعاتی مانند دسته‌بندی‌های موجودیت، توضیحات کوتاه و لینک‌های ورودی و خروجی به سایر صفحات ویکی‌پدیا است.
• طبقه‌بندی نوع موجودیت: در نهایت، سیستم با استفاده از بافت متنی استخراج‌شده از ویکی‌پدیا، نوع موجودیت نامدار را تعیین می‌کند. این کار با استفاده از یک طبقه‌بندی‌کننده یادگیری ماشین انجام می‌شود که بر روی داده‌های آموزشی برچسب‌گذاری‌شده آموزش داده شده است.

نکته قابل توجه در این روش، استفاده از منابع دانش موجود (ویکی‌پدیا) به صورت غیرنظارتی است. این امر به سیستم امکان می‌دهد تا بدون نیاز به داده‌های آموزشی برچسب‌گذاری‌شده، به عملکرد خوبی در بازشناسی موجودیت‌های نامدار پیچیده دست یابد.

نتایج حاصل از این تحقیق، نشان‌دهنده عملکرد قابل توجه پایپ‌لاین پیوند موجودیت غیرنظارتی در بازشناسی موجودیت‌های نامدار پیچیده است. یافته‌های کلیدی عبارتند از:

• بهبود عملکرد در بافت‌های کم: پایپ‌لاین پیشنهادی، به‌طور خاص در بافت‌هایی که اطلاعات متنی محدودی در دسترس است، عملکرد بهتری نسبت به روش‌های سنتی NER از خود نشان داده است. این امر به دلیل استفاده از دانش موجود در ویکی‌پدیا و توانایی سیستم در استنباط اطلاعات از بافت‌های دانشی است.
• افزایش دقت در طبقه‌بندی موجودیت‌های پیچیده: سیستم پیشنهادی، در طبقه‌بندی موجودیت‌های پیچیده که اغلب ابهام دارند و به دسته‌بندی‌های متعددی تعلق دارند، دقت بالاتری نسبت به سیستم‌های سنتی NER داشته است.
• کارایی در پردازش زبان‌های مختلف: استفاده از ویکی‌پدیا به عنوان منبع دانش، به سیستم امکان می‌دهد تا به راحتی به زبان‌های مختلف تعمیم یابد و در محیط‌های چندزبانه عملکرد خوبی داشته باشد.

به عنوان مثال، در متنی که تنها حاوی عبارت “میدان آزادی” باشد، تشخیص اینکه آیا منظور میدان آزادی تهران است یا میدان آزادی در شهر دیگری، دشوار است. سیستم پیشنهادی با پیوند این عبارت به صفحه ویکی‌پدیا مربوطه، می‌تواند با استفاده از اطلاعات موجود در آن صفحه، به درستی تشخیص دهد که منظور کدام میدان آزادی است.

این تحقیق، کاربردهای متعددی در زمینه‌های مختلف دارد. برخی از این کاربردها عبارتند از:

• بهبود سیستم‌های جستجوی اطلاعات: با شناسایی دقیق‌تر موجودیت‌های نامدار، سیستم‌های جستجو می‌توانند نتایج مرتبط‌تری را به کاربران ارائه دهند.
• ارتقاء کیفیت سیستم‌های خلاصه‌سازی متن: با شناسایی موجودیت‌های کلیدی در متن، سیستم‌های خلاصه‌سازی می‌توانند خلاصه‌هایی دقیق‌تر و مفیدتر تولید کنند.
• توسعه سیستم‌های پاسخگویی به سؤال: با درک بهتر روابط بین موجودیت‌ها، سیستم‌های پاسخگویی به سؤال می‌توانند به سؤالات پیچیده‌تری پاسخ دهند.
• بهبود تحلیل احساسات: با شناسایی دقیق‌تر موجودیت‌های مورد بحث در یک متن، تحلیل‌گران می‌توانند احساسات مرتبط با آن موجودیت‌ها را با دقت بیشتری ارزیابی کنند.

علاوه بر این کاربردها، این تحقیق به پیشرفت دانش در زمینه بازشناسی موجودیت‌های نامدار پیچیده کمک می‌کند و راه را برای تحقیقات بیشتر در این زمینه هموار می‌سازد. به طور خاص، رویکرد غیرنظارتی پیشنهادی، امکان استفاده از این تکنیک‌ها را در محیط‌هایی که داده‌های آموزشی برچسب‌گذاری‌شده محدودی در دسترس است، فراهم می‌کند.

مقاله SU-NLP در تسک ۱۱ SemEval-2022، یک گام مهم در جهت حل چالش بازشناسی موجودیت‌های نامدار پیچیده به شمار می‌رود. رویکرد نوآورانه پیشنهادی، با بهره‌گیری از دانش موجود در ویکی‌پدیا و تکنیک‌های پیوند موجودیت، عملکرد سیستم‌های NER را در مواجهه با ابهام و کمبود اطلاعات متنی بهبود می‌بخشد. این تحقیق، کاربردهای متعددی در زمینه‌های مختلف دارد و به پیشرفت دانش در این حوزه کمک می‌کند. با توجه به نتایج امیدوارکننده حاصل شده، انتظار می‌رود که این رویکرد در آینده به طور گسترده‌تری مورد استفاده قرار گیرد و به توسعه سیستم‌های هوشمندتر و کارآمدتر در زمینه پردازش زبان طبیعی کمک کند.