در عصر حاضر، حجم عظیمی از داده‌ها به صورت ساختاریافته و نیمه‌ساختاریافته در دسترس است. تبدیل این داده‌ها به فرمت‌های قابل فهم برای انسان، یک چالش مهم در حوزه پردازش زبان طبیعی (NLP) به شمار می‌رود. کلامی‌سازی داده‌ها (Data Verbalisation) فرآیندی است که در آن داده‌های ساختاریافته به متن قابل خواندن توسط انسان تبدیل می‌شوند. این فرآیند می‌تواند در کاربردهای مختلفی نظیر تولید خودکار گزارش‌ها، پاسخ به سوالات بر اساس پایگاه دانش، و بهبود دسترسی به اطلاعات برای افراد غیرمتخصص مفید باشد.

مقاله حاضر با عنوان “WDV: یک مجموعه داده گسترده برای کلامی‌سازی داده‌ها مبتنی بر ویکی‌داده”، به معرفی یک مجموعه داده جدید و جامع برای توسعه و ارزیابی مدل‌های کلامی‌سازی داده‌ها می‌پردازد. این مجموعه داده، که WDV نامیده می‌شود، بر اساس داده‌های موجود در ویکی‌داده (Wikidata) ساخته شده است و تلاش می‌کند تا نقاط ضعف مجموعه‌ داده‌های موجود را برطرف کند.

این مقاله توسط گابریل آمارال، اودینالدو رودریگز و النا سیمپل، محققان حوزه پردازش زبان طبیعی و پایگاه‌های دانش، به نگارش درآمده است. تخصص این محققان در زمینه‌هایی نظیر کلامی‌سازی داده‌ها، استخراج اطلاعات از متن، و توسعه پایگاه‌های دانش معنایی، به آن‌ها این امکان را داده است تا مجموعه داده WDV را با دقت و کیفیت بالایی ایجاد کنند.

زمینه تحقیقاتی این مقاله، کلامی‌سازی داده‌ها از گراف دانش (Knowledge Graph) است. گراف‌های دانش، نمایش‌هایی ساختاریافته از اطلاعات هستند که از سه تایی‌هایی (triples) تشکیل شده‌اند: موضوع (subject)، محمول (predicate) و مفعول (object). کلامی‌سازی گراف دانش، تبدیل این سه تایی‌ها به جملات قابل فهم است. برای مثال، سه تایی “تهران، پایتخت، ایران” می‌تواند به جمله “تهران پایتخت ایران است” کلامی شود.

چکیده مقاله بر اهمیت کلامی‌سازی داده‌ها و نقش آن در تبدیل داده‌های ساختاریافته به فرمت‌های قابل فهم انسانی تاکید می‌کند. کلامی‌سازی گراف دانش، به ویژه در تبدیل سه تایی‌های تشکیل دهنده این گراف‌ها به متن، مورد توجه قرار گرفته است. اگرچه مجموعه‌ داده‌هایی برای کلامی‌سازی گراف‌های دانش وجود دارند، اما نویسندگان مقاله معتقدند که این مجموعه‌ داده‌ها در برآورده کردن نیازهای مختلف، به خصوص در مورد ویکی‌داده، کاستی‌هایی دارند. به عنوان مثال، برخی از مجموعه‌ داده‌ها ارتباط نزدیکی بین سه تایی‌ها و متن ندارند، و یا تمرکز بیش از حدی بر روی محمول‌های مربوط به زندگینامه‌ها، شهرها و کشورها دارند.

برای رفع این کاستی‌ها، نویسندگان مجموعه داده WDV را پیشنهاد می‌کنند. این مجموعه داده، که از ویکی‌داده استخراج شده است، ارتباط نزدیکی بین سه تایی‌ها و متن دارد و طیف گسترده‌ای از موجودیت‌ها و محمول‌ها را پوشش می‌دهد. نویسندگان همچنین کیفیت کلامی‌سازی‌های خود را از طریق یک فرآیند قابل استفاده مجدد برای اندازه‌گیری روانی و کفایت، ارزیابی کرده‌اند. داده‌ها و کدها به صورت آزاد در دسترس قرار گرفته‌اند تا به پیشرفت تحقیقات در زمینه کلامی‌سازی گراف دانش کمک کنند.

روش‌شناسی تحقیق در این مقاله شامل چندین مرحله کلیدی است:

1. استخراج داده‌ها از ویکی‌داده: نویسندگان مجموعه داده WDV را با استخراج اطلاعات از ویکی‌داده ایجاد کرده‌اند. ویکی‌داده یک پایگاه دانش آزاد و همگانی است که اطلاعات ساختاریافته در مورد موضوعات مختلف را ارائه می‌دهد.
2. انتخاب سه تایی‌ها: مرحله بعد، انتخاب سه تایی‌های مناسب از ویکی‌داده است. نویسندگان معیارهایی را برای انتخاب سه تایی‌ها در نظر گرفته‌اند تا اطمینان حاصل شود که مجموعه داده نهایی، طیف گسترده‌ای از موجودیت‌ها و محمول‌ها را پوشش می‌دهد.
3. تولید کلامی‌سازی‌ها: پس از انتخاب سه تایی‌ها، نویسندگان به تولید کلامی‌سازی‌های متناظر با هر سه تایی پرداخته‌اند. این کار می‌تواند به صورت دستی یا با استفاده از روش‌های خودکار انجام شود. به نظر می‌رسد که در این مقاله، از ترکیبی از روش‌های دستی و خودکار استفاده شده است.
4. ارزیابی کیفیت کلامی‌سازی‌ها: مهم‌ترین بخش روش‌شناسی تحقیق، ارزیابی کیفیت کلامی‌سازی‌های تولید شده است. نویسندگان از یک فرآیند قابل استفاده مجدد برای اندازه‌گیری روانی و کفایت کلامی‌سازی‌ها استفاده کرده‌اند. روانی (Fluency) به میزان طبیعی بودن و سهولت خواندن متن اشاره دارد، در حالی که کفایت (Adequacy) به میزان حفظ معنای اصلی سه تایی در متن کلامی‌شده اشاره دارد. این ارزیابی‌ها معمولاً توسط ارزیابان انسانی انجام می‌شود.

به عنوان مثال، برای سه تایی “مریخ، سیاره، منظومه شمسی“، کلامی‌سازی باید هم روان و هم کافی باشد. یک کلامی‌سازی روان می‌تواند “مریخ یک سیاره در منظومه شمسی است” باشد. یک کلامی‌سازی ناکافی می‌تواند “مریخ مربوط به خورشید است” باشد (حتی اگر مریخ به طور غیرمستقیم به خورشید مربوط باشد، این جمله معنای اصلی سه تایی را به درستی منتقل نمی‌کند).

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

• ایجاد یک مجموعه داده گسترده و متنوع: مجموعه داده WDV، به طور قابل توجهی از مجموعه‌ داده‌های موجود بزرگتر است و طیف گسترده‌تری از موجودیت‌ها و محمول‌ها را پوشش می‌دهد. این تنوع، WDV را برای آموزش و ارزیابی مدل‌های کلامی‌سازی داده‌ها در سناریوهای مختلف مناسب می‌سازد.
• ارتباط نزدیک بین سه تایی‌ها و متن: WDV ارتباط بسیار نزدیکی بین سه تایی‌ها و متن کلامی‌شده ایجاد می‌کند. این ارتباط، به مدل‌ها کمک می‌کند تا ارتباطات معنایی بین داده‌های ساختاریافته و متن را بهتر درک کنند.
• ارزیابی کیفیت کلامی‌سازی‌ها: ارزیابی کیفیت کلامی‌سازی‌ها توسط ارزیابان انسانی نشان می‌دهد که WDV از روانی و کفایت بالایی برخوردار است. این امر نشان می‌دهد که کلامی‌سازی‌های تولید شده، قابل فهم و دقیق هستند.
• ارائه یک فرآیند ارزیابی قابل استفاده مجدد: نویسندگان یک فرآیند ارزیابی کیفیت کلامی‌سازی‌ها را ارائه کرده‌اند که می‌تواند توسط سایر محققان برای ارزیابی مجموعه‌ داده‌ها و مدل‌های کلامی‌سازی داده‌ها مورد استفاده قرار گیرد.

مجموعه داده WDV و فرآیند ارزیابی ارائه شده در این مقاله، دستاوردها و کاربردهای متعددی دارند:

• توسعه مدل‌های کلامی‌سازی داده‌ها: WDV می‌تواند به عنوان یک منبع ارزشمند برای آموزش و ارزیابی مدل‌های کلامی‌سازی داده‌ها مورد استفاده قرار گیرد. تنوع و کیفیت این مجموعه داده، به مدل‌ها کمک می‌کند تا عملکرد بهتری در تبدیل داده‌های ساختاریافته به متن داشته باشند.
• بهبود دسترسی به اطلاعات: کلامی‌سازی داده‌ها می‌تواند به بهبود دسترسی به اطلاعات برای افراد غیرمتخصص کمک کند. با تبدیل داده‌های پیچیده به متن قابل فهم، اطلاعات به راحتی در دسترس همگان قرار می‌گیرد.
• تولید خودکار گزارش‌ها: WDV می‌تواند در تولید خودکار گزارش‌ها بر اساس داده‌های موجود در پایگاه‌های دانش مورد استفاده قرار گیرد. این امر می‌تواند در صنایع مختلف، از جمله بهداشت و درمان، مالی و بازرگانی، مفید باشد.
• پاسخ به سوالات بر اساس پایگاه دانش: کلامی‌سازی داده‌ها می‌تواند به سیستم‌های پاسخ به سوالات کمک کند تا پاسخ‌های دقیق‌تر و قابل فهم‌تری را به کاربران ارائه دهند.
• پیشرفت تحقیقات در زمینه پردازش زبان طبیعی: WDV و فرآیند ارزیابی ارائه شده در این مقاله، به پیشرفت تحقیقات در زمینه پردازش زبان طبیعی و کلامی‌سازی داده‌ها کمک می‌کنند.

به عنوان مثال، فرض کنید یک سیستم نیاز دارد به سوال “جنسیت آلبرت انیشتین چیست؟” پاسخ دهد. با استفاده از WDV و مدل‌های کلامی‌سازی داده‌ها، سیستم می‌تواند به سه تایی “آلبرت انیشتین، جنسیت، مرد” دست یابد و آن را به جمله “آلبرت انیشتین مرد است.” تبدیل کند. این پاسخ، هم دقیق و هم قابل فهم است.

مقاله “WDV: یک مجموعه داده گسترده برای کلامی‌سازی داده‌ها مبتنی بر ویکی‌داده”، یک گام مهم در راستای توسعه و بهبود مدل‌های کلامی‌سازی داده‌ها محسوب می‌شود. مجموعه داده WDV، با پوشش گسترده و کیفیت بالای خود، می‌تواند به عنوان یک منبع ارزشمند برای محققان و توسعه‌دهندگان در این زمینه مورد استفاده قرار گیرد. ارائه یک فرآیند ارزیابی قابل استفاده مجدد نیز، به تسهیل ارزیابی و مقایسه مدل‌های مختلف کلامی‌سازی داده‌ها کمک می‌کند. در مجموع، این مقاله یک سهم قابل توجه در زمینه پردازش زبان طبیعی و کلامی‌سازی داده‌ها به شمار می‌رود و می‌تواند به پیشرفت‌های بیشتری در این حوزه منجر شود.

دسترسی آزاد به داده‌ها و کدها، به ترویج همکاری و تسهیل تحقیقات بیشتر در زمینه کلامی‌سازی گراف دانش کمک خواهد کرد و انتظار می‌رود که در آینده، شاهد استفاده گسترده از WDV در پروژه‌های مختلف باشیم.