برچسب‌گذاری موجودیت‌های اسمی (NER)

- (0 رأی)

موتور تشخیص موجودیت نامدار مرکز تحقیقات کامپیوتری علوم اسلامی

تشخیص اعلام، نمایه‌زنی و به کارگیری آن به عنوان زیرساخت سایر فرآیندهای ماشینی از اهم مواردی است که به تشخیص موجودیت نامدار نیازمندیم. اسامی اشخاص، افراد، اماکن و نهادها و مواردی از این دست، نیاز پایه محققان در بسیاری از رشته‌ها است.

به دلایل مذکور و با توجه به هزینه‌ی بالای تشخیص موجودیت نامدار به صورت دستی و توسط عامل انسانی، توسعه موتور تشخیص موجودیت نامدار در مرکز تحقیقات کامپیوتری علوم اسلامی (نور) در دستور کار قرار گرفته است.

تشخیص موجودیت نامدار چیست؟

امروزه برای عبارت "موجودیت نامدار" تعاریف متعددی به چشم می‌خورد. تا جایی که در برخی منابع، تا ۱۹ تعریف متفاوت از موجودیت نامدار ارائه شده است. به طور کلی، موجودیت‌های نامدار، اسامی موجودیت‌های دلخواه ما در یک متن دلخواه (مثل نام اشخاص، مکان‌ها، داروها و بیماری‌ها و …) هستند.

کاربردهای گسترده

تشخیص موجودیت‌های نامدار دارای کاربردهای وسیعی شامل:
- پرسش و پاسخ
- بازیابی اطلاعات
- استخراج اطلاعات
- تحلیل روند
- طبقه‌بندی اسناد
- خلاصه‌سازی
- برچسب‌زنی خودکار متن
- ترجمه ماشینی
- استخراج نمایه و اعلام
- و بسیاری کاربردهای بالقوه دیگر

رویکردهای سنتی و مدرن

تا به امروز، سه رویکرد سنتی برای تشخیص موجودیت‌های نامدار ارائه شده است و سیستم‌های مدرن تشخیص موجودیت‌های نامدار عمدتاً از ترکیب این سه روش استفاده می‌کنند:

روش‌های مبتنی بر واژه‌نامه
روش‌های مبتنی بر قواعد
روش‌های مبتنی بر یادگیری ماشین

موتور تشخیص موجودیت نامدار مرکز نور

سامانه تشخیص موجودیت نامدار مرکز تحقیقات کامپیوتری علوم اسلامی با استفاده از جدیدترین فناوری یادگیری ماشین یعنی یادگیری عمیق (Deep Learning) و در دو زبان فارسی و عربی توسعه داده شده است.

یادگیری عمیق نوعی رویکرد نوین در هوش مصنوعی و یادگیری ماشین است که در دهه‌ی گذشته به عنوان رویکرد غالب در زمینه‌های مختلف به کار رفته است. استفاده از فناوری هوش مصنوعی باعث شده است که عملکرد مورد نظر سیستم بدون استفاده از واژگان انجام پذیرد. این مهم باعث خواهد شد تا کلمه‌ای واحد که در دو متن متفاوت در دو جایگاه متفاوت است، به درستی تفسیر شود.

alt

شکل 1: نمونه عملکرد موتور تشخیص موجودیت نامدار

موتور تشخیص موجودیت نامدار مرکز نور، در دو زبان عربی و فارسی توسعه داده شده است. طراحی این سامانه به گونه‌ای است که تنها با تولید داده‌ی آموزش، می‌تواند برای سایر زبان‌ها عملیات تشخیص موجودیت نامدار را انجام دهد.[1]

مزایای استفاده

استفاده از پردازش رایانشی در تشخیص موجودیت نامدار و همچنین استفاده از هوش مصنوعی در این مسیر، موتور موجودیت‌های نامدار را حائز برتری‌هایی ساخته است:

پردازش حجم انبوهی از داده‌ها در زمانی بسیار کم
تشخیص موجودیت‌های نامدار دیده نشده به دلیل در نظر گرفتن اطراف کلمه به عنوان شواهد
امکان توسعه‌ی این موتور برای سایر زبان‌ها با صرف هزینه‌ی بسیار کم
عدم استفاده صرف از واژگان برای تشخیص موجودیت نامدار

گام‌های توسعه و کاربرد

با توجه به محصولات محوری مرکز و چشم‌انداز آن‌ها، گام‌های زیر برای به کارگیری موتور تشخیص موجودیت نامدار متصور است:

مجتمع کردن موتور تشخیص موجودیت نامدار و موتور جستجوی نورمگز جهت ارائه‌ی نتیجه‌ی بهتر در مواجهه با اعلام
ایجاد برگه‌ی اعلام در وب‌سایت نورلیب به ازای هر کتاب
کمک به توسعه‌ی هستان‌شناسی‌های مورد نیاز در پروژه‌های هوشمند نور

مراحل بهبود

در جهت بهبود استفاده از خروجی موتور تشخیص موجودیت نامدار، دو گام اساسی باید انجام شود:

۱. رفع ابهام (Disambiguation)
رفع ابهام از موجودیت نامدار به معنای آن است که چنانچه در یک متن انواع مختلفی از نام‌های یک موجودیت خاص وجود دارد، این نام‌های متنوع با یکدیگر متصل شوند تا زمینه برای گام بعدی یعنی ارجاع اعلام فراهم شود.

۲. ارجاع اعلام (Coreference Resolution)
ممکن است دو فرد متفاوت یا دو مکان متفاوت اسامی مشابهی داشته باشند. در چنین شرایطی خروجی ایده‌آل این است که اعلام رفع ابهام شده به یک شاخص یکتا متصل شوند تا در فرآیند پردازش و بازیابی اطلاعات، دچار خطای تشابه اسمی نشویم.

نتیجه‌گیری

استفاده از این موتور در تولید نمایه‌ها، فرهنگ‌نامه‌ها و همچنین در تحلیل محتوایی اطلاعات، پژوهش کیفی، بازیابی اطلاعات می‌تواند باعث کاستن از هزینه‌ی عملیات انسانی و طبیعتاً تسریع در روند پژوهش‌ها شود.

اضافه شدن خروجی این محصول به سایر محصولات مرکز نور مثل وب‌سایت نورمگز و یا حتی نرم‌افزارهای رومیزی مرکز نور می‌تواند باعث تکمیل اکوسیستم پژوهشی نرم‌افزارهای نور بشود.