مدلسازی موضوعی

مدل‌سازی موضوعی در نورمگز

مدل‌سازی موضوعی در نورمگز با هدف مصورسازی و ارائه‌ی یک بازنمایی مؤثر و مفید از داده‌های این وب‌سایت توسعه داده شده است. این مهم با استفاده از تحلیل‌های آماری پیچیده موسوم به LDA[1] میسر شده است.

مدل‌سازی موضوعی[2]

استخراج اطلاعات ساختاریافته از لابه‌لای متون بدون ساختار، محور تمام دستاوردهای فناوری‌های پردازش زبان طبیعی[3] و متن‌کاوی[4] است.

در میان ابزارهای مختلف این فناوری، دسته‌ای از ابزارها مربوط به کاوش متونی هستند که برای مخاطب ناشناخته است. در مواردی که حجم اسناد متنی بسیار فراتر از آن است که بتوان به شکل دستی و توسط عامل انسانی صورت پذیرد، ابزارهای رایانشی نقش خود را ایفا می‌کنند.

یکی از نقش‌هایی که انجام آن در حجم زیاد به شکل دستی غیرممکن به نظر می‌رسد، کشف موضوعات مورد بحث در پیکره‌ی متون مورد نظر است.

تفاوت مدل‌سازی موضوعی با دسته‌بندی متون

شاید در نگاه اول، سیستم دسته‌بند متون انتخاب مناسبی برای این کار به نظر رسد. اما باید در نظر داشت که سیستم رده‌بند متون تنها محدود به رده‌ها و موضوعات از پیش تعیین شده است و از کشف و انتساب موضوعات جدید عاجز است.

مدل‌سازی موضوعی یک راهکار مناسب برای استخراج موضوعات از درون پیکره و انتساب اسناد به موضوع مرتبط با آن است.

موضوع از دیدگاه مدل‌سازی موضوعی

از دیدگاه مدل‌سازی موضوعی، هر موضوع یک توزیع آماری از کلمات موجود در متون پیکره است. البته برخی از کلمات موجود در واژگان پیکره، در فرآیند پیش‌پردازش از لیست کلمات حذف می‌شوند.

هدف نهایی در مدل‌سازی موضوعی ایجاد توزیع آماری معنادار روی این واژگان است به نحوی که چنانچه کلماتی در یک موضوع وزن بیشتری دارند، عامل انسانی نیز هم‌موضوع بودن آن‌ها را تأیید کند.

شکل 1: اختصاص وزن بیشتر کلمات هم‌موضوع ذیل یک موضوع، هدف مدل‌سازی موضوعی است.

هَم‌آیی کلمات، مبنای تولید موضوعات

مبنای اساسی برای ایجاد توزیع آماری مذکور در مدل‌سازی موضوعی، هَم‌آیی (هم‌رخدادی) کلمات است. هر چه کلماتی از متن بیشتر در یک سند واحد رخ داده باشند، احتمال آن که آن کلمات هم‌موضوع باشند بیشتر است.

از طرفی استقلال موضوعات تشکیل شده از یکدیگر و همچنین تلاش برای تولید موضوعات به نحوی که کلمات هر موضوع بیشترین وزن را دریافت کنند، چارچوبی است که فرآیند مدل‌سازی موضوعی را شکل می‌دهد.

مدل‌سازی موضوعی در نورمگز

بهره‌گیری از مدل‌سازی موضوعی به شکل آزمایشی و در آزمایشگاه نورمگز اتفاق افتاده است.

در آزمایشگاه نورمگز، پس از انتخاب سردسته‌ی موضوعات، لیست نشریاتی که در آن موضوعات قلم می‌زنند به نمایش در می‌آید. پس از انتخاب نشریه مورد نظر، مدل موضوعی آن نشریه به صورت گرافیکی به نمایش در می‌آید. این امر موجب شناخت بیشتر مخاطبین با موضوعات مطرح شده در مقالات یک نشریه‌ی خاص می‌شود.

شکل 2: یک نمونه مدل‌سازی موضوعی در نورمگز

گام‌های بعدی

مدل‌سازی موضوعی رهیافتی است که می‌تواند هم به عنوان زیرساخت و هم به عنوان محصول نهایی مورد استفاده کاربران قرار گیرد. به عنوان مثال، چنانچه یک کاربر جست‌وجویی انجام دهد، خروجی مدل‌سازی موضوعی اسناد بازیابی شده، تصویر نسبتاً کاملی از مفاهیم و موضوعات مورد بحث در آن اسناد را به نمایش می‌گذارد.

استفاده دیگر مدل‌سازی موضوعی، استخراج عباراتی است که می‌توانند در توسعه‌ی هستان‌شناسی‌ها (Ontology) در جایگاه گره‌های مفاهیم قرار گیرند، چرا که این واژه‌ها، واژه‌های اساسی متن به حساب می‌آیند.

کلام آخر

این سند جهت آشنایی محققین و فرهیختگان با ابزار مدل‌سازی موضوعی تهیه شده است. بهره‌گیری از مدل‌سازی موضوعی هنوز در گام‌های اولیه‌ی خود قرار دارد. به نظر می‌رسد در زمینه‌های مختلفی می‌توان از مدل‌سازی موضوعی بهره گرفت. اما بهره‌گیری نهایی و کاربردی مستلزم همکاری و تبادل نظر با پژوهشگران به عنوان کاربران اصلی و نهایی این محصول است.

مراجع

[1] Latent Dirichlet Allocation (LDA)

[2] Topic Modeling

[3] Natural Language Processing (NLP)

[4] Text Mining