أي شخصية يقصدها الاسم؟ مشاريع تخرج معالجة لغة تربط العربية بكيانات Wikidata

قد يظهر في خبر عربي اسم «السلط» ويقصد المدينة، بينما تظهر في سياق آخر شخصية تحمل لقباً قريباً من الاسم نفسه. البحث عن العبارة في قاعدة معرفة يعطي عدة نتائج، ولا يكفي تطابق الكلمات لاختيار واحدة. يقترح هذا المشروع من مشاريع تخرج معالجة اللغة العربية أداة تربط الإشارة الواردة في جملة بمعرّف كيان في Wikidata، وتعرض مرشحين أو تمتنع حين لا يدعم السياق قراراً واضحاً.

افصل اكتشاف الاسم عن ربطه

هناك مهمتان متتاليتان: تحديد النص الذي يشير إلى كيان، ثم تقرير أي كيان مقصود. يمكن البدء بإشارات معروفة يضعها فريق صغير داخل جمل عربية تعليمية، ثم التركيز على مرحلة الربط؛ لا توسع النطاق إلى جميع أنواع الكيانات دفعة واحدة. اكتب قواعد للفئات المختارة، مثل أشخاص ومواقع عامة، واحتفظ بحالة NIL عندما لا يوجد المرشح الصحيح أو عندما يكون الاسم عاماً.

ورقة Scalable Zero-shot Entity Linking with Dense Entity Retrieval تصف خطاً من مرحلتين: استرجاع مرشحين بتمثيل سياقي ثم إعادة ترتيبهم. استلهم هذا الفصل لنسخة الطالب، ولا تنسب أرقام الورقة إلى النظام العربي؛ بياناتها ونطاقها مختلفان.

ابن مرشحين مع بياناتهم المصدرية

تتيح Wikidata البحث عن الكيانات وبياناتها عبر واجهات موثقة، وتشرح صفحة Wikidata data access متى تكون واجهة API مناسبة ومتى تلزم تفريغات بيانات أو استعلامات مختلفة. خزّن مع كل مرشح المعرّف والعنوان والوصف واللغة ورابط العنصر وتاريخ الجلب. لا ترسل طلبات متكررة بكثافة إلى الخدمة العامة؛ استخدم التخزين المؤقت واحترم إرشادات الوصول.

للتجربة الجامعية يمكن تجهيز قائمة محدودة من معرفات عامة أو corpus عربي مرخص. تصف مجموعة ANERD موارد عربية للكيانات والتعرّف عليها وربط إشاراتها بمقالات عربية، كما تعرض وجود حالة NIL ومراجعين. تحقق من شروط استخدام البيانات قبل تحميلها أو اقتباسها، فقد تتفاوت رخص أجزاء المصادر التي جمعت منها.

رتب بالاسم والسياق مع إبقاء الدليل ظاهراً

خط الأساس الأول مطابقة الاسم والأسماء البديلة، ثم أضف نموذج تضمين يعيد ترتيب المرشحين بحسب سياق الجملة والوصف القصير. يمكن وضع علاقة البلد أو المجال كإشارة مساعدة إذا وثق الفريق مصدرها، لكن لا تجعلها حقيقة غير مذكورة في السياق. تعرض الواجهة أفضل ثلاثة مرشحين وأسباباً ملموسة مثل تطابق الاسم أو وصف الموقع؛ لا تكتب شرحاً حراً من نموذج لغوي وكأنه دليل موثق.

أضف عتبة امتناع لاختيار NIL، واضبطها على مجموعة تطوير مستقلة عن الاختبار. لا تجبر النظام على اختيار معرّف فقط كي تبدو نسبة التغطية مرتفعة. احتفظ بقرار المراجع وسجّل هل كان الاسم ملتبساً، أو الكيان غير موجود، أو وصف المصدر ناقصاً.

مثال يوضح فائدة السياق والامتناع

لنفترض جملة تدريبية: «زار الوفد قلعة الكرك في محافظة الكرك». قد تكون المطابقة الحرفية أضعف من قراءة إشارة المكان والعلاقة الجغرافية. يعرض النظام مرشحاً للموقع ومرشحاً لشخص أو كيان آخر يحمل اسماً قريباً، مع رابط كل عنصر ووصفه. إذا لم تتفق المعلومات، يطلب مراجعة بشرية بدلاً من تثبيت المرشح الأول. هذا مثال تصميم لا يثبت دقة النظام.

اختبر أيضاً جملة قصيرة تقول «زار سامر الكرك» بلا سياق كافٍ أو مدخل يذكر لقباً غير موجود في Wikidata. ينبغي أن تكون نتيجة النظام «غير محسوم» أو NIL وفق التعريف، لا أن يخترع علاقة. وضوح الامتناع أهم من إخراج معرّف في كل حالة.

قياس جودة الربط والتغطية كل على حدة

احسب accuracy أو top-k recall لمعرف الكيان على الإشارات التي لها مرجع واضح، ثم أبلغ precision وrecall لحالات الامتناع أو NIL. افصل نتائج الأسماء كثيرة الالتباس عن الأسماء ذات المرشح الوحيد. راجع مجموعة من الوسوم بواسطة شخصين، واحسب الاتفاق وسجّل أسباب الخلاف. قس سرعة الاسترجاع وإعادة الترتيب على حجم المجموعة المختار فقط.

لا تدع النموذج يرى قائمة الاختبار عند توليد الأسماء البديلة أو ضبط العتبة. افصل الأشخاص والموضوعات المتقاربة بين التطوير والاختبار بقدر ما تسمح المجموعة. افحص الأداء بحسب العربية الفصحى والتهجئات المختلفة والأسماء ذات الهمزات، ولا تخلط التغير الناتج من تطبيع الحروف مع تحسن التفسير السياقي.

ما الذي يجب أن يعرفه المراجع؟

Wikidata قاعدة معرفة يحررها مجتمع، وقد تتغير أو ينقصها اسم عربي أو وصف موثوق. الكيان نفسه قد يملك أكثر من تسمية، والوصف الموجز لا يحسم كل شيء. يحتاج الفريق إلى حفظ تاريخ البيانات أو نسخة المرشحين المستخدمة حتى يمكن إعادة التقييم. لا يعتبر التطابق مصادقة لحقيقة الخبر، ولا يثبت صحة أي معلومة مرتبطة بالكيان.

لا تربط أسماء أشخاص عاديين أو بيانات حساسة بلا ضرورة وموافقة. اجعل الأداة مساعداً تحريرياً للمحتوى العام، واترك تأكيد الربط للمستخدم. إذا كانت الإشارة خارج نطاق المجموعة، اعرض ذلك صراحة بدلاً من اختلاق تصنيف.

مخرجات مشروع التخرج

يسلم الفريق مجموعة عربية مرخصة أو مؤلفة بموافقة، وتعريفاً للإشارة والكيان، وخط أساس بالأسماء، ونموذج الترتيب، وسجل الاستدعاءات والنسخ، وواجهة مراجعة/امتناع. يمكن مقارنة الفكرة بمشروع مطابقة ملف الباحث؛ ذلك يقرر إن كان سجلان يخصان مؤلفاً واحداً، بينما هنا يربط ذكر اسم داخل سياق بمعرف عنصر معرفي.

مشاريع تخرج معالجة اللغة العربية تكسب قيمة حين تحترم الحالات التي لا توجد لها إجابة. إن أظهر التقرير دقة جيدة على الأسماء الشائعة لكنه امتنع عن أسماء ناقصة السياق، فهذا توصيف أنفع من ادعاء «ربط كيانات عربي شامل». اذكر حدود البيانات ومعدل الامتناع، وأرفق أمثلة صحيحة وخاطئة يستطيع المشرف إعادة فحصها.