← أحدث الأبحاث
💬 NLP

Determination of the Number of Topics Intrinsically: Is It Possible?

تقيم هذه الورقة مختلف الطرق الجوهرية لتقدير عدد المواضيع في نماذج المواضيع عبر مجموعات متعددة من النصوص، وتخلص إلى أن هذه الطرق غير موثوقة لأن العدد الأمثل للمواضيع يعتمد على النموذج والطريقة المستخدمين تحديداً بدلاً من كونه خاصية مطلقة للبيانات.

المؤلفون الأصليون: Victor Bulatov, Vasiliy Alekseev, Konstantin Vorontsov

نُشر 2026-08-21
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Victor Bulatov, Vasiliy Alekseev, Konstantin Vorontsov

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مكتبة تحتوي على ملايين الكتب، لكن رفوفها فارغة وعناوينها مفقودة. ولإضفاء معنى على هذه المجموعة، قد يحاول أمين المكتبة تجميع الكتب حسب محتواها، وفرزها في أكوام بناءً على سمات مشتركة. في عالم علوم الحاسوب، هذه هي مهمة "نمذجة المواضيع" (topic model). وهي أدوات إحصائية تمسح كميات هائلة من النصوص للعثور على أنماط خفية، حيث تجمع الكلمات التي تظهر معاً بشكل متكرر فيما نسميه "المواضيع". قد يكون أحد المواضيع عن الرياضة، وآخر عن الطبخ، وآخر عن استكشاف الفضاء. الحاسوب لا يعرف هذه التسميات مسبقاً؛ بل يكتشفها من خلال تحليل النص نفسه.

ومع ذلك، هناك مشكلة جوهرية في هذه العملية: الحاسوب لا يعرف عدد الأكوام التي يجب تكوينها. هل ينشئ عشر مجموعات، أم خمسين، أم مئة؟ هذا الرقم هو إعداد حاسم، أو "معلمة فائقة" (hyperparameter)، يجب على المستخدم اختيارها قبل أن يبدأ الحاسوب عمله. إذا كان الرقم منخفضاً جداً، تصبح المجموعات فوضوية ومربكة، حيث تختلط فيها موضوعات غير مترابطة. وإذا كان مرتفعاً جداً، تصبح المجموعات صغيرة ومتكررة، مما يؤدي إلى تقسيم فكرة واحدة إلى أجزاء عديدة متطابقة تقريباً. لسنوات، حاول الباحثون بناء أدوات تلقائية يمكنها النظر في مجموعة من النصوص وإخبار المستخدم بالعدد المثالي للمواضيع التي يجب اختيارها، آملين في العثور على حقيقة موضوعية واحدة كامنة داخل البيانات.

قرر فريق من الباحثين من معهد موسكو للفيزياء والتكنولوجيا وجامعة لومونوسوف موسكو الحكومية اختبار ما إذا كان مثل هذا الرقم المثالي موجوداً بالفعل. لقد جمعوا مجموعة متنوعة من الأساليب القائمة، بما في ذلك عشرات الصيغ والإجراءات الرياضية المختلفة التي تدعي تحديد العدد الأفضل للمواضيع. طبقوا هذه الأساليب على عدة مجموعات كبيرة من النصوص الواقعية، بدءاً من المقالات الإخبارية والأوراق العلمية وصولاً إلى المنشورات من منتدى برمجي ومجموعة منسقة من مقالات ويكيبيديا الروسية. كما اختبروا هذه الأساليب على أنواع مختلفة من النماذج الحاسوبية، لأن الطريقة التي يُبنى بها النموذج يمكن أن تغير كيفية رؤيته للبيانات.

أجرى الباحثون آلاف التجارب، تاركين النماذج الحاسوبية تتعلم من النص مع قياس النتائج بكل طريقة من الطرق المختلفة. بحثوا عن إشارات واضحة، مثل ذروة حادة أو وادٍ عميق في البيانات، مما قد يشير إلى العدد المثالي للمواضيع. كانوا يأملون في العثور على توافق بين جميع الأساليب المختلفة، بحيث تشير جميعها إلى نفس الرقم لمجموعة معينة من النصوص. بدلاً من ذلك، وجدوا صورة فوضوية. نادراً ما اتفقت الأساليب المختلفة؛ فقد يقترح أحد الأساليب أن مجموعة من المقالات الإخبارية تُفهم بشكل أفضل من خلال عشرة مواضيع، بينما قد يقترح أسلوب آخر، ينظر إلى النص ذاته، ثلاثين موضوعاً. والأكثر إثارة للدهشة، أن الرقم "الأفضل" غالباً ما يتغير اعتماداً على النموذج الحاسوبي المحدد المستخدم لتحليل النص.

كشفت الدراسة أن الأدوات الأكثر شيوعاً وتطوراً لإيجاد العدد الصحيح للمواضيع بعيدة كل البعد عن الموثوقية. فبعض الأساليب، التي تحاول قياس مدى تميز المواضيع عن بعضها البعض، اقترحت باستمرار أرقاماً مرتفعة جداً، مما دفع العدد غالباً إلى الحد الأقصى لما اختبره الباحثون. أما الأساليب الأخرى، التي تنظر إلى مدى قدرة النموذج على التنبؤ بنصوص غير مرئية، فقد أنتجت نتائج مسطحة وثابتة للغاية لدرجة أنها لم تقدم أي توجيه على الإطلاق. وجد الباحثون أن عدد المواضيع ليس خاصية ثابتة وطبيعية للنص نفسه، مثل عدد صفحات الكتاب، بل هو كمية تعتمد بشدة على الأداة المستخدمة لقياسها وعلى النموذج المحدد المستخدم لتحليلها.

وفي ختامهم، يشير المؤلفون إلى أن المجتمع كان يطارد وهماً. إن فكرة وجود رقم واحد "طبيعي" للمواضيع ينتظر الاكتشاف في أي مجموعة بيانات تبدو غير صحيحة. إن عدد المواضيع يشبه إلى حد كبير قرص التحكم الذي يديره المستخدم لضبط مستوى التفاصيل التي يريد رؤيتها، تماماً مثل التكبير أو التصغير في الخريطة. يمكن لخريطة المدينة أن تظهر الشوارع الفردية، أو يمكنها إظهار الطرق السريعة الرئيسية فقط؛ ولا توجد خريطة "حقيقية" بينهما، فهما مجرد رؤى مختلفة لأغراض مختلفة. يجادل الباحثون بأنه بدلاً من محاولة إيجاد رقم مثالي تلقائياً، يجب على الممارسين التركيز على ما يحتاجون فعلياً من النموذج القيام به. يجب أن يتساءلوا عن مدى التفصيل الذي يريدون أن تكون عليه المجموعات، أو ما إذا كانت لديهم أسئلة محددة يريدون من النموذج الإجابة عليها. إن البحث عن حل تلقائي وجوهري لعدد المواضيع أدى، وفقاً لهذه الدراسة، إلى طريق مسدود، مما يشير إلى أن الإجابة لا تكم بانتظار صيغة أفضل، بل في فهم أفضل للهدف البشري وراء التحليل.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💬 cs.CL →