💬 NLP

XAI-enhanced Comparative Opinion Mining via Aspect-based Scoring and Semantic Reasoning

تقدم هذه الورقة XCom، وهو نموذج قائم على المحولات (transformer) قابل للتفسير يجمع بين التنبؤ بالتقييم القائم على الجوانب والاستدلال الدلالي وتفسيرات شابلي المضافة لتعزيز الثقة والأداء في تنقيب الآراء المقارنة.

المؤلفون الأصليون: Ngoc-Quang Le, T. Thanh-Lam Nguyen, Quoc-Trung Phu, Thi-Phuong Le, Duy-Cat Can, Hoang-Quynh Le

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ngoc-Quang Le, T. Thanh-Lam Nguyen, Quoc-Trung Phu, Thi-Phuong Le, Duy-Cat Can, Hoang-Quynh Le

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 أنك تقف أمام ممر ضخم لبيع المشروبات، وتشعر بالارتباك وسط مئات الخيارات. تريد أن تعرف ما إذا كان المشروب (أ) أفضل من المشروب (ب)، لكن ليس لديك الوقت لقراءة كل مراجعة على حدة. فتلجأ إلى الإنترنت، آملًا في العثور على إجابة واضحة.

هنا تكمن المشكلة: معظم البرامج الحاسوبية التي تحاول مساعدتك تشبه "كرة الثمانية السحرية" (Magic 8-ball). فهي تنظر إلى آلاف المراجعات وتخرج لك إجابة مثل: "المشروب (أ) هو الأفضل!"، لكنها لا تستطيع إخبارك لماذا. إنها "صناديق سوداء"؛ تحصل على النتيجة، لكن طريقة التفكير بداخلها مخفية داخل غرفة مغلقة. وهذا يجعل من الصعب الوثوق بها.

يقدم هذا البحث XCom، وهو أداة جديدة مصممة لتكون مساعد تسوق ذكي وشفاف، لا يكتفي فقط بإخبارك أي مشروب هو الأفضل، بل يريك أيضًا "طريقة عمله" حتى تتمكن من الوثوق بنصيحته.

إليك كيف يعمل XCom، مقسمًا إلى خطوات بسيطة:

1. قاعدة "المستخدم نفسه" (الحكم العادل)

تخيل أنك تقارن بين حَكَمين:

الحَكم (أ) هو ناقد "صارم". إذا قال إن المشروب "جيد"، فهو في الواقع رائع حقًا.
الحَكم (ب) هو ناقد "متساهل". إذا قال إن المشروب "رائع"، فقد يكون مجرد مشروب مقبول.

إذا قارنت مشروب الحَكم (أ) الذي وصفه بأنه "جيد" ضد مشروب الحَكم (ب) الذي وصفه بأنه "رائع"، فقد تحصل على إجابة خاطئة لأن معاييرهما مختلفة.

حل XCom: هو يقارن فقط المراجعات التي كتبها نفس الشخص. الأمر يشبه سؤال شخص واحد: "هل فيلمك المفضل أفضل من فيلمك الثاني المفضل؟". من خلال إبقاء "الحَكم" نفسه، نحن نزيل الارتباك الناتج عن اختلاف الأساليب الشخصية ونحصل على مقارنة عادلة.

2. النهج "الجراحي" (التنقيب القائم على الجوانب)

المراجعات فوضوية. قد يقول المستخدم: "المذاق رائع، لكن الزجاجة قبيحة".
الكمبيوترات القديمة قد ترتبك وتحاول مقارنة مذاق المشروب (أ) مع شكل الزجاجة للمشروب (ب).

حل XCom: يعمل كـ فريق جراحي مكون من أربعة أطباء متخصصين:

دكتور المذاق: ينظر فقط إلى الجمل المتعلقة بالنكهة.
دكتور الرائحة: ينظر فقط إلى الجمل المتعلقة بالأريج.
دكتور المظهر: ينظر فقط إلى الجمل المتعلقة بالشكل.
دكتور ملمس الفم: ينظر فقط إلى كيفية الشعور عند شربه.

إنه يقطع المراجات إلى قطع صغيرة مرتبة، مما يضمن أنه عندما يقارن "المذاق"، فإنه يقارن "المذاق" فقط.

3. نظام "التحقق المزدوج" (عقلان بدلاً من واحد)

بمجرد تقسيم المراجعات، يستخدم XCom "عقلين" مختلفين لتحديد الفائز لكل فئة:

العقل الأول (مسجل النقاط): يبحث عن "كلمات الدرجة" (مثل حلو، مر، ناعم) ويحسب درجة رياضية.
العقل الثاني (الراوي): يقرأ الجملة كاملة لفهم "الأجواء" والسياق، حتى لو لم تكن هناك كلمات درجات واضحة.

إنه يجمع النتائج من كلا العقلين لاتخاذ قرار نهائي. هذا يجعل من الصعب جدًا خداع النظام.

4. "المصباح اليدوي" (الذكاء الاصطناعي القابل للتفسير)

هذا هو الجزء الأهم. عندما يقول XCom: "المشروب (أ) لديه مذاق أفضل"، فإنه لا يتوقف عند هذا الحد. بل يسلط مصباحًا يدويًا (باستخدام تقنية تسمى SHAP) ليظهر لك بالضبط أي الكلمات جعلته يتخذ هذا القرار.

مثال: إذا كان النص يقول: "المذاق رائع ومتوازن"، فإن XCom سيبرز تلك الكلمات باللون الأحمر (بمعنى: "هذه الكلمات جعلتني أقول 'أفضل'").
المفاجأة: إذا كان النص يقول: "المذاق الجميل"، فقد يبرز XCom كلمة "جميل" باللون الأزرق (بمعنى: "هذه الكلمة تُستخدم عادةً للمظهر وليس للمذاق، لذا سأتجاهلها أو أعتبرها خطأً").

هذه الشفافية تسم تتيح لك رؤية المنطق. يمكنك القول: "آه، لقد فهمت لماذا اختار المشروب (أ)؛ لقد أعجبته كلمة 'متوازن'".

لماذا يهم هذا؟

الثقة: أنت لا تأخذ مجرد كلمة من الكمبيوتر؛ بل يمكنك رؤية الدليل.
الدقة: من خلال التركيز على رأي شخص واحد في كل مرة وفصل أجزاء المنتج المختلفة (المذاق مقابل المظهر)، فإنه يتجنب الأخطاء الشائعة.
الكفاءة: إنه برنامج حاسوبي صغير وسريع، وليس عملاقًا ضخمًا يستهلك الطاقة. إنه يؤدي المهمة بسرعة دون الحاجة إلى كمبيوتر خارق.

باختًا: XCom يشبه صديقًا صادقًا ودقيق التفاصيل يقرأ جميع المراجات نيابة عنك، ويقارنها بإنصاف، ثم يشير إلى الجمل المحددة التي أقنعته، لكي تتمكن من اتخاذ أفضل قرار بثقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "استخراج الآراء المقارنة المعزز بالذكاء الاصطنا-القابل للتفسير عبر التقييم القائم على الجوانب والاستدلال الدلالي" (XCom).

1. بيان المشكلة

تتناول الورقة تحدي استخراج الآراء المقارنة (COM)، وتحديداً مهمة استنتاج التفضيلات بين منتجين بناءً على مراجعات المستخدمين.

الضمني مقابل الصريح: بينما يسهل اكتشاف المقارنات الصريحة (مثل "المنتج أ أفضل من ب")، فإن معظم مراجات المستخدمين تحتوي على مقارنات ضمنية موزعة عبر نصوص منفصلة. ويتطلب استنتاج هذه المقارات استدلالاً سياقياً.
قيد المستخدم نفسه: للتخفيف من الضجيج الناتج عن انحيازات الأفراد (مثل التساهل في التقييم أو أسلوب الكتابة)، تركز الدراسة على مقارنة مراجعتين كتبهما نفس المستخدم. وهذا يعزل إشارة التفضيل مقابل خط أساس مستقر.
مشكلة "الصندوق الأسود": تفتقر النماذج الحالية القائمة على المحولات (Transformers) والمستخدمة في الـ COM غالباً إلى الشفافية؛ فهي تقدم استنتاجاً مقارناً دون توضيح لماذا أو ما هي الجوانب التي دفعت القرار، مما يعيق ثقة المستخدم وتبنيه في اتخاذ القرارات عالية المخاطر.

2. المنهجية: إطار عمل XCom

يقترح المؤلفون XCom، وهو بنية هجينة تدمج تحليل المشاعر القائم على الجوانب مع الاستدلال الدلالي والذكاء الاصطنائي القابل للتفسير (XAI). يعمل النموذج في ثلاث مراحل رئيسية:

أ. المعالجة المسبقة القائمة على الجوانب

المدخلات: زوج من المراجعات لنفس المستخدم.
العملية: يستخدم النموذج أربعة مصنفات مختلفة تعتمد على BERT (واحد لكل جانب: المظهر، الرائحة، الحنك، المذاق) لتصفية واستخراج الجمل ذات الصلة بجوانب محددة.
المخرجات: أزواج من الجمل المكونة من (س1، س2) لكل جانب، حيث س1 وس2 هما الجمل المستخرجة من المراجعة الأولى والثانية، على التوالي.

ب. تصنيف الرأي المقارن (بنية المسار المزدوج)

يستخدم XCom مصنفين متوازيين لإنشاء التنبؤ النهائي:

المصنف القائم على الدرجات (Score-Based):
- يحسب درجة تقييم لكل جملة.
- القائم على الصفات: يحسب متوسط درجات المشاعر للصفات الموجودة في الجملة.
- الحل البديل: في حال عدم وجود صفات، يستخدم ميزات TF-IDF التي يتم تغذيتها في نموذج XGBoost للتحليل الانحداري للتنبؤ بالدرجة.
- التجميع: يكون تقييم الجانب للمراجعة هو الحد الأدنى من الدرجات بين جملها (نهج محافظ).
- التصنيف: يتم تغذية درجات كلا المراجعتين المدمجة في مشفر (Transformer) للتنبؤ بفئة مقارنة (أفضل، أسوأ، أو متشابه).
المصنف القائم على الدلالات (Semantic-Based):
- يعالج أزواج الجمل الخام مباشرة باستخدام مشفر Transformer لالتقاط العلاقات الدلالية والسياقية التي قد يفتقدها التقييم الرقمي البحت.
- يخرج توزيعاً احتمالياً عبر الفئات الثلاث للمقارنة.
الدمج: يتم اشتقاق التنبؤ النهائي عن طريق جمع التوزيعات الاحتمالية من كلا المصنفين ( $p_{final} = p_{score} + p_{semantic}$ ) واختيار الفئة ذات الاحتمالية الأعلى.

ج. التفسير القائم على SHAP (XAI)

الآلية: يدمج XCom تقنية SHapley Additive exPlanations (SHAP) لتحديد أهمية الميزات.
العملية: يتعامل مع الرموز (tokens) كمدخلات. ومن خلال حجب الرموز بشكل منهجي (استبدالها بـ [MASK]) ومراقبة التغير في مخرجات النموذج، يقوم بحساب قيم Shapley.
الهدف: تصور الكلمات (الرموز) المحددة التي أثرت إيجاباً أو سلباً على القرار المقارن، مما يحول النموذج من "صندوق أسود" إلى "صندوق أبيض".

3. المساهمات الرئيسية

بنية XCom: نموذج مسار مزدوج مبتكر يجمع بين التنبؤ بالتقييم القائم على الجوانب (كمي) والاستدلال الدلالي (نوعي) المصمم خصيصاً لاستخراج المقارنات الضمنية لنفس المستخدم.
دمج القابلية للتفسير: أول تطبيق لـ SHAP في استخراج الآراء المقارنة، مما يوفر رؤى على مستوى الرموز حول سبب تفضيل النموذج لمنتج على آخر.
التركيز على المستخدم نفسه: نهج صارم لإزالة التباين بين المستخدمين (الانحياز، الأسلوب) من خلال مقارنة مراجعات نفس الفرد بدقة.
الكفاءة: يحقق النموذج أداءً عالياً باستخدام مشفرات BERT (حوالي 110 مليون معلمة)، متفوقاً بشكل كبير على النماذج اللغوية الضخمة (LLMs) مع استهلاك موارد حوسبية أقل بكثير (10 ساعات تدريب مقابل 40-80 ساعة للنماذج الضخمة).

4. النتائج التجريبية

مجموعة البيانات: تم تقييم النموذج على مجموعة بيانات SUDO (مراجعات البيرة)، والتي تتضمن أربعة جوانب: المظهر، الرائحة، الحنك، والمذاق.
الأداء:
- حقق XCom درجة F1 متوسطة (Macro-averaged F1) بلغت 58.56%، متفوقاً على ثاني أفضل نموذج أساسي (Finetuned-T5) بنحو 3 نقاط.
- تفوق بشكل كبير على النماذج اللغوية الضخمة العامة (Llama-3, Gemini, ChatGPT)، والتي سجلت ما بين 25% و49% في درجة F1، مما يثبت أن البنيات المتخصصة تتفوق في المهام المقارنة دقيقة التفاصيل.
- الأداء لكل جانب: ظهرت أفضل النتائج في المظهر والمذاق (بسبب الإشارات اللغوية الواضحة)، بينما كان الحنك هو الأكثر تحدياً بسبب التعبيرات الدقيقة.
- التحقق من القابلية للتفسير: حددت تصورات SHAP بشكل صحيح المشاعر المعتمدة على السياق (على سبيل المثال، كلمة "جميل" كانت سلبية بالنسبة لـ المذاق ولكنها إيجابية بالنسبة لـ المظهر).
- اختبار الدقة (Faithfulness Test): أدى حذف أهم (k) رموز حددها SHAP إلى انخفاض فوري في أداء النموذج، مما يؤكد أن التفسيرات تعكس بدقة منطق قرار النموذج.

5. الأهمية والقيود

الأهمية:

الذكاء الاصطنائي الموثوق: من خلال تقديم أسباب قابلة للتفسير للقرارات المقارنة، يسد XCom الفجوة بين الأداء العالي للذكاء الاصطناعي وثقة المستخدم.
كفاءة الموارد: يثبت أن النماذج الأصغر والمتخصصة يمكن أن تتفوق على النماذج اللغوية الضخمة في المجالات النوعية دون التكلفة الحوسبية الباهظة.
دعم القرار: القدرة على تسليط الضوء على الرموز المؤثرة تساعد المستخدمين على فهم المنطق وراء ترتيب المنتجات.

القيود والعمل المستقبلي:

الأخطاء المتتالية (Cascading Errors): التصميم الوحدوي (المعالجة المسبقة $\leftarrow$ التقييم $\leftarrow$ التصنيف) ينطوي على خطر انتشار الأخطاء إذا فشل تصنيف الجوانب. يقترح العمل المستقبلي إطار عمل للتعلم المشترك.
التفسير لغير الخبراء: تصورات SHAP تقنية للغاية؛ يهدف العمل المستقبلي إلى جعل هذه التصورات أكثر سهولة للقراءة من قبل المستخدمين العاديين.
المواءمة بين المراجعات: يبرز SHAP حالياً المصطلحات المهمة داخل المراجعة الواحدة، لكنه لا يربط صراحة بين المصطلحات المتضادة بين المراجعتين. تم اقتراح نهج قائم على الرسوم البيانية (Graph-based) لمعالجة ذلك.
التعميم في النطاقات: تم اختبار النموذج بشكل أساسي على مراجعات البيرة؛ ويتطلب التعميم في مجالات المنتجات الأخرى مزيداً من التحقق.
اللغة غير الرسمية: يعاني النموذج مع اللغة العامية وأساليب الكتابة غير الرسمية الشائعة في وسائل التواصل الاجتماعي.

في الختام، يمثل XCom خطوة مهمة للأمام في جعل استخراج الآراء المقارنة دقيقاً وقابلاً للتفسير، مما يوفر إطار عمل قوياً لتحليل تفضيلات المستخدمين الضمنية بطريقة شفافة.