💬 NLP

DanceHA: A Multi-Agent Framework for Document-Level Aspect-Based Sentiment Analysis

تقدم هذه الورقة DanceHA، وهو إطار عمل متعدد الوكلاء يستخدم استراتيجية "فرق تسد" والتعاون بين الإنسان والذكاء الاصطناعي لمعالجة التحدي غير المستكشف المتمثل في تحليل شدة المشاعر القائم على الجوانب (ABSIA) على مستوى المستند في أساليب الكتابة غير الرسمية، مصحوباً بإصدار مجموعة بيانات Inf-ABSIA الجديدة.

المؤلفون الأصليون: Lei Wang, Min Huang, Eduard Dragut

نُشر 2026-03-18

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lei Wang, Min Huang, Eduard Dragut

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 تحاول فهم حالة حفلة صاخبة وفوضوية من خلال قراءة آلاف الرسائل النصية التي أرسلها الضيوف. بعض الضيوف مهذبون ورسميون ("الطعام كان جيدًا")، بينما البعض الآخر جامح وغير رسمي ومعبّر ("الطعام كان لذيييييذ جداً!!!!").

تقدم هذه الورقة نظامًا جديدًا يسمى DanceHA صُمم للقيام بهذا بالضبط: قراءة المراجعات الطويلة والفوضوية (مثل تلك الموجودة على Yelp أو Amazon) ومعرفة ما الذي يتحدث عنه الناس بالضبط، وكيف يشعرون حيال ذلك، ومدى قوة شعورهم.

إليك تفصيل كيفية عمله، باستخدام تشبيهات بسيطة:

1. المشكلة: "جدار من النصوص"

الذكاء الاصطناعي التقليدي يشبه طالبًا يحاول قراءة رواية من 50 صفحة في جلسة واحدة. غالبًا ما يصاب بالتعب، أو يفقد التفاصيل، أو يخلط بين شخصية وأخرى.

التحدي: معظم نماذج الذكاء الاصطناعي مُدربة على جمل قصيرة. لكن المراجعات الحقيقية هي وثائق طويلة.
اللمسة "غير الرسمية": الناس لا يقولون "جيد" فحسب، بل يقولون "جويييييد"، أو "مذهلللل"، أو يستخدمون الرموز التعبيرية (Emojis). الذكاء الاصطناعي القياسي غالبًا ما يتجاهل هذه الكلمات "الممددة"، مما يجعله يغفل عن حقيقة أن الشخص سعيد للغاية، وليس فقط "راضٍ".

2. الحل: "الرقصة" (التقسيم والسيطرة)

بدلاً من وجود عقل واحد ضخم يحاول القيام بكل شيء، ابتكر المؤلفون فريقًا من الروبوتات المتخصصة (الوكلاء) التي تعمل معًا. هم يسمونها Dance (الرقصة).

فكر في الأمر كأنه طاقم بناء يبني منزلًا:

المُقسّم (المراقب/الفورمان): بدلاً من أن يحاول شخص واحد بناء المنزل بأكمله، يقوم المراقب بتقسيم المراجعة الطويلة إلى قطع صغيرة يمكن إدارتها. إذا كانت المراجعة تتحدث عن "البطارية"، و"الشاشة"، و"لوحة المفاتيح"، فإن المراقب يفصل هذه الأجزاء إلى ثلاث مناطق عمل مختلفة.
المتخصصون (العمال):
- خبير الفئات: ينظر إلى منطقة "البطارية" ويقول: "هذا ينتمي إلى فئة 'الأجهزة (Hardware)'".
- صائد الآراء: يبحث في النص ويجد الكلمات المحددة. إذا كتب شخص ما "بطااااارية"، فإن هذا الوكيل يلتقط هذا الإملاء المحدد ويحتفظ به (لأن حروف الـ 'ا' الإضافية مهمة!).
- قارئ الحالة المزاجية: يقرر ما إذا كان الشعور إيجابيًا أم سلبيًا، والأهم من ذلك، مدى شدته. هل هو شعور "عادي" (درجة 1) أم "يا إلهي أنا أعشقها" (درجة 5)؟
الدمج: بمجرد أن ينتهي المتخصصون من مهامهم الصغيرة، يتم دمج نتائجهم مرة أخرى في قائمة مرتبة ومنظمة.

3. "HA" (التعاون بين الإنسان والذكاء الاصطناعي)

حتى أفضل فريق روبوتات قد يرتكب أخطاء. لذا، أضاف المؤلفون طبقة ثانية تسمى HA (الإنسان والذكاء الاصطناعي).

تخيل أن فريق الروبوتات ينتج مسودة لتحليل المراجعة.
يقوم روبوت مدير بالنظر في المسودات من ثلاثة فرق روبوتات مختلفة ويحاول الاتفاق على أفضل إجابة.
بعد ذلك، يتدخل المراجعون البشريون. يعملون كمحررين نهائيين؛ حيث يتحققون من عمل الروبوت، ويصلحون الأخطاء، ويستبعدون التخمينات السيئة، ويضيفون أي شيء فات الروبوتات.
النتيجة: أنتجت هذه العملية مجموعة بيانات جديدة تمامًا وعالية الدقة تسمى Inf-ABSIA، وهي بمثابة "المعيار الذهبي" لتعليم الذكاء الاصطناعي كيفية قراءة المراجعات غير الرسمية.

4. "السر الخفي": تعليم النماذج الصغيرة

توضح الورقة أيضًا كيفية تعليم نماذج الذكاء الاصطنافت الأصغر والأرخص لتكون بذكاء النماذج الأكبر والأغلى ثمنًا.

أخذوا "خطوات الاستنتاج" (عملية التفكير) التي استخدمها فريق الروبوتات الكبير لحل المشكلات.
قاموا بتغذية هذه الخطوات لنموذج طالب أصغر (مثل Qwen-14B).
التشبيه: الأمر يشبه شيف ماهر (الذكاء الاصطناعي الكبير) يكتب وصفته السرية وتقنيات الطبخ الخاصة به، ثم يعلمها لشيف مبتدئ (الذكاء الاصطناعي الصغير). ينتهي الأمر بالشيف المبتدئ بالطبخ بشكل جيد تقريبًا مثل الشيف الماهر، ولكن بسرعة أكبر وتكلفة أقل.

لماذا يهم هذا؟

إنه يلتقط "الجو العام" (Vibe): يفهم أن كلمة "كوووول" أقوى من كلمة "cool".
يتعامل مع القصص الطويلة: لا يضيع في الفقرات الطويلة.
إنه دقيق: من خلال استخدام فريق من الروبوتات + البشر، فإنه يخلق بيانات أفضل بكثير مما كان لدينا من قبل.

باختختصار: DanceHA هو نظام ذكي قائم على الفريق، يقوم بتفكيك المراجعات الطويلة وغير الرسمية والفوضوية إلى قطع صغيرة، ويكلف خبراء بحل كل قطعة، ويتحقق من العمل مع البشر، ثم يعلم أنظمة ذكاء اصطناعي أصغر كيفية القيام بنفس الشيء. إنه الفرق بين محاولة أكل بيتزا كاملة في قضمة واحدة وبين تقطيعها والاستمتاع بكل شريحة منها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "DanceHA: إطار عمل متعدد الوكلاء لتحليل المشاعر القائم على الجوانب على مستوى المستندات."

1. تعريف المشكلة

تتناول الورقة البحثية تحليل شدة المشاعر القائم على الجوانب (ABSIA) على مستوى المستند، وهي مهمة معقدة لا تزال غير مستكشفة بشكل كافٍ مقارنة بتحليل ABSA على مستوى الجملة. وتشمل التحديات المحددة ما يلي:

التعقيد: استخراج توبلات (ACOSI) (الجانب، الفئة، الرأي، قطبية المشاعر، شدة المشاعر) من مستندات طويلة وغير منظمة بدلاً من جمل مفردة.
الأنماط غير الرسمية: غالبًا ما تحتوي المحتويات التي ينشئها المستخدمون (UGC) على سمات لغوية غير رسمية مثل إطالة الكلمات (مثل "coool"، "goooood!!!!") وعلامات الترقيم المفرطة، والتي تزيد من شدة المشاعر ولكن غالبًا ما يتم تجاهلها من قبل النماذج القياسية.
ندرة البيانات: هناك نقص في مجموعات البيانات الضخمة والموسومة بدقة لـ ABSIA على مستوى المستند، مما يجعل التدريب الخاضع للإشراف صعبًا.
طول السياق: يتطلب معالجة المستندات الطويلة التعامل مع سياق يتجاوز حدود المعالجة الفعالة للاستدلال بنموذج لغوي كبير (LLM) بمرور واحد دون فقدان التفاصيل.

2. المنهجية: إطار عمل DanceHA

يقترح المؤلفون DanceHA، وهو إطار عمل متعدد الوكلاء مصمم لـ ABSIA مفتوح النهايات على مستوى المستند. ويتكون من مكونين رئيسيين: Dance (عمل جماعي قائم على فرق "فرق وقهر") و HA (التعاون بين الإنسان والذكاء الاصطائي).

أ. Dance: عمل جماعي قائم على فرق وقهر (Divide-and-Conquer)

يقوم هذا المكون بتفكيك مهمة ABSIA المعقدة على مستوى المستند إلى مهام فرعية يمكن إدارتها باستخدام وكلاء متخصصين من النماذج اللغوية الكبيرة. ويعمل عبر ثلاث مراحل:

المقسم (تجميع الأفكار القائم على الجوانب):
- يقوم وكيل ( $F_D$ ) بتقسيم المستند الطويل إلى "مجموعات أفكار".
- يحدد المصطلحات الصريحة للجوانب ويجمع الجمل المتتالية المتعلقة بنفس الجانب في وحدة دلالية واحدة.
- الهدف: تقليل تعقيد السياق وعزل جوانب محددة للتحليل المركز.
القهر (تعاون الوكلاء المتخصصين):
يعالج ثلاثة وكلاء متخصصين مجموعات الأفكار بالتوازي أو بالتتابع:
- وكيل تعيين الفئة ( $F_C$ ): يستخدم التوليد المعزز بالاسترجاع (RAG) مع قائمة فئات خاصة بالمجال لتعيين الفئة الصحيحة (مثل "جودة الطعام") للجانب.
- وكيل استخراج الرأي ( $F_O$ ): يستخرج كلمات/عبارات الرأي، مع الحفاظ صراحةً على السمات الأسلوبية غير الرسمية (الإطالة، علامات الترقيم) من النص الأصلي.
- وكيل تحليل المشاعر والشدة ( $F_S$ ): يحدد قطبية المشاعر (إيجابي/سلبي) ويخصص درجة شدة المشاعر (SIS) على مقياس ليكرت من 0 إلى 5.
الدمج:
تدمج طريقة تكامل قائمة على القواعد مخرجات الوكلاء لتشكيل قائمة مهيكلة من توبلات ACOSI.

ب. HA: التعاون بين الإنسان والذكاء الاصطناعي للترميز

لمعالجة نقص البيانات الموسومة، قدم المؤلفون مسارًا لإنشاء مجموعة البيانات:

الوكيل المدير (MA): تقوم عدة "فرق Dance" (باستخدام نماذج لغوية أساسية مختلفة) بتوليد تسميات مرشحة لنفس المستند. يقوم "الوكيل المدير" بتجميع هذه المخرجات، وحل النزاعات، وإنشاء مجموعة تسميات أولية مدفوعة بالإجماع.
المراجعة البشرية: يقوم المرمّزون البشريون بمراجعة مخرجات الوكيل المدير، مع الاحتفاظ بالتسميات عالية الجودة، وتصحيح التناقضات، واستبعاد التنبؤات منخفضة الثقة، وإضافة التسميات المفقودة.
النتيجة: تنتج هذه العملية مجموعة بيانات Inf-ABSIA.

ج. تقطير المعرفة

يبني المؤلفون سلاسل الاستدلال من سير عمل الوكلاء المتعددين (تجميع الجوانب $\leftarrow$ الفئة $\leftarrow$ الرأي $\leftarrow$ المشاعر/الشدة $\leftarrow$ الدمج). تُستخدم هذه السلاسل لضبط النماذج الأصغر (مثل Qwen-14B) عبر الضبط الدقيق الخاضع للإشراف (SFT) باستخدام تقنية LoRA، مما ينقل قدرات الاستدلال متعددة الوكلاء إلى نموذج واحد.

3. المساهمات الرئيسية

إطار عمل DanceHA: إطار عمل مبتكر متعدد الوكلاء، لا يتطلب تدريبًا، يتعامل بفعالية مع ABSIA على مستوى المستند مع الأنماط غير الرسمية باستخدام استراتيجية "فرق وقهر".
مجموعة بيانات Inf-ABSIA: مجموعة بيانات جديدة عالية الجودة تحتوي على 2,714 مستندًا طويل السياق عبر ثلاثة مجالات (كمبيوتر محمول، مطعم، فندق) مع 23,024 توبل ACOSI دقيق. وهي أكبر مجموعة بيانات لـ ABSIA على مستوى المستند حتى الآن.
رؤية حول الأنماط غير الرسمية: دليل تجريبي يظهر أن التعبيرات غير الرسمية (مثل إطالة الكلمات) ترتبط بشكل كبير بدرجات شدة مشاعر أعلى، وهي لمحة دقيقة غالبًا ما تغفلها النماذج القياسية.
تقطير معرفة فعال: إثبات أن سلاسل الاستدلال الناتجة عن إطار العمل متعدد الوكلاء يمكن تقطيرها في نماذج أصغر، مما يسمح لنموذج Qwen-14B الذي تم ضبطه بدقة بالتفوق على GPT-4o في وضع (few-shot) ومضاهاة أداء Qwen2.5-72B الأكبر بكثير.

4. النتائج التجريبية

تم تقييم الإطار على ثلاثة مجالات (مطعم، فندق، كمبيوتر محمول) باستخدام 7 نماذج لغوية كبيرة مختلفة (بما في ذلك GPT-4o، وDeepSeek-V3، وسلسلة Qwen).

الأداء مقابل خطوط الأساس:
- يتفوق Dance بشكل كبير على خطوط الأساس لـ (Zero-shot) و (Few-shot Chain-of-Thought).
- يعزز الوكيل المدير (MA) الأداء بشكل أكبر. على سبيل المثال، في مجال المطاعم، حقق MA مع Deep-V3 درجة F1 بلغت 63.18%، متفوقًا بشكل كبير على أفضل إعداد أحادي الوكيل لـ Dance (47.80% مع GPT-4o).
دراسات الاستئصال (Ablation Studies):
- أدى إزالة استراتيجية فرق وقهر (D&C) إلى انخفاض كبير في الأداء (متوسط انخفاض F1 بنسبة ~8.4%)، مما يثبت ضرورة تفكيك المستندات الطويلة.
- أدت إزالة العمل الجماعي (Teamwork) (باستخدام وكيل واحد لجميع المهام الفرعية) أيضًا إلى تقليل الأداء، مما يسلط الضل على فائدة الوكلاء المتخصصين.
نتائج التقطير:
- حقق نموذج Qwen-14B الذي تم ضبطه بدقة باستخدام سلاسل الاستدلال F1 بنسبة 34.52% (مطعم)، متفوقًا على Few-shot CoT GPT-4o (الذي حقق 35.04% وهو قريب جدًا، لكن النموذج المقطر أصغر وأكثر كفاءة) ومضاهيًا أداء Qwen2.5-72B الأكبر بكثير.
التقييم البشري:
- حصلت تسميات مجموعة بيانات Inf-ABSIA على متوسط تقييم بشري قدره 4.47/5 مع اتفاق بين المرمّزين (IAA) قدره 0.61، مما يؤكد جودة البيانات العالية.

5. الأهمية

الارتقاء بالتحليل على مستوى المستند: يسد هذا العمل الفجوة بين تحليل المشاعر على مستوى الجملة وتحليل المستوى المستندي، معالجة تحديات الاستدلال طويل السياق واستخراج الجوانب المتعددة.
التعامل مع اللغة غير الرسمية: يوفر منهجية قوية لمعالجة الواقع "الفوضوي" لمراجعات المستخدمين (الإيموجي، الإطالة)، موضحًا أن هذه السمات حاسمة لتقدير الشدة بدقة.
قابلية التوسع في الترميز: يقدم مسار DanceHA حلاً قابلاً للتطبيق لإنشاء مجموعات بيانات عالية الجودة في المجالات التي يكون فيها الترميز اليدوي مكلفًا للغاية، وذلك من خلال الاستفادة من إجماع الوكلاء المتعددين والتحقق من تدخل الإنسان.
الكفاءة عبر التقطير: يوضح أن الاستدلال المعقد متعدد الوكلاء يمكن ضغطه في نماذج أصغر وأكثر كفاءة، مما يجعل الـ ABSIA المتقدم متاحًا دون الحاجة إلى موارد حوسبة هائلة للاستدلال.