💬 NLP

Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts

تقدم هذه الورقة البحثية "حل الكيانات الموجه بالبنية" (SGER)، وهو إطار عمل للضبط الدقيق المنهجي ثنائي المراحل للنماذج اللغوية الكبيرة، والذي يحقق دقة هي الأفضل في مجال مطابقة الأسماء الشخصية المعقدة ومتعددة اللغات، ويتم نشره حالياً على نطاق واسع لامتثال "اعرف عميلك" (KYC) على منصة Dream11.

المؤلفون الأصليون: Shivam Chourasia, Hitesh Kapoor, Nilesh Patil

نُشر 2026-05-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Shivam Chourasia, Hitesh Kapoor, Nilesh Patil

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 مطابقة اسمي شخصين، لكن الأسماء مكتوبة بطريقة فوضوية وغير منظمة. قد يُدرج أحدهما كـ "Rajesh Kumar"، والآخر "Kumar Rajesh"، وثالث "RajeshKumar" (بدون مسافة)، والرابع "Rajeshbhai" (مع إضافة لقب ودي). في بلد متنوع مثل الهند، حيث تتغير الأسماء بناءً على المنطقة واللغة أو حتى الطريقة التي كتب بها الموظف الاسم، يمثل هذا كابوساً للحواسيب.

تقدم هذه الورقة نظاماً جديداً يسمى SGER (حل الكيانات الموجه بالبنية - Structure-Guided Entity Resolution) الذي يحل هذه المشكلة باستخدام طريقة تدريب ذكية مكونة من خطوتين. إليك كيف يعمل ذلك، مشروحاً ببساطة:

المشكلة: لغز "الاسم الفوضوي"

في عالم إجراءات "اعرف عميلك" (KYC) — حيث تتحقق الشركات من هويتك قبل السماح لك باللعب أو فتح الحسابات — غالباً ما تفشل الحواسيب.

الطريقة القديمة: تستخدم الحواسيب التقليدية قواعد بسيطة، مثل عد عدد الحروف المختلفة بين اسمين. الأمر يشبه محاولة حل لغز عبر النظر فقط إلى لون القطع، وتجاهل شكلها. إذا كتب شخص ما "Shubham" بدلاً من "Subham"، يصاب الحاسوب بالارتباك.
الطريقة الجديدة (نماذج اللغات الكبيرة - LLMs): نماذج اللغات الكبيرة (الذكاء الاصطناعي) ذكية، ولكن إذا سألتها فقط "هل هذان الاسمان لنفس الشخص؟" فقد تخطئ في التخمين لأنها لم تتعلم "قواعد" الأسماء أولاً. إنها تحاول تعلم البنية والإجابة في آن واحد، وهو أمر يشبه طلب كتابة أطروحة وحل مسألة رياضية من طالب في نفس الوقت.

الحل: "مدرسة" للذكاء الاصطناٍ في مرحلتين

ابتكر المؤلفون منهجاً (خطة دراسية) لتعليم نموذج الذكاء الاصطناعي الخاص بهم، والمبني على نظام يسمى Llama 3، عبر مرحلتين متمايزتين. فكر في الأمر كتدريب موظف جديد:

المرحلة الأولى: فصل "مهندس الأسماء"
قبل أن يحاول الذكاء الاصطناعي مطابقة الأسماء، يتم تعليمه كيفية تفكيكها.

المهمة: تعطيه اسماً فوضوياً مثل "Kirtan Singh Rathore".
الدرس: يجب على الذكاء الاصطناعي إخراج قائمة منظمة ومرتبة (مثل ملف JSON) تقول: الاسم الأول: Kirtan، الاسم الأوسط: Singh، اسم العائلة: Rathore.
التشبيه: تخيل تعليم طفل كيفية أخذ كومة مبعثرة من قطع "الليغو" وفرزها إلى "عجلات"، و"نوافذ"، و"جدران" قبل محاولة بناء سيارة. يتعلم الذكاء الاصطناعي أن "Singh" غالباً ما يكون اسماً أوسطاً أو اسماً للعائلة، وأن "Rathore" هو اسم العائلة، بغض النظر عن ترتيب ظهورهم.

المرحلة الثانية: فصل "المحقق"
الآن بعد أن فهم الذكاء الاصطنا_ي كيفية بناء الأسماء من المرحلة الأولى، يتم ترقيته إلى دور المحقق.

المهمة: تعطيه اسمين (على سبيل المثال: "Rajeshk" و "Rajesh Kumar") وتسأله: "هل هذا هو نفس الشخص؟"
الميزة: نظرًا لأن الذك الذكاء الاصطناعي يعرف بالفعل كيفية تفكيك الأسماء من المرحلة الأولى، فإنه لا يحتاج إلى تخمين البنية أثناء اتخاذ القرار. يمكنه التركيز فقط على عملية المطابقة.
النتيجة: يصبح بارعاً للغاية في اكتشاف أن "Rajeshk" هو مجرد خطأ مطبعي أو اختصار لـ "Rajesh Kumar".

النتائج: نظام فائق الدقة

اختبر الفريق هذا النظام على 50,000 مثال من الواقع من الهند، وهي منطقة معروفة بامتلاكها لبعض أكثر قواعد تسمية الأسماء تعقيداً وتنوعاً في العالم.

الطرق القديمة: حققت دقة تترا-وح بين 57% إلى 85%.
الذكاء الاصطناعي القياسي (بدون التدريب ذو الخطوتين): حقق دقة تقارب 91%.
نظام SGER (النظام الجديد): حقق دقة بلغت 99.02%.

هذا يعني أن النظام يكاد يكون مثالياً في تحديد ما إذا كان الاسمان يعودان لنفس الشخص، حتى عندما تكون الأسماء مكتوبة بشكل خاطئ، أو متبادلة، أو تفتقر إلى المسافات.

التأثير في العالم الحقيقي: Dream11

هذا ليس مجرد نظرية؛ إنه يعمل بالفعل. تم نشر النظام في Dream11، أكبر منصة للفانتازي الرياضي في العالم، والتي تخدم أكثر من 250 مليون مستخدم.

قبل: عندما لم يكن الحاسوب متأكداً، كان عليه إرسال الحالة إلى بشري للتحقق منها يدوياً. كان ذلك بطيئاً ومكلفاً.
بعد: يتولى الذكاء الاصطناعي كل شيء تقريباً بشكل تلقائي.
الفائدة: توفر الشركة أكثر من 500,000 دولار سنوياً لأنها لم تعد بحاجة لدفع مبالغ للبشر للتحقق من هذه الحالات، كما يتم التحقق من المستخدمين الشرعيين فوراً دون انتظار.

الملخص

تجادل الورقة بأنه لجعل الذكاء الاصطناعي جيداً في وظيفة محددة وفوضوية (مثل مطابقة الأسماء في الهند)، لا ينبغي لك فقط إلقاء البيانات عليه. بدلاً من ذلك، يجب أن تعلمه قواعد اللعبة (كيف تُبنى الأسماء) أولاً، ثم تعلمه كيفية لعب اللعبة (مطابقة الأسماء). هذا النهج القائم على "المنهج الدراسي" حوّل ذكاءً اصطناعياً جيداً إلى ذكاء اصطناعي شبه مثالي، مما حل مشكلة ضخمة لشركة عالمية.

ملخص تقني: حل الكيانات الموجه بالبنية (SGER)

بيان المشكلة

يمثل حل الكيانات (Entity Resolution - ER) في البيئات المعقدة لغويًا وثقافيًا، لا سيما ضمن بيانات الهوية الهندية، تحديًا كبيرًا لامتثال "اعرف عميلك" (KYC). فخلافًا للمفاتيح المستقرة، تتباين الأسماء في هذه السياقات بسبب التقاليد الثقافية المتنوعة، والترجمة الصوتية غير المتسقة عبر النصوص (مثل من ديفاناغاري إلى اللاتينية)، وأخطاء إدخال البيانات المتكررة (الأخطاء المطبعية، الرموز المدمجة، وفقدان المسافات). وتواجه الطرق التقليدية مثل مسافة التحرير (Edit Distance)، وجارو-وينكلر (Jaro-Winkler)، والترميز الصوتي صعوبات في التعامل مع هذه الغموضات الهيكلية، مما يؤدي إلى معدلات عالية من الإيجابيات الكاذبة والسلبيات الكاذبة. وبينما تقدم النماذج اللغوية الكبيرة (LLMs) وعودًا، فإن الضبط الدقيق القياسي غالبًا ما يجبر النماذج على تعلم بنية الاسم وتصنيف الحدود في آن واحد، مما يؤدي إلى أداء دون المستوى في المجالات التي تكون فيها الأنماط الهيكلية قوية ولكنها ضمنية.

المنهجية: حل الكيانات الموجه بالبنية (SGER)

يقترح المؤلفون SGER، وهو إطار عمل مبتكر يقوم بالضبط الدقيق لنموذج لغوي كبير (تحديدًا Llama 3 8B من Meta) باستخدام استراتيجية تعلم منهجي مكونة من مرحلتين. يفصل هذا النهج بين الفهم الهيكلي ومهمة المطابقة الثنائية لبناء تمثيل داخلي قوي للأسماء.

بنية النظام

النموذج الأساسي: Llama 3 8B، تم اختياره لتوازنه بين الدقة، وكفاءة التكلفة، وإمكانية إعادة الإنتاج مفتوحة المصدر.
آلية التدريب: الضبط الدقيق الخاضع للإشراف (SFT) باستخدام التكيف منخفض الرتبة (LoRA) (الرتبة 4، ألفا 8) باستخدام الدقة المختلطة (fp16).

المرحلة الأولى: فهم بنية الاسم

الهدف: تعليم النموذج "القواعد الداخلية" للأسماء.
المهمة: رسم خريطة من سلسلة اسم خام (مثل "Kirtan Singh Rathore") إلى كائن JSON مهيكل يحتوي على first_name و middle_name و last_name.
البيانات: مجموعة بيانات تضم حوالي 10,000 اسم هندي مُدون يدويًا، مع تعزيزها بمتغيرات اصطناعية لتغطية التنوع الإقليمي واللغوي.
النتيجة: يتعلم النموذج تحديد مكونات الاسم والتعامل مع الاختلافات الهيكلية (مثل التعرف على "SinghKirtan" كشكل مدمج) قبل محاولة المطابقة بين الأزواج.

المرحلة الثانية: مطابقة الأسماء الثنائية

الهدف: تنفيذ المهمة النهائية المتمثلة في تحديد ما إذا كان متغيران للاسم يشيران إلى نفس الفرد.
التهيئة: يبدأ التدريب من نقطة تفتيش المرحلة الأولى.
المهمة: تصنيف ثنائي ("نعم" أو "لا") بناءً على زوج من الأسماء.
تصميم المطالبة (Prompt Design): يتضمن تعليمات وأمثلة قليلة (few-shot) تمت صياغتها مع فرق العمليات المعنية بالمخاطر لتعكس حالات الغموض في العالم الحقيقي (الاختصارات، إعادة ترتيب المكونات، الألقاب).
تعزيز البيانات: لضمان المتانة، تم توسيع بيانات التدريب (التي كانت في الأصل 20,000 زوج) إلى أكثر من 50,000 مثال باستخدام ثلاث استراتيجيات مستوحاة من الرؤية الحاسوبية:
1. تبديل الأزواج: يضمن عدم الاعتماد على ترتيب العناصر.
2. تبديل المكونات (Permutation): يعيد ترتيب أجزاء الاسم لإنشاء أمثلة هيكلية جديدة وصحيحة.
3. إزالة المسافات العشوائية: يحاكي أخطاء إدخال البيانات عن طريق دمج الرموز (مثل "Kirtan Singh" $\leftarrow$ "KirtanSingh").

المساهمات الرئيسية

إطار عمل قائم على المنهج الدراسي: يقدم البحث أول تحقق تجريبي لإطار عمل التعلم المنهجي ذي المرحلتين المصمم خصيصًا لحل الكيانات القائم على الأسماء في البيئات المعقدة والحقيقية. ويوضح أن فصل التعلم الهيكلي عن التصنيف يحقق أداءً متفوقًا مقارنة بالضبط الدقيق أحادي المرحلة.
أداء رائد (State-of-the-Art): يحقق SGER دقة بنسبة 99.02% ودرجة F1 تبلغ 0.994 على مجموعة اختبار مستقلة مكونة من 50,000 زوج KYC حقيقي من الهند.
النشر في بيئة الإنتاج: تم نشر النظام بالكامل في خط إنتاج Dream11 (الذي يخدم أكثر من 250 مليون مستخدم)، حيث يعالج ما يصل إلى 10,000 طلب في الدقيقة مع زمن انتقال (P99) يبلغ 120 مللي ثانية.

النتائج والتحليل المقارن

قام المؤلفون بتقييم SGER مقابل خمسة نماذج مرجعية على مجموعة تحقق منفصلة:

تشابه ليفنشتاين (Levenshtein Similarity): 0.726 F1 (يعاني مع الاختلافات الهيكلية).
BERT (ضبط دقيق): 0.806 F1.
GPT-4o (تعلم من أمثلة قليلة): 0.911 F1.
LLM (تعلم من أمثلة قليلة، Llama 3 8B): 0.839 F1.
LLM (ضبط دقيق أحادي المرحلة): 0.946 F1.
LLM (ضبط دقيق + تعزيز بيانات): 0.973 F1.
SGER (مرحلتان + تعزيز بيانات): 0.994 F1.

نتائج دراسة الاستئصال (Ablation Findings):

تعزيز البيانات: رفع درجة F1 من 0.946 إلى 0.973 من خلال منع النموذج من حفظ الأنماط السطحية وتحسين التعميم على التشوهات "ذات الذيل الطويل".
التعلم المنهجي: وفرت إضافة المرحلة الأولى (الضبط المسبق للهيكل) الدفعة النهائية لتصل إلى 0.994، خاصة في استقرار الأداء على الأزواج التي تعاني من تشوهات متعددة في آن واحد (مثل الأسماء المختصرة، ومعكوسة الترتيب، والمدمجة).

تحليل الأخطاء:
تتمثل الأخطاء المتبقية (أقل من 1%) أساسًا في:

الحالات الصوتية الغامضة: الأسماء التي تتشابه صوتيًا ولكن تختلف في الكتابة بسبب عدم اتساق الترجمة الصوتية (مثل "Saurabh" مقابل "Sorab").
أخطاء المركبات المعقدة: الحالات التي تتضمن فقدان المسافات، وانعكاس الترتيب، وفساد نصوص الـ OCR في آن واحد (مثل "SubhamKshr" مقابل "KishoreShubham").

الأهمية والأثر

يزعم البحث أن SGER يضع معيارًا جديدًا لحل الكيانات في المجالات متعددة اللغات والمعقدة من خلال إثبات أن التدريب الموجه بمنهج دراسي يتيح مطابقة قوية وعالية الدقة على نطاق واسع.

الأثر التشغيلي: أدى النشر إلى إلغاء الحاجة إلى المراجعة اليدوية للحالات الغامضة (التي كانت تُحول سابقًا إلى موردين خارجيين)، مما نتج عنه توفير في التكاليف السنوية يتجاوز 500,000 دولار.
الامتثال: يحقق النظام دقة تصل إلى 99.95%، مما يقلل بشكل كبير من الروابط الخاطئة والمخاطر التنظيمية المرتبطة بها في سير عمل KYC.
القابلية للتوسع: يثبت النهج أن مهام حل الكيانات المتخصصة لا تتطلب بالضرورة نماذج ضخمة؛ إذ يمكن لنموذج متواضع بـ 8 مليارات معلمة، عندما يتم توجيهه بمنهج هيكلي، تحقيق دقة تقترب من المثالية.

يخلص المؤلفون إلى أنه رغم تركيز SGL على بيانات KYC الهندية، إلا أن هذه المنهجية قابلة للتطبيق على نطاق واسع في إعدادات أخرى تتميز بتنوع لغوي غني، وتقاليد تسمية غير منتظمة، ومدخلات مشوشة، مثل التجارة الإلكترونية العالمية وكشف الاحتيال عبر الحدود.