Improving Arabic Text Sentiment Analysis using Aspect-based
تقترح هذه الدراسة شبكة هرمية ذات انتباه على مستوى الكلمة وتوزين قائم على النسب لتحليل المشاعر القائم على الجوانب للغة العربية، حيث أظهرت أن استخدام تضمينات CamelTools يتفوق بشكل كبير على Word2Vec عبر مجموعات بيانات متعددة من حيث الدقة ومقياس F1.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في كل يوم، يلجأ ملايين الأشخاص إلى وسائل التواصل الاجتماعي لمشاركة أفكارهم، وشكاواهم، ومديحهم. تغطي هذه المحادثات الرقمية كل شيء، من السياسة إلى أحدث الهواتف الذكية، مما يخلق محيطاً شاسعاً من النصوص غير المنظمة التي تعكس مشاعر الناس الحقيقية. بالنسبة للشركات والقادة السياسيين، يعد فهم هذه المشاعر أمراً بالغ الأهمية؛ فمعرفة ما إذا كان الجمهور سعيداً أم غاضباً يمكن أن يشكل استراتيجيات التسويق، ويحسن المنتجات، ويوجه قرارات السياسة. ومع ذلك، فإن قراءة هذا التدفق اللامتناهي من المنشورات أمر مستحيل على البشر، كما أن تعليم الحواسيب فهم الفروق الدقيقة في اللغة مهمة صعبة. وتزداد هذه التحديات مع اللغة العربية، وهي لغة غنية باللهجات والقواعد المعقدة، حيث يمكن للكلمة نفسها أن تحمل أوزاناً مختلفة من المعنى اعتماداً على السياق. وبينما أصبحت الحواسيب جيدة جداً في قراءة النصوص الإنجليزية، إلا أنها غالباً ما تكافح لاستيعاب الفروق الدقيقة في المشاعر باللغة العربية، لا سيما عندما يتحدث الشخص عن جزء معين من منتج أو خدمة بدلاً من المنتج ككل.
سعى الباحثون فيصل محمود، وطوقير عباس، وسامي الله إلى حل هذه المشكلة المحددة عبر بناء نوع جديد من النماذج الحاسوبية المصممة لقراءة التغريدات العربية بدقة أكبر. وبدلاً من التعامل مع الجملة ككتلة واحدة من النص، يركز نهجهم على "المشاعر القائمة على الجوانب" (aspect-based sentiment). وهذا يعني أن النموذج مصمم لتحديد الشعور تجاه موضوع معين، لكنه يتطلب تزويده بالموضوع المحدد (أو "الجانب") مسبقاً. على سبيل المثال، إذا قال أحد التقييمات: "عمر البطارية سيء للغاية ولكن الشاشة جميلة"، فإن النموذج لا يقرر تلقائياً أي جزء يتم مناقشته؛ بل يأخذ الجملة وجانباً محدداً (مثل "البطارية") كمدخلات لتحديد ما إذا كان الشعور تجاه هذا الجانب المحدد سلبياً أم إيجابياً. ولتحقيق ذلك، أنشأ الفريق نظاماً يولي اهتماماً خاصاً للكلمات الأكثر أهمية في الجملة، متجاهلاً الكلمات الأقل أهمية التي لا تحمل وزناً عاطفياً.
اختبر الباحثون فكرتهم باستخدام ثلاث مجموعات مختلفة من التغريدات العربية، والتي تضمنت منشورات من مصر والأردن ومزيجاً من المواضيع العامة. وقبل أن يتمكن الحاسوب من التعلم، كان على الفريق تنظيف البيانات، وإزالة الأشياء مثل الروابط، والحروف المكررة، والكلمات الشائعة التي لا تضيف معنى، مثل "الـ" التعريف أو "من". ثم قاموا بتغذية النص المنظف في شبكة عصبية، وهي نوع من البرامج الحاسوبية المستوحاة من الدماغ البشري، والتي تتميز بقدرة عالية على التعرف على الأنماط في المتواليات. وكان جوهر ابتكارهم هو طبقة "الانتباه" (attention) التي تعمل مثل تسليط الضوء. فبينما يقرأ الحاسوب الجملة، يقوم هذا الضوء بتسليط الضوء على الكلمات الأكثر صلة بالجانب المحدد الذي يتم تحليله، مما يسمح للنموذج بوزن هذه الكلمات بشكل أكبر من الكلمات المحيطة بها. وقد قارنوا طريقتهم الجديدة بالتقنيات القديمة التي كانت تعامل جميع الكلمات بالتساوي، وبالنماذج المتقدمة الأخرى التي استُخدمت سابقاً.
أظهرت النتائج أن نهجهم كان أكثر دقة بشكل ملحوظ. فعند اختبارهم على مجموعات البيانات المختلفة، تفوق النموذج الجديد باستمرار على أفضل الطرق السابقة. وتحديداً، وجدت الدراسة أن استخدام طريقة المعالجة المسبقة "CAMeL Tools" حقق نتائج أفضل من استخدام تضمينات "Word2Vec". وفي مجموعة بيانات "ArTwitter"، أدى هذا التحسين في المعالجة المسبقة إلى زيادة بنسبة 4.50% في الدقة و4.70% في مقياس F1. وفي مجموعة بيانات "ASTD" الخاصة بالتغريدات المصرية، أدى استخدام "CAMeL Tools" بدلاً من "Word2Vec" إلى تحسن بنسبة 2.60% في الدقة و2.44% في مقياس F1. وفي مجموعة بيانات "AJGT"، بلغت نسبة التحسن 2.10% في الدقة و3.34% في مقياس F1. ووجد الباحثون أن استخدام أداة محددة تسمى "CAMeL Tools" لمعالجة النص العربي كان يعمل بشكل أفضل من الطرق القديمة لتحويل الكلمات إلى أرقام. ومن خلال التركيز على أهمية الكلمات الفردية داخل الجملة، تمكن النموذج من التقاط التحولات الطفيفة في المشاعر التي فاتتها الأنظمة السابقة.
يشير هذا العمل إلى أنه لكي تفهم الحواسيب الآراء البشرية في اللغة العربية حقاً، يجب تعليمها كيفية النظر في بنية الجملة والتعرف على الكلمات التي تحمل الوزن العاطفي الأكبر. لا تدعي الدراسة أنها حلت كل مشكلة في معالجة اللغات، لكنها تثبت أن النهج المستهدف، الذي يعزل مواضيع محددة ويزن الكلمات بشكل مختلف، يؤدي إلى نتائج أفضل. ويأمل الباحثون أنه من خلال صقل كيفية تحليل الآلات لهذه الفروق اللغوية الدقيقة، يمكنهم مساعدة المؤسسات على فهم أكبر لكم هائل من التعليقات التي يتم إنتاجها على وسائل التواصل الاجتماعي كل يوم. وتشير النتائج إلى أنه مع الأدوات الصحيحة، يمكن تجاوز تعقيد اللهجات والقواعد العربية بفعالية، وتحويل النص الخام إلى رؤى واضحة وقابلة للتنفيذ.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.