توليد اللغة الطبيعية

الموسوعة الحرة

توليد اللغة الطبيعية ( NLG ) هو عملية برمجية تُنتج مخرجات باللغة الطبيعية . ويصف استطلاعٌ واسع الانتشار لأساليب توليد اللغة الطبيعية هذا المجال بأنه "فرع من فروع الذكاء الاصطناعي واللغويات الحاسوبية يهتم ببناء أنظمة حاسوبية قادرة على إنتاج نصوص مفهومة باللغة الإنجليزية أو غيرها من اللغات البشرية انطلاقاً من تمثيل غير لغوي للمعلومات". [ 1 ]

على الرغم من الاتفاق الواسع على أن مخرجات أي عملية توليد لغة طبيعية هي نص، إلا أن هناك بعض الخلاف حول ما إذا كانت مدخلات نظام توليد اللغة الطبيعية يجب أن تكون غير لغوية. [ 2 ] تشمل التطبيقات الشائعة لأساليب توليد اللغة الطبيعية إنتاج تقارير متنوعة، مثل تقارير الطقس [ 3 ] وتقارير المرضى؛ [ 4 ] وتعليقات الصور؛ [ 5 ] وبرامج الدردشة الآلية مثل ChatGPT .

يمكن تشبيه توليد اللغة الطبيعية الآلي بالعملية التي يستخدمها البشر لتحويل أفكارهم إلى كتابة أو كلام. يفضل علماء اللغة النفسية مصطلح " إنتاج اللغة" لهذه العملية، والتي يمكن وصفها رياضياً، أو محاكاتها حاسوبياً لأغراض البحث النفسي. كما يمكن تشبيه أنظمة توليد اللغة الطبيعية بمترجمات لغات البرمجة، مثل برامج فك التشفير أو برامج تحويل الشفرة ، والتي تُنتج بدورها شفرة قابلة للقراءة البشرية مُولّدة من تمثيل وسيط . تميل اللغات البشرية إلى أن تكون أكثر تعقيداً بكثير، وتتيح قدراً أكبر من الغموض وتنوعاً في التعبير مقارنةً بلغات البرمجة، مما يجعل توليد اللغة الطبيعية أكثر صعوبة.

يمكن اعتبار توليد اللغة الطبيعية ( NLG) مكملاً لفهم اللغة الطبيعية (NLU): فبينما يحتاج النظام في فهم اللغة الطبيعية إلى إزالة الغموض عن الجملة المدخلة لإنتاج لغة التمثيل الآلي، يحتاج النظام في توليد اللغة الطبيعية إلى اتخاذ قرارات بشأن كيفية صياغة التمثيل بالكلمات. ولا تتطابق الاعتبارات العملية في بناء أنظمة فهم اللغة الطبيعية مقابل أنظمة توليد اللغة الطبيعية. إذ يتعين على فهم اللغة الطبيعية التعامل مع مدخلات المستخدم الغامضة أو الخاطئة، بينما تكون الأفكار التي يرغب النظام في التعبير عنها من خلال توليد اللغة الطبيعية معروفة بدقة بشكل عام. ويحتاج توليد اللغة الطبيعية إلى اختيار تمثيل نصي محدد ومتسق ذاتيًا من بين العديد من التمثيلات المحتملة، بينما يحاول فهم اللغة الطبيعية عمومًا إنتاج تمثيل واحد معياري للفكرة المعبر عنها. [ 6 ]

ظهرت تقنيات توليد اللغة الطبيعية منذ تطوير برنامج إليزا في منتصف الستينيات، ولكن استخدامها تجاريًا بدأ في التسعينيات. [ 7 ] تتراوح هذه التقنيات بين أنظمة بسيطة تعتمد على القوالب، مثل دمج المراسلات لإنشاء رسائل نموذجية ، وأنظمة تتمتع بفهم معقد لقواعد اللغة البشرية. كما يمكن تحقيق توليد اللغة الطبيعية من خلال تدريب نموذج إحصائي باستخدام التعلم الآلي ، عادةً على مجموعة كبيرة من النصوص المكتوبة يدويًا. [ 8 ]

مثال

يُعد نظام التنبؤ بحبوب اللقاح في اسكتلندا [ 9 ] مثالًا بسيطًا لنظام توليد اللغة الطبيعية، والذي يمكن بناؤه أساسًا على نموذج جاهز. يستقبل هذا النظام ستة أرقام كمدخلات، تُعطي مستويات حبوب اللقاح المتوقعة في مناطق مختلفة من اسكتلندا. ومن هذه الأرقام، يُنتج النظام ملخصًا نصيًا موجزًا ​​لمستويات حبوب اللقاح كمخرج.

على سبيل المثال، باستخدام البيانات التاريخية ليوم 1 يوليو 2005، ينتج البرنامج ما يلي:

ارتفعت مستويات حبوب اللقاح يوم الجمعة من مستويات أمس المتوسطة إلى المرتفعة، حيث بلغت حوالي 6 إلى 7 في معظم أنحاء البلاد. أما في المناطق الشمالية، فستكون مستويات حبوب اللقاح متوسطة عند 4.

في المقابل، كانت التوقعات الفعلية (التي كتبها خبير أرصاد جوية بشري) بناءً على هذه البيانات كما يلي:

من المتوقع أن تبقى مستويات حبوب اللقاح مرتفعة عند المستوى 6 في معظم أنحاء اسكتلندا، وحتى عند المستوى 7 في الجنوب الشرقي. ويُستثنى من ذلك الجزر الشمالية وشمال شرق البر الرئيسي لاسكتلندا حيث تكون مستويات حبوب اللقاح متوسطة.

توضح مقارنة هذين الأمرين بعض الخيارات التي يجب على أنظمة توليد اللغة الطبيعية اتخاذها؛ وسيتم مناقشة هذه الخيارات بمزيد من التفصيل أدناه.

مراحل

قد تكون عملية توليد النصوص بسيطةً كحفظ قائمة بنصوص جاهزة تُنسخ وتُلصق، وربما تُربط ببعض النصوص التوضيحية. وقد تكون النتائج مُرضية في مجالات بسيطة كأجهزة التنبؤ بالأبراج أو مولدات الرسائل التجارية المُخصصة. مع ذلك، يحتاج نظام توليد اللغة الطبيعية المُتطور إلى مراحل تخطيط ودمج المعلومات لتمكين توليد نصوص تبدو طبيعية وغير مُكررة. المراحل النموذجية لتوليد اللغة الطبيعية، كما اقترحها ديل وريتر [ 6 ] ، هي:

تحديد المحتوى
تحديد المعلومات التي يجب ذكرها في النص. على سبيل المثال، في مثال حبوب اللقاح أعلاه، يجب تحديد ما إذا كان ينبغي ذكر مستوى حبوب اللقاح صراحةً في الجنوب الشرقي، أي 7.
هيكلة المستندات
التنظيم العام للمعلومات المراد إيصالها. على سبيل المثال، اختيار وصف المناطق ذات مستويات حبوب اللقاح العالية أولاً، بدلاً من المناطق ذات مستويات حبوب اللقاح المنخفضة.
تجميع
دمج الجمل المتشابهة لتحسين سهولة القراءة وسلاسة الأسلوب. على سبيل المثال، دمج الجملتين "ارتفعت مستويات حبوب لقاح العشب ليوم الجمعة من المستويات المتوسطة إلى المرتفعة ليوم أمس." و "ستتراوح مستويات حبوب لقاح العشب بين 6 و7 في معظم أنحاء البلاد." في جملة واحدة هي: "ارتفعت مستويات حبوب لقاح العشب ليوم الجمعة من المستويات المتوسطة إلى المرتفعة ليوم أمس، حيث تتراوح القيم بين 6 و7 في معظم أنحاء البلاد."
الاختيار المعجمي
التعبير عن المفاهيم بالكلمات. على سبيل المثال، تحديد ما إذا كان ينبغي استخدام مصطلح "متوسط" أو "معتدل" عند وصف مستوى حبوب اللقاح الذي يبلغ 4.
توليد التعبيرات المرجعية
إنشاء تعابير مرجعية لتحديد الأشياء والمناطق. على سبيل المثال، استخدام عبارة " في الجزر الشمالية وأقصى شمال شرق البر الرئيسي لاسكتلندا" للإشارة إلى منطقة معينة في اسكتلندا. تشمل هذه المهمة أيضًا اتخاذ قرارات بشأن الضمائر وأنواع الإحالة الأخرى .
تحقيق
إنشاء النص الفعلي، والذي يجب أن يكون صحيحًا وفقًا لقواعد النحو والصرف والإملاء . على سبيل المثال، استخدام " will be" للدلالة على صيغة المستقبل من الفعل " to be" .

يتمثل أحد الأساليب البديلة لتوليد اللغة الطبيعية في استخدام التعلم الآلي "الشامل" لبناء نظام متكامل، دون الحاجة إلى مراحل منفصلة كما ذُكر سابقًا. [ 10 ] بعبارة أخرى، نبني نظام توليد اللغة الطبيعية من خلال تدريب خوارزمية تعلم آلي (غالبًا ما تكون LSTM ) على مجموعة بيانات ضخمة من بيانات الإدخال والنصوص الناتجة (المكتوبة يدويًا). ولعلّ هذا الأسلوب الشامل حقق نجاحًا كبيرًا في مجال وصف الصور ، [ 11 ] أي توليد وصف نصي تلقائي للصورة.

التطبيقات

إنشاء التقارير تلقائيًا

من الناحية التجارية، تُعدّ أنظمة تحويل البيانات إلى نصوص، التي تُنتج ملخصات نصية لقواعد البيانات ومجموعات البيانات، من أنجح تطبيقات توليد اللغة الطبيعية ؛ إذ تُجري هذه الأنظمة عادةً تحليل البيانات بالإضافة إلى توليد النصوص. وقد أظهرت الأبحاث أن الملخصات النصية قد تكون أكثر فعالية من الرسوم البيانية وغيرها من الوسائل البصرية في دعم اتخاذ القرارات، [ 12 ] [ 13 ] [ 14 ] وأن النصوص المُولّدة حاسوبياً قد تكون أفضل (من وجهة نظر القارئ) من النصوص المكتوبة بشرياً. [ 15 ]

أنتجت أولى أنظمة تحويل البيانات إلى نصوص التجارية تنبؤات جوية من بيانات الطقس. وكان نظام FoG أول نظام من هذا النوع يُستخدم، [ 3 ] والذي استخدمته هيئة البيئة الكندية لإنتاج تنبؤات جوية باللغتين الفرنسية والإنجليزية في أوائل التسعينيات. وقد حفّز نجاح FoG أعمالًا أخرى، بحثية وتجارية على حد سواء. ومن التطبيقات الحديثة تنبؤات مكتب الأرصاد الجوية البريطاني المُحسّنة بالنصوص. [ 16 ]

ومنذ ذلك الحين، طُبقت أنظمة تحويل البيانات إلى نصوص في مجموعة متنوعة من المجالات. فبعد الزلزال الطفيف الذي ضرب بيفرلي هيلز، كاليفورنيا، في 17 مارس 2014، نشرت صحيفة لوس أنجلوس تايمز تقريرًا مفصلاً عن وقت الزلزال وموقعه وقوته في غضون ثلاث دقائق من وقوعه. وقد أُنشئ هذا التقرير تلقائيًا بواسطة "صحفي آلي" قام بتحويل البيانات الواردة إلى نص باستخدام قالب مُعد مسبقًا. [ 17 ] [ 18 ] ويوجد حاليًا اهتمام تجاري كبير باستخدام تقنية توليد اللغة الطبيعية (NLG) لتلخيص البيانات المالية والتجارية. بل إن شركة غارتنر قد صرحت بأن تقنية توليد اللغة الطبيعية ستصبح ميزة أساسية في 90% من منصات ذكاء الأعمال والتحليلات الحديثة. [ 19 ] كما تُستخدم تقنية توليد اللغة الطبيعية تجاريًا في الصحافة الآلية ، وبرامج الدردشة الآلية ، وإنشاء أوصاف المنتجات لمواقع التجارة الإلكترونية، وتلخيص السجلات الطبية، [ 20 ] [ 4 ] وتحسين إمكانية الوصول (على سبيل المثال، من خلال وصف الرسوم البيانية ومجموعات البيانات للمكفوفين [ 21 ] ).

من الأمثلة على الاستخدام التفاعلي لتقنية توليد اللغة الطبيعية إطار عمل WYSIWYM . وهو اختصار لعبارة " ما تراه هو ما تقصده"، ويتيح للمستخدمين رؤية ومعالجة العرض المُستمر (مخرجات توليد اللغة الطبيعية) لوثيقة لغة رسمية أساسية (مدخلات توليد اللغة الطبيعية)، وبالتالي تحرير اللغة الرسمية دون الحاجة إلى تعلمها.

بالنظر إلى المستقبل، يمهد التقدم الحالي في مجال تحويل البيانات إلى نصوص الطريق لتخصيص النصوص لجمهور محدد. على سبيل المثال، يمكن تحويل بيانات الأطفال حديثي الولادة إلى نصوص بطرق مختلفة في البيئة السريرية، بمستويات متفاوتة من التفاصيل التقنية واللغة التوضيحية، وذلك تبعًا للمتلقي المقصود للنص (طبيب، ممرض، مريض). ويمكن تطبيق الفكرة نفسها في المجال الرياضي، حيث تُعدّ تقارير مختلفة لمشجعي فرق محددة. [ 22 ]

شرح الصور

شهدت السنوات القليلة الماضية اهتماماً متزايداً بإنشاء تعليقات توضيحية تلقائياً للصور، وذلك في إطار مسعى أوسع لدراسة العلاقة بين الرؤية واللغة. وتُعدّ خوارزمية كتابة التعليقات التوضيحية للصور (أو الوصف التلقائي للصور) مثالاً على توليد النصوص من البيانات، حيث تتضمن أخذ صورة، وتحليل محتواها المرئي، ثم إنشاء وصف نصي (عادةً جملة) يُعبّر عن أبرز جوانب الصورة.

يتضمن نظام وصف الصور مهمتين فرعيتين. في تحليل الصور، تُكتشف خصائص الصورة وسماتها وتُصنّف، قبل ربط هذه المخرجات بالبنى اللغوية. تستخدم الأبحاث الحديثة أساليب التعلم العميق من خلال خصائص من شبكة عصبية التفافية مُدرّبة مسبقًا مثل AlexNet أو VGG أو Caffe، حيث تستخدم مولدات التعليقات طبقة تنشيط من الشبكة المُدرّبة مسبقًا كخصائص إدخال. أما توليد النصوص، وهي المهمة الثانية، فيتم باستخدام مجموعة واسعة من التقنيات. على سبيل المثال، في نظام Midge، تُمثّل الصور المدخلة على شكل ثلاثيات تتكون من اكتشافات الكائنات/الأشياء، واكتشافات الحركة/ الوضع ، والعلاقات المكانية. تُربط هذه الثلاثيات لاحقًا بثلاثيات <اسم، فعل، حرف جر> وتُنفّذ باستخدام قواعد استبدال الشجرة. [ 22 ]

تتمثل إحدى الطرق الشائعة في وصف الصور في استخدام نموذج رؤية (مثل ResNet ) لترميز الصورة إلى متجه، ثم استخدام نموذج لغوي (مثل RNN ) لفك ترميز المتجه إلى وصف. [ 23 ] [ 24 ]

على الرغم من التطورات الحاصلة، لا تزال هناك تحديات وفرص في مجال أبحاث التقاط الصور. فبالرغم من أن إطلاق Flickr30K وMS COCO ومجموعات البيانات الضخمة الأخرى قد مكّن من تدريب نماذج أكثر تعقيدًا مثل الشبكات العصبية، إلا أنه يُقال إن أبحاث وصف الصور يمكن أن تستفيد من مجموعات بيانات أكبر وأكثر تنوعًا. ويُعدّ تصميم مقاييس آلية تحاكي الأحكام البشرية في تقييم مدى ملاءمة أوصاف الصور حاجةً أخرى في هذا المجال. وتشمل التحديات الأخرى المفتوحة الإجابة على الأسئلة المرئية (VQA) [ 25 ] ، بالإضافة إلى بناء وتقييم مستودعات متعددة اللغات لوصف الصور [ 22 ] .

روبوتات الدردشة

يُعدّ توليد اللغة الطبيعية مجالًا آخرًا يُستخدم فيه على نطاق واسع، وهو أنظمة الحوار الآلي ، والتي غالبًا ما تكون على شكل روبوتات محادثة. روبوت المحادثة هو تطبيق برمجي يُستخدم لإجراء محادثة نصية أو صوتية عبر الإنترنت ، بدلًا من التواصل المباشر مع موظف بشري. وبينما تُستخدم تقنيات معالجة اللغة الطبيعية في فهم المدخلات البشرية، يُزوّد ​​توليد اللغة الطبيعية خوارزميات روبوت المحادثة بالمعلومات اللازمة لتسهيل الحوارات الفورية.

تعتمد أنظمة الدردشة الآلية المبكرة، بما فيها Cleverbot الذي ابتكره رولو كاربنتر عام 1988 ونُشر عام 1997، على تقنيات استرجاع المعلومات للإجابة على الأسئلة من خلال تحديد كيفية استجابة المستخدم البشري للسؤال نفسه في قاعدة بيانات المحادثات . أما أنظمة الدردشة الآلية الحديثة، فتعتمد بشكل أساسي على نماذج التعلم الآلي، مثل التعلم التسلسلي والتعلم المعزز، لإنتاج مخرجات باللغة الطبيعية. كما تم استكشاف نماذج هجينة. فعلى سبيل المثال، يستخدم مساعد التسوق في علي بابا أولاً نهج استرجاع المعلومات لاسترجاع أفضل الخيارات من قاعدة المعرفة، ثم يستخدم نموذج seq2seq المدعوم بالتعلم الآلي لإعادة ترتيب الردود المرشحة وإنتاج الإجابة. [ 26 ]

الكتابة الإبداعية والفكاهة الحاسوبية

لطالما طُرحت فرضية توليد اللغة الإبداعية بواسطة تقنية توليد اللغة الطبيعية منذ نشأة هذا المجال. ومن الرواد المعاصرين في هذا المجال فيليب باركر، الذي طوّر مجموعة من الخوارزميات القادرة على توليد الكتب الدراسية، وألغاز الكلمات المتقاطعة، والقصائد، والكتب تلقائيًا، والتي تتناول مواضيع متنوعة من تجليد الكتب إلى إعتام عدسة العين. [ 27 ] كما ساهم ظهور نماذج اللغة الكبيرة المدربة مسبقًا والقائمة على المحولات، مثل GPT-3، في تحقيق طفرات نوعية، حيث أظهرت هذه النماذج قدرة ملحوظة على مهام الكتابة الإبداعية. [ 28 ]

يُعدّ إنتاج الفكاهة الحاسوبية مجالًا ذا صلة بتطبيقات توليد اللغة الطبيعية. ويُعتبر نظام JAPE (محرك تحليل وإنتاج النكات) من أوائل أنظمة إنتاج الفكاهة الآلية واسعة النطاق، والذي يستخدم أسلوبًا قائمًا على قوالب مُبرمجة يدويًا لإنشاء ألغاز تورية للأطفال. أما نظام HAHAcronym، فيُنشئ تفسيرات فكاهية لأي اختصار مُعطى، بالإضافة إلى اقتراح اختصارات جديدة مُلائمة بناءً على بعض الكلمات المفتاحية. [ 29 ]

على الرغم من التقدم المحرز، لا تزال هناك تحديات كثيرة في إنتاج محتوى إبداعي وفكاهي آلي ينافس الإنتاج البشري. في تجربة لتوليد عناوين ساخرة، اعتُبرت مخرجات أفضل نموذج قائم على BERT مضحكة بنسبة 9.4% (بينما بلغت نسبة العناوين الحقيقية من موقع The Onion 38.4%)، وحقق نموذج GPT-2 المُعدّل خصيصًا للعناوين الساخرة نسبة 6.9%. [ 30 ]   وقد أشير إلى أن مشكلتين رئيسيتين في أنظمة توليد الفكاهة هما نقص مجموعات البيانات المُصنّفة ونقص أساليب التقييم الرسمية، [ 29 ] والتي يمكن تطبيقها على توليد محتوى إبداعي آخر. ويرى البعض أنه بالمقارنة مع التطبيقات الأخرى، لم يُولَ الاهتمام الكافي للجوانب الإبداعية لإنتاج اللغة ضمن توليد اللغة الطبيعية. ويمكن لباحثي توليد اللغة الطبيعية الاستفادة من فهم ماهية إنتاج اللغة الإبداعي، بالإضافة إلى السمات البنيوية للسرد التي لديها القدرة على تحسين مخرجات توليد اللغة الطبيعية حتى في أنظمة تحويل البيانات إلى نص. [ 22 ]

تقييم

كما هو الحال في المجالات العلمية الأخرى، يحتاج باحثو توليد اللغة الطبيعية إلى اختبار مدى كفاءة أنظمتهم ووحداتهم وخوارزمياتهم. يُطلق على هذه العملية اسم التقييم . وهناك ثلاث تقنيات أساسية لتقييم أنظمة توليد اللغة الطبيعية:

  • التقييم القائم على المهام (الخارجي) : يتم فيه إعطاء النص المُولّد لشخص ما، وتقييم مدى مساعدته له في أداء مهمة معينة (أو تحقيق هدفه التواصلي). على سبيل المثال، يمكن تقييم نظام يُولّد ملخصات للبيانات الطبية من خلال إعطاء هذه الملخصات للأطباء، وتقييم ما إذا كانت تُساعدهم على اتخاذ قرارات أفضل. [ 4 ]
  • التقييمات البشرية : أعط النص المُنشأ لشخص ما، واطلب منه تقييم جودة النص وفائدته.
  • المقاييس : مقارنة النصوص المُنشأة بالنصوص التي كتبها أشخاص من نفس بيانات الإدخال، باستخدام مقياس تلقائي مثل BLEU و METEOR و ROUGE و LEPOR .

يتمثل الهدف النهائي في تحديد مدى فائدة أنظمة توليد اللغة الطبيعية في مساعدة الناس، وهو أول التقنيات المذكورة أعلاه. مع ذلك، فإن التقييمات القائمة على المهام تستغرق وقتًا طويلاً ومكلفة، وقد يصعب تنفيذها (خاصةً إذا تطلبت أشخاصًا ذوي خبرة متخصصة، كالأطباء). لذا (كما هو الحال في مجالات أخرى من معالجة اللغة الطبيعية)، تُعد التقييمات القائمة على المهام استثناءً لا قاعدة.

يُجري الباحثون حاليًا تقييمًا لمدى ترابط التقييمات البشرية والمقاييس مع تقييمات المهام (أو التنبؤ بها). ويجري هذا العمل في سياق تحديات الأجيال [ 31 ]، وهي فعاليات مهام مشتركة. تشير النتائج الأولية إلى أن التقييمات البشرية أفضل بكثير من المقاييس في هذا الصدد. بعبارة أخرى، تتنبأ التقييمات البشرية عادةً بفعالية المهمة إلى حد ما على الأقل (مع وجود بعض الاستثناءات)، بينما غالبًا ما تفشل التقييمات الناتجة عن المقاييس في التنبؤ بفعالية المهمة بدقة. هذه النتائج أولية. على أي حال، تُعد التقييمات البشرية أكثر أساليب التقييم شيوعًا في توليد اللغة الطبيعية، على عكس الترجمة الآلية حيث تُستخدم المقاييس على نطاق واسع.

يمكن تقييم الذكاء الاصطناعي بناءً على مدى مطابقته لبيانات التدريب، أو بدلاً من ذلك، على مدى واقعيته . فالاستجابة التي تعكس بيانات التدريب دون الواقع تُعتبر مطابقة ولكنها غير واقعية. أما الاستجابة الواثقة ولكنها غير مطابقة فهي أشبه بالهلوسة . في معالجة اللغات الطبيعية، تُعرَّف الهلوسة عادةً بأنها "محتوى مُولَّد غير منطقي أو غير مطابق للمحتوى الأصلي المُقدَّم". [ 32 ]

انظر أيضاً

مراجع

  1. ↑ رايتر، إيهود؛ ديل، روبرت (مارس 1997). "بناء أنظمة توليد اللغة الطبيعية التطبيقية" . هندسة اللغة الطبيعية . 3 (1): 57-87 . doi : 10.1017/S1351324997001502 . ISSN 1469-8110 . S2CID 8460470 .  
  2. ↑ جات أ، كراهمر إي (2018). "دراسة استقصائية لأحدث التقنيات في توليد اللغة الطبيعية: المهام الأساسية والتطبيقات والتقييم" . مجلة أبحاث الذكاء الاصطناعي . 61 (61): 65-170 . arXiv : 1703.09902 . doi : 10.1613/jair.5477 . S2CID 16946362 . 
  3. 1 2 غولدبيرغ إي، دريدجر إن، كيتريج آر (1994). "استخدام معالجة اللغة الطبيعية لإنتاج تنبؤات الطقس". خبير IEEE . 9 (2): 45-53 . doi : 10.1109/64.294135 . S2CID 9709337 . 
  4. 1 2 3 بورتيه إف، رايتر إي، جات إيه، هنتر جيه، سريبادا إس، فرير واي، سايكس سي (2009). "التوليد التلقائي للملخصات النصية من بيانات العناية المركزة لحديثي الولادة" (ملف PDF) . الذكاء الاصطناعي . 173 ( 7-8 ): 789-816 . doi : 10.1016/j.artint.2008.12.002 .
  5. ↑ فرهادي أ، هجراتي م، صادقي م أ، يونغ ب، رشتشيان س، هوكنماير ج، فورسيث د (5 سبتمبر 2010). كل صورة تحكي قصة: توليد جمل من الصور (ملف PDF) . المؤتمر الأوروبي لرؤية الحاسوب. برلين، هايدلبرغ: سبرينغر. ص 15-29 . doi : 10.1007/978-3-642-15561-1_2 . 
  6. 1 2 ديل، روبرت؛ رايتر، إيهود (2000). بناء أنظمة توليد اللغة الطبيعية . كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج. ISBN 978-0-521-02451-8.
  7. ↑ إيهود رايتر (21 مارس 2021). تاريخ الرابطة الوطنية للمحامين . مؤرشف من الأصل بتاريخ 12 ديسمبر 2021.
  8. ↑ بيريرا ر، ناند ب (2017). "التطورات الحديثة في توليد اللغة الطبيعية: مسح وتصنيف للأدبيات التجريبية". الحوسبة والمعلوماتية . 36 (1): 1-32 . doi : 10.4149/cai_2017_1_1 . hdl : 10292/10691 .
  9. ↑ آر. تيرنر، إس. سريبادا، إي. رايتر، آي. ديفي (2006). توليد أوصاف مكانية-زمانية في توقعات حبوب اللقاح. وقائع مؤتمر EACL06
  10. ↑ "تحدي توليد اللغة الطبيعية من طرف إلى طرف" . مؤرشف من الأصل بتاريخ 2022-12-04 . تم الاطلاع عليه بتاريخ 2018-06-28 .
  11. ↑ "DataLabCup: شرح الصورة" .
  12. ↑ لو أ، فرير ي، هنتر ج، لوجي ر، ماكنتوش ن، كوين ج (2005). "مقارنة بين العروض البيانية والنصية لبيانات السلاسل الزمنية لدعم اتخاذ القرارات الطبية في وحدة العناية المركزة لحديثي الولادة". مجلة المراقبة السريرية والحوسبة . 19 (3): 183-194 . doi : 10.1007/s10877-005-0879-3 . PMID 16244840. S2CID 5569544 .  
  13. ↑ غاتزيا د، ليمون أ، ريزر ف (2017). "توليد النصوص من البيانات يُحسّن عملية اتخاذ القرار في ظل عدم اليقين" (ملف PDF) . مجلة IEEE للذكاء الحسابي . 12 (3): 10-17 . Bibcode : 2017ICIM...12c..10G . doi : 10.1109/MCI.2017.2708998 . S2CID 9544295 . 
  14. ↑ "نص أم رسومات؟" . 2016-12-26.
  15. ↑ رايتر إي، سريبادا إس، هنتر جيه، يو جيه، ديفي آي (2005). "اختيار الكلمات في التنبؤات الجوية المولدة بالحاسوب" . الذكاء الاصطناعي . 167 ( 1-2 ): 137-169 . doi : 10.1016/j.artint.2005.06.006 .
  16. ↑ س. سريبادا، ن. بورنيت، ر. تيرنر، ج. ماستين، د. إيفانز (2014). إعداد دراسة حالة: توليد اللغة الطبيعية لتلبية طلب صناعة الأرصاد الجوية على جودة وكمية التنبؤات الجوية النصية. وقائع المؤتمر الدولي للغة الطبيعية 2014
  17. ↑ شوينك، كين شوينك؛ صحفي، أ.؛ مبرمج حاسوب؛ في عام 2014، ترك صحيفة لوس أنجلوس تايمز (17 مارس 2014). "هزة ارتدادية للزلزال: زلزال بقوة 2.7 درجة يضرب بالقرب من ويستوود" . لوس أنجلوس تايمز . تم الاطلاع عليه في 3 يونيو 2022 .{{cite web}}: صيانة CS1: الأسماء الرقمية: قائمة المؤلفين ( رابط )
  18. ↑ ليفنسون، إريك (17 مارس 2014). "صحفي من صحيفة لوس أنجلوس تايمز يشرح كيف كتب برنامج آلي تقريره عن الزلزال نيابةً عنه" . مجلة ذا أتلانتيك . تاريخ الاسترجاع: 3 يونيو 2022 .
  19. ↑ "الشبكات العصبية ومنصات ذكاء الأعمال الحديثة ستطور البيانات والتحليلات" .
  20. ↑ هاريس، م.د. (2008). "بناء نظام توليد لغة طبيعية تجاري واسع النطاق لسجل طبي إلكتروني" (ملف PDF) . وقائع المؤتمر الدولي الخامس لتوليد اللغة الطبيعية . الصفحات 157-160 . 
  21. ↑ "مرحباً بكم في صفحة iGraph-Lite" . www.inf.udec.cl. مؤرشف من الأصل بتاريخ 16-03-2010.
  22. 1 2 3 4 غات، ألبرت؛ كراهمر، إميل (29-01-2018). "مسح لأحدث التقنيات في توليد اللغة الطبيعية: المهام الأساسية والتطبيقات والتقييم". arXiv : 1703.09902 [ cs.CL ].
  23. ↑ فينيالز، أوريول؛ توشيف، ألكسندر؛ بينجيو، سامي؛ إرهان، دوميترو (2015). "العرض والشرح: مولد تعليقات الصور العصبية" : 3156-3164 .{{cite journal}}يتطلب الاستشهاد بالمجلة ( مساعدة )|journal=
  24. ↑ كارباثي، أندريه؛ فاي-فاي، لي (2015). "المحاذاة البصرية-الدلالية العميقة لتوليد أوصاف الصور" : 3128-3137 .{{cite journal}}يتطلب الاستشهاد بالمجلة ( مساعدة )|journal=
  25. ↑ كودالي، فينكات؛ بيرلينت، دانيال (2022). "التطور السريع والحديث في بنية الإجابة على الأسئلة المرئية: مراجعة". وقائع المؤتمر الدولي الثاني والعشرين لمعهد مهندسي الكهرباء والإلكترونيات حول هندسة المعلومات والاتصالات . الصفحات 133-146 . arXiv : 2203.01322 . 
  26. ↑ مناصري، معالي (2019-03-21). "التطورات الحديثة في معالجة اللغة الطبيعية التفاعلية: نحو توحيد بناء روبوتات المحادثة". arXiv : 1903.09025 [ cs.CL ].
  27. ↑ "كيفية تأليف أكثر من مليون كتاب" . هاف بوست . 11 فبراير 2013. تاريخ الاسترجاع: 3 يونيو 2022 .
  28. ↑ "استكشاف GPT-3: النطاق، والقدرات، والعروض التوضيحية المبكرة، والحدود الحقيقية" . SanishTech . 12 مارس 2021. مؤرشف من الأصل في 15 أغسطس 2020. تم الاطلاع عليه في 11 أكتوبر 2025 .
  29. 1 2 وينترز، توماس (30 أبريل 2021). "تعلم الحواسيب للفكاهة ليس مزحة" . مجلة هارفارد لعلوم البيانات . 3 (2). doi : 10.1162/99608f92.f13a2337 . S2CID 235589737 . 
  30. ↑ هورفيتز، زاكاري؛ دو، نام؛ ليتمان، مايكل ل. (يوليو 2020). "توليد الأخبار الساخرة الموجهة بالسياق" . وقائع ورشة العمل الثانية حول معالجة اللغة المجازية . منشور إلكترونيًا: رابطة اللغويات الحاسوبية: 40-50 . doi : 10.18653/v1/2020.figlang-1.5 . S2CID 220330989 . 
  31. ↑ تحديات الجيل
  32. ^ جي زيوي. لي، نايون؛ فريسكي، ريتا؛ يو، تيزينج؛ سو، دان؛ شو، يان؛ إيشي، إتسوكو؛ بانج، يجين؛ مادوتو، أندريا؛ فونج ، باسكال (17 نوفمبر 2022). "مسح الهلوسة في توليد اللغة الطبيعية" . مسوحات الحوسبة ACM . 55 (12) 3571730. أرخايف : 2202.03629 . دوى : 10.1145/3571730 . S2CID 246652372 . 

للمزيد من القراءة