نواة السلسلة

في مجال التعلم الآلي واستخراج البيانات ، تُعرف نواة السلسلة بأنها دالة نواة تعمل على السلاسل النصية ، أي متواليات محدودة من الرموز لا يشترط أن تكون متساوية الطول. ويمكن فهم نواة السلسلة بشكل بديهي على أنها دوال تقيس مدى تشابه أزواج السلاسل النصية: فكلما زاد تشابه سلسلتين نصيتين a و b ، زادت قيمة نواة السلسلة K ( a , b ).

يُتيح استخدام نواة السلاسل النصية مع خوارزميات التعلم المُعتمدة على النواة ، مثل آلات المتجهات الداعمة، لهذه الخوارزميات العمل مع السلاسل النصية دون الحاجة إلى تحويلها إلى متجهات ميزات ذات طول ثابت وقيم حقيقية . ^{[ 1 ]} تُستخدم نواة السلاسل النصية في المجالات التي تتطلب تجميع بيانات التسلسل أو تصنيفها ، على سبيل المثال في استخراج النصوص وتحليل الجينات . ^{[ 2 ]}

لنفترض أننا نريد مقارنة بعض النصوص تلقائيًا وتحديد مدى تشابهها. في العديد من التطبيقات، قد يكفي إيجاد بعض الكلمات المفتاحية المتطابقة تمامًا. أحد الأمثلة على عدم كفاية التطابق التام هو كشف البريد العشوائي . ^{[ 3 ]} مثال آخر هو تحليل الجينات الحاسوبي، حيث طرأت طفرات على الجينات المتماثلة ، مما أدى إلى ظهور تسلسلات فرعية مشتركة بالإضافة إلى رموز محذوفة أو مُضافة أو مُستبدلة.

بما أن العديد من طرق تجميع البيانات وتصنيفها واسترجاع المعلومات المثبتة جيدًا (على سبيل المثال آلات المتجهات الداعمة) مصممة للعمل على المتجهات (أي أن البيانات هي عناصر في فضاء متجهي)، فإن استخدام نواة سلسلة يسمح بتوسيع هذه الطرق للتعامل مع بيانات التسلسل.

تُقارن طريقة نواة السلسلة بالأساليب السابقة لتصنيف النصوص، حيث كانت متجهات الميزات تُشير فقط إلى وجود الكلمة أو عدم وجودها. ولا تقتصر مزاياها على تحسين تلك الأساليب فحسب، بل إنها تُعد مثالًا لفئة كاملة من النوى المُكيَّفة مع هياكل البيانات، والتي بدأت بالظهور في مطلع القرن الحادي والعشرين. وقد قام غارتنر بتجميع دراسة استقصائية لهذه الأساليب. ^{[ 4 ]}

في مجال المعلوماتية الحيوية، تُستخدم نواة السلاسل النصية بشكل خاص لتحويل التسلسلات البيولوجية، مثل البروتينات أو الحمض النووي، إلى متجهات لاستخدامها لاحقًا في نماذج التعلم الآلي. ومن الأمثلة على نواة السلاسل النصية المستخدمة لهذا الغرض نواة الملف الشخصي. ^{[ 5 ]}

نواة على نطاق${\displaystyle D}$هي دالة${\displaystyle K:D\times D\rightarrow \mathbb {R} }$ استيفاء بعض الشروط (كونها متناظرة في الوسائط، ومستمرة وشبه محددة موجبة بمعنى معين).

تنص نظرية ميرسر على أن${\displaystyle K}$ويمكن التعبير عنها على النحو التالي${\displaystyle K(x,y)=\varphi (x)\cdot \varphi (y)}$مع${\displaystyle \varphi }$رسم الوسائط في فضاء الضرب الداخلي .

يمكننا الآن إعادة إنتاج تعريف نواة تسلسل السلسلة الفرعية ^{[ 1 ]} على السلاسل فوق الأبجدية${\displaystyle \Sigma }$يتم تعريف عملية الربط من حيث الإحداثيات على النحو التالي:

${\displaystyle \varphi _{u}:\left\{{\begin{array}{l}\Sigma ^{n}\rightarrow \mathbb {R} ^{\Sigma ^{n}}\\s\mapsto \sum _{\mathbf {i} :u=s_{\mathbf {i} }}\lambda ^{l(\mathbf {i} )}\end{array}}\right.}$

ال${\displaystyle \mathbf {i} }$هي مؤشرات متعددة و${\displaystyle u}$هي سلسلة طولها${\displaystyle n}$يمكن أن تظهر التسلسلات الفرعية بطريقة غير متجاورة، ولكن يتم معاقبة الفجوات. الفهرس المتعدد${\displaystyle \mathbf {i} }$حدد مواقع الأحرف المتطابقة${\displaystyle u}$في${\displaystyle s}$.${\displaystyle l(\mathbf {i} )}$هو الفرق بين المدخل الأول والأخير في${\displaystyle \mathbf {i} }$أي: ما مدى التباعد بينهما في${\displaystyle s}$مطابقة التسلسل الفرعي${\displaystyle u}$هو. المعامل${\displaystyle \lambda }$يمكن ضبطها على أي قيمة بين${\displaystyle 0}$(لا يُسمح بالفجوات، حيث أن فقط${\displaystyle 0^{0}}$ليس${\displaystyle 0}$لكن${\displaystyle 1}$) و${\displaystyle 1}$ (حتى "التكرارات" واسعة الانتشار تُعطى نفس وزن الظهورات كسلسلة فرعية متصلة، كما${\displaystyle 1^{l(\mathbf {i} )}=1}$).

بالنسبة للعديد من الخوارزميات ذات الصلة، تدخل البيانات إلى الخوارزمية فقط في تعابير تتضمن حاصل ضرب داخلي لمتجهات الميزات، ومن هنا جاء اسم طرق النواة . ومن النتائج المرغوبة لذلك أنه لا حاجة لحساب التحويل بشكل صريح.${\displaystyle \phi (x)}$، فقط الضرب الداخلي عبر النواة، والذي قد يكون أسرع بكثير، خاصة عند التقريب . ^{[ 1 ]}