إزالة الغموض عن معاني الكلمات

📅 آخر تحديث: ٢٦ يوليو ٢٠٢٦
✍️ نُشر في: ٢٦ يوليو ٢٠٢٦
الموسوعة الحرة

إزالة الغموض عن معاني الكلمات ، أو ببساطة إزالة الغموض ، هي عملية تحديد المعنى المقصود للكلمة في جملة أو أي جزء آخر من السياق . في معالجة اللغة والإدراك البشري ، عادةً ما تكون هذه العملية لا شعورية .

بالنظر إلى أن اللغة الطبيعية تتطلب انعكاسًا للواقع العصبي، كما تشكله القدرات التي توفرها الشبكات العصبية للدماغ ، فقد واجه علم الكمبيوتر تحديًا طويل الأمد في تطوير القدرة في أجهزة الكمبيوتر على القيام بمعالجة اللغة الطبيعية والتعلم الآلي .

تم بحث العديد من التقنيات، بما في ذلك الأساليب القائمة على القواميس التي تستخدم المعرفة المشفرة في الموارد المعجمية، وأساليب التعلم الآلي الخاضعة للإشراف حيث يتم تدريب مصنف لكل كلمة مميزة على مجموعة من الأمثلة المصنفة يدويًا حسب المعنى، والأساليب غير الخاضعة للإشراف التي تجمع تكرارات الكلمات، وبالتالي تستنتج معاني الكلمات. ومن بين هذه الأساليب، كانت أساليب التعلم الخاضعة للإشراف هي الخوارزميات الأكثر نجاحًا حتى الآن.

يصعب تحديد دقة الخوارزميات الحالية بدقة تامة دون مراعاة العديد من التحفظات. ففي اللغة الإنجليزية، تتجاوز الدقة على مستوى الكلمات المتجانسة ( الكلمات المتشابهة في الكتابة ) 90% بشكل روتيني (حتى عام 2009)، مع تحقيق بعض الطرق على كلمات متجانسة معينة دقة تتجاوز 96%. أما فيما يتعلق بالتمييز الدقيق بين المعاني، فقد سُجلت أعلى دقة تتراوح بين 59.1% و69.0% في دراسات التقييم (SemEval-2007، Senseval-2)، حيث بلغت دقة الأساس لأبسط خوارزمية ممكنة، والتي تعتمد على اختيار المعنى الأكثر شيوعًا دائمًا، 51.4% و57% على التوالي.

المتغيرات

تتطلب عملية إزالة الغموض مدخلين أساسيين: قاموس لتحديد المعاني المراد إزالتها، ومجموعة بيانات لغوية (في بعض الطرق، يلزم أيضًا مجموعة بيانات تدريبية لأمثلة لغوية). تتضمن مهمة إزالة الغموض عن الكلمات نوعين: "العينة المعجمية" (إزالة الغموض عن ورود عينة صغيرة من الكلمات المستهدفة المختارة مسبقًا) و"جميع الكلمات" (إزالة الغموض عن جميع الكلمات في نص متصل). تُعتبر مهمة "جميع الكلمات" عمومًا شكلًا أكثر واقعية للتقييم، ولكن إنتاج مجموعة البيانات فيها أكثر تكلفة، لأن على المُعلِّقين البشريين قراءة تعريفات كل كلمة في النص في كل مرة يحتاجون فيها إلى إصدار حكم تصنيفي، بدلًا من قراءتها مرة واحدة لمجموعة من ورود الكلمة المستهدفة نفسها.

تاريخ

طُرحت مشكلة تحديد العالم (WSD) لأول مرة كمهمة حسابية مستقلة خلال بدايات الترجمة الآلية في أربعينيات القرن العشرين، مما يجعلها من أقدم المشكلات في اللغويات الحاسوبية. وقد طرح وارن ويفر هذه المشكلة لأول مرة في سياق حاسوبي في مذكرته حول الترجمة عام 1949. [ 1 ] لاحقًا، جادل بار-هيلل (1960) [ 2 ] بأن مشكلة تحديد العالم لا يمكن حلها بواسطة "الحاسوب الإلكتروني" نظرًا للحاجة العامة إلى نمذجة جميع المعارف العالمية.

في سبعينيات القرن الماضي، كان تحديد دلالات الكلمات مهمة فرعية لأنظمة التفسير الدلالي التي طُوّرت في مجال الذكاء الاصطناعي، بدءًا من دلالات تفضيلات ويلكس . ومع ذلك، ولأن أنظمة تحديد دلالات الكلمات كانت آنذاك تعتمد بشكل كبير على القواعد وتُبرمج يدويًا، فقد كانت عرضة لعقبة في اكتساب المعرفة.

بحلول ثمانينيات القرن العشرين، أصبحت الموارد المعجمية واسعة النطاق، مثل قاموس أكسفورد المتقدم لمتعلمي اللغة الإنجليزية المعاصرة (OALD)، متاحة: تم استبدال الترميز اليدوي بالمعرفة المستخرجة تلقائيًا من هذه الموارد، ولكن إزالة الغموض ظلت قائمة على المعرفة أو على القاموس.

في التسعينيات، أدت الثورة الإحصائية إلى تقدم اللغويات الحاسوبية، وأصبح WSD مشكلة نموذجية لتطبيق تقنيات التعلم الآلي الخاضعة للإشراف عليها.

شهدت العقد الأول من الألفية الثانية وصول تقنيات التعلم الخاضع للإشراف إلى مرحلة استقرار في الدقة، ولذا تحول الاهتمام إلى المعاني العامة، وتكييف المجال ، والأنظمة شبه الخاضعة للإشراف وغير الخاضعة للإشراف والقائمة على المدونات، ومزيج من الأساليب المختلفة، وعودة الأنظمة القائمة على المعرفة عبر الأساليب القائمة على الرسوم البيانية. ومع ذلك، لا تزال الأنظمة الخاضعة للإشراف هي الأفضل أداءً.

الصعوبات

الاختلافات بين القواميس

إحدى مشكلات تحديد معاني الكلمات هي تحديد هذه المعاني، إذ تختلف القواميس والمعاجم في تقسيمها للمعاني. وقد اقترح بعض الباحثين اختيار قاموس معين واستخدام معانيه لحل هذه المشكلة. مع ذلك، تُظهر نتائج الأبحاث التي تستخدم تصنيفات واسعة للمعاني تفوقًا ملحوظًا على تلك التي تستخدم تصنيفات ضيقة. [ 3 ] [ 4 ] ويواصل معظم الباحثين العمل على تحديد معاني الكلمات بدقة متناهية .

تُجرى معظم الأبحاث في مجال تحديد معاني الكلمات باستخدام WordNet كمرجع لمعاني اللغة الإنجليزية. WordNet عبارة عن معجم حاسوبي يُشفّر المفاهيم كمجموعات من المرادفات (على سبيل المثال ، يُشفّر مفهوم السيارة على النحو التالي: { car, auto, automobile, machine, motorcar }). تشمل الموارد الأخرى المستخدمة لأغراض إزالة الغموض قاموس روجيه للمرادفات [ 5 ] وويكيبيديا [ 6 ] . ومؤخرًا، استُخدم BabelNet ، وهو قاموس موسوعي متعدد اللغات، لتحديد معاني الكلمات في سياق متعدد اللغات [ 7 ] .

تحديد أجزاء الكلام

في أي اختبار حقيقي، ثبت أن تصنيف أجزاء الكلام وتصنيف المعاني مرتبطان ارتباطًا وثيقًا، حيث يفرض كل منهما قيودًا على الآخر. ولا يزال الجدل قائمًا حول ما إذا كان ينبغي دمج هاتين المهمتين أو فصلهما، ولكن يميل العلماء مؤخرًا إلى اختبارهما بشكل منفصل (على سبيل المثال، في مسابقات Senseval/ SemEval، تُقدَّم أجزاء الكلام كمدخلات للنص المراد تحديد معانيه).

تتضمن كل من عملية تحديد معاني الكلمات (WSD) ووسم أجزاء الكلام إزالة الغموض عن الكلمات أو وسمها. مع ذلك، لا تُجدي الخوارزميات المستخدمة في إحداهما نفعًا في الأخرى، ويعود ذلك أساسًا إلى أن نوع الكلمة يُحدد بشكل رئيسي من خلال الكلمات المجاورة لها مباشرةً (من كلمة إلى ثلاث كلمات)، بينما قد يُحدد معناها من خلال كلمات أبعد. يُعد معدل نجاح خوارزميات وسم أجزاء الكلام حاليًا أعلى بكثير من معدل نجاح تحديد معاني الكلمات، حيث تصل دقة أحدث التقنيات إلى حوالي 96% [ 8 ] أو أكثر، مقارنةً بدقة تقل عن 75% في تحديد معاني الكلمات باستخدام التعلم الخاضع للإشراف . هذه النسب نموذجية للغة الإنجليزية، وقد تختلف اختلافًا كبيرًا عن تلك الخاصة باللغات الأخرى.

تباين بين القضاة

تُعدّ مشكلة التباين بين المُقيّمين مشكلة أخرى . عادةً ما تُختبر أنظمة تحديد المعاني من خلال مقارنة نتائجها في مهمة معينة بنتائج الإنسان. ومع ذلك، فبينما يُعدّ تحديد أجزاء الكلام للنص أمرًا سهلاً نسبيًا، فقد ثبت أن تدريب الأشخاص على تحديد المعاني أكثر صعوبة بكثير. [ 9 ] فبينما يستطيع المستخدمون حفظ جميع أجزاء الكلام الممكنة للكلمة، غالبًا ما يكون من المستحيل على الأفراد حفظ جميع معاني الكلمة. علاوة على ذلك، لا يتفق البشر على المهمة المطروحة - فإذا قُدّمت قائمة بالمعاني والجمل، فلن يتفق البشر دائمًا على الكلمة التي تنتمي إلى أي معنى. [ 10 ]

بما أن الأداء البشري يُعتبر المعيار، فهو يُمثل الحد الأعلى لأداء الحاسوب. مع ذلك، يكون الأداء البشري أفضل بكثير في التمييزات العامة مقارنةً بالتمييزات الدقيقة ، ولذا فقد خضعت الأبحاث المتعلقة بالتمييزات العامة [ 11 ] [ 12 ] للاختبار في تمارين تقييم WSD الحديثة. [ 3 ] [ 4 ]

إدراك المخزون واعتماد الخوارزميات على المهام

إنّ مفهوم قائمة المعاني المستقلة عن المهمة ليس مفهومًا متماسكًا: [ 13 ] إذ تتطلب كل مهمة تقسيمًا خاصًا بها لمعاني الكلمات إلى معانٍ ذات صلة بها. إضافةً إلى ذلك، قد تتطلب التطبيقات المختلفة خوارزميات مختلفة تمامًا. في الترجمة الآلية، تتخذ المشكلة شكل اختيار الكلمة المستهدفة. "المعاني" هي كلمات في اللغة المستهدفة، والتي غالبًا ما تتوافق مع فروق معنوية مهمة في اللغة المصدر ("قد تُترجم كلمة bank إلى الكلمة الفرنسية banque - أي "بنك مالي" أو rive - أي "ضفة النهر"). في استرجاع المعلومات، لا يُشترط وجود قائمة معاني بالضرورة، إذ يكفي معرفة أن الكلمة تُستخدم بالمعنى نفسه في الاستعلام والوثيقة المسترجعة؛ أما ماهية هذا المعنى، فليست مهمة.

تمييز الحواس

أخيرًا، يُعدّ مفهوم " معنى الكلمة " نفسه مفهومًا غامضًا ومثيرًا للجدل. يتفق معظم الناس على الفروقات على مستوى الكلمات المتجانسة (مثل: قلم كأداة كتابة أو غلاف)، ولكن عند التعمق في تعدد المعاني ، تنشأ الخلافات. على سبيل المثال، في مشروع Senseval-2، الذي استخدم فروقًا دقيقة في المعاني، اتفق المُعلِّقون البشريون على 85% فقط من ورود الكلمات. [ 14 ] معنى الكلمة، من حيث المبدأ، متغيرٌ بلا حدود وحساسٌ للسياق. ولا يمكن تقسيمه بسهولة إلى معانٍ فرعية متميزة أو منفصلة. [ 15 ] غالبًا ما يكتشف علماء المعاجم في المدونات اللغوية معاني كلمات فضفاضة ومتداخلة، ومعانٍ قياسية أو تقليدية موسعة ومعدلة ومستغلة بطرق متنوعة ومحيرة. يكمن فنّ المعاجم في تعميم المعاني من النصوص اللغوية إلى تعريفات تستحضر وتشرح كامل نطاق معنى الكلمة، مما يوحي بأن الكلمات تتسم بسلوك دلالي سليم. مع ذلك، ليس من الواضح ما إذا كانت هذه الفروق الدلالية نفسها قابلة للتطبيق في التطبيقات الحاسوبية ، إذ عادةً ما تُحرك قرارات المعجميين اعتبارات أخرى. في عام ٢٠٠٩، طُرحت مهمة - تُسمى الاستبدال المعجمي - كحلٍّ محتمل لمشكلة تباين المعاني. [ ١٦ ] وتتمثل هذه المهمة في توفير بديل للكلمة في سياقها يحافظ على معنى الكلمة الأصلية (ويمكن اختيار البدائل من المعجم الكامل للغة الهدف، وبالتالي التغلب على مشكلة التباين).

المناهج والأساليب

هناك نهجان رئيسيان لتشخيص الأمراض المنقولة عن طريق الجلد - النهج العميق والنهج السطحي.

تفترض المناهج العميقة الوصول إلى قاعدة معرفية شاملة للعالم . ولا تُعتبر هذه المناهج ناجحةً عمومًا في التطبيق العملي، ويعود ذلك أساسًا إلى عدم وجود هذه القاعدة المعرفية بصيغة قابلة للقراءة بواسطة الحاسوب، إلا في نطاقات محدودة للغاية. [ 17 ] إضافةً إلى ذلك، ونظرًا للتقليد العريق في اللغويات الحاسوبية في تجربة هذه المناهج من حيث المعرفة المشفرة، قد يصعب في بعض الحالات التمييز بين المعرفة اللغوية والمعرفة العامة. كانت المحاولة الأولى تلك التي قامت بها مارغريت ماسترمان وزملاؤها في وحدة أبحاث اللغة بجامعة كامبريدج في إنجلترا، في خمسينيات القرن الماضي. استخدمت هذه المحاولة نسخةً من قاموس روجيه للمترادفات على شكل بطاقات مثقبة و"رؤوسه" المرقمة كمؤشر للمواضيع، وبحثت عن التكرارات في النص باستخدام خوارزمية تقاطع المجموعات. لم تكن هذه المحاولة ناجحةً جدًا، [ 18 ] ولكنها ارتبطت ارتباطًا وثيقًا بالأعمال اللاحقة، ولا سيما تحسين ياروسكي لطريقة القاموس باستخدام التعلم الآلي في تسعينيات القرن الماضي.

لا تسعى الأساليب السطحية إلى فهم النص، بل تركز على الكلمات المحيطة به. ويمكن للحاسوب استخلاص هذه القواعد تلقائيًا باستخدام مجموعة بيانات تدريبية من الكلمات المصنفة حسب معانيها. ورغم أن هذا الأسلوب نظريًا ليس بقوة الأساليب العميقة، إلا أنه يحقق نتائج أفضل عمليًا، نظرًا لمحدودية معرفة الحاسوب بالعالم المحيط.

هناك أربعة مناهج تقليدية لعلاج اضطراب ما بعد الصدمة:

تعتمد معظم هذه الأساليب على تحديد نطاق من n كلمة حول كل كلمة يُراد تحديد معناها في المدونة، ثم تحليل هذه الكلمات المحيطة إحصائيًا . ومن الأساليب السطحية المستخدمة للتدريب ثم تحديد المعنى: مصنفات بايز البسيطة وأشجار القرار . وفي الأبحاث الحديثة، أظهرت الطرق القائمة على النواة، مثل آلات المتجهات الداعمة، أداءً متفوقًا في التعلم الخاضع للإشراف . كما حظيت الأساليب القائمة على الرسوم البيانية باهتمام كبير من مجتمع البحث، وتحقق حاليًا أداءً قريبًا من أحدث التقنيات.

الأساليب القائمة على القاموس والمعرفة

تُعدّ خوارزمية ليسك [ 19 ] الطريقة الرائدة القائمة على القواميس. وتستند هذه الخوارزمية إلى فرضية مفادها أن الكلمات المستخدمة معًا في النص ترتبط ببعضها، وأن هذه العلاقة يمكن ملاحظتها في تعريفات الكلمات ومعانيها. يتمّ تحديد معنى كلمتين (أو أكثر) من خلال إيجاد زوج المعاني القاموسية التي تتشارك أكبر قدر من التداخل في تعريفاتها. على سبيل المثال، عند تحديد معنى كلمتي "مخروط الصنوبر"، فإن تعريفات المعاني المناسبة تتضمن كلمتي "دائم الخضرة" و"شجرة" (في قاموس واحد على الأقل). ويبحث نهج مشابه [ 20 ] عن أقصر مسار بين كلمتين: حيث يتم البحث عن الكلمة الثانية بشكل متكرر بين تعريفات كل صيغة دلالية للكلمة الأولى، ثم بين تعريفات كل صيغة دلالية لكل كلمة في التعريفات السابقة، وهكذا. وأخيرًا، يتم تحديد معنى الكلمة الأولى باختيار الصيغة الدلالية التي تُقلّل المسافة بين الكلمتين الأولى والثانية.

يُعدّ النظر في العلاقة العامة بين معاني الكلمات وحساب التشابه الدلالي لكل زوج من هذه المعاني، استنادًا إلى قاعدة معرفية معجمية مُعطاة مثل WordNet ، بديلاً لاستخدام التعريفات . وقد طُبّقت أساليب قائمة على الرسوم البيانية، تُذكّر بأبحاث التنشيط المنتشر في بدايات أبحاث الذكاء الاصطناعي، بنجاحٍ ملحوظ. وأظهرت مناهج أكثر تعقيدًا قائمة على الرسوم البيانية أداءً يُضاهي تقريبًا أداء الأساليب الخاضعة للإشراف [ 21 ] ، بل وتتفوق عليها في مجالات مُحددة. [ 3 ] [ 22 ] وقد أُفيد مؤخرًا أن مقاييس اتصال الرسوم البيانية البسيطة ، مثل الدرجة ، تُحقق أداءً مُتميزًا في تحديد معاني الكلمات في وجود قاعدة معرفية معجمية غنية بما فيه الكفاية. [ 23 ] كما تبيّن أن النقل التلقائي للمعرفة في شكل علاقات دلالية من ويكيبيديا إلى WordNet يُعزز الأساليب البسيطة القائمة على المعرفة، مما يُمكّنها من مُنافسة أفضل الأنظمة الخاضعة للإشراف، بل والتفوق عليها في بيئة مُحددة المجال. [ 24 ]

يُعد استخدام التفضيلات الانتقائية (أو القيود الانتقائية) مفيدًا أيضًا؛ على سبيل المثال، بمعرفة أن المرء يطبخ الطعام عادةً، يمكنه توضيح كلمة "bass" في عبارة "أنا أطبخ basses" (أي أنها ليست آلة موسيقية).

الأساليب الخاضعة للإشراف

تعتمد الأساليب الخاضعة للإشراف على افتراض أن السياق يوفر أدلة كافية بحد ذاته لإزالة الغموض عن الكلمات (وبالتالي، يُعتبر المنطق السليم والاستدلال غير ضروريين). وقد طُبقت جميع خوارزميات التعلم الآلي تقريبًا على تحديد معاني الكلمات، بما في ذلك التقنيات المرتبطة بها مثل اختيار الميزات ، وتحسين المعلمات، والتعلم الجماعي . وقد أثبتت آلات المتجهات الداعمة والتعلم القائم على الذاكرة أنهما أنجح الأساليب حتى الآن، ربما لقدرتهما على التعامل مع الأبعاد العالية لمساحة الميزات. ومع ذلك، تواجه هذه الأساليب الخاضعة للإشراف معضلة جديدة في اكتساب المعرفة، إذ تعتمد على كميات كبيرة من مجموعات البيانات المصنفة يدويًا حسب المعاني للتدريب، وهو أمر شاق ومكلف.

الأساليب شبه الخاضعة للإشراف

نظراً لنقص بيانات التدريب، تستخدم العديد من خوارزميات إزالة الغموض عن معاني الكلمات التعلم شبه الموجه ، الذي يسمح باستخدام البيانات المصنفة وغير المصنفة. تُعد خوارزمية ياروسكي مثالاً مبكراً على هذه الخوارزميات. [ 25 ] فهي تستخدم خاصيتي "معنى واحد لكل تلازم لفظي" و"معنى واحد لكل سياق" في اللغات البشرية لإزالة الغموض عن معاني الكلمات. ومن الملاحظة، تميل الكلمات إلى إظهار معنى واحد فقط في معظم السياقات وفي التلازمات اللفظية المحددة. [ 26 ]

تبدأ عملية التمهيد بكمية صغيرة من البيانات الأولية لكل كلمة: إما أمثلة تدريبية مصنفة يدويًا أو عدد قليل من قواعد القرار المؤكدة (مثلًا، كلمة "play" في سياق كلمة "bass" تشير دائمًا تقريبًا إلى الآلة الموسيقية). تُستخدم هذه البيانات الأولية لتدريب مصنف أولي ، باستخدام أي طريقة إشرافية. ثم يُستخدم هذا المصنف على الجزء غير المصنف من مجموعة البيانات لاستخراج مجموعة تدريب أكبر، تتضمن فقط التصنيفات الأكثر موثوقية. تتكرر العملية، حيث يتم تدريب كل مصنف جديد على مجموعة بيانات تدريبية أكبر تدريجيًا، حتى يتم استهلاك مجموعة البيانات بأكملها، أو حتى الوصول إلى الحد الأقصى لعدد التكرارات.

تستخدم تقنيات أخرى شبه مُشرفة كميات كبيرة من النصوص غير المُصنفة لتوفير معلومات عن التواجد المشترك تُكمّل النصوص المُصنفة. وتتمتع هذه التقنيات بإمكانية المساعدة في تكييف النماذج المُشرفة مع مجالات مختلفة.

كذلك، غالباً ما تُترجم الكلمة الغامضة في لغة ما إلى كلمات مختلفة في لغة أخرى تبعاً لمعناها. وقد استُخدمت مجموعات النصوص الثنائية اللغة المُحاذية للكلمات لاستنتاج الفروق الدلالية بين اللغات، وهو نوع من الأنظمة شبه الخاضعة للإشراف.

الأساليب غير الخاضعة للإشراف

يُعدّ التعلّم غير الموجّه التحدي الأكبر أمام باحثي تمييز معاني الكلمات. يقوم هذا التعلّم على افتراض أساسي مفاده أن المعاني المتشابهة تظهر في سياقات متشابهة، وبالتالي يمكن استنباط المعاني من النصوص من خلال تجميع ورود الكلمات باستخدام مقياس لتشابه السياق [ 27 ] ، وهي مهمة تُعرف باستنباط معاني الكلمات أو تمييزها. بعد ذلك، يمكن تصنيف ورود الكلمة الجديدة ضمن أقرب المجموعات/المعاني المستنباطة. كان الأداء أقل من الطرق الأخرى المذكورة أعلاه، لكن المقارنات صعبة لأن المعاني المستنباط يجب ربطها بقاموس معروف لمعاني الكلمات. إذا لم يكن الربط بمجموعة من معاني القاموس مرغوبًا، فيمكن إجراء تقييمات قائمة على التجميع (بما في ذلك مقاييس الإنتروبيا والنقاء). بدلاً من ذلك، يمكن اختبار طرق استنباط معاني الكلمات ومقارنتها داخل تطبيق واحد. على سبيل المثال، ثبت أن استنباط معاني الكلمات يُحسّن تجميع نتائج البحث على الويب من خلال زيادة جودة مجموعات النتائج ودرجة تنوّع قوائم النتائج. [ 28 ] [ 29 ] من المأمول أن يتغلب التعلم غير الخاضع للإشراف على مأزق اكتساب المعرفة لأنه لا يعتمد على الجهد اليدوي.

أصبح تمثيل الكلمات مع مراعاة سياقها باستخدام متجهات كثيفة ذات حجم ثابت ( تضمينات الكلمات ) أحد أهمّ العناصر الأساسية في العديد من أنظمة معالجة اللغة الطبيعية. [ 30 ] [ 31 ] [ 32 ] على الرغم من أن معظم تقنيات تضمين الكلمات التقليدية تدمج الكلمات ذات المعاني المتعددة في تمثيل متجهي واحد، إلا أنه لا يزال بالإمكان استخدامها لتحسين تحديد معاني الكلمات. [ 33 ] يتمثل أحد الأساليب البسيطة لاستخدام تضمينات الكلمات المحسوبة مسبقًا لتمثيل معاني الكلمات في حساب مراكز مجموعات المعاني. [ 34 ] [ 35 ] بالإضافة إلى تقنيات تضمين الكلمات، يمكن لقواعد البيانات المعجمية (مثل WordNet و ConceptNet و BabelNet ) أن تساعد الأنظمة غير الخاضعة للإشراف في ربط الكلمات ومعانيها كقواميس. بعض التقنيات التي تجمع بين قواعد البيانات المعجمية وتضمينات الكلمات معروضة في AutoExtend [ 36 ] [ 37 ] وMost Suitable Sense Annotation (MSSA). [ 38 ] في AutoExtend، [ 37 ] يقدمون طريقةً تفصل تمثيل مدخلات الكائن إلى خصائصه، مثل الكلمات ومعانيها. يستخدم AutoExtend بنيةً بيانيةً لربط الكلمات (مثل النصوص) والكائنات غير اللفظية (مثل مجموعات المرادفات في WordNet ) كعُقد، والعلاقة بين العُقد كحواف. يمكن للعلاقات (الحواف) في AutoExtend أن تُعبّر إما عن الإضافة أو التشابه بين عُقدها. يُجسّد الأول الحدس الكامن وراء حساب الإزاحة، [ 30 ] بينما يُحدّد الثاني التشابه بين عُقدتين. في MSSA، [ 38 ] يستخدم نظام إزالة الغموض غير الخاضع للإشراف التشابه بين معاني الكلمات في نافذة سياق ثابتة لاختيار أنسب معنى للكلمة باستخدام نموذج تضمين كلمات مُدرّب مسبقًا و WordNet . لكل نافذة سياق، يحسب MSSA مركز كل تعريف لمعنى الكلمة عن طريق حساب متوسط ​​متجهات الكلمات في شروح WordNet.(أي، شرح موجز وتعريف موجز ومثال استخدام واحد أو أكثر) باستخدام نموذج تضمين كلمات مُدرَّب مسبقًا. تُستخدم هذه المراكز لاحقًا لاختيار معنى الكلمة الأكثر تشابهًا مع جيرانها المباشرين (أي الكلمات السابقة واللاحقة). بعد ترميز جميع الكلمات وإزالة الغموض عنها، يمكن استخدامها كمجموعة بيانات تدريبية في أي تقنية تضمين كلمات قياسية. في نسختها المُحسَّنة، يمكن لـ MSSA استخدام تضمينات معاني الكلمات لتكرار عملية إزالة الغموض بشكل متكرر.

مناهج أخرى

قد تختلف المناهج الأخرى في أساليبها:

لغات أخرى

  • اللغة الهندية : أدى نقص الموارد المعجمية في اللغة الهندية إلى إعاقة أداء نماذج تحديد معاني الكلمات الخاضعة للإشراف، بينما تعاني النماذج غير الخاضعة للإشراف بسبب وفرة الموارد الصرفية. يتمثل أحد الحلول الممكنة لهذه المشكلة في تصميم نموذج لتحديد معاني الكلمات باستخدام مجموعات بيانات متوازية . [ 47 ] [ 48 ] وقد مهد إنشاء شبكة الكلمات الهندية الطريق أمام العديد من الطرق الخاضعة للإشراف التي أثبتت قدرتها على تحقيق دقة أعلى في تحديد معاني الأسماء. [ 49 ]

المعوقات المحلية والملخص

لعلّ معضلة اكتساب المعرفة هي العائق الرئيسي أمام حلّ مشكلة تحديد معاني الكلمات. تعتمد الأساليب غير الخاضعة للإشراف على معرفة معاني الكلمات، وهي معرفة قليلة في القواميس وقواعد البيانات المعجمية. أما الأساليب الخاضعة للإشراف، فتعتمد بشكل أساسي على وجود أمثلة مُعَلَّمة يدويًا لكل معنى من معاني الكلمات، وهو شرط لا يمكن تحقيقه حتى الآن إلا لعدد قليل من الكلمات لأغراض الاختبار، كما هو الحال في تمارين Senseval .

يُعدّ استخدام أكبر مجموعة بيانات متاحة على الإطلاق، وهي شبكة الإنترنت العالمية ، لاستخلاص المعلومات المعجمية تلقائيًا، أحد أبرز الاتجاهات الواعدة في أبحاث تحديد المعاني على الويب . [ 50 ] لطالما اعتُبرت تحديد المعاني على الويب تقنيةً وسيطةً في هندسة اللغة، قادرةً على تحسين تطبيقات مثل استرجاع المعلومات . إلا أن العكس صحيحٌ أيضًا في هذه الحالة: إذ تُطبّق محركات البحث على الويب تقنيات استرجاع معلومات بسيطة وفعّالة، قادرة على استخراج المعلومات من الويب بنجاح لاستخدامها في تحديد المعاني على الويب. وقد أدّى النقص التاريخي في بيانات التدريب إلى ظهور بعض الخوارزميات والتقنيات الجديدة، كما هو موضح في " الاستحواذ التلقائي على مجموعات البيانات المُصنّفة حسب المعنى" .

مصادر المعرفة الخارجية

المعرفة عنصر أساسي في تحديد معاني الكلمات. توفر مصادر المعرفة بيانات ضرورية لربط المعاني بالكلمات. وتتنوع هذه المصادر من مجموعات النصوص، سواء كانت غير مصنفة أو مُعَلَّمة بمعاني الكلمات، إلى القواميس والمعاجم والمصطلحات والأنطولوجيات المقروءة آليًا، وما إلى ذلك. ويمكن تصنيفها [ 51 ] [ 52 ] على النحو التالي:

منظم:

  1. القواميس المقروءة آلياً (MRDs)
  2. الأنطولوجيا
  3. المعاجم

غير منظم:

  1. موارد التجميع
  2. مصادر أخرى (مثل قوائم تردد الكلمات ، وقوائم التوقف ، وتصنيفات المجال، [ 53 ] إلخ).
  3. المدونات : المدونات الخام والمدونات المشروحة دلاليًا

تقييم

يُعدّ تقييم ومقارنة أنظمة تحديد المعاني المختلفة أمرًا بالغ الصعوبة، نظرًا لاختلاف مجموعات الاختبار، وقوائم المعاني، ومصادر المعرفة المُعتمدة. قبل تنظيم حملات تقييم مُخصصة، كانت معظم الأنظمة تُقيّم على مجموعات بيانات داخلية، غالبًا ما تكون صغيرة الحجم . لاختبار خوارزمية ما، كان على المطورين قضاء وقتهم في تصنيف جميع مواضع الكلمات. كما أن مقارنة الطرق، حتى على نفس المدونة اللغوية، غير ممكنة في حال وجود قوائم معانٍ مختلفة.

بهدف تحديد مجموعات بيانات وإجراءات تقييم مشتركة، تم تنظيم حملات تقييم عامة. سينسيفال (التي أعيد تسميتها الآن إلى سيم إيفال ) هي مسابقة دولية لإزالة الغموض عن معاني الكلمات، تُعقد كل ثلاث سنوات منذ عام 1998: سينسيفال -1 ( 1998 )، سينسيفال -2 (2001)، سينسيفال-3 (2004)، وخليفتها سيم إيفال (2007). يهدف هذا التنافس إلى تنظيم محاضرات مختلفة، وإعداد وتصنيف مجموعة بيانات لاختبار الأنظمة، وإجراء تقييم مقارن لأنظمة تحديد الكلمات في عدة أنواع من المهام، بما في ذلك تحديد الكلمات الكاملة وتحديد عينات معجمية للغات مختلفة، ومؤخراً، مهام جديدة مثل تصنيف الأدوار الدلالية ، وتحديد الكلمات المعجمية، والاستبدال المعجمي ، وما إلى ذلك. عادةً ما تدمج الأنظمة المقدمة للتقييم في هذه المسابقات تقنيات مختلفة، وغالباً ما تجمع بين الأساليب الخاضعة للإشراف والأساليب القائمة على المعرفة (وخاصة لتجنب الأداء الضعيف بسبب نقص أمثلة التدريب).

في السنوات الأخيرة (2007-2012) ، ازدادت خيارات مهام تقييم مهارات التواصل، وتغيرت معايير التقييم بشكل جذري تبعًا لنوع مهمة التقييم. فيما يلي قائمة بأنواع مهام مهارات التواصل:

خيارات تصميم المهام

مع تطور التكنولوجيا، تتطور مهام إزالة الغموض عن معاني الكلمات (WSD) بأشكال مختلفة نحو اتجاهات بحثية متنوعة ولغة أكثر:

برمجة

  • Babelfy، [ 59 ] نظام موحد ومتطور لإزالة الغموض عن معاني الكلمات متعددة اللغات وربط الكيانات
  • واجهة برمجة تطبيقات BabelNet، [ 60 ] هي واجهة برمجة تطبيقات Java لإزالة الغموض عن معاني الكلمات متعددة اللغات القائمة على المعرفة في 6 لغات مختلفة باستخدام شبكة BabelNet الدلالية
  • WordNet::SenseRelate، [ 61 ] مشروع يتضمن أنظمة مجانية ومفتوحة المصدر لإزالة الغموض عن معاني الكلمات وإزالة الغموض عن معاني العينات المعجمية.
  • UKB: Graph Base WSD، [ 62 ] مجموعة من البرامج لإجراء إزالة الغموض عن معاني الكلمات القائمة على الرسم البياني والتشابه/الترابط المعجمي باستخدام قاعدة المعرفة المعجمية الموجودة مسبقًا [ 63 ].
  • pyWSD، [ 64 ] تطبيقات بايثون لتقنيات إزالة الغموض عن معاني الكلمات (WSD)

انظر أيضاً

مراجع

  1. ↑ ويفر 1949 .
  2. ↑ بار-هيلل 1964 ، ص 174-179.
  3. 1 2 3 نافيجلي، ليتكوفسكي وهارجريفز 2007 ، ص 30-35.
  4. 1 2 برادان وآخرون. 2007 ، ص 87-92.
  5. ↑ ياروسكي 1992 ، ص 454-460.
  6. ↑ ميهالسا 2007 .
  7. ↑ أ. مورو؛ أ. راغاناتو؛ ر. نافيلي. ربط الكيانات يلتقي بإزالة الغموض عن معاني الكلمات: منهج موحد . مؤرشف بتاريخ 8 أغسطس 2014 في أرشيف الإنترنت . معاملات جمعية اللغويات الحاسوبية (TACL). 2. ص 231-244. 2014.
  8. ↑ مارتينيز، أنجيل ر. (يناير 2012). "وسم أجزاء الكلام: وسم أجزاء الكلام" . مراجعات وايلي متعددة التخصصات: الإحصاءات الحاسوبية . 4 (1): 107-113 . doi : 10.1002/wics.195 . S2CID 62672734. مؤرشف من الأصل في 15 يوليو 2023. تم الاسترجاع في 1 أبريل 2021 . 
  9. ↑ فيلباوم 1997 .
  10. ↑ سنايدر وبالمر 2004 ، ص 41-43.
  11. ^ نافيجلي 2006 ، ص 105 – 112.
  12. ↑ سنو وآخرون 2007 ، ص 1005-1014.
  13. ^ بالمر، بابكو مالايا ودانغ 2004 ، ص 49-56.
  14. ↑ إدموندز 2000 .
  15. ↑ كيلغاريف 1997 ، الصفحات 91-113. خطأ في رقم المرجع: لا يوجد هدف: CITEREFKilgarrif1997 ( مساعدة )
  16. ^ مكارثي ونافيجلي 2009 ، ص 139-159.
  17. ↑ لينات وغوها 1989 .
  18. ↑ ويلكس، سلاتور وغوثري 1996 .
  19. ↑ Lesk 1986 ، ص 24-26.
  20. ↑ ديامانتيني، سي.؛ ميركولي، أ.؛ بوتينا، د.؛ ستورتي، إي. (2015-06-01). "إزالة الغموض الدلالي في نظام اكتشاف المعلومات الاجتماعية". المؤتمر الدولي لعام 2015 حول تقنيات وأنظمة التعاون (CTS) . الصفحات 326-333 . doi : 10.1109/CTS.2015.7210442 . ISBN  978-1-4673-7647-1. S2CID 13260353 . 
  21. ^ نافيجلي وفيلاردي 2005 ، ص 1063-1074.
  22. ^ أجيري، لوبيز دي لاكال وسوروا 2009 ، ص 1501–1506.
  23. ^ نافيجلي ولاباتا 2010 ، ص 678-692.
  24. ^ بونزيتو ونافيجلي 2010 ، ص 1522-1531.
  25. ↑ ياروسكي 1995 ، ص 189-196.
  26. ↑ ميتكوف، روسلان (2004). "13.5.3 ادعاءان حول المعاني" . دليل أكسفورد للغويات الحاسوبية . مطبعة جامعة أكسفورد. ص 257. ISBN  978-0-19-927634-9أُرشف من المصدر الأصلي بتاريخ 22 فبراير 2022. تم الاطلاع عليه بتاريخ 22 فبراير 2022 .
  27. ^ شوتز 1998 ، ص 97-123.
  28. ^ نافيجلي وكريسافولي 2010 .
  29. ↑ دي ماركو ونافيجلي 2013 .
  30. 1 2 ميكولوف، توماس؛ تشين، كاي؛ كورادو، جريج؛ دين، جيفري (2013-01-16). "التقدير الفعال لتمثيلات الكلمات في الفضاء المتجهي". arXiv : 1301.3781 [ cs.CL ].
  31. ↑ بينينجتون، جيفري؛ سوشر، ريتشارد؛ مانينغ، كريستوفر (2014). "Glove: متجهات عالمية لتمثيل الكلمات". وقائع مؤتمر 2014 حول الأساليب التجريبية في معالجة اللغة الطبيعية (EMNLP) . سترودسبيرغ، بنسلفانيا، الولايات المتحدة الأمريكية: رابطة اللغويات الحاسوبية. الصفحات 1532-1543 . doi : 10.3115/v1/d14-1162 . S2CID 1957433 .  
  32. ↑ بوجانوفسكي، بيوتر؛ غريف، إدوارد؛ جولان، أرماند؛ ميكولوف، توماس (ديسمبر 2017). "إثراء متجهات الكلمات بمعلومات الكلمات الفرعية" . معاملات رابطة اللغويات الحاسوبية . 5 : 135-146 . arXiv : 1607.04606 . doi : 10.1162/tacl_a_00051 . ISSN 2307-387X . 
  33. ↑ إياكوباشي، إغناسيو؛ بيليفار، محمد طاهر؛ نافيلي، روبرتو (2016). "تضمينات لإزالة الغموض عن معاني الكلمات: دراسة تقييمية" . وقائع الاجتماع السنوي الرابع والخمسين لجمعية اللغويات الحاسوبية (المجلد 1: أوراق بحثية مطولة) . برلين، ألمانيا: جمعية اللغويات الحاسوبية: 897-907 . doi : 10.18653/v1/P16-1085 . hdl : 11573/936571 . مؤرشف من الأصل بتاريخ 28-10-2019 . تم الاطلاع عليه بتاريخ 28-10-2019 .
  34. ↑ بينغارديف، سودها؛ سينغ، ديريندرا؛ رودرامورثي، ف؛ ريدكار، هانومانت؛ بهاتاشاريا، بوشباك (2015). "الكشف غير الخاضع للإشراف عن المعنى الأكثر شيوعًا باستخدام تضمينات الكلمات" . وقائع مؤتمر 2015 لفرع أمريكا الشمالية لجمعية اللغويات الحاسوبية: تقنيات اللغة البشرية . دنفر ، كولورادو: جمعية اللغويات الحاسوبية. ص 1238-1243 . doi : 10.3115/v1/N15-1132 . S2CID 10778029. مؤرشف من الأصل في 21 يناير 2023. تم الاسترجاع في 21 يناير 2023 .  
  35. ↑ بوتنارو، أندريه؛ إيونيسكو، رادو تيودور؛ هريستيا، فلورنتينا (2017). "ShotgunWSD: خوارزمية غير خاضعة للإشراف لإزالة الغموض عن معاني الكلمات على مستوى العالم، مستوحاة من تسلسل الحمض النووي" . وقائع المؤتمر الخامس عشر للفرع الأوروبي لرابطة اللغويات الحاسوبية : 916-926 . arXiv : 1707.08084 . مؤرشف من الأصل بتاريخ 21 يناير 2023. تم الاطلاع عليه بتاريخ 21 يناير 2023 .
  36. ↑ روث، ساشا؛ شوتزه، هينريش (2015). "التوسيع التلقائي: توسيع تضمينات الكلمات لتشمل تضمينات مجموعات المرادفات والوحدات المعجمية". المجلد 1: أوراق بحثية مطولة . رابطة اللغويات الحاسوبية والمؤتمر الدولي المشترك حول معالجة اللغة الطبيعية. وقائع الاجتماع السنوي الثالث والخمسين لرابطة اللغويات الحاسوبية والمؤتمر الدولي المشترك السابع حول معالجة اللغة الطبيعية . سترودسبيرغ، بنسلفانيا، الولايات المتحدة الأمريكية: رابطة اللغويات الحاسوبية. الصفحات 1793-1803 . arXiv : 1507.01127 . Bibcode : 2015arXiv150701127R . doi : 10.3115/v1/p15-1173 . S2CID 15687295 .  
  37. 1 2 روث، ساشا؛ شوتزه، هينريش (سبتمبر 2017). "التوسيع التلقائي: دمج تضمينات الكلمات مع الموارد الدلالية" . اللغويات الحاسوبية . 43 (3): 593-617 . doi : 10.1162/coli_a_00294 . ISSN 0891-2017 . 
  38. 1 2 رواس، تيري؛ غروسكي، ويليام؛ أيزاوا، أكيكو (ديسمبر 2019). "تضمينات متعددة المعاني من خلال عملية إزالة الغموض عن معاني الكلمات". أنظمة الخبراء وتطبيقاتها . 136 : 288-303 . arXiv : 2101.08700 . doi : 10.1016/j.eswa.2019.06.026 . hdl : 2027.42/145475 . S2CID 52225306 . 
  39. ^ جليوزو وماجنيني وسترابارافا 2004 ، ص 380-387.
  40. ^ بويتيلار وآخرون. 2006 ، ص 275-298.
  41. ↑ مكارثي وآخرون 2007 ، ص 553-590.
  42. ↑ محمد وهيرست 2006 ، ص 121-128.
  43. ^ لاباتا وكيلر 2007 ، ص 348-355.
  44. ^ إيدي وإيرجافيك وتوفيس 2002 ، ص 54-60.
  45. ^ تشان ونج 2005 ، ص 1037-1042.
  46. ↑ شيبر، ستيوارت م. (1992). قواعد نحوية رسمية قائمة على القيود: تحليل نحوي واستنتاج أنواع للغات الطبيعية ولغات الحاسوب . ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 978-0-262-19324-5أُرشف من المصدر الأصلي بتاريخ 15 يوليو 2023. تم الاطلاع عليه بتاريخ 23 ديسمبر 2018 .
  47. ↑ بهاتاشاريا، إندراجيت، ليز جيتور، ويوشوا بينجيو. إزالة الغموض الدلالي غير الخاضع للإشراف باستخدام نماذج احتمالية ثنائية اللغة. مؤرشف في 9 يناير 2016 على موقع Wayback Machine . وقائع الاجتماع السنوي الثاني والأربعين لجمعية اللغويات الحاسوبية. جمعية اللغويات الحاسوبية، 2004.
  48. ↑ دياب، منى، وفيليب ريسنيك. طريقة غير خاضعة للإشراف لتصنيف معاني الكلمات باستخدام مجموعات بيانات متوازية. مؤرشف في 4 مارس 2016 على موقع Wayback Machine . وقائع الاجتماع السنوي الأربعين لجمعية اللغويات الحاسوبية. جمعية اللغويات الحاسوبية، 2002.
  49. ↑ مانيش سينها، ماهيش كومار، برابهاكار باندي، لاكشمي كاشياب، وبوشباك بهاتاشاريا. توضيح معاني الكلمات الهندية . مؤرشف بتاريخ 4 مارس 2016 في أرشيف الإنترنت . في الندوة الدولية حول الترجمة الآلية، ومعالجة اللغة الطبيعية، وأنظمة دعم الترجمة، دلهي، الهند، 2004.
  50. ↑ كيلغاريف وغريفنستيت 2003 ، الصفحات 333-347. خطأ في رقم المرجع: لا يوجد هدف: CITEREFKilgarrifGrefenstette2003 ( مساعدة )
  51. ^ ليتكوفسكي 2005 ، ص 753-761.
  52. ^ أجيري وستيفينسون 2007 ، ص 217-251.
  53. ^ ماجنيني وكافاجليا 2000 ، ص 1413-1418.
  54. ↑ لوسيا سبيسيا، ماريا داس غراكاس فولبي نونيس، غابرييلا كاستيلو برانكو ريبيرو، ومارك ستيفنسون. مقارنة بين تعدد اللغات وأحادية اللغة في سياق البحث اللغوي. مؤرشف بتاريخ 10 أبريل 2012 على موقع Wayback Machine . في ورشة عمل EACL-2006 حول فهم المعنى: الجمع بين علم اللغة النفسي وعلم اللغة الحاسوبي، الصفحات 33-40، ترينتو، إيطاليا، أبريل 2006.
  55. ↑ إلس ليفير وفيرونيك هوست. مهمة SemEval-2010 رقم 3: إزالة الغموض عن معاني الكلمات عبر اللغات. مؤرشف بتاريخ 16 يونيو 2010 في Wayback Machine . وقائع ورشة العمل حول التقييمات الدلالية: الإنجازات الحديثة والاتجاهات المستقبلية. 4 يونيو 2009، بولدر، كولورادو.
  56. ↑ ر. نافيلي، د. أ. يورغنز، د. فانيلا. مهمة SemEval-2013 رقم 12: إزالة الغموض عن معاني الكلمات متعددة اللغات. مؤرشفة بتاريخ 2014-08-08 على موقع Wayback Machine . وقائع ورشة العمل الدولية السابعة حول التقييم الدلالي (SemEval)، في المؤتمر المشترك الثاني حول الدلالات المعجمية والحاسوبية (*SEM 2013)، أتلانتا، الولايات المتحدة الأمريكية، 14-15 يونيو 2013، الصفحات 222-231.
  57. ↑ لوسيا سبيسيا، ماريا داس غراكاس فولبي نونيس، غابرييلا كاستيلو برانكو ريبيرو، ومارك ستيفنسون. مقارنة بين تعدد اللغات وأحادية اللغة في سياق البحث اللغوي. مؤرشف بتاريخ 10 أبريل 2012 على موقع Wayback Machine . في ورشة عمل EACL-2006 حول فهم المعنى: الجمع بين علم اللغة النفسي وعلم اللغة الحاسوبي، الصفحات 33-40، ترينتو، إيطاليا، أبريل 2006.
  58. ↑ إينيكو أغيري وأيتور سوروا. مهمة سيميفال-2007 رقم 02: تقييم أنظمة استقراء وتمييز معاني الكلمات. مؤرشف بتاريخ 28-02-2013 في أرشيف الإنترنت . وقائع ورشة العمل الدولية الرابعة حول التقييمات الدلالية، الصفحات 7-12، 23-24 يونيو 2007، براغ، جمهورية التشيك.
  59. ↑ "Babelfy" . Babelfy. مؤرشف من الأصل بتاريخ 2014-08-08 . تم الاطلاع عليه بتاريخ 2018-03-22 .
  60. ↑ "واجهة برمجة تطبيقات BabelNet" . Babelnet.org. مؤرشف من الأصل بتاريخ 22-03-2018 . تم الاطلاع عليه بتاريخ 22-03-2018 .
  61. ↑ "WordNet::SenseRelate" . Senserelate.sourceforge.net. مؤرشف من الأصل بتاريخ 21-03-2018 . تم الاطلاع عليه بتاريخ 22-03-2018 .
  62. ↑ "UKB: Graph Base WSD" . Ixa2.si.ehu.es. مؤرشف من الأصل بتاريخ 12-03-2018 . تم الاطلاع عليه بتاريخ 22-03-2018 .
  63. ↑ "قاعدة المعرفة المعجمية (LKB)" . Moin.delph-in.net. 2018-02-05. مؤرشف من الأصل في 2018-03-09 . تم الاطلاع عليه في 2018-03-22 .
  64. ↑ alvations. "pyWSD" . Github.com. مؤرشف من الأصل بتاريخ 11-06-2018 . تم الاطلاع عليه بتاريخ 22-03-2018 .

المراجع

  • أغيري، إي.؛ لوبيز دي لاكال، أ.؛ سوروا، أ. (2009). "التصنيف المعرفي القائم على المعرفة في مجالات محددة: أداء أفضل من التصنيف المعرفي العام الخاضع للإشراف" (ملف PDF) . وقائع المؤتمر الدولي المشترك للذكاء الاصطناعي . مؤرشف (ملف PDF) من الأصل بتاريخ 24 يوليو 2011. تاريخ الاسترجاع: 17 يناير 2010 .
  • أغيري، إي.؛ ستيفنسون، م. (2007). "مصادر المعرفة لتحديد معاني الكلمات". في: أغيري، إي.؛ إدموندز، ب. (محرران). إزالة الغموض عن معاني الكلمات: الخوارزميات والتطبيقات . نيويورك: سبرينغر. ISBN 978-1402068706.
  • بار-هيلل، ي. (1964). اللغة والمعلومات . ريدينغ، ماساتشوستس: أديسون-ويسلي.
  • بويتيلار، ب.؛ ماغنيني، ب.؛ سترابارافا، س.؛ فوسن، ب. (2006). "تحديد معاني الكلمات في مجال محدد". في: أغيري، إ.؛ إدموندز، ب. (محرران). تحديد معاني الكلمات: الخوارزميات والتطبيقات . نيويورك: سبرينغر.
  • تشان، واي إس؛ نغ، إتش تي (2005). توسيع نطاق إزالة الغموض عن معاني الكلمات عبر النصوص المتوازية . وقائع المؤتمر الوطني العشرين للذكاء الاصطناعي. بيتسبرغ: AAAI.
  • دي ماركو، أ.؛ نافيلي، ر. (2013). "تجميع وتنويع نتائج البحث على الويب باستخدام استقراء معاني الكلمات القائم على الرسوم البيانية" . اللغويات الحاسوبية . 39 (3). مطبعة معهد ماساتشوستس للتكنولوجيا: 709-754 . doi : 10.1162/COLI_a_00148 . S2CID 1775181 . 
  • إدموندز، ب. (2000). "تصميم مهمة لمشروع SENSEVAL-2" (مذكرة فنية). برايتون، المملكة المتحدة: جامعة برايتون. مؤرشف من الأصل بتاريخ 28 سبتمبر 2011. تم الاطلاع عليه بتاريخ 6 يناير 2010 .
  • فيلباوم، كريستيان (1997). "تحليل مهمة الكتابة اليدوية". وقائع ورشة عمل ANLP-97 حول وسم النصوص بالدلالات المعجمية: لماذا، وماذا، وكيف؟ واشنطن العاصمة.{{cite book}}: CS1 maint: موقع الناشر مفقود ( رابط )
  • غليوزو، أ.؛ ماغنيني، ب.؛ سترابارافا، س. (2004). تقدير مدى ملاءمة المجال غير الخاضع للإشراف لإزالة الغموض عن معاني الكلمات (ملف PDF) . وقائع مؤتمر 2004 حول الأساليب التجريبية في معالجة اللغات الطبيعية. برشلونة، إسبانيا: EMNLP.
  • إيدي، ن.؛ إرجافيك، ت.؛ توفيس، د. (2002). التمييز الدلالي باستخدام المدونات المتوازية (ملف PDF) . وقائع ورشة عمل ACL حول إزالة الغموض عن معاني الكلمات: النجاحات الحديثة والاتجاهات المستقبلية. فيلادلفيا.
  • لاباتا، م.؛ كيلر، ف. (2007). منهج استرجاع المعلومات لترتيب المعاني (ملف PDF) . وقائع مؤتمر تكنولوجيا اللغة البشرية لفرع أمريكا الشمالية لرابطة اللغويات الحاسوبية. روتشستر، نيويورك: HLT-NAACL.
  • لينات، د.؛ جوها، ر.ف. (1989). بناء أنظمة كبيرة قائمة على المعرفة . أديسون-ويسلي.
  • ليسك، م. (1986). إزالة الغموض الدلالي التلقائي باستخدام القواميس المقروءة آليًا: كيف نميز بين مخروط الصنوبر ومخروط الآيس كريم (ملف PDF) . وقائع مؤتمر SIGDOC-86: المؤتمر الدولي الخامس لتوثيق الأنظمة. تورنتو، كندا. مؤرشف من الأصل (ملف PDF) بتاريخ 3 أغسطس 2010. تاريخ الاسترجاع: 5 يناير 2010 .
  • ليتكوفسكي، ك.س. (2005). "المعاجم والقواميس الحاسوبية". في براون، ك.ر. (محرر). موسوعة اللغة واللسانيات (  الطبعة الثانية). أكسفورد: دار نشر إلسيفير.
  • ماغنيني، ب.؛ كافاليا، ج. (2000). دمج رموز حقول الموضوع في WordNet . وقائع المؤتمر الثاني حول موارد اللغة وتقييمها. أثينا، اليونان: LREC.
  • مكارثي، د.؛ كولينج، ر.؛ ويدز، ج.؛ كارول، ج. (2007). "الاكتساب غير الخاضع للإشراف لمعاني الكلمات السائدة" (ملف PDF) . اللغويات الحاسوبية . 33 (4): 553-590 . doi : 10.1162/coli.2007.33.4.553 .
  • مكارثي، د.؛ نافيلي، ر. (2009). "مهمة الاستبدال المعجمي الإنجليزي" ( ملف PDF) . موارد اللغة وتقييمها . 43 (2). سبرينغر: 139-159 . doi : 10.1007/s10579-009-9084-1 . S2CID 16888516. مؤرشف (ملف PDF) من الأصل بتاريخ 9 يوليو 2009. تم الاطلاع عليه بتاريخ 6 يناير 2010 . 
  • ميهالسا، ر. (أبريل 2007). استخدام ويكيبيديا لإزالة الغموض عن معاني الكلمات تلقائيًا (ملف PDF) . وقائع فرع أمريكا الشمالية لجمعية اللغويات الحاسوبية. روتشستر، نيويورك: NAACL. مؤرشف من الأصل (ملف PDF) بتاريخ 24 يوليو 2008.
  • محمد، س.؛ هيرست، ج. (2006). تحديد هيمنة معنى الكلمة باستخدام قاموس المرادفات (ملف PDF) . وقائع المؤتمر الحادي عشر للفرع الأوروبي لرابطة اللغويات الحاسوبية. ترينتو، إيطاليا: EACL. مؤرشف (ملف PDF) من الأصل بتاريخ 7 أغسطس 2011. تاريخ الاسترجاع: 26 يونيو 2010 .
  • نافيلي، ر. (2006). التجميع الدلالي للمعاني يُحسّن أداء إزالة الغموض عن معاني الكلمات (ملف PDF) . وقائع الاجتماع السنوي الرابع والأربعين لجمعية اللغويات الحاسوبية بالاشتراك مع المؤتمر الدولي الحادي والعشرين للغويات الحاسوبية. سيدني، أستراليا: COLING-ACL. مؤرشف من الأصل (ملف PDF) بتاريخ 29 يونيو 2011.
  • نافيلي، ر.؛ كريزافولي، ج. (2010). استنباط معاني الكلمات لتحسين تجميع نتائج البحث على الويب (ملف PDF) . وقائع مؤتمر 2010 حول الأساليب التجريبية في معالجة اللغة الطبيعية. مركز ستاتا التابع لمعهد ماساتشوستس للتكنولوجيا، ماساتشوستس، الولايات المتحدة الأمريكية: EMNLP.
  • نافيلي، ر.؛ لاباتا، م. (2010). "دراسة تجريبية لاتصال الرسوم البيانية لإزالة الغموض عن معاني الكلمات غير الخاضعة للإشراف" (ملف PDF) . معاملات IEEE في تحليل الأنماط والذكاء الآلي . 32 (4). مطبعة IEEE: 678-692 . رمز Bibcode : 2010ITPAM..32..678N . doi : 10.1109/TPAMI.2009.36 . PMID: 20224123. S2CID : 1454904. مؤرشف ( PDF) من الأصل بتاريخ 14 ديسمبر 2010. تاريخ الاسترجاع: 20 مارس 2010 .  
  • نافيجلي، ر.؛ ليتكوفسكي، ك.؛ هارجريفز، أ. (2007). مهمة SemEval-2007 رقم 7: مهمة الكلمات الإنجليزية العامة (ملف PDF) . وقائع ورشة عمل SemEval-2007 ، ضمن الاجتماع السنوي الخامس والأربعين لجمعية اللغويات الحاسوبية. براغ، جمهورية التشيك: ACL. مؤرشف (ملف PDF) من النسخة الأصلية بتاريخ 18 مارس 2012. تاريخ الاسترجاع: 5 يناير 2010 .
  • نافيلي، ر.؛ فيلاردي، ب. (2005). "الترابطات الدلالية البنيوية: منهج قائم على المعرفة لإزالة الغموض عن معاني الكلمات" ( ملف PDF) . مجلة IEEE للمعاملات في تحليل الأنماط والذكاء الآلي . 27 (7): 1075-1086 . رمز Bibcode : 2005ITPAM..27.1075N . doi : 10.1109/TPAMI.2005.149 . PMID: 16013755. S2CID: 12898695. مؤرشف ( PDF) من الأصل بتاريخ 9 يوليو 2009. تاريخ الاسترجاع: 5 يناير 2010 .  
  • بالمر، م.؛ بابكو-مالايا، أ.؛ دانغ، هـ. ت. (2004). مستويات مختلفة من دقة المعنى لتطبيقات مختلفة (ملف PDF) . وقائع ورشة العمل الثانية حول أنظمة فهم اللغة الطبيعية القابلة للتطوير في HLT/NAACL. بوسطن. مؤرشف (ملف PDF) من الأصل بتاريخ 30 سبتمبر 2011. تم الاطلاع عليه بتاريخ 26 يونيو 2010 .
  • بونزيتو، إس بي؛ نافيلي، آر. (2010). إزالة الغموض عن معاني الكلمات الغنية بالمعرفة والتي تنافس الأنظمة الخاضعة للإشراف (ملف PDF) . وقائع الاجتماع السنوي الثامن والأربعين لجمعية اللغويات الحاسوبية. ACL. مؤرشف من الأصل (ملف PDF) بتاريخ 30-09-2011.
  • برادان، س.؛ لوبير، إ.؛ دليغاش، د.؛ بالمر، م. (2007). مهمة SemEval-2007 رقم 17: عينة معجمية إنجليزية، وSRL، وجميع الكلمات (ملف PDF) . وقائع ورشة عمل SemEval-2007 (SEMEVAL)، في الاجتماع السنوي الخامس والأربعين لجمعية اللغويات الحاسوبية. براغ، جمهورية التشيك: ACL. مؤرشف (ملف PDF) من الأصل بتاريخ 18 مارس 2012. تم الاطلاع عليه بتاريخ 5 يناير 2010 .
  • شوتزه، هـ. (1998). "التمييز التلقائي لمعاني الكلمات" (ملف PDF) . اللغويات الحاسوبية . 24 (1): 97-123 . مؤرشف (ملف PDF) من الأصل بتاريخ 18-03-2012 . تم الاطلاع عليه بتاريخ 05-01-2010 .
  • سنو، ر.؛ براكاش، س.؛ جورافسكي، د.؛ نغ، أ.ي. (2007). تعلم دمج معاني الكلمات (ملف PDF) . وقائع المؤتمر المشترك لعام 2007 حول الأساليب التجريبية في معالجة اللغة الطبيعية والتعلم الحاسوبي للغة الطبيعية. EMNLP-CoNLL.
  • سنايدر، ب.؛ بالمر، م. (2004). مهمة الكلمات الإنجليزية الكاملة . وقائع ورشة العمل الدولية الثالثة حول تقييم أنظمة التحليل الدلالي للنصوص (Senseval-3). برشلونة، إسبانيا. مؤرشف من الأصل بتاريخ 29-06-2011.
  • ويفر، وارن (1949). "الترجمة" (ملف PDF) . في: لوك، دبليو إن؛ بوث، إيه دي (محرران). الترجمة الآلية للغات: أربعة عشر مقالًا . كامبريدج، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا. مؤرشف من الأصل (ملف PDF) بتاريخ 24 يوليو 2011. تم الاطلاع عليه بتاريخ 5 يناير 2010 .
  • ويلكس، واي؛ سلاتور، بي؛ غوثري، إل. (1996). الكلمات الكهربائية: القواميس والحواسيب والمعاني . كامبريدج، ماساتشوستس: مطبعة معهد ماساتشوستس للتكنولوجيا.
  • ياروسكي، د. (1992). إزالة الغموض عن معاني الكلمات باستخدام النماذج الإحصائية لفئات روجيه المدربة على مجموعات كبيرة من النصوص . وقائع المؤتمر الرابع عشر حول اللغويات الحاسوبية. كولينغ.
  • ياروسكي، د. (1995). إزالة الغموض عن معاني الكلمات غير الخاضعة للإشراف والتي تنافس الأساليب الخاضعة للإشراف . وقائع الاجتماع السنوي الثالث والثلاثين لجمعية اللغويات الحاسوبية. مؤرشف من الأصل بتاريخ 7 يونيو 2010. تم الاطلاع عليه بتاريخ 15 ديسمبر 2009 .

للمزيد من القراءة