في عالم الذكاء الاصطناعي، تمثل عملية تحليل المشاعر متعددة الجوانب (Aspect-Term Sentiment Analysis - ATSA) تحدياً كبيراً. ومع تزايد التعقيد في الجمل التي تحتوي على عدة جوانب، يجد الباحثون أنفسهم في معضلة بين الكفاءة والتعبير.

تتميز النماذج الحالية في هذا المجال بأنها تعيد ترميز الجملة لكل جانب على حدة، أو تعتمد على الاستخدام الثابت للتمثيلات العميقة، مما يؤدي إلى حسابات زائدة وارتفاع في زمن الاستجابة. لكن فريق البحث قدم حلاً مبتكراً يعرف باسم DABS، والذي يعد إطار عمل خاص بقراءة فعالة ومتعمقة بعمق واحد.

الأساس في هذا الإطار هو أنه يعتمد على استعمال عمق الـ Transformer كموارد قابل للاستعلام، مما يعني أن كل جملة يتم ترميزها مرة واحدة فقط لإنشاء قاعدة بيانات عميقة قابلة لإعادة الاستخدام. ثم يقوم كل جانب بالاستعلام عن هذا التمثيل المشترك لقراءة الرموز ذات الصلة والمستوى التجريدي المطلوب، دون الحاجة لإعادة الترميز.

لقد أظهرت التجارب على أربعة معايير لتحليل المشاعر متعددة الجوانب أن DABS لا يحقق فقط أداء تنافسياً، بل يقلل أيضاً من وقت الحوسبة الكلي بنسبة تصل إلى 60% في الحالات التي تتضمن جوانب متعددة. بالإضافة إلى ذلك، تشير التحليلات الإضافية إلى أن الاستعلام عن العمق التكيفي يكون له الفائدة الكبرى في الحالات المعقدة لغويًا مثل النفي والتباين.

هذا التطور يستحق المتابعة، ويمثل خطوة جديدة في سعي العلماء نحو تحسين فهم البشر للغة ومشاعرهم. هل هناك أي توقعات لتحسينات إضافية في هذا المجال؟ شاركونا أرائكم في التعليقات!