تعتبر عملية البحث عن الأشخاص تحديًا كبيرًا في عالم يحتشد بالمعلومات، إذ يجب أن نتمكن من ربط العبارات المحلية الحرة بالكيانات الجغرافية المستخدمة كمرشحات استرجاع منظمة. لكن التحديات قائمة، حيث أن المعايير اللغوية التقليدية تتعامل بشكل جيد مع الأسماء الرسمية، لكنها تعاني من التعامل مع الأسماء البديلة والأخطاء الإملائية والتعبيرات الحضارية، بالإضافة إلى غموض نفس الأسماء.

في محاولة لفهم هذه اللغة المتنوعة، قامت دراسة جديدة بصياغة هذا التحدي كاسترجاع كيان ذو قيمة مرتبة ضمن أونتولوجيا ثابتة. وقد حدد الباحثون ثلاث متطلبات تصميم مرتبطة: التمييز بين التغيرات المحفوظة للهوية والأسماء البديلة المعتمدة على المعرفة، وتجنب الإيجابيات الكاذبة بين الكيانات ذات الأسماء المشابهة، وفصل التحولات المستقرة من المعرفة المتغيرة للكيانات.

لتحقيق ذلك، تم تطوير نموذج ثنائي المشودات غير المتماثل (Prompt-Asymmetric Bi-Encoder) مع دعم دقيق للأسماء البديلة وعيوب مدركة تم تحديدها، مما يتيح تحديث الوثائق الكيانية محليًا دون الحاجة لإعادة التدريب. من خلال اختبار النموذج في إعداد مرجعي مستمد من الإنتاج ومهمة انتقالية عامة من GeoNames، حققت التكيف في المهام تحسنًا ملحوظًا مقارنة بالمشفرات المجمدة والمعايير القياسية.

أظهرت التجارب أن المراقبة المتخصصة تساهم أكثر من مجرد تحسين المهام التقليدية، حيث زاد نموذجهم من نسبة استرجاع الكيانات ذات الأهداف المعروفة من 28.0% إلى 46.0% في مقارنة بشرية عمياء.

هذه النتائج تدعم استرجاع الكيانات الجغرافية المتكيف مع المهمة كبديل عملي للمقياس القائم على التصنيف، مع تحقيق أكبر مكاسب في الملاءمة على الاستفسارات غير القياسية. هذا التقدم الجديد يوفر أدوات أكثر قوة لدعم الأشخاص في العثور على المعلومات الجغرافية التي يحتاجونها.