تحتل الأنظمة المستندة إلى الذكاء الاصطناعي مكانةً بارزة في مجال ربط الكيانات، خاصةً في استرجاع المعلومات التاريخية. على الرغم من النجاح الذي حققته النماذج اللغوية الكبيرة (LLMs) في هذا السياق، إلا أن معظم الأساليب التقليدية كانت تعتمد على مرشح سلبي واحد فقط لكل حالة تدريب، مما يعد نقصًا كبيرًا في المعلومات.

تقديمنا لتقنية "تحسين الأفضلية متعدد السلبيات" (MDPO) يمثل نقطة تحول في هذا المجال. حيث نعمل من خلال MDPO على مقارنة الكيان الصحيح مع جميع المرشحين المرفوضين، مما يوفر فهماً أعمق للعلاقات بين الكيانات. تعتمد هذه الطريقة على تطبيق صيغة "برادلي-تيري" (Bradley-Terry) مع استغلال كامل لمجموعة المرشحين عبر تقييمات مسجلة ومعدلة حسب الطول.

لقد قمنا بإجراء تقييم لأداء MDPO باستخدام مجموعات بيانات متعددة تشمل نصوصًا للصحف التاريخية باللغات الفرنسية، والألمانية، والإنجليزية، والسويدية، والفنلندية. ووجدت التجارب أن MDPO لا يحسن فقط من دقة النتائج المحددة، بل يتفوق أيضًا على الأساليب التقليدية في حالات التعقيدات اللغوية، والتداخل المعنوي، والضجيج الناتج عن OCR، بالإضافة إلى الأسماء التاريخية الصعبة.

هذا البحث يتناول أيضًا الفجوات في عمليات استرجاع المرشحين، موضحًا كيف أن تحسين مرحلة استرجاع المعلومات يعد عنصرًا حاسمًا لنجاح ربط الكيانات بشكل شامل.

إذن، هل أنتم مستعدون لاستخدام MDPO في مشاريعكم المستقبلية؟ نتطلع إلى آراءكم وأفكاركم حول هذا التحول الثوري.