في عالم الذكاء الاصطناعي، شهدت توقعات المشاعر من جوانب معينة (Aspect Sentiment Quad Prediction - ASQP) تقدمًا ملحوظًا بفعل القدرات المتقدمة لفهم المعاني والتوليد لنماذج اللغات الضخمة (Large Language Models - LLMs). ورغم أن المعلومات التركيبية ثبت أنها فعالة في الأنظمة السابقة القابلة للاستخراج، فإنها لا تزال غير مستغلة بشكل كافٍ في الأنظمة القابلة للتوليد بسبب قدرات الاستدلال المحدودة لهذه النماذج.

في هذا السياق، نجد أن البحث الجديد يطرح إطار S^2IT، الذي يمثل نموذجًا مبتكرًا لعملية تحسين تكامل بنية الجملة بشكل تدريجي. يهدف هذا الإطار إلى دمج المعرفة التركيبية في نماذج اللغات الضخمة من خلال عملية تحسين متعددة الخطوات. حيث يتم تقسيم العملية التدريبية إلى ثلاث خطوات رئيسية: 1) استخراج موجه بالبنية العالمية و2) تصنيف موجه بالبنية المحلية، مما يضمن دمج كل من المعلومات التركيبية العالمية والمحلية.

وفي خطوة أخرى، يُعزز تحسين التركيب الدقيق فهم النموذج للبنى التركيبية من خلال توقع روابط العناصر وتصنيف العقد. التجارب التي أجريت تظهر كيف أن S^2IT يحسن الأداء بمعدل كبير مقارنة بالحالة الحالية على عدة مجموعات بيانات.

إن هذا النهج يعد بمثابة قفزة نوعية في مجال الذكاء الاصطناعي، مما يفتح آفاقًا جديدة لتحسين هياكل المعلومات النصية وتحقيق نتائج أفضل. تجدر الإشارة إلى أن التطبيق مفتوح المصدر، مما يسمح للمجتمع التقني بالاستفادة منه. هل تتوقعون أن يساعد هذا الابتكار في تحسين أدوات الذكاء الاصطناعي الحالية؟ شاركونا آراءكم في التعليقات!