تقارير علمية: المحول البياني ذو الانتباه المزدوج متعدد العلاقات لتحليل المشاعر الدقيق

لماذا تهم الدلائل الصغيرة في التقييمات

تغمر المراجعات عبر الإنترنت بمشاعر مختلطة: قد يكون الطعام في مطعم «رائعًا لكن الخدمة بطيئة»، أو قد يتمتع هاتف بشاشة «جميلة لكن عمر بطارية سيء». تسعى الشركات والباحثون لأن تفهم الحواسيب هذا النوع من الآراء التفصيلية، وليس فقط ما إذا كانت المراجعة بأكملها إيجابية أو سلبية. يقدم هذا البحث نموذج ذكاء اصطناعي جديد يركز على أجزاء محددة من الجملة — مثل «الخدمة» أو «عمر البطارية» — ويحدد بالضبط شعور الناس تجاه كل منها، حتى عندما تكون الدلائل مبعثرة ودقيقة.

النظر إلى ما وراء تقييم واحد يناسب الجميع

يتعامل تحليل المشاعر التقليدي مع الجملة أو المراجعة كوحدة نصية واحدة ويقرر ما إذا كانت إيجابية أو سلبية بشكل عام. هذا يناسب التعليقات البسيطة، لكنه يفشل عندما يمدح الناس جانبًا ويُنتقدون آخر في نفس العبارة. يتناول مجال تحليل المشاعر القائم على الجوانب هذا الأمر بطرح السؤال: ما هو الشعور تجاه كل هدف محدد، مثل «الخدمة» أو «البيئة» أو «الموظفين» في مراجعة مطعم. اعتمدت الطرق السابقة على قواعد مصممة يدويًا أو تعلم آلي بسيط كان يعد الكلمات، ثم انتقلت إلى الشبكات العصبية التي تقرأ النص تتابعيًا، كما لو تقرأ من اليسار إلى اليمين. حسنّت هذه النماذج التتابعية الدقة لكنها لا تزال تفقد الروابط بعيدة المدى والإشارات الدقيقة، خاصة عندما تكون الكلمات المهمة بعيدة أو مرتبطة بكلمات تباين مثل «لكن» و«مع أن».

تحويل الجمل إلى خرائط مترابطة

يجادل المؤلفون بأنه لفهم الآراء الدقيقة فعلاً، ينبغي على الحاسوب أن يرى الجملة كشبكة بدلاً من خط مستقيم. في نهجهم، يصبح كل لفظ عقدة في رسم بياني، وتصبح أنواع مختلفة من العلاقات حواف. تلتقط مجموعة من الحواف القواعد النحوية، مثل أي كلمة هي الفاعل أو المفعول. مجموعة أخرى تربط الكلمات المتشابهة في المعنى، حتى لو لم تكن متجاورة. وثالثة تميّز إشارات الخطاب — كلمات مثل «لكن»، «ومع ذلك»، أو «مع أن» التي غالبًا ما تشير إلى تغير في الشعور. في جملة مثل «كانت الخدمة مقبولة لكن البيئة شعرت بأنها غير جذابة مع أن الموظفين كانوا ودودين»، يُظهر هذا الرسم البياني كيف تُنسج الثناء والانتقاد حول جوانب مختلفة.

بقعتا ضوء مزدوجتان على السياق والأهداف

مبنيًا على هذا العرض البياني، يقدم البحث نموذج المحول البياني متعدد العلاقات ذو الانتباه المزدوج (MRDAGT). يستخدم هذا النموذج آلية انتباه على غرار المحول لكنها مُكيّفة للعمل مع الرسوم البيانية. ينظر رأس انتباه واحد بشكل واسع إلى كيفية ترابط جميع الكلمات في الجملة، مجمّعًا السياق المحلي المفيد. يركز رأس انتباه ثانٍ تحديدًا على الجانب قيد الدراسة — مثل «الخدمة» أو «البيئة» — ويعطي وزنًا أكبر للكلمات التي تشكل الآراء حول ذلك الهدف، مثل «مقبولة» أو «غير جذابة». عندما توجد عدة جوانب في جملة واحدة، يساعد طبقة انتباه عالمية اختيارية النموذج على وزن تفاعلها. في الواقع، يسلط النظام ضوءين منسقين: أحدهما على بنية الجملة العامة، والآخر مباشرة على الجانب الذي يحاول تقييم شعوره.

جعل انتباه الآلة أكثر انتقائية وقابلية للتفسير

مشكلة أساسية في الذكاء الاصطناعي الحديث هي أن أوزان الانتباه — الأرقام التي تشير إلى الكلمات التي ركز عليها النموذج — قد تتشتت بشكل مفرط، مما يجعل القرارات صعبة التفسير. يتعامل MRDAGT مع ذلك بقوتين تنظيميتين. تعاقب إنتروبيا تُبعد الانتباه المسطح المفرط، حاثّة النموذج على التركيز بشكل أكثر حدة على بضع كلمات مهمة. وفي الوقت نفسه، يدفع حد L1 نحو الندرة العديد من روابط الانتباه إلى الصفر، قاطعًا الاتصالات الضعيفة والمزعجة. معًا، تخلق هاتان القوتان «ندرة مركزة»: يميل النموذج إلى وضع أوزان واضحة وعالية على أزواج الكلمات–الجانب ذات الصلة فعلًا بينما يتجاهل الملهيات. تُظهر التجارب على ثلاث مجموعات معيارية — مراجعات أجهزة الكمبيوتر المحمولة الرسمية، مراجعات معقدة متعددة الجمل، ومنشورات تويتر غير الرسمية — أن MRDAGT يتفوق باستمرار على أنظمة قوية قائمة بحوالي نقطة إلى نقطتين مئويتين في الدقة، مع إنتاج خرائط انتباه أنظف وأكثر قابلية للتفسير.

ما يعنيه هذا لتنقيب الآراء في العالم الحقيقي

بالنسبة لغير المتخصصين، الخلاصة هي أن هذا النموذج يقدم طريقة أكثر دقة وموثوقية لاستخراج الآراء من نصوص فوضوية في العالم الحقيقي. بدلًا من الاكتفاء بقول إن المراجعة «إيجابية إلى حد كبير»، يستطيع MRDAGT أن يذكر بشكل منفصل أن العملاء يحبون سرعة جهاز لكنهم يكرهون بطاريته، أو أن الزبائن يقدّرون موظفي المقهى بينما يشكون من الضجيج. وبما أن أنماط الانتباه تتماشى مع الحدس البشري — بالتركيز على كلمات التباين، الصفات الدالة على المشاعر، ومصطلحات الجوانب — يصبح من الأسهل للمحللين رؤية سبب صدور حكم معين عن النموذج. يقترح المؤلفون أن هذا النهج يمكن أن يدعم قرارات تصميم منتجات أفضل، ومراقبة أذكى لوسائل التواصل الاجتماعي، وتمديدات مستقبلية إلى لغات متعددة وحتى بيانات متعددة الوسائط مثل الصوت والصور، كل ذلك مع الحفاظ على عملية استدلال نسبية الشفافية.

الاستشهاد: Anilkumar, A.P., Kim, SK. & Yoon, YC. Scientific reports multi relational dual attention graph transformer for fine grained sentiment analysis. Sci Rep 16, 7236 (2026). https://doi.org/10.1038/s41598-026-36490-6

الكلمات المفتاحية: تحليل المشاعر القائم على الجوانب, الشبكات العصبية البيانية, انتباه المحول, تنقيب الآراء, معالجة اللغة الطبيعية