أنواع توليد اللغات الطبيعية ووسوم أقسام الكلام - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

هناك أربع أنواع من توليد اللغات الطبيعية (NLG):

توليد اللغات الطبيعية المبني على القوالب Template-Based NLG

يتضمن توليد اللغات الطبيعية المبني على القوالب استخدام قوالب محددة مسبقًا تحدد بنية ومحتوى النص المتولد. تزود هذه القوالب بمعلومات محددة لتوليد النص النهائي. تُعد هذه المنهجية بسيطة نسبيًا وتحقق فعالية في توليد النصوص للمهام المحددة والمعرفة جيدًا. من ناحية أخرى، قد تواجه صعوبة مع المهام المفتوحة أو المهام التي تتطلب درجة عالية من التباين في النص المولد. على سبيل المثال، قالب تقرير حالة الطقس ربما يبدو كما يلي: Today in [city], it is [temperature] degrees [with [weather condition]]. (اليوم في [المدينة]، درجة الحرارة هي [درجة الحرارة مئوية] و [حالة الطقس]).

توليد اللغات الطبيعية المبني على الاختيار Selection-Based NLG

يتضمن توليد اللغات الطبيعية المبني على الاختيار تحديد مجموعة فرعية من الجمل أو الفقرات لإنشاء ملخص للنص الأصلي الأكبر حجمًا. بالرغم من أن هذه المنهجية لا تولد نصوصًا جديدة، إلا أنها مطبقة عمليًا على نطاق واسع؛ وذلك لأنها تأخذ العينات من مجموعة من الجمل المكتوبة بواسطة البشر، يمكن الحد من مخاطرة توليد النصوص غير المتنبئ بها أو ضعيفة البنية. على سبيل المثال، قالب تقرير الطقس المبني على الاختيار قد يضم قاعدة بيانات من العبارات مثل: It is hot outside (الطقس حار بالخارج)، و The temperature is rising (درجة الحرارة ترتفع)، و Expect sunny skies (تنبؤات بطقس مشمس).

توليد اللغات الطبيعية المبني على القواعد Rule-Based NLG

يستخدم توليد اللغات الطبيعية المبني على القواعد مجموعة من القواعد المحددة مسبقًا لتوليد النص. قد تحدد هذه القواعد طريقة تجميع الكلمات والعبارات لتشكيل الجمل، أو كيفية اختيار الكلمات وفقًا للسياق المستخدمة فيه. عادة تُستخدم هذه القواعد لتصميم روبوت الدردشة لخدمة العملاء. وفي بعض الأحيان قد تتسم بالجمود ولا تولد مخرجات تبدو طبيعية.

توليد اللغات الطبيعية المبني على تعلم الآلة Machine Learning-Based NLG

يتضمن توليد اللغات الطبيعية المبني على تعلم الآلة تدريب نموذج تعلم الآلة على مجموعة كبيرة من بيانات النصوص البشرية. يتعلم النموذج أنماط النص وبنيته، ومن ثم يمكنه توليد نص جديد الذي يشبه النص البشري في الأسلوب والمحتوى. قد تكون المنهجية أكثر فعالية في المهام التي تتطلب درجة عالية من التباين في النص المولد. وقد تتطلب المنهجية مجموعات أكبر من بيانات التدريب والموارد الحسابية.

استخدام توليد اللغات الطبيعية المبني على القوالب Using Template-Based NLG

توليد اللغات الطبيعية المبني على القوالب بسيط نسبيًا وقد يكون فعالاً في توليد النصوص للمهام المحددة والمعرفة أو توصيف البيانات. إحدى مميزات توليد اللغات الطبيعية المبني على القوالب هو سهولة التطبيق والصيانة. يُصمم الأشخاص قوالب توليد اللغات الطبيعية (NLG) إلى أي بنية لغوية محددة مسبقًا. إحدى الممارسات الشائعة هي إنشاء القوالب التي تعتمد على خوارزميات تعلم الآلة المعقدة أو مجموعات كبيرة من بيانات التدريب. دون الحاجة إلى إجراء تغييرات كبيرة في القوالب هو الخيار المناسب للمهام التي تكون ذات بنية ومحتوى نص محددين، دون الحاجة إلى إجراء تغييرات كبيرة ومحتوى نص محددين. تتطلب قوالب توليد اللغات الطبيعية (NLG) إلى أي بنية لغوية محددة مسبقًا. إحدى الممارسات الشائعة هي إنشاء القوالب التي تتطلب كلمات بوسوم محددة كجزء من الكلام لإدراجها في الفراغات المحددة ضمن الجملة.

وسوم أقسام الكلام (POS Tags)

وسوم أقسام الكلام (Part of Speech)، التي تُعرف كذلك باسم وسوم POS هي قيم تُخصص للكلمات في النص للإشارة إلى البناء النحوي للكلمات، أو جزء الكلام في الجملة. على سبيل المثال، قد تكون الكلمة اسمًا أو فعلاً أو صفة أو ظرفًا، إلخ. وتُستخدم وسوم أقسام الكلام في معالجة اللغات الطبيعية (NLP) لتحليل بنية النص وفهم معناه.

شكل 3.26: مثال على عملية وسم أقسام الكلام

وزارة التعليم Ministry of Education 173 2025 - 1447

هناك أربع أنواع من توليد اللغات الطبيعية (NLG):--- SECTION: توليد اللغات الطبيعية المبني على القوالب --- توليد اللغات الطبيعية المبني على القوالب Template-Based NLGيتضمن توليد اللغات الطبيعية المبني على القوالب استخدام قوالب محددة مسبقًا تحدد بنية ومحتوى النص المتولد. تزود هذه القوالب بمعلومات محددة لتوليد النص النهائي. تُعد هذه المنهجية بسيطة نسبيًا وتحقق فعالية في توليد النصوص للمهام المحددة والمعرفة جيدًا. من ناحية أخرى، قد تواجه صعوبة مع المهام المفتوحة أو المهام التي تتطلب درجة عالية من التباين في النص المولد. على سبيل المثال، قالب تقرير حالة الطقس ربما يبدو كما يلي: Today in [city], it is [temperature] degrees [with [weather condition]]. (اليوم في [المدينة]، درجة الحرارة هي [درجة الحرارة مئوية] و [حالة الطقس]).--- SECTION: توليد اللغات الطبيعية المبني على الاختيار --- توليد اللغات الطبيعية المبني على الاختيار Selection-Based NLGيتضمن توليد اللغات الطبيعية المبني على الاختيار تحديد مجموعة فرعية من الجمل أو الفقرات لإنشاء ملخص للنص الأصلي الأكبر حجمًا. بالرغم من أن هذه المنهجية لا تولد نصوصًا جديدة، إلا أنها مطبقة عمليًا على نطاق واسع؛ وذلك لأنها تأخذ العينات من مجموعة من الجمل المكتوبة بواسطة البشر، يمكن الحد من مخاطرة توليد النصوص غير المتنبئ بها أو ضعيفة البنية. على سبيل المثال، قالب تقرير الطقس المبني على الاختيار قد يضم قاعدة بيانات من العبارات مثل: It is hot outside (الطقس حار بالخارج)، و The temperature is rising (درجة الحرارة ترتفع)، و Expect sunny skies (تنبؤات بطقس مشمس).--- SECTION: توليد اللغات الطبيعية المبني على القواعد --- توليد اللغات الطبيعية المبني على القواعد Rule-Based NLGيستخدم توليد اللغات الطبيعية المبني على القواعد مجموعة من القواعد المحددة مسبقًا لتوليد النص. قد تحدد هذه القواعد طريقة تجميع الكلمات والعبارات لتشكيل الجمل، أو كيفية اختيار الكلمات وفقًا للسياق المستخدمة فيه. عادة تُستخدم هذه القواعد لتصميم روبوت الدردشة لخدمة العملاء. وفي بعض الأحيان قد تتسم بالجمود ولا تولد مخرجات تبدو طبيعية.--- SECTION: توليد اللغات الطبيعية المبني على تعلم الآلة --- توليد اللغات الطبيعية المبني على تعلم الآلة Machine Learning-Based NLGيتضمن توليد اللغات الطبيعية المبني على تعلم الآلة تدريب نموذج تعلم الآلة على مجموعة كبيرة من بيانات النصوص البشرية. يتعلم النموذج أنماط النص وبنيته، ومن ثم يمكنه توليد نص جديد الذي يشبه النص البشري في الأسلوب والمحتوى. قد تكون المنهجية أكثر فعالية في المهام التي تتطلب درجة عالية من التباين في النص المولد. وقد تتطلب المنهجية مجموعات أكبر من بيانات التدريب والموارد الحسابية.--- SECTION: استخدام توليد اللغات الطبيعية المبني على القوالب --- استخدام توليد اللغات الطبيعية المبني على القوالب Using Template-Based NLGتوليد اللغات الطبيعية المبني على القوالب بسيط نسبيًا وقد يكون فعالاً في توليد النصوص للمهام المحددة والمعرفة أو توصيف البيانات. إحدى مميزات توليد اللغات الطبيعية المبني على القوالب هو سهولة التطبيق والصيانة. يُصمم الأشخاص قوالب توليد اللغات الطبيعية (NLG) إلى أي بنية لغوية محددة مسبقًا. إحدى الممارسات الشائعة هي إنشاء القوالب التي تعتمد على خوارزميات تعلم الآلة المعقدة أو مجموعات كبيرة من بيانات التدريب. دون الحاجة إلى إجراء تغييرات كبيرة في القوالب هو الخيار المناسب للمهام التي تكون ذات بنية ومحتوى نص محددين، دون الحاجة إلى إجراء تغييرات كبيرة ومحتوى نص محددين. تتطلب قوالب توليد اللغات الطبيعية (NLG) إلى أي بنية لغوية محددة مسبقًا. إحدى الممارسات الشائعة هي إنشاء القوالب التي تتطلب كلمات بوسوم محددة كجزء من الكلام لإدراجها في الفراغات المحددة ضمن الجملة.--- SECTION: وسوم أقسام الكلام (POS Tags) --- وسوم أقسام الكلام (POS Tags)وسوم أقسام الكلام (Part of Speech)، التي تُعرف كذلك باسم وسوم POS هي قيم تُخصص للكلمات في النص للإشارة إلى البناء النحوي للكلمات، أو جزء الكلام في الجملة. على سبيل المثال، قد تكون الكلمة اسمًا أو فعلاً أو صفة أو ظرفًا، إلخ. وتُستخدم وسوم أقسام الكلام في معالجة اللغات الطبيعية (NLP) لتحليل بنية النص وفهم معناه.--- SECTION: شكل 3.26: مثال على عملية وسم أقسام الكلام --- شكل 3.26: مثال على عملية وسم أقسام الكلام2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: شكل 3.26: مثال على عملية وسم أقسام الكلام Description: A diagram illustrating Part of Speech (POS) tagging for the English sentence 'I want an early upgrade'. Each word is placed in a rectangular box and connected by a line to its corresponding POS tag, which is in a colored oval above it. The tags are PRON (Pronoun), VERB (Verb), DET (Determiner), ADJ (Adjective), and NOUN (Noun). Data: The diagram shows the word 'I' tagged as PRON, 'want' as VERB, 'an' as DET, 'early' as ADJ, and 'upgrade' as NOUN. Each word-tag pair is visually distinct with different colors for the tag ovals (pink for PRON, green for VERB, light blue for DET, yellow for ADJ, orange for NOUN). Key Values: PRON: I, VERB: want, DET: an, ADJ: early, NOUN: upgrade Context: This visual element serves as a concrete example to illustrate the concept of Part of Speech (POS) tagging, which is explained in the accompanying text. It helps clarify how words are classified into grammatical categories in Natural Language Processing (NLP).