گذار از جستجوی کلید واژه ای به جستجوی موجودیت گرا‎

 دکتر جعفر مهراد استاد پیشکسوت دانشگاه شیراز در گفتگوی اختصاصی با خبرنگار لیزنا گفت: تکامل «فناوری جستجو» را می توان به گذار از جستجوی کلید واژه ای به جستجوی موجودیت گرا نسبت داد. هدف این گذار، افزایش دقت و ربط جستجو با درک زمینه و روابط بین مفاهیم است. در این گفتگو سازوکارهای جستجوی موجودیت محور و مزایای آن را نسبت به جستجوی کلید واژه ای سنتی بررسی و مثال هایی را نیز که نشان دهنده اثربخشی آن است ارایه خواهیم داد.

 دکتر مهراد افزود: جستجوی کلید واژه ای، روش سنتی بازیابی اطلاعات، براساس تطبیق کلمات وارد شده کاربران، با کلید واژه های موجود در یک پایگاه اطلاعاتی است. گرچه این روش ساده است امام محدودیت هایی دارد که اهم آن ها عبارتند از:

١- ابهام: کلید واژه ها می توانند معانی متعددی داشته باشند. به عنوان مثال، apple می تواند به میوه یا به شرکت فناوری اپل اشاره داشته باشد.

٢- مترادف ها: کلید واژه های مختلف می توانند مفهوم یکسانی را بیان کنند. به عنوان مثال، ماشین و خودرو.

٣- عدم درک زمینه: جستجوی کلید واژه ای اغلب زمینه یا روابط بین واژه ها را در نظر نمی گیرد که منجر به نتایج نامربوط می شود.

 وی ادامه داد: جستجوی موجودیت گرا که از آن به عنوان جستجوی معنایی نیز یاد می شود، با تمرکز بر موجودیت ها، یعنی اشیاء  متمایز و قابل شناسایی مانند افراد، مکان ها، سازمان ها و مفاهیم، کاستی های جستجوی کلید واژه ای را جبران می کند. این رویکرد، از پردازش زبان طبیعی، یادگیری ماشین و نمودارهای دانش برای درک و پردازش جستجو به صورت متنی استفاده می کند. همان طوری که گفتم، یک موجودیت، یک مفهوم خاص و کاملاً تعریف شده است. مثلا، «شخص» عباس حری، «مکان» آرامگاه حافظ، «سازمان» ایرانداک و «مفهوم» تغییرات آب و هوا.

 موسس ISC بیان کرد: جستجوی موجودیت محور دارای عناصر کلیدی به شرح زیر است:

١- نمودار دانش: که عبارت است از یک پایگاه دانش که از یک مدل داده‌های ساخت یافته برای نمایش و کار بر روی اطلاعات استفاده می کند. در اینجا، بازنمایی و شبکه‌های معنایی از نکات کلیدی است. نمودارهای دانش، مفاهیم دنیای واقعی (گره ها) و روابط آنها (لبه ها) را در قالب نمودار سازماندهی می کنند. این مفاهیم می تواند اشیاء، رویداد ها، موقعیت ها یا ایده های انتزاعی باشند. همچنین، نمودارهای دانش ارتباطات بین موجودیت ها را نشان می دهد. آنها اطلاعات را در پایگاه های اطلاعاتی نمودار دانش ذخیره و آن را به عنوان یک ساختار گراف تجسم می کنند. برای مثال، نمودار دانش گوگل و بینگ، با درک زمینه و پیوند دادن اطلاعات مرتبط، مستقیماً به ارایه پاسخ به سوالات کمک می کنند. حتی، خدمات پرسش و پاسخ مانند سیری، آلکسا و ولفرام آلفا بر نمودارهای دانش تکیه دارند. همینطور، شبکه های اجتماعی مانند لینکدین و فیسبوک از آنها استفاده می کنند.

٢- پردازش زبان طبیعی: الگوریتم های پردازش زبان طبیعی به تجزیه و درک زبان انسان کمک می کنند و شناسایی موجودیت ها در یک پرس و جو و تشخیص هدف کاربر را ممکن می سازند. علاوه بر موتور های جستجو، پردازش زبان طبیعی چت بات ها و دستیاران مجازی را در درک سوالات کاربران و پاسخ به آنها یاری می رسانند. پردازش زبان طبیعی دارای اجزایی از این قرار است: زبانشناسی محاسباتی، یادگیری ماشین و یادگیری عمیق.

٣- ابهام زدایی: وقتی که یک کاربر به دنبال یک موجودیت می گردد، موتور جستجو باید معنای مورد نظر را تعیین کند. در این فرایند، ابهام زمانی بوجود می آید که یک عبارت واحد بتواند چندین موجودیت را نشان دهد. اینجا است که جستجوی موجودیت گرا از زمینه برای تمایز بین موجودیت هایی با نام یکسان استفاده می کند. به عنوان مثال، «پاریس» پایتخت فرانسه و «پاریس» شخصیت اساطیری. البته، باید بدانیم که برای ابهام زدایی از تکنیک هایی مانند سرنخ های متنی (تجزیه و تحلیل کلمات یا عبارات اطراف برای استنتاج موجودیت صحیح)، نمودارهای دانش که شرح آن گذشت و شناسایی موجودیت نامگذاری شده ( شناسایی موجودیت های خاص در متن) استفاده می شود.

 دکتر مهراد بیان ساخت: برای جستجوی موجودیت گرا مزایای مختلفی وجود دارد که به برخی از آنها به طور گذرا اشاره شد، اما اینجا قدری بیشتر توضیح می دهم:

١- افزایش ربط: با درک زمینه و هدف، موتورهای جستجو می توانند نتایج دقیق و مرتبط تری ارایه دهند.

٢- پاسخ های مستقیم: به جای لیست کردن پیوند ها به صفحات، جستجوی موجودیت گرا می تواند پاسخ ها یا خلاصه ها را به طور مستقیم ارایه دهد.

٣- شناخت زمینه: شناخت روابط بین موجودیت ها امکان پاسخ های دقیق تر و مفیدتر را فراهم می کند.

۴- تجربه کاربری بهبود یافته: جستجوی موجودیت گرا، نیاز کاربران به اصلاح مکرر پرس و جو های خود را برای دستیابی به نتایج دلخواه کاهش می دهد.

 وی در ادامه به نمونه هایی از جستجوی موجودیت گرا در عمل را به این طریق بیان کرد: 

١- جستجوی گوگل: وقتی کاربر به دنبال « لئوناردو داوینچی» می گردد، گوگل به جای اینکه صرفاً صفحات وب حاوی این کلید واژه را فهرست کند، یک پانل اطلاعاتی با جزییات مربوط به این هنرمند رنسانس، آثار و چهره‌های مرتبط با او را نمایش می دهد. می دانیم که این پانل توسط نمودار دانش گوگل طراحی شده است.

٢- دستیاران صوتی: وقتی از سیری یا آلکسا می پرسید « مدیر عامل تسلا کیست؟» با ارایه پاسخ «ایلان ماسک» نشان می دهد که رابطه بین «مدیر عامل»  و موجودیت «تسلا» را درک می کنند.

 دکتر مهراد گفت: موارد استفاده عملی از جستجوی موجودیت گرا بسیار است. اجازه دهید مثالهایی آکادمیک ارایه دهم که در عمل در جستجوهای علمی با اینها سروکار دارید:

١- تحقیقات دانشگاهی: دانشجویی که در جستجوی اطلاعات به دنبال «تغییرات آب و هوا» است، داده هایی را در مورد موجودیت های مرتبط مانند «گرمایش حهانی»، «انتشار کربن» و چهره‌های مشهور در این زمینه مانند «گرتا تونبرگ» را بازیابی خواهد کرد.

٢- تجارت الکترونیک: هنگامی که کاربری درباره «لپ تاپ های اپل» جستجو می کند، یک جستجوی موجودیت گرا نه تنها محصولات مرتبط را سیاهه می کند، بلکه مقایسه، بررسی و لوازم جانبی مرتبط را نیز ارایه می دهد و تجربه خرید را بهبود می بخشد.

٣- مراقبت های بهداشتی: جستجوی یک وضعیت پزشکی مانند «دیابت» نتایجی از جمله علایم، درمان ها، داروها و متخصصان برجسته را به همراه خواهد داشت و به جای اطلاعات مجزا، درک جامعی از جستجو را ارایه می دهد.

 وی به چالش های پیش رو و جهت گیری های آینده هم پرداخت و گفت: علیرغم مزایای آن، جستجوی موجودیت گرا با چالش هایی مانند ادغام داده ها، نگرانی های حفظ حریم خصوصی و یادگیری مستمر مواجه است. لذا، آینده فناوری جستجو، در اصلاح این رویکردها برای ارایه بازیابی اطلاعات دقیق و آگاهانه تر است. پیشرفت در هوش مصنوعی و یادگیری ماشین، قابلیت های جستجوی موجودیت گرا را بیشتر افزایش می دهد و تعامل با موتورهای جستجو را به طور فزاینده ای بصری و سازنده می کند.