تصنيف النصوص باستخدام تنظيم التضمين الكلمي وقياس التشابه اللطيف

منذ العمل الرائد لميكولوف وآخرين، أصبحت تمثيلات الكلمات (word embeddings) التمثيل المفضل للكلمات في العديد من مهام معالجة اللغة الطبيعية. وقد أُبلغ عن أن مقاييس تشابه المستندات المستمدة من تمثيلات الكلمات، مثل قياس الكوسينوس اللطيف (SCM) ومسافة حامل الكلمات (WMD)، حققت أداءً يُعدّ من أفضل الأداءات الحالية في مهام تشابه النصوص الدلالية وتصنيف النصوص.رغم الأداء القوي لمسافة حامل الكلمات (WMD) في تصنيف النصوص وتشابه النصوص الدلالية، فإن تعقيدها الزمني المتوسط فوق التكعيبية يجعلها غير عملية في الممارسة. أما قياس الكوسينوس اللطيف (SCM)، فيمتلك تعقيدًا زمنيًا في الحالة الأسوأ من الدرجة التربيعية، لكن أداءه في تصنيف النصوص لم يُقارن قط مع أداء WMD. في الآونة الأخيرة، أُظهر أن تقنيتين جديدتين لتنعيم تمثيلات الكلمات (word embedding regularization) تقللان من تكاليف التخزين والذاكرة، وتحسّنان من سرعة التدريب وسرعة معالجة المستندات، بالإضافة إلى تحسين الأداء في المهام مثل تحليل التماثل بين الكلمات، وتشابه الكلمات، وتشابه النصوص الدلالية. ومع ذلك، لم يُدرَس بعد تأثير هاتين التقنيتين على تصنيف النصوص.في عملنا، نستكشف التأثير الفردي والمشترك لتقنيتي تنعيم تمثيلات الكلمات على سرعة معالجة المستندات والأداء في المهام الخاصة بقياس الكوسينوس اللطيف (SCM) ومسافة حامل الكلمات (WMD) في تصنيف النصوص. ولغرض التقييم، نستخدم تصنيف المقياس القريب (kNN) وستة مجموعات بيانات قياسية: BBCSPORT، TWITTER، OHSUMED، REUTERS-21578، AMAZON، و20NEWS.نُظهر تقليلًا متوسطًا بنسبة 39٪ في خطأ تصنيف kNN عند استخدام تمثيلات الكلمات المُنظَّمة بالمقارنة مع التمثيلات غير المُنظَّمة. كما نصف إجراء عمليًا لاستخلاص هذه التمثيلات المُنظَّمة من خلال التحليل الثلاثي (Cholesky factorization). كما نُظهر أن قياس الكوسينوس اللطيف (SCM) باستخدام تمثيلات الكلمات المُنظَّمة يتفوّق بشكل كبير على مسافة حامل الكلمات (WMD) في تصنيف النصوص، ويكون أسرع بمرات أكثر من 10,000 مرة.