سلسلة التوسيم الزمني

لا يكفي العثور على التواريخ في نص ما لتحديد موقع أدلته في الزمن. فالتعبير النسبي مثل «أمس» أو «الشهر القادم» لا يمكن تفسيره دون زمن مرجعي. والتاريخ لا يقول شيئًا عما حدث ما لم تُحدَّد الأحداث المحيطة به. كما يجب أن تصبح الصلة بين الحدث وزمنه صريحة قبل أن يتمكن النموذج من التعلم منها، بدل أن تُترك للنموذج ليكتشفها من جديد من الرموز السطحية.

تحوّل السلسلة الوثائق إلى بيانات زمنية منظمة لعمل تعلم التمثيلات والاسترجاع الذي يليه: تعابير زمنية مطبَّعة، وأحداث، وروابط الأحداث بزمنها، ومدى موثوقية كل منها.

تجمع المدونة عائلات من المصادر ذات نقاط قوة زمنية متكاملة، بالإنجليزية والفرنسية: الأخبار، ونصوص الويب، والمقالات الموسوعية، والملخصات الطبية الحيوية، والوثائق القانونية.

تواريخ هذه الوثائق ليست متساوية في الموثوقية. فالمصادر المرتبطة بتاريخ نشر تعطي عادةً وقت إنشاء وثيقة (DCT) قويًا؛ أما مصادر الويب والمصادر الموسوعية فكثيرًا ما تعطي وقتًا أضعف، أو لا تعطي شيئًا. وتُبقي السلسلة هذا الفرق ظاهرًا: فوقت الإنشاء الضعيف يظل صالحًا لتطبيع التعابير المطلقة، لكن الروابط الزمنية التي تعتمد على DCT تُعامل بحذر.

تجمع أداة التوسيم بين القواعد و spaCy ونموذج لغوي صغير.

تجري مراحل الشكل 1 بالترتيب:

تطبيع التعابير الزمنية. يرصد واسم زمني قائم على القواعد ومتوافق مع HeidelTime التواريخ والأوقات والمدد والتعابير المتكررة، ويطبّع كلًا منها إلى قيمة على نمط TIMEX3 / ISO-8601 تحافظ على درجة تفصيل المصدر: فالسنة تبقى سنة والشهر يبقى شهرًا. تُحلّ التعابير النسبية بالرجوع إلى DCT؛ أما المبهمة فتحتفظ بعلامات مثل PAST_REF بدل أن تكتسب دقة زائفة. كانت مرحلة TIMEX هذه موجودة سابقًا بلغة Java ونُقلت إلى Python.

استخراج الأحداث. تحدد ميزات spaCy اللغوية (أقسام الكلام، والصيغ الأصلية للكلمات، وعلاقات الاعتماد النحوي) ومصافٍ استدلالية للكلمات المحفِّزة مواضعَ ذكر الأحداث: أساسًا المسندات الفعلية، وبتحفظ أكبر المصادر الدالة على أحداث. ويحتفظ كل حدث بنفيه وصيغته (modality) وجهته، لأن الحدث المنفي والحدث الممكن والحدث المؤكد تحمل التزامات زمنية مختلفة.

ربط الأحداث بزمنها. تربط سلسلة أولويات حتمية كل حدث بأقوى دليل متاح: تاريخ مطبَّع مرتبط عبر بنية الاعتماد، أو مؤشر اتجاهي مثل «قبل» أو «بعد»، أو وسم نسبي إلى DCT، أو قيمة UNDERSPECIFIED صريحة حين لا يسند أي شيء موثوق هذا الربط. وتُخزَّن الطريقة التي أنتجت الربط معه.

الاحتفاظ بالعلاقات المحتملة. تحفظ علاقات شبيهة بـ TLINK، مشتقة من أنماط تركيبية، مؤشراتِ ترتيب إضافية بين الأحداث والتعابير الزمنية و DCT. وهي أدلة بنيوية لا روابط زمنية متحقَّق منها، ولا تحسّن ربطًا مبهمًا إلا حين تحمل دليلًا أقوى.

تصدير سجلات منظمة. تصبح كل وثيقة سجلًا لتعابيرها المطبَّعة وأحداثها وروابطها الزمنية ومؤشرات العلاقات فيها، مع الاحتفاظ بالمصدر ودرجة الموثوقية إلى جانبها، جاهزًا لتعلم التمثيلات.

يوثّق الفصل 3 من مذكرة مهندس الدولة السلسلة: متطلبات تصميمه، ومعالجة DCT، وكل مرحلة من مراحل التوسيم، وصيغة السجل المصدَّر. شيفرة أداة التوسيم غير منشورة.

• النص الكامل للمذكرة (DOI)