توسعه الگوریتم استخراج خودکار کلیدواژه از مستندات علمی فارسی با استفاده از مدلهای زبانی بزرگ

برای استخراج خودکار کلیدواژه از پارساهای (پایان‌نامه‌ها و رساله‌ها )گنج تا کنون طرح‌های پژوهشی متعددی انجام شده است که نتایج آنها طراحی و توسعه وب‌سرویس استخراج خودکار کلیدواژه از مستندات علمی گنج براساس اطلاعات اصطلاحنامه‌ها و اسناد مشابه نمایه‌شده است. ‌براساس این وب‌سرویس تاکنون حدود 520 هزار سند نمایه شده‌اند و امکان استفاده از این وب‌سرویس برای نمایه‌سازی بقیه اسناد نیز فراهم است. لیکن با توجه به پیشرفت‌ها در حوزه مدل‌های زبانی بزرگ امکان بهبود این وب‌سرویس از لحاظ دقت و سرعت وجود دارد. به طور خاص برای اسنادی که واژگان تخصصی جدیدی دارند که تاکنون در اصطلاحنامه‌ها نیامده‌اند، تعداد کلیدواژه‌های تخصیص یافته محدود خواهد بود و در نهایت عملکرد این الگوریتم (دقت و بازخوانی) به به‌روز بودن اطلاعات اصلاحنامه‌های تخصصی وابسته است. بنابراین طرح پژوهشی حاضر برای بهبود عملکرد روش استخراج خودکار کلیدواژه تعریف شده است. پیشرفت‌های اخیر در حوزه مدل‌های زبانی بزرگ( Large Language Models-LLMs) روش‌های تحلیل محتوی و نیز استخراج اطلاعات از متون را متحول کرده است. در روش‌های استخراج خودکار کلیدواژه نیز از پیشرفت‌ها در حوزه LLMs در چندسال اخیر، بهره گرفته شده است. مدل‌های زبانی بزرگ در فرایند استخراج خودکار کلیدواژه، امکان تخصیص واژگان را براساس مفاهیم کلیدی متن فراهم می‌کنند و نتایج آنها برای متون کوتاه مانند چکیده و عنوان پایان‌نامه‌ها اثربخش خواهد بود. از طرفی دیگر، در سامانه ثبت ایرانداک، کلیدواژه‌ها به عنوان بخشی از اطلاعات مهم فراداده‌ای از کاربر (نویسنده سند) دریافت می‌شوند. با توجه به افزایش حجم اسناد ورودی در این دست از سامانه‌ها، نیاز است که اطلاعات در بدو ورود، تا حد امکان و با استفاده از راهکارهای مختلف، درست و کامل دریافت می‌شوند تا در مراحل بعدی با کمترین ویرایش ثبت) و نهایی شوند. در حال حاضر در سامانه ثبت، کاربر (نویسنده سند) ، تعدادی کلیدواژه برای سند خود وارد می‌کند که این کلیدواژه‌ها ممکن است به طور کامل و جامع بیانگر کلیه ابعاد تخصصی آن سند نباشند. هرچه کیفیت کلیدواژه‌های ورودی در مرحله ثبت توسط نویسنده سند، بهتر باشد، حجم کار در مراحل بعدی کاهش می‌یابد. در این طرح پژوهشی، پس از توسعه الگوریتم بهبودیافته برای پیشنهاد کلیدواژه و تست و ارزیابی آن، ماژول پیشنهاددهنده براساس آن الگوریتم نیز توسعه می‌یابد این ماژول می‌تواند در سامانه ثبت ،حین ورود اطلاعات توسط نویسنده فعال شود به طوری که براساس اطلاعات اصلی سند (عنوان، چکیده، موضوع) به نویسنده کلیدواژه‌های مناسب را پیشنهاد دهد. در حقیقت با بکارگیری این ماژول، مشارکت کاربر(نویسنده) در ارایه کلیدواژه‌های مناسب به سند افزایش می‌یابد. علاوه بر آن ، با اضافه شدنکلیدواژه‌های جدید،فهرست کلیدواژه‌های کنترل شده نیز غنی‌سازی خواهد شد و در نمایه‌سازی اسناد بعدی بکار گرفته می‌شود. اصطلاحنامه‌های تخصصی نیز همچنان به عنوان یکی از منابع اصلی برای بهبود فهرست کلیدواژه‌ها بکار گرفته می‌شود.در صورتیکه امکان دسترسی به نسخه به روز شده اصطلاحنامه‌های تخصصی فراهم شود، از آن استفاده خواهد شد برای ارزیابی الگوریتم، از مجموعه داده استاندارد استخراج خودکار کلیدواژه (محبی و همکاران، 1400) استفاده می‌شود و نتایج براساس شاخص‌های دقت و بازخوانی سنجیده می‌شود