في عام 2017، قدّم فريق Facebook AI Research؛ أحد أبرز أنظمة القراءة الآلية (Machine Reading)، وهو DRQA (Document Reader for QA)، الذي يتيح الإجابة على الأسئلة المفتوحة مباشرة من خلال قراءة محتوى مستندات مثل ويكيبيديا.
يُعد DRQA من أولى النماذج التي دمجت بين استرجاع المعلومات وفهم النصوص باستخدام الشبكات العصبية، وهو مفتوح المصدر ومبني باستخدام PyTorch، مما جعله أساسا لكثير من الأبحاث والأدوات الأكاديمية اللاحقة (github.com).
ما هو DRQA؟
- يتألف النظام من مكوّنين رئيسيين:
- Document Retriever: يعتمد على خوارزميات مثل bigram hashing وTF‑IDF لاسترجاع الفقرات ذات الصلة من ويكيبيديا.
- Document Reader: شبكة عصبية (RNN/Bi‑LSTM) تحلل الفقرات لاستخراج أجزاء الإجابة (answer spans) (aclanthology.org).
المميزات الأساسية لـ DRQA
- مفتوح المصدر وقابل للتعديل:
متوفر عبر GitHub بترخيص BSD، وبُني بـ PyTorch، ما يسهل استخدامه وتطويره . - فعّال في إعداد الأساسيات:
يعالج مهام SQuAD وCuratedTREC وWebQuestions، بتحقيق نتائج تنافسية في إمكانيات القراءة الآلية (ar5iv.labs.arxiv.org). - محرك مزدوج Retriever‑Reader:
يستخدم مزيجا من استرجاع الوثائق بالاعتماد على TF‑IDF، ومن ثم فهمها لاختيار الجزء الأنسب للإجابة (arxiv.org). - قاعدة تدريب ضخمة:
استعان الفريق بخوارزميات التعلم متعدد المهام (multi-task learning) مع الإشراف البعيد (distant supervision) للاستفادة من مجموعة بيانات ضخمة، لتدريب النموذج على فهم الأسئلة المفتاحية والفقرات ذات الصلة (aclanthology.org).
الأهمية البحثية والتطبيقية
- قاعدة تعليمية راسخة: وضعت DRQA الأساس للبحث في نماذج retriever-reader المستخدمة حتى اليوم.
- أداة أكاديمية مفتوحة: يستخدمها الباحثون لبناء أنظمة متقدمة في القراءة الآلية وفهم النصوص.
- إلهام لتقنيات جديدة: مثل نماذج كالـ RikiNet وUniK‑QA التي بنت على نفس منهجية استخراج الإجابات من نصوص كبيرة مثل ويكيبيديا.
رابط الأداة (GitHub – DRQA):
- مرجع:
Chen, D., Fisch, A., Weston, J., & Bordes, A. (2017). Reading Wikipedia to Answer Open‑Domain Questions. ACL 2017 (git.histb.com, aclanthology.org)
