اثربخشي ترجمه ماشيني در فرآيند پردازش زبان؛ بهره‌گيري از قرينه سياق در معنايابي واژگان قرآن

به فرآيند برگرداندن مطلبي از زبان مبدأ به زبان مقصد كه با يافتن هم ارزهاي معناشناختي ميان دو زبان صورت مي گيرد، ترجمه مي گويند. مهم ترين مشكلات ترجمه، ابهاماتي است كه در واژگان و ساختار جملات وجود دارند. در يك تقسيم بندي، پنج نوع مهم ابهام واژگاني (ابهام هاي مقوله اي، واژه هاي هم آوا، واژه هاي هم نويسه، چند معنايي و ابهام انتقالي) و دو نوع مهم ابهام ساختاري (ابهام هاي ساختاري واقعي و ابهام هاي سيستمي) وجود دارد. ترجمه ماشيني (Machine translation: MT) كه بخشي از حوزه پردازش زبان طبيعي(Natural Language Processing: NLP) مبتني بر كامپيوتر در زبان شناسي رايانه اي و هوش مصنوعي بوده به عنوان يكي از تكنيك‌هاي خودكاري است كه متن بدون ساختار را به داده‌هاي ساختاري تبديل مي‌كند با تبديل متن به اطلاعات، توانسته است تحليل‌هاي بيشتري را به داده‌ها اعمال كرده تا اطلاعات مفيدي استخراج شود. در اين نوشتار كه به روش كتابخانه اي تدوين شده، جهت رفع مسائل پيرامون معناي واژگان در ترجمه ماشيني قرآن، طرحي به صورت نظري پيشنهاد شده كه هدف آن كمك به فهم بهتر معناي واژگان قرآن، با بهرمندي از قرينه سياق و بافت عبارت است. در روش پيشنهادي با بهره مندي از قاعده سياق و تكنيك هاي متن كاوي، و با استناد به آن، واژه معادل مناسب تري در زبان مقصد برگزيند. در اين طرح، سياق را در مقياس كلمات دانسته كه مي توان آن را به شرط احراز شرايط به انواع ديگر توسعه داد. به طور خلاصه اين طرح دو مرحله دارد: اولويت بندي (وزن دهي) واژگان هم جوارِ هم ورودي (هر واژه در محدوده آياتي كه در مورد نزول يك باره آن ها اتفاق نظر وجود دارد) و سپس مقايسه با كلماتي كه اشتراك لفظي (چندمعنا) دارند و  نيز مقايسه هم‌نظيران يك واژه با هم‌نظيران ساير واژگان (مترادف يابي). مي باشد.  براي دقيق تر شدن نتايج مي توان مشخصات بيشتري از كلمات را به صورت دستي تهيه نمود، جداولي شامل مواردي چون مكّي يا مدني بود آيات، ترتيب نزول سوره، مفاهيم و تعابيري كه در معناي كلمات قرآن در فرهنگ لغاتي چون لسان العرب ابن منظور و فرهنگ لغت راغب اصفهاني آمده است و غيره. براي بدست آوردن داده هاي ورودي از تكنيك هاي نمايه سازي استفاده مي شود. در مرحله پيش پردازش بايد داده هايي كه داراي اهميت كمتري است(Stop Words) (مانند الذي ، التي ، لم ، كان ، كانما و غيره) حذف شود تا خروجي بهتري بدست آيد. براي تغيير شكل داده مي توان اعراب را حذف كرد تا كدنويسي راحت تر انجام شود، براي كاهش نمونه نيز مي توان از ريشه ميانوندي كلمات استفاده نمود. براي اينكه با استناد به قاعده سياق،  براي يكايك كلماتي كه به عنوان ورودي مورد پردازش قرار مي گيرند، ركوردي از مشخصات تهيه نمود، لازم است ابتدا واحد سازي(Tokenizer) صورت گيرد، در داده هاي اوليه تهيه شده، در كل مجموعه آيات ورودي، بر اساس دو معيار قرابت مكاني و فراواني تكرار، به هر كلمه وزني اختصاص يابد. هر چه كلمات به كلمه مورد نظر نزديك تر و يا بيشترتكرار شده باشد، وزن بيشتري به آن اختصاص داده مي شود كه معرف ارتباط معنايي قوي تر آنان است و  برعكس. طبيعتاَ  كلماتي كه در يك آيه قرار دارند (شماره آيه يكساني دارند) نسب به كلماتي كه در آيات ديگر و فاصله دورتر قرار دارند از ظريب تأثير بيشتري برخوردار هستند. در سنجش معيار فراواني: براي نشان دادن اهميت كلمه در سوره از فراواني وزني (TF/IDF Weight) استفاده مي شود، مقدار TF/IDF  به تناسب تعداد تكرار كلمه در هر سوره يا مجموعه آيات ورودي، افزايش مي‌يابد و توسط تعداد آياتي كه در سوره هستند و شامل كلمه نيز مي‌باشند متعادل مي‌شود. در نهايت اين نتيجه حاصل آمد كه از هم جواري كلمات و روابط معنايي بين آن ها و با كمك تكنيك هاي متن كاوي، فهم بيشتري از واژگان حاصل شده كه اين مهم گزينش مناسب تر واژه معادل در زبان مقصد را منجر مي شود.