كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

تصنيف الأخبار

متوسطتحليل نصوص Text Mining

وصف المشكلة

تصنيف عناوين أخبار عربية قصيرة إلى أربعة موضوعات (رياضة، اقتصاد، تقنية، صحة). العناوين مؤلفة للتعليم وليست أخباراً حقيقية.

الأهداف

  • تصنيف نصوص متعدد الفئات
  • قراءة مصفوفة الالتباس للفئات
  • تقدير أثر قصر النصوص

نوع المشكلة

تحليل نصوص Text Mining

مجموعة البيانات

الأدوات المستخدمة

الخوارزميات

خطوات التنفيذ

  1. في KNIME: File ← Import KNIME Workflow… واختر news-classification.knwf (بعد تثبيت إضافة KNIME Textprocessing)، ثم Execute all.
  2. افتح news-classification.ows في Orange بعد تثبيت إضافة Text (Options ← Add-ons).
  3. في Orange (إضافة Text): Corpus ← Preprocess Text ← Bag of Words ← Test and Score ← Confusion Matrix.
  4. في KNIME: نفس سلسلة Text Processing في مشروع تحليل المشاعر مع عمود category هدفاً.

مخطط سير العمل

Orange

DataText MiningEvaluateModel

File FileCorpus CorpusPreprocess Text Preprocess TextBag of Words Bag of WordsTest and Score Test and ScoreNaive Bayes Naive BayesLogistic Regression LogisticRegressionConfusion Matrix Confusion MatrixDataCorpusCorpusCorpus → DataLearnerLearnerEvaluation Results
مرسوم من ملف سير العمل بصيغة OWS المرفق بالمشروع: العناصر (Widgets) وأيقوناتها وألوان فئاتها وأسماء القنوات على الروابط كما تظهر عند فتحه في Orange.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (7)
  • File → Corpus (Data)
  • Corpus → Preprocess Text (Corpus)
  • Preprocess Text → Bag of Words (Corpus)
  • Bag of Words → Test and Score (Corpus → Data)
  • Naive Bayes → Test and Score (Learner)
  • Logistic Regression → Test and Score (Learner)
  • Test and Score → Confusion Matrix (Evaluation Results)

KNIME

مصدر (Source)معالجة (Manipulator)متعلّم (Learner)متنبّئ (Predictor)أداة/تقييم (Other)منفذ بياناتمنفذ نموذج

CSV Reader — مصدر (Source)CSV ReaderNode 1Strings to Document — معالجة (Manipulator)Strings to DocumentNode 2Punctuation Erasure — معالجة (Manipulator)Punctuation ErasureNode 3Case Converter — معالجة (Manipulator)Case ConverterNode 4Stop Word Filter — معالجة (Manipulator)Stop Word FilterNode 5Bag of Words Creator — معالجة (Manipulator)Bag of Words CreatorNode 6Document Vector — معالجة (Manipulator)Document VectorNode 7Category to Class — متعلّم (Learner)Category to ClassNode 8Partitioning — معالجة (Manipulator)PartitioningNode 9Naive Bayes Learner — متعلّم (Learner)Naive Bayes LearnerNode 10Naive Bayes Predictor — متنبّئ (Predictor)Naive Bayes PredictorNode 11Scorer — أداة/تقييم (Other)ScorerNode 12
عُقد KNIME (Nodes) بأسمائها في مستودع العُقد وأيقوناتها الأصلية ولون نوعها وشكلها ومنافذها (المثلث للبيانات والمربع للنموذج) وإشارة الحالة، لتبنيها بالترتيب نفسه. وملف سير العمل الجاهز بصيغة KNWF مرفق في «ملفات المشروع»، وقد نُفّذ بنجاح في محرك KNIME 5.12.

↔ اسحب المخطط أفقياً لرؤيته كاملاً.

الاتصالات نصاً (12)
  • CSV Reader → Strings to Document
  • Strings to Document → Punctuation Erasure
  • Punctuation Erasure → Case Converter
  • Case Converter → Stop Word Filter
  • Stop Word Filter → Bag of Words Creator
  • Bag of Words Creator → Document Vector
  • Document Vector → Category to Class
  • Category to Class → Partitioning
  • Partitioning → Naive Bayes Learner
  • Naive Bayes Learner → Naive Bayes Predictor
  • Naive Bayes Predictor → Scorer
  • Partitioning → Naive Bayes Predictor

ملفات المشروع

ملف KNIME (.knwf) بُني على KNIME 5.12 ونُفّذت كل عُقده بنجاح في محرك KNIME دون فتح الواجهة؛ افتحه من File ← Import KNIME Workflow.

النتائج

نتائج فعلية محسوبة على الملفات المرفقة

مرجع scikit-learn 1.9.1، 5-fold stratified CV, shuffle, random_state=42:
• Naive Bayes (word BoW): Accuracy 55.0% (± 8.4%)، F1-macro 0.541
• Logistic Regression (word BoW): Accuracy 53.0% (± 10.3%)، F1-macro 0.522
• Naive Bayes (char 2-4 grams): Accuracy 62.0% (± 10.3%)، F1-macro 0.599
• Logistic Regression (char 2-4 grams): Accuracy 56.0% (± 9.7%)، F1-macro 0.542

مقاييس التقييم

  • Accuracy
  • F1-macro
  • Confusion Matrix

تفسير النتائج

مع 25 عنواناً لكل فئة تتراوح الدقة بين 53% و62% (مقابل 25% للتخمين). الخلط الأكبر يقع مع فئة الاقتصاد. زيادة الأمثلة واستخدام تمثيلات لغوية مسبقة التدريب هما الطريق لتحسين حقيقي.

أسئلة للمناقشة

  • لماذا العناوين القصيرة أصعب من المقالات الكاملة؟
  • ما الفئة الأكثر التباساً ولماذا؟
  • كيف تبني مجموعة بيانات أخبار حقيقية بترخيص مناسب؟

مشاريع مشابهة