Р.Э. Семенов1
1 МИРЭА – Российский технологический университет (Москва, Россия)

1 9629790@gmail.com

Постановка проблемы. Разработка нейронной концептуально-графовой сети для текстового осмысления обусловлена необходимостью создания более эффективных методов анализа текстов, обеспечивающих глубокое понимание их содержания и смысла при наличии малого объема обучающих данных. Русский язык представляет собой сложную систему, которая предъявляет уникальные вызовы: сложная морфология с множеством форм склонения и спряжения, сложный синтаксис, богатая лексика с множеством синонимов и омонимов, большое количество фразеологизмов, разнообразие стилистических форм и региональные особенности. Эти аспекты требуют разработки нейронных сетей, способных учитывать языковые нюансы. Концептуально-графовая модель текстового осмысления представляет собой инновационный подход к анализу и интерпретации текстов, основанный на концептуальных графах. Представляет интерес исследование основных принципов данной модели, ее преимуществ и потенциальных областей применения.

Цель. Сравнить результаты работы нейронной сети, основанной на концептуально-графовой модели, с уже существующими предварительно обученными моделями для обработки текста на одинаковом наборе обучающих и тестовых данных и выявить преимущества разных подходов.

Результаты. Представлена концептуально-графовая языковая модель текстового осмысления, дано описание ее основных компонентов и принципов функционирования. Рассмотрен процесс анализа текстов с применением данной модели, а также приведены таблицы, демонстрирующие точность работы нейронных сетей разных моделей на различных обучающих наборах данных. Особое внимание уделено как преимуществам, так и ограничениям концептуально-графовой модели, а также ее перспективам развития и потенциальному применению в различных областях. Сделаны выводы относительно значимости нейронной концептуально-графовой сети для анализа текстов, а также ее потенциала в задачах выявления смысла текста при ограниченном объеме обучающих данных. Установлено, что точность концептуально-графовой сети сопоставима с точностью существующих предварительно обученных моделей.

Практическая значимость. Точность концептуально-графовой модели превосходит показатели существующих алгоритмов при обучении на ограниченном наборе данных, содержащем 1000 слов. При работе с более масштабными текстовыми наборами предложенная модель демонстрирует конкурентоспособность с крупными языковыми моделями.

Семенов Р.Э. Нейронная концептуально-графовая сеть на ограниченном наборе данных // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 1. С. 28–38. DOI: https://doi.org/10.18127/j19998554-202501-02

1. Садовская Л.Л., Гуськов А.Е., Косяков Д.В., Мухамедиев Р.И. Обработка текстов на естественном языке: обзор публикаций // Искусственный интеллект и принятие решений. 2021. № 3. С. 66–86.
2. Сорокин А.Б., Лобанов Д.А. Концептуальное проектирование интеллектуальных систем // Информационные технологии. 2018. Т. 24. № 1. С. 3–10.
3. Liu B., Wu L. Graph neural networks in natural language processing / Ch. 21 in Graph Neural Networks: Foundations, Frontiers, and Applications. Ed. by L. Wu et al. Springer Nature Singapore Ltd. 2022. P. 463–481.
4. Цитульский А.М., Иванников А.В., Рогов И.С. NLP-обработка естественных языков // Научно-образовательный журнал для студентов и преподавателей «StudNet». 2020. № 6. С. 467–475.
5. Анферов М.А. Генетический алгоритм кластеризации // Russian Technological Journal. 2019. Т. 6. № 7. С. 134–150.
6. Zhang X., Zhao H., Chen D.-Y. Semantic mapping methods between expert view and ontology view // Journal of Software. 2020. V. 31. № 9. P. 2855–2882.
7. Сорокин А.Б., Смольянинова В.А. Концептуальное проектирование экспертных систем поддержки принятия решений // Информационные технологии. 2017. Т. 23. № 9. С. 634–641.
8. Цитульский А.М., Рогов И.С., Иванников А.В. Интеллектуальный анализ текста // Научно-образовательный журнал для студентов и преподавателей «StudNet». 2020. № 6. С. 476–483.
9. Сорокин А.Б., Железняк Л.М., Супруненко Д.В., Холмогоров В.В. Проектирование модулей системной динамики в системах поддержки принятия решений // Russian Technological Journal. 2022. Т. 10. № 4. С. 18–26.
10. Ольгина И.Г., Пронин И.В., Абдрахманов А.Н. Построение графовых моделей сети цитирования научных публикаций // Системы управления, информационные технологии и математическое моделирование. 2020. № 1. С. 118–125.
11. Анферов М.А. Алгоритм поиска подкритических путей на сетевых графиках // Russian Technological Journal. 2023. Т. 11. № 1. С. 60–69.
12. Красников К.Е. Математическое моделирование некоторых социальных процессов с помощью теоретико-игровых подходов и принятие на их основе управленческих решений // Russian Technological Journal. 2021. Т. 9. № 5. С. 67–83.
13. Томашевская В.С., Яковлев Д.А. Способы обработки неструктурированных данных // Russian Technological Journal. 2021. Т. 9. № 1. С. 7–17.
14. Татур М.М., Лукашевич М.М., Перцев Д.Ю., Искра Н.А. Интеллектуальный анализ данных и облачные вычисления // Доклады БГУИР. 2019. № 6(124). С. 62–71.
15. Минаев В.А., Симонов А.В. Сравнение моделей-трансформеров bert при выявлении деструктивного контента в социальных медиа // Информация и безопасность. 2022. Т. 25. № 3. С. 341–348.
16. Кочкаров Р.А. Исследование некоторых трудноразрешимых задач на классе предфрактальных графов с изменяемым траекторным порождением // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2021. №. 4. С. 66–82.
17. Иванов М.В. Современные нейросетевые подходы к решению задач на графах // Сб. материалов науч.-практич. конф. «Применение искусственного интеллекта в информационно-телекоммуникационных системах». Санкт-Петербург. 2021. С. 90–98.
18. Gorrec L., Knight Ph.A., Caen A. Learning network embeddings using small graphlets // Social Network Analysis and Mining. 2022. P. 12–20.
19. Белов С.Д., Зрелова Д.П., Зрелов П.В., Кореньков В.В. Обзор методов автоматической обработки текстов на естественном языке // Системный анализ в науке и образовании. 2020. № 3. С. 8–22.
20. Wang H., Li J., Wu H., Hovy E., Sun Y. Pre-trained language models and their applications // Engineering. 2023. V. 25. P. 51–65.