Р.Э. Семенов1, А.Б. Сорокин2
1, 2 МИРЭА – Российский технологический университет (Москва, Россия)

1 9629790@gmail.com, 2 ab__sorokin@mail.ru

Постановка проблемы. Современные модели глубокого обучения, несмотря на высокую эффективность, страдают от ряда недостатков, включая ограниченную интерпретируемость, склонность к переобучению и неспособность учитывать контекстуальные и семантические связи, присущие предметной области. Особенно это проявляется в задачах анализа текстов, где критически важно учитывать отношения между понятиями, их иерархии и контекстуальные зависимости. Отсутствие явного представления знаний затрудняет использование моделей в прикладных и экспертных системах, требующих объяснимости и соответствия доменной специфике.

Цель. Разработать подход к проектированию архитектур нейронных сетей для анализа текстов на основе концептуально-графового метода (КГМ).

Результаты. Рассмотрена интеграция семантических знаний и структуры предметной области в нейронные модели с целью повышения точности, интерпретируемости и устойчивости обработки естественного языка. Отмечено, что предлагаемый подход направлен на преодоление ограничений традиционных нейросетевых архитектур, которые часто функционируют как «черные ящики» и не учитывают глубинные смысловые связи между понятиями. Представлена методология использования КГМ для построения семантических графов, описывающих связи между ключевыми понятиями в тексте. Предложен способ трансформации таких графов в структурные компоненты нейронной архитектуры, что позволяет повысить способность модели к интерпретации смыслов. Приведены примеры графов концептуального моделирования, демонстрирующие, как семантические структуры могут быть интегрированы в процесс обучения. Изучены преимущества КГМ, включая повышение точности предсказаний, снижение переобучения за счет структурного ограничения, а также повышение устойчивости моделей к шуму и неполноте данных.

Практическая значимость. Предложенный подход может быть полезен для разработчиков систем искусственного интеллекта, работающих в специфических предметных областях, таких как медицина, право, образование и техническая экспертиза, где необходима высокая точность и интерпретируемость. Использование КГМ позволяет формализовать экспертные знания в виде графов и включить их в процесс обучения, создавая тем самым модели, способные к осмысленной обработке информации. Это открывает возможности для построения гибридных интеллектуальных систем, сочетающих символические и нейросетевые методы, что особенно актуально в контексте развития объяснимого искусственного интеллекта (XAI).

Семенов Р.Э., Сорокин А.Б. Разработка архитектуры нейронной сети концептуального анализа текста // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 2. С. 23–31. DOI: https://doi.org/10.18127/j19998554-202502-03

1. Obreja D.M., Rughiniș R., Rosner D. Mapping the conceptual structure of innovation in artificial intelligence research. A bibliometric analysis and systematic literature review // Journal of Innovation & Knowledge. 2024. V. 9. № 1. P. 100465 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/pii/S2444569X24000052.
2. Soori M., Arezoo B., Dastres R. Artificial intelligence, machine learning and deep learning in advanced robotics: a review // Cognitive Robotics. 2023. V. 3. P. 54–70 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/pii/S2667241323000113.
3. Martinez-Garcia A., Horrach-Rosselló P., Mulet-Forteza C. Mapping the intellectual and conceptual structure of research on CoDa in the “Social Sciences” scientific domain. A bibliometric overview // Journal of Geochemical Exploration. 2023. № 252. P. 107273 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/pii/S0375674223001206.
4. Кронгауз М.А. Семантика: Учебник. М.: Академия. 2005.
5. Сорокин А.Б., Смольянинова В.А. Концептуальное проектирование экспертных систем поддержки принятия решений // Информационные технологии. 2017. Т. 9. № 23. С. 634–641.
6. Suurmond R., Wynstra F., Vermeij A., Haag E.J. Text mining and network analytics for literature reviews: Exploring the landscape of purchasing and supply management research // Journal of Purchasing and Supply Management. 2024. V. 30. № 1. P. 100892 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/pii/S1478409223000808.
7. Довгучиц С.И. Семантические особенности сложных техносоциальных систем: к вопросу о таксономии технологического пакета искусственного интеллекта // Russian Technological Journal. 2023. Т. 11. № 6. С. 89–98.
8. Rahimi S., Khatooni M. Saturation in qualitative research: An evolutionary concept analysis // International Journal of Nursing Studies Advances. 2024. V. 6. P. 100174 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/pii/S2666142X24000018.
9. 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.
10. Arefeen M.A., Debnath B., Chakradhar S. LeanContext: Cost-efficient domain-specific question answering using LLMs // Natural Language Processing Journal. 2024. V. 7. P. 100065 [Электронный ресурс] / URL: https://www.sciencedirect.com/science/article/ pii/S2949719124 00013X.