Р.Э. Семенов1

1 МИРЭА – Российский технологический университет (РТУ МИРЭА) (Москва, Россия)
1 9629790@gmail.com

Постановка проблемы. Концептуально-графовая языковая модель текстового осмысления представляет собой инновационный подход к анализу и пониманию текстов, основанный на использовании концептуальных графов. В статье рассмотрены основные принципы этой модели, ее преимущества и перспективы применения в различных областях, таких как машинное обучение, информационный поиск, обработка естественного языка и др.

Цель. Выполнить сравнение разработанной модели концептуально-графового представления текстовой информации с существующими предварительно обученными моделями для работы с текстом и показать преимущества разработанной модели.

Результаты. Исследована проблема обучения сетей на малом количестве данных. Для увеличения семантического значения методов, при работе с русским языком, рассмотрены основные понятия и принципы концептуально-графовой модели, а также приведены примеры ее применения. Показаны преимущества и ограничения этой модели, а также перспективы ее развития и использования в различных областях. Сравнение с уже существующими предварительно обученными моделями проведено на основании обучения нейронных сетей с использованием описанных в статье моделей. Отмечено, что сравнительный анализ позволит выявить процентное соотношение точности определения смысловых конструкций разных сетей и сделать на основании полученных результатов вывод.

Практическая значимость. В результате проведенных серий экспериментов удалось достичь точности, которая сравнима по отношению к существующим моделям предварительно обученных сетей. Точность концептуально-графовой сети превосходит существующие алгоритмы при обучении на малом наборе данных в 5000 слов. При экспериментальной работе с большими наборами текста, разработанная модель может конкурировать с большими языковыми моделями.

Семенов Р.Э. Концептуально-графовая модель текстового осмысления // Наукоемкие технологии. 2024. Т. 25. № 6. С. 34−43. DOI: https://doi.org/10.18127/ j19998465-202406-05

1. Анферов М.А. Генетический алгоритм кластеризации. Russian Technological Journal. 2019. V. 6(7). P. 134–150.
2. Сорокин А.Б., Лобанов Д.А. Концептуальное проектирование интеллектуальных систем // Информационные технологии. 2018. V. 1(24). P. 3–10.
3. Цитульский А.М., Иванников А.В., Рогов И.С. NLP – обработка естественных языков // Научно-образовательный журнал для студентов и преподавателей «StudNet». 2020. V. 6. P. 467–475.
4. Сорокин А.Б., Смольянинова В.А. Концептуальное проектирование экспертных систем поддержки принятия решений // Информационные технологии. 2017. V. 9(23). P. 634–641.
5. Красников К.Е. Математическое моделирование некоторых социальных процессов с помощью теоретико-игровых подходов и принятие на их основе управленческих решений // Russian Technological Journal. 2021. V. 9(5). P. 67–83.
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. Цитульский А.М., Рогов И.С., Иванников А.В. Интеллектуальный анализ текста. Научно-образовательный журнал для студентов и преподавателей «StudNet». 2020. V. 6. P. 476–483.
8. 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. V. 10(4). P. 18–26.
9. Анферов М.А. Алгоритм поиска подкритических путей на сетевых графиках // Russian Technological Journal. 2023. V. 11(1). P. 60–69.
10. Томашевская В.С., Яковлев Д.А. Способы обработки неструктурированных данных // Russian Technological Journal. 2021. V. 9(1). P. 7–17.
11. 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.
12. Минаев В.А., Симонов А.В. Сравнение моделей-трансформеров bert при выявлении деструктивного контента в социальных медиа // Информация и безопасность. 2022. № 25(3). С. 341–348.
13. 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.
14. Иванов М.В. Современные нейросетевые подходы к решению задач на графах // Применение искусственного интеллекта в информационно-телекоммуникационных системах. 2021. С. 90–98.
15. 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. С. 66–82.
16. Bang Liu, Lingfei Wu. Graph Neural Networks in Natural Language Processing. Graph Neural Networks: Foundations, Frontiers, and Applications. 2022. P. 463–481.
17. Luce le Gorrec, Philip A. Knight, Auguste Caen. Learning network embeddings using small graphlets. Social Network Analysis and Mining. 2022. P. 12–20.
18. Haifeng Wang, Jiwei Li, Hua Wu, Eduard Hovy, Yu Sun. Pre-Trained Language Models and Their Applications. Engineering. 2023. V. 25. P. 51–65.
19. Jie Zhou, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun. Graph neural networks: A review of methods and applications. AI Open. 2020. V. 1. P. 57–81.
20. 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.
21. 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.
22. Гордеева Е.В., Кочкаров Р.А., Рылов А.А. Анализ задачи распознавания темы текста с помощью машинного обучения // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 4. С. 7−15.