Детерминированный конвейер структурирования текста в JSON и XML с формальными ограничениями, управляемой генерацией и эксплуатационной интеграцией

Н.Н. Олтян

doi:10.18127/j19997493-202605-13

Детерминированный конвейер структурирования текста в JSON и XML с формальными ограничениями, управляемой генерацией и эксплуатационной интеграцией

научная статья УДК 004.8 Страницы: 97-104 doi.org/10.18127/j19997493-202605-13

¹ Финансовый университет при Правительстве РФ (Москва, Россия)

Ключевые слова: Большие языковые модели программная архитектура детерминированный конвейер схемы JSON и XML структурированный вывод индукция схем воспроизводимость валидация типизация

Аннотация

Постановка проблемы. При использовании больших языковых моделей для структурирования текста прикладным системам требуется не только получить JSON- или XML-представление, но и обеспечить его синтаксическую корректность, соответствие формальной схеме, типовую строгость и воспроизводимость результата.

Цель. Описать реализованную программную систему структурирования текстовых данных, включая поток данных, формальные артефакты, механизмы контроля корректности и особенности эксплуатационной интеграции.

Результаты. Представлена программная реализация конвейера с явными контрактами между стадиями обработки, конфигурационным манифестом, механизмами валидации, восстановления, канонизации, строгой типизации и трассировки выполнения.

Практическая значимость. Предложенный подход может быть применен для интеграции в прикладные информационные системы, где необходимы трассируемые, воспроизводимые и формально проверяемые процедуры преобразования неструктурированного текста в структурированные данные.

Поступила: 09.09.2026
Одобрена: 23.09.2026
Принята: 01.10.2026

Для цитирования

Олтян Н.Н. Детерминированный конвейер структурирования текста в JSON и XML с формальными ограничениями, управляемой генерацией и эксплуатационной интеграцией // Динамика сложных систем - XXI век. 2026. Т. 20. № 5. С. 97−104. DOI: https://doi.org/10.18127/j19997493-202605-13

Список источников

Олтян Н.Н. Архитектура и алгоритм детерминированного конвейера структурирования JSON и XML данных с использованием LLM // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 47–53. DOI: https://doi.org/10.18127/j19998554-202604-04
Chen J., Zaharia M., Zou J. FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance // Proceedings of the 2023 Conference on Neural Information Processing Systems (NeurIPS). 2023.
Dagdelen J., Dunn A., Lee S. et al. Structured Information Extraction from Scientific Text with Large Language Models // Nature Communications. 2024. V. 15. Art. 1418.
Fu Y., Peng H., Sabharwal A., Clark P., Khot T. Specialized Reasoning: The Role of Domain-Specific Constraints in LLM Systems // arXiv preprint arXiv:2308.06361. 2023.
Liu Y., Li D., Wang K. et al. Are LLMs Good at Structured Outputs? A Benchmark for Evaluating Structured Output Capabilities in LLMs // Information Processing & Management. 2024. V. 61. № 5. Art. 103809.
Patel R., Ahmad W., Chen D. Constraint-Aware Decoding for Structured Text Generation // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2023.
Zhang T., Tham I., Hou Z. et al. Human-in-the-loop Schema Induction // Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics: System Demonstrations. 2023.
Zhou Y., Wang X., Chen Z. et al. Large Language Models as Data Preprocessors: A Framework for Structured Data Pipelines // arXiv preprint arXiv:2401.01234. 2024.

[1] Олтян Н.Н. Архитектура и алгоритм детерминированного конвейера структурирования JSON и XML данных с использованием LLM // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 4. С. 47–53. DOI: https://doi.org/10.18127/j19998554-202604-04

[2] Chen J., Zaharia M., Zou J. FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance // Proceedings of the 2023 Conference on Neural Information Processing Systems (NeurIPS). 2023.

[3] Dagdelen J., Dunn A., Lee S. et al. Structured Information Extraction from Scientific Text with Large Language Models // Nature Communications. 2024. V. 15. Art. 1418.

[4] Fu Y., Peng H., Sabharwal A., Clark P., Khot T. Specialized Reasoning: The Role of Domain-Specific Constraints in LLM Systems // arXiv preprint arXiv:2308.06361. 2023.

[5] Liu Y., Li D., Wang K. et al. Are LLMs Good at Structured Outputs? A Benchmark for Evaluating Structured Output Capabilities in LLMs // Information Processing & Management. 2024. V. 61. № 5. Art. 103809.

[6] Patel R., Ahmad W., Chen D. Constraint-Aware Decoding for Structured Text Generation // Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP). 2023.

[7] Zhang T., Tham I., Hou Z. et al. Human-in-the-loop Schema Induction // Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics: System Demonstrations. 2023.

[8] Zhou Y., Wang X., Chen Z. et al. Large Language Models as Data Preprocessors: A Framework for Structured Data Pipelines // arXiv preprint arXiv:2401.01234. 2024.

Аннотация

Для цитирования

Похожие статьи