Найти

Результаты поиска

• МОДИФИЦИРОВАННЫЙ МЕТОД УСТРАНЕНИЯ НЕОДНОЗНАЧНОСТИ СМЫСЛА СЛОВ, ОСНОВАННЫЙ НА МЕТОДАХ РАСПРЕДЕЛЕННОГО ПРЕДСТАВЛЕНИЯ

  Ю.А. Кравченко , Мансур Али Махмуд, Мохаммад Жуман Хуссайн

  2021-08-11

  Аннотация ▼

  В задачах интеллектуального анализа текста текстовое представление должно
  быть не только эффективным, но и интерпретируемым, поскольку это позволяет понять
  операционную логику, лежащую в основе моделей интеллектуального анализа данных. В
  этой статье предлагается модифицированный метод устранения неоднозначности слов
  (WSD), который, по сути, имитирует хорошо известный вариант подхода Леска WSD. Для
  выбранного слова и его контекста алгоритм Леска проводит свои вычисления на основе
  проверки совпадений контекста слова и каждого определения его смыслов (глосс), для того
  чтобы выбрать правильное значение. Основным преимуществом данного метода является
  применение концепции сходства между определением и контекстом вместо «перекры-
  тия», для каждого смысла целевого слова в дополнение к расширению определения приме-
  рами предоставленными WordNet. Предлагаемый метод также характеризуется исполь-
  зованием функций измерения схожести текстов, определенных в распределенном семан-
  тическом пространстве. Предлагаемый метод протестирован на пяти различных наборах
  эталонных данных для задачи устранения неоднозначности смысла слов и сравнивался с
  несколькими базовыми методами, включая Lesk, расширенный Lesk, WordNet 1st sense,
  Babelfy и UKB. Результаты показывают, что предлагаемый метод превосходит большин-
  ство известных аналогов, за исключением методов Babelfy и WN 1st sense.

• РАЗРАБОТКА ЧАТ-БОТА ДЛЯ КЛАССИФИКАЦИИ И АНАЛИЗА ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ С ИСПОЛЬЗОВАНИЕМ ЛОКАЛЬНЫХ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ

  Али Махмуд Мансур , Жуман Хуссайн Мохаммад , Ю.А. Кравченко

  159-171

  2025-07-24

  Аннотация ▼

  Исследуются локальные большие языковые модели (Local large language models, Local LLM) и их применение в задачах классификации текста, а также проводится сравнение их производительности с традиционными методами. Статья предоставляет всесторонний обзор ряда ключевых локальных LLM, уделяя особое внимание их архитектурным преимуществам, характеристикам и областям применения. В частности, рассматриваются модели с различным количеством параметров, их способность адаптироваться к специализированным доменам, а также требования к вычислительным ресурсам при их развертывании на локальном оборудовании. Особый акцент делается на компромиссах между производительностью и эффективностью использования ресурсов. В качестве практического вклада разработан чат-бот, использующий локальные LLM (такие как DeepSeek, Gemma и Llama2 через Ollama) для классификации входящих текстов по заранее заданным категориям, демонстрируя работу этих моделей без использования облачных вычислений. Система реализована с модульной архитектурой, позволяющей легко интегрировать новые модели и сравнивать их эффективность. Вычислительный эксперимент включает оценку точности и скорости вывода локальных LLM в сравнении с более простыми методами, такими как Sentence-BERT, TF-IDF и BoWC, выделяя сценарии, в которых локальные модели превосходят традиционные подходы или уступают им. Тестирование проводилось на основе эталонного набора данных BBC. Результаты показывают, что языковые модели (включая модели с 7 миллиардами параметров) демонстрируют сильную и логически обоснованную классификационную производительность при обработке текстов на естественном языке, однако их результаты не являются идеальными для эталонных наборов данных. В частности, обнаружены случаи, когда все тестируемые модели, включая традиционные методы, ошибочно классифицировали документы, что указывает на возможные проблемы в разметке данных. Полученные результаты указывают на необходимость пересмотра эталонных меток в стандартных наборах данных. Это особенно важно для доменов с субъективными категориями, где экспертные оценки могут значительно расходиться. С другой стороны, хотя локальные LLM уступают облачным в скорости, их преимущества в конфиденциальности данных и оффлайн-работе делают их пригодными для специализированных задач.

• ИЗВЛЕЧЕНИЕ КЛЮЧЕВЫХ ФРАЗ НА ОСНОВЕ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ

  Мохаммад Жуман Хуссайн

  2024-11-10

  Аннотация ▼

  Статья посвящена актуальной проблеме извлечения ключевых фраз из текстов на естест-
  венном языке, что является критически важной задачей в области обработки естественного
  языка и интеллектуального анализа текста. В ней подробно рассматриваются основные подходы
  к извлечению ключевых фраз (ключевых слов), включая как традиционные методы, так и совре-
  менные подходы на основе искусственного интеллекта. В статье рассматривается набор широко
  используемых методов в этой области, таких как TF-IDF, RAKE, YAKE и методы, основанные на
  лингвистических анализаторах (парсерах). Эти методы опираются на статистические принципы
  и графовые структуры, но часто сталкиваются с проблемами, связанными с недостаточной спо-
  собностью учитывать контекст текста. Большая языковая модель GPT-3 демонстрирует пре-
  восходное понимание контекста по сравнению с традиционными методами извлечения ключевых
  фраз. Эта продвинутая способность позволяет GPT-3 более точно идентифицировать и извле-
  кать релевантные ключевые фразы из текста. Сравнительный анализ с использованием эталон-
  ного набора данных Inspec показывает значительно более высокую производительность GPT-3 с
  точки зрения средней точности (Mean Average Precision, MAP). Однако следует отметить, что,
  несмотря на высокую точность и качество извлечения, использование больших языковых моделей
  может быть ограничено в реальном времени из-за их более длительного времени отклика по срав-
  нению с классическими статистическими методами. Таким образом, статья подчеркивает необ-
  ходимость дальнейших исследований в этой области для оптимизации алгоритмов извлечения
  ключевых фраз с учетом требований реального времени и контекста текстов

• ВЕКТОРИЗАЦИЯ ТЕКСТА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

  Али Махмуд Мансур , Жуман Хуссайн Мохаммад , Ю. А. Кравченко

  2021-07-18

  Аннотация ▼

  В задачах интеллектуального анализа текста текстовое представление должно
  быть не только эффективным, но и интерпретируемым, поскольку это позволяет понять
  операционную логику, лежащую в основе моделей интеллектуального анализа данных. Тра-
  диционные методы векторизации текста, такие как TF-IDF и Bag-of-words, эффективны
  и имеют интуитивно понятную интерпретируемость, но страдают от «проклятия раз-
  мерности» и не могут понимать смысл слов. С другой стороны, современные распределен-
  ные методы эффективно определяют скрытую семантику, но требуют больших вычисли-
  тельных ресурсов и времени, а также им не хватает интерпретируемости. В этой ста-
  тье предлагается новый метод векторизации текстов под названием Bag of weighted Concepts
  BoWC, который представляет документ в соответствии с содержащейся в нем ин-
  формацией о концептах. Предлагаемый метод создает концепты посредством кластери-
  зации векторов слов (т.е. встраивания слов), и использует частоты этих кластеров концептов для представления векторов документов. Чтобы обогатить итоговое представле-
  ние документа, предлагается модифицированная весовая функция для взвешивания кон-
  цептов на основе статистики, извлеченной из информации вложений слов. Векторы, сге-
  нерированные с помощью предложенного метода, характеризуются интерпретируемо-
  стью, низкой размерностью, высокой точностью, а также низкими вычислительными
  затратами при использовании в задачах классификации и кластеризации. Предлагаемый
  метод протестирован на пяти различных наборах эталонных данных для кластеризации и
  классификации текстовых документов и сравнивается с несколькими базовыми методами,
  включая Bag-of-words, TF-IDF, Averaged GloVe, Bag-of-Concepts и VLAC. Результаты пока-
  зывают, что BoWC превосходит большинство базовых методов и дает в среднем на 7 %
  лучшую точность.