
Тип работы:	Предмет:	Язык работы:

Модели, методы и алгоритмы построения семантической сети слов для задач обработки естественного языка

Работа №	103106
Тип работы	Авторефераты (РГБ)
Предмет	информатика
Объем работы	16
Год сдачи	2017
Стоимость	2000 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	135

Не подходит работа?

Узнай цену на написание

Содержание

Общая характеристика работы
Публикации по теме диссертации

Введение

Актуальность темы. Сегодня наблюдается взрывной рост количества
информации, создаваемой людьми и машинами на естественном языке. Аналитическое агентство IDC прогнозирует рост совокупного объема данных,
накопленных человечеством, до 163 зеттабайт к 2025 году. Основной частью
таких данных являются неструктурированные данные, такие как фотографии, видеозаписи, аудиозаписи, а также тексты на естественном языке.
Язык обладает многозначностью, которая проявляется на разных уровнях:
от уровня отдельных звуков в устной речи до уровня значения отдельных слов
и предложений в письменном тексте. Несмотря на то, что люди хорошо справляются с разрешением многозначности самостоятельно, проблема машинного
понимания естественного языка является сложной и требует специальных автоматических методов. Постоянное увеличение интенсивности потока входящей
текстовой информации делает все более важной задачу математического моделирования естественного языка, в частности –– русского языка.
Важнейшей проблемой является лексическая многозначность, требующая
от машины понимания контекста и предметной области, в которой употребляется каждое многозначное слово. Такие сведения представляются в семантических
сетях –– специальных высококачественных базах знаний, представляющих машиночитаемые сведения об окружающем мире в виде понятий и связей между
ними. Связи между понятиями задают семантическую иерархию, которая позволяет решать различные задачи машинного понимания естественного языка и
является критически важным элементом семантических сетей. В настоящее время, наиболее известной семантической сетью в области обработки естественного
языка является семантическая сеть WordNet для английского языка, связи в которой формируются между синсетами –– множествами синонимов.
Семантические сети применяются при решении большого количества
важнейших прикладных задач обработки естественного языка. В системах
разрешения лексической многозначности и системах машинного перевода, семантические сети представляют известные значения слов заданного языка. В
вопросно-ответных системах, таких как IBM Watson, семантические сети задают сведения об объектах предметной области и связях между ними. В системах
поиска сущностей, таких как Google Knowledge Graph, семантические сети
представляют атрибуты, понятные и людям, и машинам. Высококачественные
семантические сети широко используются в качестве золотого стандарта для
оценки эффективности систем автоматической обработки естественного языка.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Литература

1. Усталое Д., Созыкин А. Комплекс программ автоматического построения семантической сети слов // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6, № 2. С. 69¬83.
2. Усталое Д.Семантические сети и обработка естественного языка // От¬крытые системы. СУБД. 2017. №2. С. 46-47.
3. Усталое Д.Обнаружение понятий в графе синонимов // Вычислитель-ные технологии. 2017. Т. 22, Спецвып. 1. С. 99-112.
4. Ustalov D. Joining Dictionaries and Word Embeddings for Ontology Induc-tion// Proceedings of the Institute for System Programming. 2016. Vol. 28, no 6. P. 197-206.
Статьи в изданиях, индексируемых в Scopus и Web of Science
5. Ustalov D. Expanding Hierarchical Contexts for Constructing a Semantic Word Network // Computational Linguistics and Intellectual Technologies: Papers from the Annual conference “Dialogue”. Volume 1 of 2. Computa-tional Linguistics: Practical Applications, May 31 - June 3, 2017, Moscow, Russia. Moscow, Russia: RSUH, 2017. P. 369-381.
6. Ustalov D., Arefyev N., Biemann C., Panchenko A. Negative Sampling Im-proves Hypernymy Extraction Based on Projection Learning // Proceedings of the 15th Conference of the European Chapter of the Association for Com¬putational Linguistics (EACL 2017): Volume 2, Short Papers, April 3-7, 2017, Valencia, Spain. Stroudsburg, PA, USA: Association for Computa-tional Linguistics, 2017. P. 543-550.
7. Ustalov D. Russian Thesauri as Linked Open Data // Computational Lin-guistics and Intellectual Technologies: Papers from the Annual conference “Dialogue”. Volume 1 of 2. Main conference program, May 27-30, 2015, Moscow, Russia. Moscow, Russia: RGGU, 2015. P. 616-625.
Статьи в других изданиях
8. Ustalov D., Panchenko A., Biemann C. Watset: Automatic Induction of Synsets from a Graph of Synonyms // Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (ACL 2017) (Volume 1: Long Papers), July 30 - August 4,2017, Vancouver, BC, Canada. Stroudsburg, PA, USA: Association for Computational Linguistics, 2017. P. 1579-1590.
Свидетельства о регистрации программ для ЭВМ
9. Усталов Д. Свидетельство Роспатента о государственной регистрации программы для ЭВМ «Программа подбора проекционной матрицы для векторных представлений слов» № 2017615703 от 22.05.2017.