Реєстраційний номер
2124U015151, Матеріали видань та локальних репозитаріїв
Категорія
Стаття
Назва роботи
Визначення темпоральної спрямованості в текстах: нейромережевий підхід для хронологічного впорядкування на основі аналізу пар слів
Determining of Temporal Directionality in Texts: a Neural Network-Based Approach for Chronological Ordering Based on Pairwise Word Analysis
Автор
Білецький Б. С.
Мокін В. Б.
Biletskyi B. S.
Mokin V. B.
Biletskyi B. S.
Mokin V. B.
Дата публікації
01-01-2024
Постачальник інформації
Вінницький національний технічний університет
Першоджерело
https://ir.lib.vntu.edu.ua/handle/123456789/49884
Видання
Вінницький національний технічний університет
Опис
Запропоновано нейромережевий підхід до визначення темпоральної спрямованості у текстах, що дозволяє відтворювати хронологію подій, навіть за відсутності явних часових маркерів. Цей підхід визначає ймовірнісний порядок появи слів у текстах з урахуванням їхніх статистичних та лінгвістичних зв`язків. На відміну від традиційних підходів, які покладаються на явні часові вирази або дати публікацій, запропонований підхід дає змогу оцінювати порядок подій на основі виявлених взаємозв`язків між парами слів в документах, що описують події.
Для аналізу темпоральної спрямованості використовуються нейронні мережі, що дозволяють моделювати відносини між словами шляхом попарного порівняння їхньої появи в текстах. Запропоновано формули для обчислення показників темпоральної спрямованості, які базуються на частоті появи слів у датованих текстах. Отримані показники нормалізовані, що забезпечує кращу інтерпретацію результатів.
На основі цих показників сформовано набір ознак для тренування моделей машинного навчання за різними критеріями. Для перевірки ефективності створено україномовний корпус із 127 000 новин соціальних мереж та застосовано кілька моделей: Gradient Boosting Classifier, Random Forest Classifier, Decision Tree та Logistic Regression. Як приклад, вибрано 48 ознак, які характеризують ці новини. У ході експериментів виявлено, що модель Gradient Boosting Classifier показала найкращий результат з точністю 89,76 % на валідаційному датасеті, що перевищило точність інших моделей, таких як Random Forest (74,81 %) та Decision Tree (68,97 %).
Запропонований підхід підтвердив ефективність у моделюванні хронологічних зв`язків між подіями, що є важливим для задач автоматизації текстів. Підхід можна використовувати для аналізу новин, хронологічного впорядкування історичних подій і роботи з текстовими даними у великих масивах.
Додано/оновлено в НРАТ
2026-11-02
