Актуальность. За последние годы в области компьютерной лингвистики было совершено множество прорывов. Методы обработки естественного языка все глубже проникают в нашу жизнь и помогают сделать ее удобнее и проще. В список задач, решаемых компьютерной лингвистикой, входят: автоматическое извлечение фактов из текста, автореферирование, создание вопросно-ответных систем, машинный перевод, классификация документов, генерация текста и многое другое.
Еще одним немаловажным направлением компьютерной лингвистики является автоматическое упрощение текста. Данная задача нацелена на преобразование текста в более доступную форму, которая легче читается и понимается, а также сохраняет основной смысл и содержание оригинального текста. Интерес и необходимость в этой области обусловлены резко увеличившимся объемом неструктурированных данных в связи с продолжающимся развитием Интернета. Симплификация успешно используется в качестве этапа предварительной обработки текста для повышения производительности различных задач естественной обработки языка, таких как синтаксический анализ, обобщение, маркировка семантических ролей и машинный перевод.
Ищете выполнение чертежей на заказ во Владивостоке ? Обратитесь в Work5.
Более того результаты использования этого метода оказываются наиболее ценными для повышения легкости восприятия в процессе чтения у детей, людей с расстройствами речи, такими как афазия и дислексия, людей с аутизмом, а также для изучающих иностранные языки и людей с низким уровнем грамотности.
Изначально, системы, упрощающие текст, основывались на вручную написанных правилах с использованием словарей синонимов и парафразов для внесения синтаксических и лексических изменений в предложения. Однако упрощение текста стало наиболее популярным с появлением одноязычного машинного перевода, когда система учится переводить данное ей сложное предложение в простую форму. Исследователи стали применять методы статистического машинного перевода, основанного на фразах или синтаксических конструкциях нередко в комбинации с вручную созданными правилами или признаками.
Начиная с недавнего времени начали появляться системы нейронного машинного перевода, которые сразу же показали перспективные результаты и сейчас успешно применяются в сочетании со статистическими подходами или в виде только нейронных моделей. Упрощение текста в настоящее время представляет собой генерацию нового осмысленного текста благодаря рекуррентным нейронным сетям (Recurrent Neural Networks или RNNs), сетям с долговременной и кратковременной памятью (Long Short-Term Memory или LSTM) и сверточным нейронным сетям (Convolutional Neural Networks или CNNs), позволяющие использовать sequence-to-sequence моделирование.
Итак, суммаризацию можно определить, как автоматическое создание краткого содержания (заголовка, резюме, аннотации) исходного текста. Существует 2 существенно отличающихся подхода к этой задаче: экстрактивный и абстрактивный. В рамках текущего исследования будет рассмотрен подход абстрактивной суммаризации.
Цель исследования – построить и оценить алгоритм абстрактивной суммаризации seq2seq.
Задачи исследования:
- Обобщить теоретические основы суммаризации текстов;
- Провести анализ выбранных данных;
- Реализовать эксперимент с построением алгоритма seq2seq.
Объектом исследования выступают данные из новостных источников, по которым проводится суммаризация. Предмет исследования – абстрактивный метод суммаризации текстов – seq2seq.
Методы исследования: анализ, синтез, машинное обучение, нейронные сети.
Реализация выбранного в ходе исследования метода автоматического упрощения текста проводилась на языке программирования Python с использованием среды разработки JupyterNotebook.
В качестве данных для обучения sequence-to-sequence моделей были использованы данные новостей Gazeta.ru за последние 10 лет.
Оценка реализованных методов была проведена с использованием метрик Bleu, Rogue и Meteor.
Работа состоит из введения, трех глав, заключения и списка использованных источников.
40 страниц
90% уникальность
2023 год
7 просмотров
