Academic Journal
Προβολή σε EDS

SEMANTIC TEXT ANALYSIS USING ARTIFICIAL NEURAL NETWORKS BASED ON NEURAL-LIKE ELEMENTS WITH TEMPORAL SIGNAL SUMMATION

Λεπτομέρειες βιβλιογραφικής εγγραφής
Τίτλος: SEMANTIC TEXT ANALYSIS USING ARTIFICIAL NEURAL NETWORKS BASED ON NEURAL-LIKE ELEMENTS WITH TEMPORAL SIGNAL SUMMATION
Συγγραφείς: Kharlamov, A., Samaev, E., Kuznetsov, D., Pantiukhin, D.
Στοιχεία εκδότη: Институт проблем искусственного интеллекта, 2023.
Έτος έκδοσης: 2023
Θεματικοί όροι: семантический уровень, applications, neural network, transformer model, языковая модель, text analysis, приложени, семантический анализ текстов, language levels, TextAnalyst technology for semantic text analysis, нейронная сеть, artificial neural networks based on neurons with temporal summation of signals, semantic level, технология TextAnalyst для семантического анализа текстов, language model, semantic analysis of texts, искусственные нейронные сети на основе нейронов с временным суммированием сигналов, языковые уровни, трансформаторная модель
Περιγραφή: Text as an image is analyzed in the human visual analyzer. In this case, the image is scanned along the points of the greatest informativity, which are the inflections of the contours of the equitextural areas, into which the image is roughly divided. In the case of text analysis, individual characters of the alphabet are analyzed in this wayNext, the text is analyzed as repetitive language elements of varying complexity. Dictionaries of level-forming elements of varying complexity are formed, the top of which is the level of acceptable com-patibility of the root stems of words (names) in sentences of the text, that is, the semantic level. The level of semantics represented by pairs of root stems is virtually a homo­geneous directed semantic network. Re-ranking the weights of the network vertices corresponding to the root stems of individual names, as occurs in the hippocampus, makes it possible to move from the frequency characteristics of the network to their semantic weights. Such networks can be used to analyze texts that represent them: one can compare them with each other, classify and use to identify the most significant parts of texts (generate abstracts of texts), etc.
Текст как изображение анализируется в зрительном анализаторе человека. При этом изобра­же­ние сканируется по точкам наибольшей информативности, которые являются перегибами контуров эквитекстурных областей, на которые грубо разбивается изображение. В случае анализа текста таким образом анализируются отдельные символы алфавита. Далее текст анализируется как повторяющиеся элементы языка различной сложности. Формируются словари уровнеобразующих элементов различной сложности, вершиной которых является уровень допустимой соче­тае­мо­сти корневых основ слов (имен) в предложениях текста, то есть семантический уровень. Уровень семантики, представленный парами корневых основ, представляет собой однородную направ­лен­ную семантическую сеть. Переранжирование весов вершин сети, соответствующих корне­вым корням отдельных имен, как это происходит в гиппокампе, позволяет перейти от частотных ха­рактеристик сети к их семантическим весам. Такие сети можно использовать для анализа текстов, которые их представляют: сравнивать их между собой, классифицировать и исполь­зо­вать для выявления наиболее значимых частей текстов (генерировать рефераты текстов) и подобное.
Проблемы искусственного интеллекта, Выпуск 3 (30) 2023
Τύπος εγγράφου: Article
Γλώσσα: English
DOI: 10.34757/2413-7383.2023.30.3.001
Αριθμός Καταχώρησης: edsair.doi...........2be02712689633c9b51dd02bd4bb9969
Βάση Δεδομένων: OpenAIRE
FullText Text:
  Availability: 0
Header DbId: edsair
DbLabel: OpenAIRE
An: edsair.doi...........2be02712689633c9b51dd02bd4bb9969
RelevancyScore: 884
AccessLevel: 3
PubType: Academic Journal
PubTypeId: academicJournal
PreciseRelevancyScore: 883.779541015625
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: SEMANTIC TEXT ANALYSIS USING ARTIFICIAL NEURAL NETWORKS BASED ON NEURAL-LIKE ELEMENTS WITH TEMPORAL SIGNAL SUMMATION
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Kharlamov%2C+A%2E%22">Kharlamov, A.</searchLink><br /><searchLink fieldCode="AR" term="%22Samaev%2C+E%2E%22">Samaev, E.</searchLink><br /><searchLink fieldCode="AR" term="%22Kuznetsov%2C+D%2E%22">Kuznetsov, D.</searchLink><br /><searchLink fieldCode="AR" term="%22Pantiukhin%2C+D%2E%22">Pantiukhin, D.</searchLink>
– Name: Publisher
  Label: Publisher Information
  Group: PubInfo
  Data: Институт проблем искусственного интеллекта, 2023.
– Name: DatePubCY
  Label: Publication Year
  Group: Date
  Data: 2023
– Name: Subject
  Label: Subject Terms
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22семантический+уровень%22">семантический уровень</searchLink><br /><searchLink fieldCode="DE" term="%22applications%22">applications</searchLink><br /><searchLink fieldCode="DE" term="%22neural+network%22">neural network</searchLink><br /><searchLink fieldCode="DE" term="%22transformer+model%22">transformer model</searchLink><br /><searchLink fieldCode="DE" term="%22языковая+модель%22">языковая модель</searchLink><br /><searchLink fieldCode="DE" term="%22text+analysis%22">text analysis</searchLink><br /><searchLink fieldCode="DE" term="%22приложени%22">приложени</searchLink><br /><searchLink fieldCode="DE" term="%22семантический+анализ+текстов%22">семантический анализ текстов</searchLink><br /><searchLink fieldCode="DE" term="%22language+levels%22">language levels</searchLink><br /><searchLink fieldCode="DE" term="%22TextAnalyst+technology+for+semantic+text+analysis%22">TextAnalyst technology for semantic text analysis</searchLink><br /><searchLink fieldCode="DE" term="%22нейронная+сеть%22">нейронная сеть</searchLink><br /><searchLink fieldCode="DE" term="%22artificial+neural+networks+based+on+neurons+with+temporal+summation+of+signals%22">artificial neural networks based on neurons with temporal summation of signals</searchLink><br /><searchLink fieldCode="DE" term="%22semantic+level%22">semantic level</searchLink><br /><searchLink fieldCode="DE" term="%22технология+TextAnalyst+для+семантического+анализа+текстов%22">технология TextAnalyst для семантического анализа текстов</searchLink><br /><searchLink fieldCode="DE" term="%22language+model%22">language model</searchLink><br /><searchLink fieldCode="DE" term="%22semantic+analysis+of+texts%22">semantic analysis of texts</searchLink><br /><searchLink fieldCode="DE" term="%22искусственные+нейронные+сети+на+основе+нейронов+с+временным+суммированием+сигналов%22">искусственные нейронные сети на основе нейронов с временным суммированием сигналов</searchLink><br /><searchLink fieldCode="DE" term="%22языковые+уровни%22">языковые уровни</searchLink><br /><searchLink fieldCode="DE" term="%22трансформаторная+модель%22">трансформаторная модель</searchLink>
– Name: Abstract
  Label: Description
  Group: Ab
  Data: Text as an image is analyzed in the human visual analyzer. In this case, the image is scanned along the points of the greatest informativity, which are the inflections of the contours of the equitextural areas, into which the image is roughly divided. In the case of text analysis, individual characters of the alphabet are analyzed in this wayNext, the text is analyzed as repetitive language elements of varying complexity. Dictionaries of level-forming elements of varying complexity are formed, the top of which is the level of acceptable com-patibility of the root stems of words (names) in sentences of the text, that is, the semantic level. The level of semantics represented by pairs of root stems is virtually a homo­geneous directed semantic network. Re-ranking the weights of the network vertices corresponding to the root stems of individual names, as occurs in the hippocampus, makes it possible to move from the frequency characteristics of the network to their semantic weights. Such networks can be used to analyze texts that represent them: one can compare them with each other, classify and use to identify the most significant parts of texts (generate abstracts of texts), etc.<br />Текст как изображение анализируется в зрительном анализаторе человека. При этом изобра­же­ние сканируется по точкам наибольшей информативности, которые являются перегибами контуров эквитекстурных областей, на которые грубо разбивается изображение. В случае анализа текста таким образом анализируются отдельные символы алфавита. Далее текст анализируется как повторяющиеся элементы языка различной сложности. Формируются словари уровнеобразующих элементов различной сложности, вершиной которых является уровень допустимой соче­тае­мо­сти корневых основ слов (имен) в предложениях текста, то есть семантический уровень. Уровень семантики, представленный парами корневых основ, представляет собой однородную направ­лен­ную семантическую сеть. Переранжирование весов вершин сети, соответствующих корне­вым корням отдельных имен, как это происходит в гиппокампе, позволяет перейти от частотных ха­рактеристик сети к их семантическим весам. Такие сети можно использовать для анализа текстов, которые их представляют: сравнивать их между собой, классифицировать и исполь­зо­вать для выявления наиболее значимых частей текстов (генерировать рефераты текстов) и подобное.<br />Проблемы искусственного интеллекта, Выпуск 3 (30) 2023
– Name: TypeDocument
  Label: Document Type
  Group: TypDoc
  Data: Article
– Name: Language
  Label: Language
  Group: Lang
  Data: English
– Name: DOI
  Label: DOI
  Group: ID
  Data: 10.34757/2413-7383.2023.30.3.001
– Name: AN
  Label: Accession Number
  Group: ID
  Data: edsair.doi...........2be02712689633c9b51dd02bd4bb9969
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........2be02712689633c9b51dd02bd4bb9969
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.34757/2413-7383.2023.30.3.001
    Languages:
      – Text: English
    Subjects:
      – SubjectFull: семантический уровень
        Type: general
      – SubjectFull: applications
        Type: general
      – SubjectFull: neural network
        Type: general
      – SubjectFull: transformer model
        Type: general
      – SubjectFull: языковая модель
        Type: general
      – SubjectFull: text analysis
        Type: general
      – SubjectFull: приложени
        Type: general
      – SubjectFull: семантический анализ текстов
        Type: general
      – SubjectFull: language levels
        Type: general
      – SubjectFull: TextAnalyst technology for semantic text analysis
        Type: general
      – SubjectFull: нейронная сеть
        Type: general
      – SubjectFull: artificial neural networks based on neurons with temporal summation of signals
        Type: general
      – SubjectFull: semantic level
        Type: general
      – SubjectFull: технология TextAnalyst для семантического анализа текстов
        Type: general
      – SubjectFull: language model
        Type: general
      – SubjectFull: semantic analysis of texts
        Type: general
      – SubjectFull: искусственные нейронные сети на основе нейронов с временным суммированием сигналов
        Type: general
      – SubjectFull: языковые уровни
        Type: general
      – SubjectFull: трансформаторная модель
        Type: general
    Titles:
      – TitleFull: SEMANTIC TEXT ANALYSIS USING ARTIFICIAL NEURAL NETWORKS BASED ON NEURAL-LIKE ELEMENTS WITH TEMPORAL SIGNAL SUMMATION
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Kharlamov, A.
      – PersonEntity:
          Name:
            NameFull: Samaev, E.
      – PersonEntity:
          Name:
            NameFull: Kuznetsov, D.
      – PersonEntity:
          Name:
            NameFull: Pantiukhin, D.
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 01
              Type: published
              Y: 2023
          Identifiers:
            – Type: issn-locals
              Value: edsair
ResultId 1