logo
calendar30 Dekabr 2025
view9
Основной язык:Узбекский

Новые алгоритмы и их программное обеспечение в обработке естественного языка

Область науки:Искусственный интеллектТеория вычислений и математикаПрограммное обеспечение
pdf

24._Zaripova_M.D._Botir....pdf

PDF

Научно электронный журнал "Цифровоя экономика"

Научно электронный журнал "Цифровоя экономика"

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
В статье рассматриваются современные алгоритмы обработки естественного языка (NLP), их архитектурные особенности и направления развития программного обеспечения на их основе. Освещаются теоретические и практические аспекты передовых методик, таких как трансформеры, механизм внимания, облегчённые нейронные сети и интеграция статистических моделей. Оценивается эффективность применения новых алгоритмов NLP в задачах классификации текста, сентимент-анализа, автоаннотации, чат-ботов и машинного перевода. На основе полученных результатов разработаны научные рекомендации по оптимизации алгоритмов и совершенствованию соответствующего программного обеспечения.

АВТОРЫ

M.Zaripova

"TERMIZ DAVLAT UNIVERSITETI" DAVLAT MUASSASASI

K.Botirova

"TERMIZ DAVLAT UNIVERSITETI" DAVLAT MUASSASASI

Теги

# алгоритмы# искусственный интеллект# нейронные сети# программное обеспечение# обработка естественного языка# NLP# трансформеры# механизм внимания# семантический анализ# классификация текста# сентимент-анализ# машинный перевод

ПОХОЖИЕ СТАТЬИ

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.142/A026-732136

DOI:

Недоступно

Список литературы

Manning C., Schütze H. Foundations of Statistical Natural Language Processing. MIT Press, 1999.

Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation, 1997.

Mikolov T. et al. Efficient Estimation of Word Representations in Vector Space. arXiv:1301.3781, 2013.

Vaswani A. et al. Attention Is All You Need. Advances in Neural Information Processing Systems, 2017.

Devlin J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL, 2019.

Lan Z. et al. ALBERT: A Lite BERT for Self-supervised Learning of Language Representations. ICLR, 2020.

Conneau A. et al. Unsupervised Cross-lingual Representation Learning at Scale (XLM-R). arXiv:1911.02116, 2019.

Young T. et al. Recent Trends in Deep Learning Based Natural Language Processing. IEEE Access, 2018.

Liu Y. et al. RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv:1907.11692, 2019.