Рекуррентные нейронные сети с непрерывным обучением в задачах многофункциональной обработки новостных потоков
Ключевые слова:
рекуррентные нейронные сети, интеллектуальная обработка новостей, многофункциональность, непрерывность обучения, прогнозированиеАннотация
Главной задачей использования нейронных сетей является оперативное и точное решение различных творческих задач, таких как анализ и синтез новостных потоков при сохранении непрерывности обучения. Результатом такой обработки могут быть дайджесты, новостные потоки, прошедшие фильтрацию, а также прогнозы событий, позволяющих обеспечивать проактивность в управленческих решениях Известные методы обработки новостей нейронными сетями и реализующие их технические решения не в полной мере обеспечивают решение возникающих в этой области задач. Необходимо расширить их функциональные возможности, совершенствовать пространственно-временное связывание сигналов в рекуррентных нейронных сетях. При обработке новостных потоков одновременно с непрерывным обучением рекуррентных нейронных сетей следует осуществлять селекцию, распознавание, восстановление, прогнозирование и синтез новостей. Для снижения остроты проблемы предлагается перспективный метод многофункциональной обработки новостных потоков с применением рекуррентных нейронных сетей с логической организацией слоев и непрерывным обучением. Метод основан на развитии ассоциативной обработки текстовой информации в потоковых рекуррентных нейронных сетях с управляемыми элементами. Ключевыми особенностями этого метода являются многофункциональная обработка информационных потоков с изменяющимися законами появления новостей. Метод предусматривает оперативный отбор, распознавание, восстановление, прогнозирование и синтез новостей на основе глубокой ассоциативной непрерывной обработки связей между текстовыми элементами. Реализующая предлагаемый метод нейросетевая система отличается от известных решений новыми элементами, связями между ними, а также выполняемыми функциями. По результатам экспериментов подтверждена расширенная функциональность метода. Выявлены новые особенности обработки новостных текстов потоковыми РНС. Предлагаемые решения могут найти применение при создании интеллектуальных систем нового поколения не только для обработки текстов, но и других видов информации.
Литература
2. Kaur G., Bajaj K. News Classification and Its Techniques: A Review. IOSR Journal of Computer Engineering. 2016. vol. 18. no. 1. pp. 22-26.
3. Zhang H., Boons F., Riza B.-N. Whose story is it anyway? Automatic extraction of accounts from news articles. Information Processing & Management. 2019. vol. 56 . no. 5. pp. 1837-1848.
4. Papagiannopoulou E., Tsoumakas G. Local word vectors guiding keyphrase extraction. Information Processing & Management. 2018. vol. 54. no. 6. pp. 888-902.
5. Osipov V., Kuleshov S., Zaytseva A., Levonevskiy D., Miloserdov D. Neural network forecasting of news feeds. Expert systems with applications. 2021. vol. 169. p. 114521.
6. Ji Z., Chen K., Wang H. Step-Wise Hierarchical Alignment Network for Image-Text Matching. Proceedings of the Thirtieth International Joint Conference on Artoficial Intelligence (IJCAAI-2021). pp. 765- 771.
7. Rivera-Trigueros I. Machine translation systems and quality assessment: a systematic review. Language Resources & Evaluation 10 April, 2021.
8. Chaudhary and Bali. EASTER: Simplifying Text Recognition using only 1D Convolutions. The 34th Canadian Conference on Artificial Intelligence, Vancouver, 2021.
9. Grosman J., Furtado P., Rodrigues A., Schardong G., Barbosa S., Lopes H. Eras: Improving the quality control in the annotation process for natural language processing tasks. Information Systems. 2020. vol. 93. p. 101553.
10. Ashari A., Riasetiawan M. Document summarization using TextRank and semantic network. International journal intelligent systems and applications. 2017. vol. 1. pp. 26-33.
11. Mele I., Bahrainian S., Crestani F. Event mining and timeliness analysis from heterogeneous news streams. Information Processing and Management. 2019. vol. 56. pp. 969–993.
12. Curiskis S., Drake B., Osborn T., Kennedy P. An evaluation of document clustering and topic modelling in two online social networks: Twitter and Reddit. Information Processing & Management. 2019. p. 102034.
13. Rezaeinia S., Rahmani R., Ghodsi A., Veisi H. Sentiment Analysis Based on Improved Pre-Trained Word Embeddings. Expert Systems with Applications. 2019. vol. 117, pp. 139-147.
14. Hemmatian F., Sohrabi M. A survey on classification techniques for opinion mining and sentiment analysis. Artificial Intelligence Review. 2019. vol. 52. pp. 1495–1545.
15. Li J., Chen W., Gu B., Fang J., Li Z., Zhao L. Measuring semantic relatedness with knowledge association network. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2019. vol. LNCS 11446. pp. 676-691.
16. Ardia D., Bluteau K., Boudt K. Questioning the news about economic growth: Sparse forecasting using thousands of newsbased sentiment values. International Journal of Forecasting. 2019. vol. 35 (4). pp. 1370 – 1386.
17. Sutskever I., Martens J., Hinton G. Generating Text with Recurrent Neural Networks. Proceedings of the 28th International Conference on Machine Learning, ICML 2011, Bellevue, Washington, USA, 2011. pp. 1017-1024.
18. Widodo A., Naomi N., Purnomo F. Prediction of Research Topics Using Combination of Machine Learning and Logistic Curve. Journal of Theoretical and Applied Information Technology. 2013. vol. 49 (3). pp. 725 – 732.
19. Cabana A., Mizraji E., Valle-Lisboa J. A neural model that implements probabilistic topics. Neurocomputing. 2016. vol. 171. pp. 1099-1107.
20. Wang R., Zhou D., He Y. ATM: Adversarial-neural Topic Model. Information Processing & Management. 2019. vol. 56(6). p. 102098.
21. Wei Wei, Guo C. A text semantic topic discovery method based on the conditional co-occurrence degree. Neurocomputing. 2019. vol. 368. pp. 11 – 24.
22. Mukhina K., Visheratin A., Nasonov D. Urban events prediction via convolutional neural networks and Instagram data. Procedia Computer Science. 2019. vol. 156. pp. 176-184.
23. Recurrent Neural Network Tutorial (2015), Part 4 – Implementing a GRU/LSTM RNN with Python and Theano – WildML. https://dennybritz.com/posts/wildml/recurrent-neural-networks-tutorial-part-4/.
24. Osipov V., Osipova M. Space-time signal binding in recurrent neural networks with controlled elements. Neurocomputing. 2018. vol. 308. pp. 194–204.
25. Osipov V., Nikiforov V., Zhukova N., Miloserdov D. Urban traffic flows forecasting by recurrent neural networks with spiral structures of layers. Neural Computing and Applications. 2020. vol. 32. pp. 14885-14897.
26. Осипов В.Ю. Ассоциативная интеллектуальная машина. Информационные технологии и вычислительные системы. 2010. № 2. С. 59 – 67.
27. Osipov V., Zhukova N., Subbotin A., Glebovskiy P., Evnevich E. Intelligent escalator passenger safety management. Scientific reports. 2022. vol. 12. pp. 5506.
28. Zhang J. El-Gohary N.M. Semantic NLP-based information extraction from construction regulatory documents for automated compliance checking. Journal of Computing in Civil Engineering. 2016. vol. 30(2). pp. 1–14. doi: 10.1061/(ASCE)CP.1943-5487.0000346.
29. Kuleshov S., Zaytseva A., Aksenov A. Natural Language Search and Associative-Ontology Matching Algorithms Based on Graph Representation of Texts. In: Silhavy, R., Silhavy, P., Prokopova, Z. (eds) Intelligent Systems Applications in Software Engineering. Advances in Intelligent Systems and Computing. Springer, Cham, 2019. vol 1046. pp. 285–294. doi 10.1007/978-3-030-30329-7_26.
Опубликован
Как цитировать
Раздел
Copyright (c) Василий Юрьевич Осипов, Сергей Викторович Кулешов, Дмитрий Игоревич Милосердов, Александра Алексеевна Зайцева, Алексей Юрьевич Аксенов
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).