Алгоритм классификации идеологем на основе наборов цепочек религиозно-политических ассоциаций
DOI:
https://doi.org/10.5281/zenodo.14514802Ключевые слова:
векторная языковая модель (word2vec), онтология, ассоциативная цепочка, гипероним, большая языковая модель (LLM)Лицензия
Аннотация
В настоящей работе представлен алгоритм классификации идеологем – лексических единиц, отражающих религиозные течения и политические идеологии. Подход заключается в построении базы знаний ассоциативных обобщающих цепочек отношений между понятиями на основе векторных языковых моделей и онтологий и последующем поиске общих элементов среди цепочек, порожденных для исследуемых слов, что сводит задачу к поиску общего гиперонима. Проведенное сравнение реализации алгоритма с методом на основе запросов к большим языковым моделям показало его эффективность для классификации идеологем.
Скачивания
Библиографические ссылки
1. Радина, Н. К. Методы изучения политического поля: Алгоритм идентификации контекстуальных идеологем (На примере региональной культурной политики) / Н. К. Радина, А. В. Козлова, А. А. Набокова // Политическая наука. – 2018. – № 2. – С. 252-270. – EDN XVAKIP.
2. Романова, Т. В. Идеологемы и аксиологемы русского языкового сознания как отражение констант и динамики национальной ментальности / Т. В. Романова. – Нижний Новгород: Общество с ограниченной ответственностью "Издательство "Деком", 2019. – 120 с. – ISBN 978-5-89533-444-7. – EDN GIAJRO.
3. Rao, A. Actionable and political text classification using word embeddings and LSTM / A. Rao, N. Spasojevic. – 2016. – URL: https://arxiv.org/abs/1607.02501.X3.
4. Biessmann, F. Automating Political Bias Prediction / F. Biessmann // Technical Report. – 2016. – URL: http://arxiv.org/abs/1608.02195.
5. Денисов, И. В. NEREL: Набор данных на русском языке с вложенными именованными сущностями и отношениями / И. В. Денисов, И. С. Рожков, Н. В. Лукашевич // Интеллектуальные системы. Теория и приложения. – 2021. – Т. 25, № 4. – С. 243-249. – EDN CIDPJQ.
6. Russe'2020: Findings of the first taxonomy enrichment task for the Russian language / I. Nikishina, V. Logacheva, A. Panchenko, N. Loukachevitch // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 579-595. – DOI 10.28995/2075-7182-2020-19-579-595. – EDN DOMQZB.
7. Word2Vec not dead: Predicting hypernyms of co-hyponyms is better than reading definitions / N. V. Arefyev, M. V. Fedoseev, A. V. Kabanov, V. S. Zizov // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 13-32. – DOI 10.28995/2075-7182-2020-19-13-32. – EDN ETWSZM.
8. Dale, D. S. A simple solution for the taxonomy enrichment task: Discovering hypernyms using nearest neighbor search / D. S. Dale // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 177-186. – DOI 10.28995/2075-7182-2020-19-177-186. – EDN VITNEB.
9. Mikolov, T. Efficient estimation of word representations in vector space / T. Mikolov, K. Chen, G. Corrado, J. Dean // arXiv preprint. – 2013. – URL: https://arxiv.org/abs/1301.3781.
10. Fasttext. zip: Compressing text classification models / A. Joulin, E. Grave, P. Bojanowski, M. Douze, H. Jégou, T. Mikolov // arXiv preprint. – 2016. – URL: https://arxiv.org/abs/1612.03651.
11. Introducing Wikidata to the Linked Data Web / F. Erxleben, M. Gunther, M. Krotzsch [et al.] // The Semantic Web – ISWC 2014. – 2014. – V. 8796. – P. 50-65 – DOI 10.1007/978-3-319-11964-9_4.
12. Левенштейн, В. И. Двоичные коды с исправлением выпадений, вставок и замещений символов / В. И. Левенштейн // Доклады АН СССР – 1965. – Т. 163, №4. – С. 845-848.
13. Kutuzov, A. Webvectors: A toolkit for building web interfaces for vector semantic models / A. Kutuzov, E. Kuzmenko // Communications in Computer and Information Science. – 2017. – V. 661. – P. 155-161. – DOI 10.1007/978-3-319-52920-2_15. – EDN YVLFZN.
14. Секерин, А. В. Исследование алгоритмов машинного обучения для выявления идеологических категорий текста / А. В. Секерин, В. А. Кудинов // Интеллектуальные информационные системы: теория и практика: Сборник научных статей по материалам IV Всероссийской с международным участием конференции (Курск, 21–23 ноября 2023 г.). – Курск: Курский государственный университет, 2023. – С. 79-86. – EDN IAUWFQ.
15. Косенко, Д. Большие языковые модели для следования инструкциям на русском языке: модели и датасеты с открытой лицензией для коммерческого использования / Д. Косенко, Ю. Куратов, Д. Жарикова // Доклады Российской академии наук. Математика, информатика, процессы управления. – 2023. – Т. 514, № 2. – С. 262-269. – DOI 10.31857/S2686954323602063. – EDN GECIST.
REFERENCES LIST
1. Radina, N. K. Metody izucheniia politicheskogo polia: Algoritm identifikatsii kontekstualnykh ideologem (Na primere regionalnoi kulturnoi politiki) / N. K. Radina, A. V. Kozlova, A. A. Nabokova // Politicheskaia nauka. – 2018. – № 2. – S. 252-270. – EDN XVAKIP.
2. Romanova, T. V. Ideologemy i aksiologemy russkogo iazykovogo soznaniia kak otrazhenie konstant i dinamiki natsionalnoi mentalnosti / T. V. Romanova. – Nizhnii Novgorod: Obshchestvo s ogranichennoi otvetstvennostiu Izdatelstvo Dekom, 2019. – 120 s. – ISBN 978-5-89533-444-7. – EDN GIAJRO.
3. Rao, A. Actionable and political text classification using word embeddings and LSTM / A. Rao, N. Spasojevic. – 2016. – URL: https://arxiv.org/abs/1607.02501.X3.
4. Biessmann, F. Automating Political Bias Prediction / F. Biessmann // Technical Report. – 2016. – URL: http://arxiv.org/abs/1608.02195.
5. Denisov, I. V. NEREL: Nabor dannykh na russkom iazyke s vlozhennymi imenovannymi sushchnostiami i otnosheniiami / I. V. Denisov, I. S. Rozhkov, N. V. Lukashevich // Intellektualnye sistemy. Teoriia i prilozheniia. – 2021. – T. 25, № 4. – S. 243-249. – EDN CIDPJQ.
6. Russe2020: Findings of the first taxonomy enrichment task for the Russian language / I. Nikishina, V. Logacheva, A. Panchenko, N. Loukachevitch // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 579-595. – DOI 10.28995/2075-7182-2020-19-579-595. – EDN DOMQZB.
7. Word2Vec not dead: Predicting hypernyms of co-hyponyms is better than reading definitions / N. V. Arefyev, M. V. Fedoseev, A. V. Kabanov, V. S. Zizov // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 13-32. – DOI 10.28995/2075-7182-2020-19-13-32. – EDN ETWSZM.
8. Dale, D. S. A simple solution for the taxonomy enrichment task: Discovering hypernyms using nearest neighbor search / D. S. Dale // Computational Linguistics and Intellectual Technologies. – 2020. – V. 19 (26). – P. 177-186. – DOI 10.28995/2075-7182-2020-19-177-186. – EDN VITNEB.
9. Mikolov, T. Efficient estimation of word representations in vector space / T. Mikolov, K. Chen, G. Corrado, J. Dean // arXiv preprint. – 2013. – URL: https://arxiv.org/abs/1301.3781.
10. Fasttext. zip: Compressing text classification models / A. Joulin, E. Grave, P. Bojanowski, M. Douze, H. Jégou, T. Mikolov // arXiv preprint. – 2016. – URL: https://arxiv.org/abs/1612.03651.
11. Introducing Wikidata to the Linked Data Web / F. Erxleben, M. Gunther, M. Krotzsch [et al.] // The Semantic Web – ISWC 2014. – 2014. – V. 8796. – P. 50-65 – DOI 10.1007/978-3-319-11964-9_4.
12. Levenshtein, V. I. Dvoichnye kody s ispravleniem vypadenii, vstavok i zameshchenii simvolov / V. I. Levenshtein // Doklady AN SSSR – 1965. – T. 163, №4. – S. 845-848.
13. Kutuzov, A. Webvectors: A toolkit for building web interfaces for vector semantic models / A. Kutuzov, E. Kuzmenko // Communications in Computer and Information Science. – 2017. – V. 661. – P. 155-161. – DOI 10.1007/978-3-319-52920-2_15. – EDN YVLFZN.
14. Sekerin, A. V. Issledovanie algoritmov mashinnogo obucheniia dlia vyiavleniia ideologicheskikh kategorii teksta / A. V. Sekerin, V. A. Kudinov // Intellektualnye informatsionnye sistemy: teoriia i praktika: Sbornik nauchnykh statei po materialam IV Vserossiiskoi s mezhdunarodnym uchastiem konferentsii (Kursk, 21–23 noiabria 2023 g.). – Kursk: Kurskii gosudarstvennyi universitet, 2023. – S. 79-86. – EDN IAUWFQ.
15. Kosenko, D. Bolshie iazykovye modeli dlia sledovaniia instruktsiiam na russkom iazyke: modeli i datasety s otkrytoi litsenziei dlia kommercheskogo ispolzovaniia / D. Kosenko, Iu. Kuratov, D. Zharikova // Doklady Rossiiskoi akademii nauk. Matematika, informatika, protsessy upravleniia. – 2023. – T. 514, № 2. – S. 262-269. – DOI 10.31857/S2686954323602063. – EDN GECIST.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
