Автоматическая генерация коротких текстов на основе применения нейронных сетей LSTM и SeqGAN
Проведено исследование качества генерации коротких текстов на основе применения нейронных сетей LSTM и SeqGAN на русском и английском языках. Для обучения нейронной сети используются следующие подходы: оценка максимального правдоподобия и состязательная сеть, генерирующая последовательность (Se...
| Published in: | Вестник Томского государственного университета. Управление, вычислительная техника и информатика № 57. С. 118-130 |
|---|---|
| Main Author: | |
| Other Authors: | , |
| Format: | Article |
| Language: | Russian |
| Subjects: | |
| Online Access: | http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:000725852 Перейти в каталог НБ ТГУ |
| LEADER | 03580nab a2200349 c 4500 | ||
|---|---|---|---|
| 001 | koha000725852 | ||
| 005 | 20230319234258.0 | ||
| 007 | cr | | ||
| 008 | 220125|2021 ru s c rus d | ||
| 024 | 7 | |a 10.17223/19988605/57/13 |2 doi | |
| 035 | |a koha000725852 | ||
| 040 | |a RU-ToGU |b rus |c RU-ToGU | ||
| 100 | 1 | |a Кривошеев, Николай Анатольевич |9 770068 | |
| 245 | 1 | 0 | |a Автоматическая генерация коротких текстов на основе применения нейронных сетей LSTM и SeqGAN |c Н. А. Кривошеев, Ю. А. Иванова, В. Г. Спицын |
| 246 | 1 | 1 | |a Automatic generation of short texts based on the use of neural networks LSTM and SeqGAN |
| 336 | |a Текст | ||
| 337 | |a электронный | ||
| 504 | |a Библиогр.: 26 назв. | ||
| 520 | 3 | |a Проведено исследование качества генерации коротких текстов на основе применения нейронных сетей LSTM и SeqGAN на русском и английском языках. Для обучения нейронной сети используются следующие подходы: оценка максимального правдоподобия и состязательная сеть, генерирующая последовательность (Sequence Generative Adversarial Nets, SeqGAN). В данной работе реализация SeqGAN не включает алгоритм Монте-Карло. Предложен и реализован подход на основе возведения значений выходного вектора нейронной сети (вектора вероятностей) в степень, большую 1, данная операция позволяет увеличить качество генерируемого текста, но снижает его разнообразие. Обучение и тестирование проводятся на основе следующих выборок данных: сборника русских стихов с сайта Stihi.ru и подписей к изображениям на английском языке из выборки COCO Image Captions. Проведена оценка качества генерации текстов на основе метрики BLEU. Приведены примеры сгенерированных текстов. Проанализированы аналогичные решения. | |
| 653 | |a генерация текста | ||
| 653 | |a состязательное обучение с подкреплением | ||
| 653 | |a нейронные сети | ||
| 655 | 4 | |a статьи в журналах |9 879358 | |
| 700 | 1 | |a Иванова, Юлия Александровна |d 1986- |9 795483 | |
| 700 | 1 | |a Спицын, Владимир Григорьевич |9 69289 | |
| 773 | 0 | |t Вестник Томского государственного университета. Управление, вычислительная техника и информатика |d 2021 |g № 57. С. 118-130 |x 1998-8605 |w 0210-40860 | |
| 852 | 4 | |a RU-ToGU | |
| 856 | 4 | |u http://vital.lib.tsu.ru/vital/access/manager/Repository/koha:000725852 | |
| 856 | |y Перейти в каталог НБ ТГУ |u https://koha.lib.tsu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=725852 | ||
| 908 | |a статья | ||
| 039 | |||
| 999 | |c 725852 |d 725852 | ||