• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Контакты

Адрес: 105066, г. Москва,
Старая Басманная ул., д. 21/4

Как до нас добраться

 

Телефон: +7 (495) 772-95-90 доб. 22734

E-mail: ling@hse.ru

По вопросам, связанным с сайтом: portalhseling@gmail.com

Руководство
Заместитель руководителя Ахапкина Яна Эмильевна
Книга
Proceedings of Third Workshop "Computational linguistics and language science",

Wohlgenannt G., von Waldenfels R., Toldova S. et al.

Iss. 4. EasyChair, 2019.

Статья
Нейрошағир

Orekhov B.

Ватандаш. 2019. No. 2. P. 136-139.

Глава в книге
Genre Classification Problem: in Pursuit of Systematics on a Big Webcorpus

Shavrina T.

In bk.: Proceedings of Third Workshop "Computational linguistics and language science",. Iss. 4. EasyChair, 2019. P. 70-83.

От автоматической постановки диагнозов до протестов на Болотной

В минувший четверг в Школе лингвистики прошел мастер-класс заведующего лабораторией "Компьютерная лингвистика и интеллектуальный анализ информации" ИСА РАН Ивана Валентиновича Смирнова. Занятие было посвящено задачам интеллектуального анализа текста с опорой на его семантическое представление,  рассматривались вопросы создания вопросно-ответных систем, извлечения информации и автоматического принятия решений.

 Презентация И.В. Смирнова (PPT, 3.95 Мб)

Первая часть мастер-класса была посвящена интеллектуальному анализу текстов с использованием синтактико-семантического анализа. Стандартный синтаксический анализ позволяет получить лишь формальную структуру связей между элементами предложения, которая напрямую не соотносится с их значением. Так, мы можем говорить о том, что во фразе Мама мыла раму есть некоторая глагольная вершина (мыла), от которой зависят два именных узла - мама и раму, однако для корректного извлечения участников ситуации этого мало. Если же мы добавим в синтаксис семантические роли, т.е. определим, что мама является активным субъектом (агентом, агенсом) действия, а рама - претерпевающим объектом, пациенсом, это уже позволит нам извлекать из текста осмысленную информацию о происходящем событии, производить некоторый логический вывод и т.д. 

 

Результаты такого семантико-синтаксического анализа могут быть представлены в виде графа:

Такое представление текста может быть получено различными способами. В своем выступлении И.В. Смирнов рассказал об опыте применения подходов, основанных на выводе правил из специально составленного семантико-синтаксического словаря, а также на различных способах машинного обучения. При этом он показал, как результаты семантического анализа могут применяться в вопросно-ответных системах для получения ответов на вопросы, заданные на естественном языке.

 

Во второй части мастер-класса речь шла о задачах извлечения информации из научных и медицинских текстах. В первом случае требовалось извлечь из научных статей определения и формулировки научных результатов, выделить в тексте зоны аргументации, соответствующие постановке проблемы, обзору других работ, описанию предложенных в работе методов, результатов экспериментов, а также оценить грамотность текста, уровень использования в нем научной и псевдонаучной лексики. На основании этого предполагается автоматизированное формальное оценивание общего качества научного текста.

Во втором случае необходимо было анализировать клинические записи,, содержащие как числовую (возраст, пол, результаты анализов), так и текстовую (анамнезы, осмотры, эпикризы) информацию. Задача заклчалась в создании системы, позволяющей автоматически диагностировать хронические заболевания, выявлять наиболее значимые признаки и симптомы, а также устанавливать неочевидные, скрытые зависимости в клинических данных. Результаты показали, что анализ текстовых данных дает очень серьезный прирост в качестве диагностики по сравнению с использованием исключительно числовых параметров

Последний сюжет, о котором шла речь на мастер-классе, касался такой горячей темы, как анализ социальных сетей и мониторинг настроений. Система, о которой рассказывал докладчик, измеряла уровень напряженности в сетевых сообществах, опираясь на психолингвистические лексические и семантические признаки. При этом сообщества были изначально разделены на напряженные (политические, в т.ч. националистические) и относительно нейтральные (обсуждение детей, домашних животных, автомобилей). Полученные результаты показали, в частности, что политические протесты зимы 2011-2012 гг. характериовались в первую очередь повышением напряженности в нейтральных сообществах, в остальное время достаточно спокойных и аполитичных.