ЭРГОНОМИЧЕСКАЯ МЕТОДОЛОГИЯ АЛГОРИТМОВ ДЛЯ СЕМАНТИЧЕСКОГО АНАЛИЗА ОБЪЕКТОВ В ФАЙЛЕ
Ключевые слова:
искусственный интеллект, семантический поиск, TF-IDF, Word2Vec, проверка ответов студентов, поиск в PDF-файлах, сходство текста, косинусное сходство.Аннотация
В данной статье рассматривается вопрос быстрого поиска необходимой информации в электронной литературе и файлах в формате PDF, а также семантического анализа их данных. Предложен алгоритм семантического поиска, разработанный на основе искусственного интеллекта. В данном исследовании для семантического анализа текстов использовались современные методы информационного поиска и обработки естественного языка. Полученные результаты показали, что модели глубокого обучения обеспечивают более высокую точность по сравнению с классическими методами.
Библиографические ссылки
1. Abdurahmonov S. Matnlarni qayta ishlash va tabiiy til texnologiyalari. – Toshkent, 2020.
2. Axmedov J. R. Tizimli tahlil: darslik. – Jizzax: Ilm nuri print MChJ, 2023. – 266 bet.
3. Devlin J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // NAACL-HLT. – 2019.
4. Goldberg Y., Levy O. word2vec Explained: Deriving Mikolov et al.'s Negative-Sampling Word-Embedding Method [Electronic resource]. – 2014. – Mode of access: arXiv.
5. Jones K. S. A statistical interpretation of term specificity and its application in retrieval // Journal of Documentation. – 1972. – Vol. 28, № 1. – P. 11–21.
6. Karaboga D. et al. Automatic Short Answer Grading Using Deep Learning // Computers & Education. – 2020.
7. Karimov A., Tursunov B. Sun’iy intellekt va uning qo‘llanilishi. – Toshkent, 2021.
8. Le Q., Mikolov T. Distributed Representations of Sentences and Documents // International Conference on Machine Learning (ICML). – 2014.
9. Mikolov T. et al. Efficient Estimation of Word Representations in Vector Space [Electronic resource]. – 2013. – Mode of access: arXiv:1301.3781.
