Карамышева Надежда Сергеевна, кандидат технических наук, доцент
ул. Красная, д. 40, г. Пенза 440026, российская федерация
Nadezhda S. Karamysheva, Cand. of Sci. (Engineering), Associate Professor
40 Krasnaya str., Penza 440026, Russian Federation
Милованов Антон Сергеевич, магистрант
ул. Красная, д. 40, г. Пенза 440026, российская федерация
Anton S. Milovanov, Master Student
40 Krasnaya str., Penza 440026, Russian Federation
Митрохин Максим Александрович, доктор технических наук, профессор, зав. кафедрой «Вычислительная техника»
ул. Красная, д. 40, г. Пенза 440026, российская федерация
Maksim A. Mitrokhin, Dr. of Sci. (Engineering), Professor, ead of the Sub-Department of Computer Engineering
40 Krasnaya str., Penza 440026, Russian Federation
Зинкин Сергей Александрович, доктор технических наук, профессор
ул. Красная, д. 40, г. Пенза 440026, российская федерация
Sergey A. Zinkin, Dr. of Sci. (Engineering), Professor
40 Krasnaya str., Penza 440026, Russian Federation
Цель исследования. Целью работы является разработка рекомендаций по программной реализации когнитивных агентно-базированных систем, обеспечивающих интероперабельность при взаимодействии программных когнитивных агентов, обладающих различными свойствами. Программная реализация, определяющая семантическую близость на основе машинного обучения, выделяет ключевые понятия, строит ассоциации, упрощая и ускоряя процесс работы с текстовыми данными в процессе диалога агентов, одним из которых является человек. Предлагаемый подход основан на предположении, что компьютерные системы могут выполнять некоторые «антропоморфные» функции, похожие на способности человека мыслить.
Методы. Знания о предметной области определяются на основе обучения искусственной нейронной сети. Для обозначения семантики реплик и другой информации предложено использовать тегирование и определение семантической близости ключевых фраз из речей, представленных в письменной форме.
Результаты. Система была реализована на языке программирования Python. В качестве нейросетевой модели векторизации текста использовалась модель Word2Vec с архитектурой Skip-gram. Для обучения использовались два текстовых набора с информацией о компьютерной науке и зоологии. По результатам сравнения текстов двух тематик можно судить о работоспособности системы определять семантическую близость текстовой информации.
Заключение. Положенная в основу программной реализации когнитивных интероперабельных агентнобазированных систем подсистема определения семантической близости текстовой информации на основе технологий машинного обучения позволяет повысить эффективность существующих или разрабатываемых приложений, в работе которых задействован большой объем текстовой информации.
Purpose of research. The purpose of the work is to develop recommendations for the software implementation of cognitive agent-based systems that ensure interoperability in the interaction of software cognitive agents with different properties. A software implementation that determines semantic proximity based on machine learning can automatically and quickly highlight important key concepts and find associations, simplifying and speeding up the process of working with text data during a dialogue between agents, one of which is a human. The proposed approach is based on the assumption that computer systems can perform some “anthropomorphic” functions, similar to human ability to think.
Methods. Domain knowledge is determined by training an artificial neural network. To indicate the semantics of remarks and other information, it is proposed to use tagging and determining the semantic proximity of key phrases from speeches presented in written form.
Results. The system was implemented in the Python programming language. The Word2Vec model with Skip-gram architecture was used as a neural network model for text vectorization. For training, two text sets with information about computer science and zoology were used. Based on the results of comparing texts on two topics, one can judge the performance of the system to determine the semantic proximity of textual information.
Conclusion. The subsystem for determining the semantic proximity of text information based on machine learning technologies, which forms the basis for the software implementation of cognitive interoperable agent-based systems, will improve the efficiency of existing or developed applications that involve a large amount of text information.
The authors declare that there are no conflicts of interest present.