Доклады Российской академии наук. Математика, информатика, процессы управления
RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB  
Общая информация
Последний выпуск
Архив
Импакт-фактор

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Докл. РАН. Матем., информ., проц. упр.:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Доклады Российской академии наук. Математика, информатика, процессы управления, 2022, том 508, страницы 106–108
DOI: https://doi.org/10.31857/S2686954322070086
(Mi danma346)
 

ПЕРЕДОВЫЕ ИССЛЕДОВАНИЯ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МАШИННОГО ОБУЧЕНИЯ

Инкрементальное обучение тематических моделей для поиска трендовых тем в научных публикациях

Н. А. Герасименкоa, А. С. Чернявскийa, М. А. Никифороваa, М. Д. Никитинa, К. В. Воронцовb

a ПАО "Сбербанк", Москва, Россия
b Федеральный исследовательский центр «Информатика и управление» Российской академии наук, Москва, Россия
Список литературы:
Аннотация: Стремительный рост числа научных публикаций, интенсивное появление новых направлений и подходов ставят перед научным сообществом задачу своевременного выявления трендов. Под трендом мы понимаем семантически однородную тему, которая характеризуется устойчивым во времени лексическим ядром и резким, зачастую экспоненциальным, ростом числа публикаций [1]. Примерами трендов в машинном обучении являются “LSTM”, “deep learning”, “word2vec”, “BERT”, “fake news detection”. Для выделения трендовых тем в потоке научных публикаций в реальном времени мы используем инкрементальные методы вероятностного тематического моделирования. При помощи подхода, основанного на ARTM, мы превзошли результаты популярных классических и нейросетевых подходов к задаче ранней детекции трендов. Для оценки качества мы вручную сформировали и сделали общедоступным датасет из 91 тренда.
Ключевые слова: инкрементальное тематическое моделирование, детектирование научных трендов, ARTM.
Статья представлена к публикации: В. Б. Бетелин
Поступило: 28.10.2022
После доработки: 28.10.2022
Принято к публикации: 01.11.2022
Англоязычная версия:
Doklady Mathematics, 2022, Volume 106, Issue suppl. 1, Pages S97–S98
DOI: https://doi.org/10.1134/S1064562422060084
Реферативные базы данных:
Тип публикации: Статья
УДК: 004.8
Образец цитирования: Н. А. Герасименко, А. С. Чернявский, М. А. Никифорова, М. Д. Никитин, К. В. Воронцов, “Инкрементальное обучение тематических моделей для поиска трендовых тем в научных публикациях”, Докл. РАН. Матем., информ., проц. упр., 508 (2022), 106–108; Dokl. Math., 106:suppl. 1 (2022), S97–S98
Цитирование в формате AMSBIB
\RBibitem{GerCheNik22}
\by Н.~А.~Герасименко, А.~С.~Чернявский, М.~А.~Никифорова, М.~Д.~Никитин, К.~В.~Воронцов
\paper Инкрементальное обучение тематических моделей для поиска трендовых тем в научных публикациях
\jour Докл. РАН. Матем., информ., проц. упр.
\yr 2022
\vol 508
\pages 106--108
\mathnet{http://mi.mathnet.ru/danma346}
\crossref{https://doi.org/10.31857/S2686954322070086}
\elib{https://elibrary.ru/item.asp?id=49991319}
\transl
\jour Dokl. Math.
\yr 2022
\vol 106
\issue suppl. 1
\pages S97--S98
\crossref{https://doi.org/10.1134/S1064562422060084}
Образцы ссылок на эту страницу:
  • https://www.mathnet.ru/rus/danma346
  • https://www.mathnet.ru/rus/danma/v508/p106
  • Citing articles in Google Scholar: Russian citations, English citations
    Related articles in Google Scholar: Russian articles, English articles
    Доклады Российской академии наук. Математика, информатика, процессы управления Доклады Российской академии наук. Математика, информатика, процессы управления
     
      Обратная связь:
     Пользовательское соглашение  Регистрация посетителей портала  Логотипы © Математический институт им. В. А. Стеклова РАН, 2024