Аңдатпа
Бұл зерттеуде класс теңгерімсіздігі мен семантикалық анықсыздық жағдайындағы орыс тіліндегі пәндік-спецификалық мәтіндер үшін аталған нысандарды тану (Named Entity Recognition, NER) міндеті қарастырылады. Зерттеу аясында SPEC, COMM және NOM санаттарын қамтитын, қолмен таңбаланған 304 сөйлемнен және 2 113 токеннен тұратын деректер жиынтығы құрастырылды. Класстар арасындағы теңгерімсіз үлестірім модельдердің тұрақтылығы мен жалпылау қабілетіне әсер ететін негізгі фактор ретінде қарастырылды. Тәжірибелік бөлімде Transformer архитектурасына негізделген үш модель ‒ ruBERT, ruRoBERTa-large және XLM-R ‒ шартты кездейсоқ өрістерге (CRF) негізделген базалық модельмен салыстырмалы түрде бағаланды. Нәтижелер бойынша ruRoBERTa-large моделі ең жоғары тиімділікті көрсетіп, 85.7% Macro-F1 мәніне қол жеткізді, бұл ruBERT (79.7%), CRF (71.7%) және XLM-R (57.1%) модельдерінің көрсеткіштерінен жоғары болды. Қателерді талдау барысында SPEC және COMM санаттарының өзара шатастырылуы, сондай-ақ BIO таңбалау схемасындағы шекаралық қателер негізгі мәселе ретінде анықталды. Абляциялық талдау COMM класын алып тастаған жағдайда Macro-F1 көрсеткіші 9.75 пайыздық тармаққа артатынын көрсетті, бұл аталған категорияның модель өнімділігіне айтарлықтай әсер ететінін дәлелдейді. Зерттеу нәтижелері көрсеткендей, орыс тілінде алдын-ала дайындалған трансформаторлық модельдер шектеулі және теңгерімсіз деректер жағдайында көп тілді модельдерге қарағанда жақсы жұмыс істейді. Жұмыстың ғылыми жаңалығы-мамандандырылған белгіленген мәліметтер жиынтығын құру және класстардың теңгерімсіздігі жағдайында тақырыптық орыс тілді мәтіндер үшін заманауи NER модельдерін кешенді зерттеу. Нәтижелердің практикалық маңыздылығы оларды техникалық және номенклатуралық құжаттамадан ақпаратты автоматты түрде алу және құрылымдау үшін интеллектуалды жүйелерді әзірлеуде пайдалану мүмкіндігімен анықталады.