id int64 18 18.8k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 14:51:09 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 14:51:09 | doc_name stringclasses 1
value | input stringlengths 11 9.24k | output stringlengths 0 738 | is_personal bool 2
classes | is_sentence bool 2
classes | is_corrected bool 2
classes |
|---|---|---|---|---|---|---|---|---|
957 | 2026-02-23T10:48:43.570000Z | 2026-02-23T10:48:43.570000Z | Lec. | Palgrave, 2021 | false | false | false | |
956 | 2026-02-23T10:48:41.764000Z | 2026-02-23T10:48:41.764000Z | Lec. | Commun. 2021 81 | false | false | false | |
955 | 2026-02-23T10:48:40.063000Z | 2026-02-23T10:48:40.063000Z | Lec. | Growth rates of modern science: a latent piecewise growth curve approach to model publication numbers from established and new literature databases // Humanit | false | false | false | |
954 | 2026-02-23T10:48:38.145000Z | 2026-02-23T10:48:38.145000Z | Lec. | Bornmann L., Haunschild R., Mutz R | false | false | false | |
953 | 2026-02-23T10:48:36.471000Z | 2026-02-23T10:48:36.471000Z | Lec. | P. 1953—1967 | false | false | false | |
952 | 2026-02-23T10:48:34.786000Z | 2026-02-23T10:48:34.786000Z | Lec. | Vol. 127, No. 4 | false | false | false | |
951 | 2026-02-23T10:48:32.678000Z | 2026-02-23T10:48:32.678000Z | Lec. | Scientometrics, 2022 | false | false | false | |
950 | 2026-02-23T10:48:30.872000Z | 2026-02-23T13:24:53.453000Z | Lec. | How to catch trends using MeSH terms analysis? // Scientometrics | How to catch trends using MeSH terms analysis? // Scientometrics. | false | true | true |
949 | 2026-02-23T10:48:29.157000Z | 2026-02-23T10:48:29.157000Z | Lec. | Ilgisonis E | false | false | false | |
948 | 2026-02-23T10:48:27.537000Z | 2026-02-23T10:48:27.537000Z | Lec. | Vol. 84, No. 3 | false | false | false | |
947 | 2026-02-23T10:48:25.615000Z | 2026-02-23T10:48:25.615000Z | Lec. | Scientometrics, 2010 | false | false | false | |
946 | 2026-02-23T10:48:23.789000Z | 2026-02-23T18:21:34.673000Z | Lec. | The rate of growth in scientific publication and the decline in coverage provided by Science Citation Index // Scientometrics | The rate of growth in scientific publications and the decline in coverage provided by Science Citation Index // Scientometrics | false | true | true |
945 | 2026-02-23T10:48:22.046000Z | 2026-02-23T10:48:22.046000Z | Lec. | Larsen P.O., von Ins M | true | false | false | |
944 | 2026-02-23T10:48:20.440000Z | 2026-02-23T10:48:20.440000Z | Lec. | Vol. 56, No. 4 | false | false | false | |
943 | 2026-02-23T10:48:18.495000Z | 2026-02-23T10:48:18.495000Z | Lec. | Springer, 2022 | false | false | false | |
942 | 2026-02-23T10:48:16.756000Z | 2026-02-23T10:48:16.756000Z | Lec. | Linguist. 2022 564 | false | false | false | |
941 | 2026-02-23T10:48:15.075000Z | 2026-02-23T10:48:15.076000Z | Lec. | Benefits of Using Open Access: Citation Analysis // Autom | false | true | false | |
940 | 2026-02-23T10:48:13.211000Z | 2026-02-23T10:48:13.211000Z | Lec. | Komaritsa V.N | true | false | false | |
939 | 2026-02-23T10:48:11.825000Z | 2026-02-23T10:48:11.825000Z | Lec. | Улучшение качества предсказаний рубрик 2-го уровня, использование моделей машинного обучения для предсказания 3-го уровня ГРНТИ | false | true | false | |
938 | 2026-02-23T10:48:10.010000Z | 2026-02-23T18:26:47.287000Z | Lec. | Использование FAISS [27] для получения фиксированного числа классов ГРНТИ | Использование FAISS [27] для поиска наиболее близких к заданным точкам в пространстве ГРНТИ | false | true | true |
937 | 2026-02-23T10:48:08.044000Z | 2026-02-23T16:59:39.496000Z | Lec. | Использование метода Dual Contrastive Learning для обучения BERT при предсказании рубрик 1-го уровня | Использование метода "Dual Contrastive Learning" для обучения BERT при предсказании рубрик 1-го уровня. | false | true | true |
936 | 2026-02-23T10:48:06.291000Z | 2026-02-23T10:48:06.291000Z | Lec. | Перспективы дальнейшей работы: | false | true | false | |
935 | 2026-02-23T10:48:04.384000Z | 2026-02-23T13:47:18.290000Z | Lec. | Изучение метода Dual Contrastive Learning показало перспективность его использования для решения задачи multilabel классификации | Изучение метода Dual Contrastive Learning показало перспективность его использования для решения задачи многозначной классификации. | false | true | true |
934 | 2026-02-23T10:48:02.650000Z | 2026-02-23T10:48:02.650000Z | Lec. | Анализ плоского и иерархического подходов показал, что для рассматриваемого тренировочного и тестового датасета лучшие значения метрик достигаются при использовании плоского классификатора для 2-го уровня ГРНТИ | false | true | false | |
933 | 2026-02-23T10:48:00.980000Z | 2026-02-23T18:14:24.612000Z | Lec. | Cравнение методов обучения подтвердило преимущество использования метода LoRA по сравнению с обучением только слоя классификации для предсказания первого уровня ГРНТИ | Cравнение методов обучения подтвердило преимущество использования метода LoRA по сравнению с обучением только слоя классификации для предсказания первого уровня ГРН | false | true | true |
932 | 2026-02-23T10:47:59.419000Z | 2026-02-23T13:29:41.925000Z | Lec. | Эксперименты по предобработке данных показали, что использование расшифровок сокращений из словаря ВИНИТИ РАН для тренировочных данных не приводит к улучшению качества предсказаний моделей | Эксперименты по предобработке данных показали, что использование расшифровок сокращений из словаря ВНИИТИ РАН для тренировочных данных не приводит к улучшению качества предсказаний моделей. | false | true | true |
931 | 2026-02-23T10:47:57.607000Z | 2026-02-23T15:58:10.154000Z | Lec. | Разработанное программное обеспечение обеспечило полный цикл обработки данных: от предобработки текстов до обучения и оценки моделей, включает методы LoRA, Warmup steps, BCEWithLogitsLoss и AdamW для ускорения, улучшения процесса обучения моделей | Разработанное программное обеспечение обеспечило полный цикл обработки данных: от предобработки текстов до обучения и оценки моделей, включает методы LoRA, warmup steps, BCEWithLogitsLoss и AdamW для ускорения и улучшения процесса обучения моделей. | false | true | true |
930 | 2026-02-23T10:47:55.735000Z | 2026-02-23T10:47:55.735000Z | Lec. | Анализ существующих решений для классификации по рубрикам ГРНТИ показал, что существующие решения для русскоязычных текстов осуществляют классификацию до 2-го уровня ГРНТИ, что недостаточно для полноценной классификации текстов | false | true | false | |
929 | 2026-02-23T10:47:53.949000Z | 2026-02-23T13:33:27.820000Z | Lec. | Особое внимание было уделено сравнению плоских и иерархических подходов, а также специфике multilabel классификации | Особое внимание было уделено сравнению плоских и иерархических подходов, а также специфике мультилэйбл классификации | false | true | true |
928 | 2026-02-23T10:47:52.125000Z | 2026-02-23T13:26:32.246000Z | Lec. | Теоретический анализ позволил систематизировать современные методы классификации в машинном обучении, выделив их сильные и слабые стороны применительно к задаче автоматической рубрикации научных статей | Теоретический анализ позволил систематизировать современные методы классификации в машинном обучении, выделив их сильные и слабые стороны применительно к задаче автоматизированной рубрикации научных статей. | false | true | true |
927 | 2026-02-23T10:47:50.246000Z | 2026-02-23T10:47:50.246000Z | Lec. | При прохождении производственной практики были получены следующие ключевые результаты: | false | true | false | |
926 | 2026-02-23T10:47:48.548000Z | 2026-02-23T10:47:48.548000Z | Lec. | Для решения задачи multilabel классификации рубрик ГРНТИ 1-го уровня в рамках выполнения ВКР планируется проведение экспериментов по использованию данного метода при обучении модели BERT | false | true | false | |
925 | 2026-02-23T10:47:46.693000Z | 2026-02-23T10:47:46.693000Z | Lec. | Цель: сделать представления данных ближе к представлениям меток, которые им соответствуют | false | true | false | |
924 | 2026-02-23T10:47:44.800000Z | 2026-02-23T10:47:44.800000Z | Lec. | Сравнивает представления данных с представлениями их меток | true | true | false | |
923 | 2026-02-23T10:47:42.804000Z | 2026-02-23T10:47:42.804000Z | Lec. | Контрастная потеря между данными и метками (Data-Label Contrastive Loss): | false | false | false | |
922 | 2026-02-23T10:47:40.907000Z | 2026-02-23T10:47:40.907000Z | Lec. | Цель: сделать представления похожих данных ближе, а разных — дальше | false | true | false | |
921 | 2026-02-23T10:47:39.376000Z | 2026-02-23T10:47:39.376000Z | Lec. | Сравнивает представления самих данных (например, текстов или изображений) | false | false | false | |
920 | 2026-02-23T10:47:37.817000Z | 2026-02-23T10:47:37.817000Z | Lec. | Контрастная потеря между данными (Data-Data Contrastive Loss): | false | true | false | |
919 | 2026-02-23T10:47:35.994000Z | 2026-02-23T13:40:44.867000Z | Lec. | В случае Dual-Contrastive Learning, данная идея расширяется за счет использования двух типов функций контрастных потерь, что позволяет модели лучше учитывать как семантику данных, так и информацию о метках (labels): | В случае Dual-Contrastive Learning данная идея расширяется за счет использования двух типов функций контрастных потерь, что позволяет моделям лучше учитывать как семантику данных, так и информацию о метках (labels): | false | true | true |
918 | 2026-02-23T10:47:34.145000Z | 2026-02-23T10:47:34.145000Z | Lec. | Он основан на идее контрастного обучения: модель учится различать похожие (положительные) и разные (отрицательные) примеры | false | true | false | |
917 | 2026-02-23T10:47:32.675000Z | 2026-02-23T10:47:32.675000Z | Lec. | Dual-Contrastive Learning (DCL) [Exploiting Dual Contrastive Learning Algorithm for Scientific Texts Classification] — метод обучения, который используется для улучшения качества представлений (embeddings) в задачах машинного обучения, в том числе в задачах классификации | false | true | false | |
916 | 2026-02-23T10:47:30.810000Z | 2026-02-23T10:47:30.810000Z | Lec. | График зависимости f1 от threshold на тестовом датасете при использовании иерархического классификатора | false | true | false | |
915 | 2026-02-23T10:47:28.757000Z | 2026-02-23T13:31:06.943000Z | Lec. | График зависимости f1 от threshold на тестовом датасете при использовании плоского классификатора | График зависимости f1 от threshold на тестовом датасете при использовании плоского классификатора. | false | true | true |
914 | 2026-02-23T10:47:27.013000Z | 2026-02-23T13:49:36.202000Z | Lec. | Графики для результатов тестирования при использовании плоского классификатора (рис. 15) и иерархического (рис. 16) представлены ниже | Графики для результатов тестирования при использовании плоского классификатора (на рис. 15) и иерархического (на рис. 16) представлены ниже. | false | true | true |
913 | 2026-02-23T10:47:25.375000Z | 2026-02-23T10:47:25.375000Z | Lec. | Иерархический классификатор. 0.3. 0.42. 0.54. 0.51 | false | false | false | |
912 | 2026-02-23T10:47:23.834000Z | 2026-02-23T10:47:23.834000Z | Lec. | Плоский классификатор. 0.25. 0.47. 0.57. 0.54 | false | false | false | |
911 | 2026-02-23T10:47:22.313000Z | 2026-02-23T10:47:22.313000Z | Lec. | Таблица 4 — Метрики в зависимости от вида классификатора: плоский и иерархический | false | false | false | |
910 | 2026-02-23T10:47:19.939000Z | 2026-02-23T10:47:19.939000Z | Lec. | Ниже представлена таблица с результатами для метрик для плоского и иерархического классификатора при обучении в течение 8 эпох (таб. 4).. | false | true | false | |
909 | 2026-02-23T10:47:18.231000Z | 2026-02-23T10:47:18.231000Z | Lec. | Диаграмма работы иерархического классификатора | false | true | false | |
908 | 2026-02-23T10:47:16.087000Z | 2026-02-23T13:39:00.342000Z | Lec. | Текстовые данные статьи вместе с названием первой рубрики ГРНТИ подаются на вход второй модели BERT, которая использует предоставленную информацию для предсказания | Текстовые данные статьи вместе с названием первой рубрики ГРН подаются на вход второй модели BERT, которая использует предоставленную информацию для предсказания | false | true | true |
907 | 2026-02-23T10:47:14.247000Z | 2026-02-23T10:47:14.247000Z | Lec. | Для каждой модели BERT результатом классификации является численная метка рубрики ГРНТИ, к которой подбирается текстовое представление из словаря ГРНТИ | false | true | false | |
906 | 2026-02-23T10:47:12.703000Z | 2026-02-23T10:47:12.703000Z | Lec. | Иерархические классификаторы учитывают структуру взаимосвязей между классами, организованную в виде дерева (рис. 14) | false | true | false | |
905 | 2026-02-23T10:47:11.007000Z | 2026-02-23T10:47:11.007000Z | Lec. | Диаграмма работы плоского классификатора | false | false | false | |
904 | 2026-02-23T10:47:09.260000Z | 2026-02-23T17:20:48.820000Z | Lec. | Названия классов 1-го уровня, предсказания моделей для 1-го уровня ГРНТИ не учитываются, пому процесс обучения модели для предсказания 2-го уровня аналогичен процессу обучения для модели 1-го уровня ГРНТИ | Названия классов 1-го уровня не учитываются, поскольку предсказания моделей для 1-го уровня ГРНТИ аналогичны процессу обучения модели для предсказания 2-го уровня, который является аналогом процесса обучения модели 1-го уровня ГРНТИ. | false | true | true |
903 | 2026-02-23T10:47:07.630000Z | 2026-02-23T13:35:40.713000Z | Lec. | При использовании плоского классификатора все классы рассматриваются как независимые и равноправные, без учета возможных взаимосвязей между ними (рис. 13) | При использовании плоского классификатора все классы рассматриваются как независимые и равноправные, без учета возможных взаимосвязей между ними (см. рис. 13) | false | true | true |
902 | 2026-02-23T10:47:05.993000Z | 2026-02-23T10:47:05.993000Z | Lec. | Процесс подготовки данных для тренировки совпадает с процессом подготовки данных для плоского классификатора, но в начало текста каждой статьи добавляются названия рубрик 2-го, порядка, к которым она относится по мнению экспертов | false | true | false | |
901 | 2026-02-23T10:47:04.097000Z | 2026-02-23T13:50:10.916000Z | Lec. | Для плоского классификатора после удаления экземпляров классов выполняется обработка данных, совпадающая с обработкой данных для 1-го датасета при классификации по 1-му уровню ГРНТИ | Для плоского классификатора после удаления экземпляров классов выполняется обработка данных, совпадающая с обработкой данных для 1-го датасета при классификации по 1-му уровню ГРНТ | false | true | true |
900 | 2026-02-23T10:47:02.512000Z | 2026-02-23T10:47:02.512000Z | Lec. | Количество оставшихся классов 2-й уровень ГРНТИ | false | true | false | |
899 | 2026-02-23T10:47:00.991000Z | 2026-02-23T10:47:00.991000Z | Lec. | Кол-во удаляемых классов 2-й уровень ГРНТИ | false | false | false | |
898 | 2026-02-23T10:46:59.518000Z | 2026-02-23T16:53:21.055000Z | Lec. | Ниже представлены графики количества экземпляров для удаленных (рис. 11) и оставленных классов (рис. 12) | Ниже представлены графики количества экземпляров для удаленных (рис. 11) и оставленных классов (рис. 12). | false | true | true |
897 | 2026-02-23T10:46:57.873000Z | 2026-02-23T13:24:36.101000Z | Lec. | После удаления 207 классов ГРНТИ-1 в обучающей выборке осталось 279659 текстов, распределенных по 246-классам ГРНТИ-1 | После удаления 207 классов ГРНТИ-1 в обучающей выборке осталось 279659 текстов, распределенных по 246 классам ГРНТИ-1 | false | true | true |
896 | 2026-02-23T10:46:56.021000Z | 2026-02-23T10:46:56.021000Z | Lec. | Для решения задачи мультиклассификации для 2-го уровня ГРНТИ был составлен тренировочный датасет:. удалены экземпляры 207 классов ГРНТИ 2-ого уровня, которые имеют < 300 текстов;. удалены экземпляры датасета, текст для которых имеет < 10 символов | false | true | false | |
895 | 2026-02-23T10:46:54.444000Z | 2026-02-23T13:46:29.316000Z | Lec. | График зависимости f1 от threshold на тестовом датасете при обучении с методом LORA | График зависимости f1 от threshold на тестовом датасете при обучении методом LORA. | false | true | true |
894 | 2026-02-23T10:46:52.811000Z | 2026-02-23T18:10:07.236000Z | Lec. | График зависимости f1 от threshold на тестовом датасете при обучении только слоя для классификации | График зависимости f1 от threshold на тестовом датасете при обучении только слоя для классификации | false | true | true |
893 | 2026-02-23T10:46:50.682000Z | 2026-02-23T10:46:50.682000Z | Lec. | Графики для результатов тестирования при обучении только слоя классификации (рис. 9) и обучении с методом LoRA (рис. 10) представлены ниже | false | true | false | |
892 | 2026-02-23T10:46:48.645000Z | 2026-02-23T10:46:48.645000Z | Lec. | Обучение с методом LoRA. 0.45. 0,79. 0,802. 0,8 | false | false | false | |
891 | 2026-02-23T10:46:46.974000Z | 2026-02-23T10:46:46.974000Z | Lec. | Обучение слоя для классификации. 0,35. 0,667. 0,71. 0,705 | false | false | false | |
890 | 2026-02-23T10:46:45.226000Z | 2026-02-23T10:46:45.226000Z | Lec. | Таблица 3 — Усредненные метрики для обучения только слоя классификации и только с методом LoRA | false | false | false | |
889 | 2026-02-23T10:46:43.719000Z | 2026-02-23T10:46:43.719000Z | Lec. | Ниже представлена таблица с результатами для метрик (таб. 3) | false | true | false | |
888 | 2026-02-23T10:46:42.230000Z | 2026-02-23T10:46:42.230000Z | Lec. | При обучении использовались тренировочные и тестовые данные 1-го датасета, обучение происходило в течение 8 эпох | false | false | false | |
887 | 2026-02-23T10:46:40.190000Z | 2026-02-23T10:46:40.190000Z | Lec. | Для решения задачи классификации 1-го уровня ГРНТИ моделью BERT были предложены два способа: использование метода PEFT LoRA и обучение только слоя классификации | false | true | false | |
886 | 2026-02-23T10:46:38.561000Z | 2026-02-23T16:38:45.793000Z | Lec. | График зависимости f1 от threshold на тестовом датасете для классификации при добавлении расшифровок рядом с сокращениями | График зависимости f1 от threshold на тестовом датасете для классификации при добавлении расшифровок рядом с сокращениями. | false | true | true |
885 | 2026-02-23T10:46:36.833000Z | 2026-02-23T10:46:36.833000Z | Lec. | График зависимости f1 от threshold на тестовом датасете для классификации при замене сокращений на их расшифровки | false | true | false | |
884 | 2026-02-23T10:46:35.104000Z | 2026-02-23T17:08:12.555000Z | Lec. | График зависимости f1 от threshold на тестовом датасете для классификации без использования словаря сокращений | График зависимости f1 от threshold на тестовом датасете для классификации без использования словаря сокращений. | false | true | true |
883 | 2026-02-23T10:46:33.243000Z | 2026-02-23T13:33:29.655000Z | Lec. | Графики для результатов тестирования моделей, обученных на 1-м, 2-м, 3-м датасете, представлены ниже (рис. 6, 7, 8) | Графики результатов тестирования моделей, обученных на 1-м, 2-м и 3-м датасетах, представлены ниже (рис. 6, 7 и 8). | false | true | true |
882 | 2026-02-23T10:46:31.582000Z | 2026-02-23T10:46:31.582000Z | Lec. | Расшифровки рядом с сокращениями. 0.5. 0,82. 0,839. 0,838 | false | false | false | |
881 | 2026-02-23T10:46:29.761000Z | 2026-02-23T10:46:29.761000Z | Lec. | Замена сокращений расшифровками. 0.5. 0,822. 0,84. 0,838 | false | false | false | |
880 | 2026-02-23T10:46:28.052000Z | 2026-02-23T10:46:28.052000Z | Lec. | Без словаря сокращений. 0.45. 0,823. 0,84. 0,839 | false | false | false | |
879 | 2026-02-23T10:46:26.155000Z | 2026-02-23T10:46:26.155000Z | Lec. | Лучший threshold. f1_macro. f1_micro. f1_weighted | true | false | false | |
878 | 2026-02-23T10:46:24.001000Z | 2026-02-23T15:40:39.994000Z | Lec. | Использование словаря сокращений | Используя словарь сокращений. | false | true | true |
877 | 2026-02-23T10:46:22.108000Z | 2026-02-23T10:46:22.108000Z | Lec. | Таблица 2 — Усредненные метрики для разных вариантов работы со словарем сокращений | false | true | false | |
876 | 2026-02-23T10:46:20.219000Z | 2026-02-23T13:46:10.927000Z | Lec. | Таблица для сравнения усредненных метрик f1 для различных вариантов работы со словарем сокращений представлена ниже (таб. 2) | Таблица для сравнения усредненных метрик f1 различных вариантов работы со словарем сокращений представлена ниже (таб. 2). | false | true | true |
875 | 2026-02-23T10:46:18.653000Z | 2026-02-23T10:46:18.653000Z | Lec. | При обучении на 1-м, 2-м, 3-м датасете в течение 16 эпох были получены лучшие результаты по метрике f1-score | false | true | false | |
874 | 2026-02-23T10:46:17.021000Z | 2026-02-23T17:39:44.114000Z | Lec. | Для 3-го и 1-го датасета данные совпадают, но рядом со всеми сокращениями в текст добавлены их расшифровки | Для 3-го и 1-го датасета данные совпадают, но к каждому сокращению добавлены их расшифровки. | false | true | true |
873 | 2026-02-23T10:46:15.498000Z | 2026-02-23T10:46:15.498000Z | Lec. | Данные для 2-го и 1-го датасета совпадают, но все сокращения заменены на их расшифровки | true | true | false | |
872 | 2026-02-23T10:46:13.643000Z | 2026-02-23T13:47:01.281000Z | Lec. | Применение к текстам токенизатора “DeepPavlov/rubert-base-cased” c понижением регистра букв для получения следующей информации:. input_ids — массив чисел, каждое из которых соответствует одному токену;. attention_mask — массив нулей и единиц, который указывает модели, какие токены следует учитывать, а какие игнорировать;. token_type_ids — массив, используется в моделях, в которые подаются несколько последовательностей для их разделения | Применение к текстам токенизатора «DeepPavlov/rubert-base-cased» с понижением регистра букв для получения следующей информации: input_ids — массив чисел, каждое из которых соответствует одному токену. attention_mask — массив нулей и единиц, который указывает модели, какие токены следует учитывать, а какие игнорировать. token_type_ids — массив, используемый в моделях, в которые подаются несколько последовательностей для их разделения. | false | true | true |
871 | 2026-02-23T10:46:11.029000Z | 2026-02-23T13:41:55.283000Z | Lec. | Кодирование классов; | Кодировка классов; | false | true | true |
870 | 2026-02-23T10:46:09.284000Z | 2026-02-23T17:07:31.409000Z | Lec. | Разделение названий, текстов и ключевых слов специальными символами для каждой статьи (“SEP”); | Разделение названий, текстов и ключевых слов специальными символами для каждой статьи («SEP»); | false | true | true |
869 | 2026-02-23T10:46:07.675000Z | 2026-02-23T10:46:07.675000Z | Lec. | После удаления статей из датасета выполняются следующие действия: | false | true | false | |
868 | 2026-02-23T10:46:04.269000Z | 2026-02-23T10:46:04.269000Z | Lec. | Количество оставшихся текстов по рубрикам 1-го уровня ГРНТИ | false | true | false | |
867 | 2026-02-23T10:46:02.764000Z | 2026-02-23T10:46:02.764000Z | Lec. | Количество удаляемых текстов. 1-й уровень ГРНТИ | false | true | false | |
866 | 2026-02-23T10:46:01.272000Z | 2026-02-23T10:46:01.272000Z | Lec. | После удаления 11 классов ГРНТИ-1 в обучающей выборке осталось 290794 текстов, распределенных по 36 классам ГРНТИ-1 | false | true | false | |
865 | 2026-02-23T10:45:59.712000Z | 2026-02-23T13:40:05.379000Z | Lec. | Ниже представлены графики количества экземпляров для удаленных (рис. 4) и оставленных классов (рис. 5) | Ниже представлено два графика: количество экземпляров для удаленных (рис. 4) и оставленных классов (рис. 5) | false | true | true |
864 | 2026-02-23T10:45:58.065000Z | 2026-02-23T16:20:48.475000Z | Lec. | В тестовом датасете находится 166183 текстов, распределенных по классам ГРНТИ 1-го, 2-го и 3-го уровней | В тестовом датасете находится 166183 количества текстов, распределенных по классам ГРНТИ 1-го, 2-го и 3-го уровней. | false | true | true |
863 | 2026-02-23T10:45:56.293000Z | 2026-02-23T15:53:21.255000Z | Lec. | При составлении тестового датасета не удалялись статьи с рубриками ГРНТИ, которые отсутствуют в тренировочном датасете, что позволило корректно оценивать качество работы системы классификации | При составлении тестового датасета не удалялись статьи с рубриками ГРНТИ, которые отсутствуют в тренировочном наборе данных, что позволило корректно оценивать качество работы системы классификации | false | true | true |
862 | 2026-02-23T10:45:54.709000Z | 2026-02-23T10:45:54.709000Z | Lec. | Ниже описан процесс обработки данных для дальнейшего обучения:. 1) Для каждой статьи из тренировочного датасета кодируются рубрики ГРНТИ 1-ого уровня числами от 0 до M-1, где M— число уникальных рубрик 2-ого уровня в тренировочных данных, сохраняем словарь, где ключи: рубрики ГРНТИ 2-ого уровня, а значения: кодировки рубрик. 2) Для каждой статьи из тренировочного датасета соединяем в одну строку через «[SEP]» название, аннотацию, ключевые слова, затем текст кодируется (применяется кодировщик BERT). 3) Из датасета удалены 11 классов ГРНТИ 1-ого уровня с наименьшим количеством экземпляров (< 600 текстов в рубрике);. 4) Удалены экземпляры датасета, текст для которых имеет < 10 символов | false | false | false | |
861 | 2026-02-23T10:45:52.651000Z | 2026-02-23T10:45:52.651000Z | Lec. | Для составления 1-го тренировочного датасета не использовался словарь сокращений | false | true | false | |
860 | 2026-02-23T10:45:50.804000Z | 2026-02-23T13:33:55.586000Z | Lec. | Для проверки данного гипотезу было составлено 3 обучающих и тестовых датасета | Для проверки данной гипотезы было составлено 3 обучающих и тестовых датасета | false | true | true |
859 | 2026-02-23T10:45:48.969000Z | 2026-02-23T13:40:15.572000Z | Lec. | Было сделано предположение, что использование словаря сокращений ВИНИТИ РАН при подготовке текстов для классификации оказывает позитивное влияние на качество предсказаний | Было сделано предположение, что использование словаря сокращений ВИНИТИ РАН при подготовке текстов для классификации оказывает положительное влияние на качество предсказаний. | false | true | true |
858 | 2026-02-23T10:45:47.158000Z | 2026-02-23T15:52:31.147000Z | Lec. | В текстах аннотаций научных статей встречаются аббревиатуры и сокращения | В текстах аннотаций научных статей встречаются аббревиатуры и сокращения | false | true | true |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.