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 |
|---|---|---|---|---|---|---|---|---|
10,457 | 2026-02-24T09:55:57.538000Z | 2026-02-24T09:55:57.538000Z | Lec. | Adams Dudley // Journal of Biomedical Informatics. – 2015. – Vol. 54. – P. 114-120. 15 | false | true | false | |
10,456 | 2026-02-24T09:55:55.601000Z | 2026-02-24T09:55:55.601000Z | Lec. | John Boscardin, R | true | true | false | |
10,455 | 2026-02-24T09:55:54.029000Z | 2026-02-24T09:55:54.029000Z | Lec. | Marafino, W | false | false | false | |
10,454 | 2026-02-24T09:55:52.283000Z | 2026-02-24T09:55:52.283000Z | Lec. | Efficient and sparse feature selection for biomedical text classification via the elastic net: Application to ICU risk stratification from nursing notes / B | false | false | false | |
10,453 | 2026-02-24T09:55:50.138000Z | 2026-02-24T09:55:50.138000Z | Lec. | Marafino, B | false | true | false | |
10,452 | 2026-02-24T09:55:48.555000Z | 2026-02-24T09:55:48.555000Z | Lec. | Emani [et al.]. – 2023. 14 | false | true | false | |
10,451 | 2026-02-24T09:55:46.727000Z | 2026-02-24T09:55:46.727000Z | Lec. | Chitty-Venkata, S | false | true | false | |
10,450 | 2026-02-24T09:55:45.112000Z | 2026-02-24T09:55:45.112000Z | Lec. | Vol. 144 / K | false | false | false | |
10,449 | 2026-02-24T09:55:43.520000Z | 2026-02-24T09:55:43.520000Z | Lec. | A survey of techniques for optimizing transformer inference | false | true | false | |
10,448 | 2026-02-24T09:55:41.805000Z | 2026-02-24T09:55:41.805000Z | Lec. | Abdelgawad // Algorithms. – 2022. – Vol. 15. – № 4. 13 | false | true | false | |
10,447 | 2026-02-24T09:55:39.869000Z | 2026-02-24T09:55:39.869000Z | Lec. | Yanambaka, A | false | false | false | |
10,446 | 2026-02-24T09:55:38.317000Z | 2026-02-24T09:55:38.317000Z | Lec. | Convolutional-Neural-Network-Based Handwritten Character Recognition: An Approach with Massive Multisource Data / N | false | true | false | |
10,445 | 2026-02-24T09:55:36.630000Z | 2026-02-24T09:55:36.630000Z | Lec. | Naorem // Multimedia Tools and Applications. – 2023. – Vol. 82. – № 1. – P. 945-968. 12 | false | true | false | |
10,444 | 2026-02-24T09:55:34.749000Z | 2026-02-24T09:55:34.749000Z | Lec. | Movie genre classification using binary relevance, label powerset, and machine learning classifiers / S | false | false | false | |
10,443 | 2026-02-24T09:55:32.806000Z | 2026-02-24T09:55:32.806000Z | Lec. | MonkeyLearn. – URL: https://help.monkeylearn.com/en/ (date accessed: 09.05.2025). – Text : electronic. 11 | false | true | false | |
10,442 | 2026-02-24T09:55:30.653000Z | 2026-02-24T09:55:30.653000Z | Lec. | Henke // SN Computer Science. – 2023. – Vol. 4. – № 5. 10 | false | true | false | |
10,441 | 2026-02-24T09:55:28.727000Z | 2026-02-24T09:55:28.727000Z | Lec. | Golimblevskaia, M | true | false | false | |
10,440 | 2026-02-24T09:55:27.141000Z | 2026-02-24T09:55:27.141000Z | Lec. | Ermakova, B | true | false | false | |
10,439 | 2026-02-24T09:55:25.495000Z | 2026-02-24T09:55:25.495000Z | Lec. | A Comparison of Commercial Sentiment Analysis Services / T | false | true | false | |
10,438 | 2026-02-24T09:55:23.790000Z | 2026-02-24T09:55:23.790000Z | Lec. | Toutanova // NAACL HLT 2019 - 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies - Proceedings of the Conference. – 2019. – Vol. 1. – P. 4171-4186. 9 | false | true | false | |
10,437 | 2026-02-24T09:55:21.866000Z | 2026-02-24T09:55:21.866000Z | Lec. | BERT: Pre-training of deep bidirectional transformers for language understanding / J | false | true | false | |
10,436 | 2026-02-24T09:55:20.065000Z | 2026-02-24T09:55:20.065000Z | Lec. | Lee [et al.] // RecSys 2021 - 15th ACM Conference on Recommender Systems. – 2021. 8 | false | false | false | |
10,435 | 2026-02-24T09:55:18.249000Z | 2026-02-24T09:55:18.249000Z | Lec. | Transformers4Rec: Bridging the Gap between NLP and sequential/session-based recommendation / G | false | true | false | |
10,434 | 2026-02-24T09:55:16.354000Z | 2026-02-24T09:55:16.354000Z | Lec. | Zhang // Applied and Computational Engineering. – 2024. – Vol. 44. – № 1. – P. 56-67. 7 | false | false | false | |
10,433 | 2026-02-24T09:55:14.504000Z | 2026-02-24T09:55:14.504000Z | Lec. | The comparison and analysis of Skip-gram and CBOW in creating financial sentimental dictionary / X | false | true | false | |
10,432 | 2026-02-24T09:55:12.753000Z | 2026-02-24T09:55:12.753000Z | Lec. | Soloveva // 14th International Workshops on Semantic Evaluation, SemEval 2020 - co-located 28th International Conference on Computational Linguistics, COLING 2020, Proceedings. – 2020. – P. 1055-1059. 6 | false | true | false | |
10,431 | 2026-02-24T09:55:10.493000Z | 2026-02-24T09:55:10.493000Z | Lec. | SO at SemEval-2020 Task 7: DeepPavlov Logistic Regression with BERT Embeddings vs SVR at Funniness Evaluation / A | false | true | false | |
10,430 | 2026-02-24T09:55:08.542000Z | 2026-02-24T09:55:08.542000Z | Lec. | Soloveva, A | true | false | false | |
10,429 | 2026-02-24T09:55:07.025000Z | 2026-02-24T09:55:07.025000Z | Lec. | Micro, Macro & Weighted Averages of F1 Score, Clearly Explained. 5 | false | true | false | |
10,428 | 2026-02-24T09:55:05.029000Z | 2026-02-24T09:55:05.029000Z | Lec. | Cotterell // Transactions of the Association for Computational Linguistics. – 2020. – Vol. 8. – P. 795-809. 4 | false | true | false | |
10,427 | 2026-02-24T09:55:02.691000Z | 2026-02-24T09:55:02.691000Z | Lec. | Best-first beam search / C | false | true | false | |
10,426 | 2026-02-24T09:55:01.162000Z | 2026-02-24T09:55:01.162000Z | Lec. | Text classification using transformer models / NewTechAudit. – 2022. – Vol. 9. – P. 356-363. 3 | false | false | false | |
10,425 | 2026-02-24T09:54:59.052000Z | 2026-02-24T09:54:59.052000Z | Lec. | NewTechAudit | false | false | false | |
10,424 | 2026-02-24T09:54:57.257000Z | 2026-02-24T09:54:57.257000Z | Lec. | Wang [et al.] // Journal of Biomedical Informatics. – 2020. – Vol. 108. 2 | false | true | false | |
10,423 | 2026-02-24T09:54:55.265000Z | 2026-02-24T09:54:55.265000Z | Lec. | Adversarial active learning for the identification of medical concepts and annotation inconsistency / G | false | false | false | |
10,422 | 2026-02-24T09:54:53.230000Z | 2026-02-24T09:54:53.230000Z | Lec. | Программа отвечает требованиям по качеству и скорости обработки текстов. 1 | false | true | false | |
10,421 | 2026-02-24T09:54:51.432000Z | 2026-02-24T09:54:51.432000Z | Lec. | Создано консольное приложение, которое может работать как с табличными текстами, так и с таблицами в формате excel | false | true | false | |
10,420 | 2026-02-24T09:54:49.684000Z | 2026-02-24T09:54:49.684000Z | Lec. | Для третьего уровня был также проведен подбор всех гиперпараметров, проведена оценка различных характеристик текста на точность классификации | false | true | false | |
10,419 | 2026-02-24T09:54:48.112000Z | 2026-02-24T09:54:48.112000Z | Lec. | Был проведено исследование влияния нормализованных токенов на результаты обучения, которые выявили незначительное ухудшение показателей f1 | false | true | false | |
10,418 | 2026-02-24T09:54:46.349000Z | 2026-02-24T09:54:46.349000Z | Lec. | Найдены наилучшие значения параметров оптимизатора AdamW для различных размеров выборки датасета на втором уровне | false | true | false | |
10,417 | 2026-02-24T09:54:44.681000Z | 2026-02-24T09:54:44.681000Z | Lec. | Была решена проблема несбалансированности данных за счет использования степенной функции потерь с подбором коэффициентов | false | true | false | |
10,416 | 2026-02-24T09:54:43.043000Z | 2026-02-24T09:54:43.043000Z | Lec. | Проведены эксперименты по различным способам обработки данных, в ходе которых выяснилось, что удаление чисел и преобразование формул улучшает результаты предсказаний | false | true | false | |
10,415 | 2026-02-24T09:54:41.298000Z | 2026-02-24T09:54:41.298000Z | Lec. | Был подготовлен алгоритм подготовки данных, включающий в себя лемматизацию и очистку от паразитных слов | false | true | false | |
10,414 | 2026-02-24T09:54:39.485000Z | 2026-02-24T09:54:39.485000Z | Lec. | Создана иерархическая архитектура для на основе моделей BERT и TF–IDF для поэтапной классификации всех уровней ГРНТИ | false | true | false | |
10,413 | 2026-02-24T09:54:37.825000Z | 2026-02-24T09:54:37.825000Z | Lec. | В ходе проведенной работы был разработан классификатор русскоязычных научных статей по всем трем уровням ГРНТИ | false | true | false | |
10,412 | 2026-02-24T09:54:36.175000Z | 2026-02-24T09:54:36.175000Z | Lec. | Анализировались их ключевые характеристики и параметры, а также исследовались подходы к решению задач классификации иерархически организованных данных | false | true | false | |
10,411 | 2026-02-24T09:54:34.404000Z | 2026-02-24T09:54:34.404000Z | Lec. | В данном исследовании были изучены разные методы обработки естественного языка и модели машинного обучения, основанные на архитектуре трансформеров | false | true | false | |
10,410 | 2026-02-24T09:54:32.467000Z | 2026-02-24T09:54:32.467000Z | Lec. | Результат применения программы для файла представлен на рисунке ниже | false | true | false | |
10,409 | 2026-02-24T09:54:30.041000Z | 2026-02-24T09:54:30.041000Z | Lec. | Среднее время работы для одной строки составило 5.2 секунды | false | true | false | |
10,408 | 2026-02-24T09:54:28.330000Z | 2026-02-24T09:54:28.330000Z | Lec. | Пример строки запуска программы: | false | true | false | |
10,407 | 2026-02-24T09:54:21.462000Z | 2026-02-24T09:54:21.462000Z | Lec. | Необязательный | false | true | false | |
10,406 | 2026-02-24T09:54:19.312000Z | 2026-02-24T09:54:19.312000Z | Lec. | Необязательный. -l3 | false | true | false | |
10,405 | 2026-02-24T09:54:17.684000Z | 2026-02-24T09:54:17.684000Z | Lec. | Порог уверенности. модели в предсказании для второго уровня в процентах | false | true | false | |
10,404 | 2026-02-24T09:54:16.121000Z | 2026-02-24T09:54:16.121000Z | Lec. | Необязательный. -l2 | false | true | false | |
10,403 | 2026-02-24T09:54:14.466000Z | 2026-02-24T09:54:14.466000Z | Lec. | Минимальный порог уверенности модели в предсказании для первого уровня в процентах | false | true | false | |
10,402 | 2026-02-24T09:54:12.831000Z | 2026-02-24T09:54:12.831000Z | Lec. | Обязательный. -l1 | false | true | false | |
10,401 | 2026-02-24T09:54:11.137000Z | 2026-02-24T09:54:11.137000Z | Lec. | Путь к файлу с результатами | false | true | false | |
10,400 | 2026-02-24T09:54:09.164000Z | 2026-02-24T09:54:09.164000Z | Lec. | Обязательный. -o | false | true | false | |
10,399 | 2026-02-24T09:54:07.303000Z | 2026-02-24T09:54:07.303000Z | Lec. | Путь к фалу с работами для классификации | false | true | false | |
10,398 | 2026-02-24T09:54:05.771000Z | 2026-02-24T09:54:05.772000Z | Lec. | Параметры запуска консольного приложения | false | true | false | |
10,397 | 2026-02-24T09:54:04.332000Z | 2026-02-24T09:54:04.332000Z | Lec. | Для быстрой и удобной работы с приложением созданы флаги, которые позволяют сразу указывать параметры | false | true | false | |
10,396 | 2026-02-24T09:54:02.323000Z | 2026-02-24T09:54:02.323000Z | Lec. | Программа может принимать на вход файлы excel или csv и выдает файл в таком же формате с ответами | false | true | false | |
10,395 | 2026-02-24T09:54:00.762000Z | 2026-02-24T09:54:00.762000Z | Lec. | Приложение скомпилировано под OS Windows 11 | false | true | false | |
10,394 | 2026-02-24T09:53:59.256000Z | 2026-02-24T09:53:59.256000Z | Lec. | Программа была скомпилирована при помощи библиотеки nuitka, которая компилирует программу в код C++ для ускорения работы | false | true | false | |
10,393 | 2026-02-24T09:53:57.711000Z | 2026-02-24T09:53:57.712000Z | Lec. | Приложение состоит из шести частей:. файл main.py;. папка с моделью первого уровня;. папка с моделями второго уровня;. папка с моделями третьего уровня;. папка для хранения таблиц для классификатора;. readme инструкция по работе | false | false | false | |
10,392 | 2026-02-24T09:53:55.858000Z | 2026-02-24T09:53:55.858000Z | Lec. | Приложение создано на Python версии 3.12 и использует библиотеки:. 1. numpy==1.26.4. 2. pandas==2.2.2. 3. scikit_learn==1.4.0. 4. torch==2.3.0.dev20231226+cu121. 5. transformers==4.37.2. 6. joblib==1.4.2. 7. nltk==3.9.1 | false | false | false | |
10,391 | 2026-02-24T09:53:54.059000Z | 2026-02-24T09:53:54.059000Z | Lec. | Приложение применяет разработанный ранее алгоритм, который позволяет последовательно задействовать каскад моделей для классификации каждого уровня | false | true | false | |
10,390 | 2026-02-24T09:53:52.522000Z | 2026-02-24T09:53:52.522000Z | Lec. | Она предоставляет пользователям возможность классифицировать значительные объемы текстов с помощью команд | false | true | false | |
10,389 | 2026-02-24T09:53:50.764000Z | 2026-02-24T09:53:50.764000Z | Lec. | Консольная утилита служит интерфейсом для работы с моделями BERT | false | true | false | |
10,388 | 2026-02-24T09:53:48.972000Z | 2026-02-24T09:53:48.972000Z | Lec. | В отличие от обычной F1, где ошибка классификации считается одинаково критичной независимо от типа класса, иерархическая F1 вводит штрафы за ошибки в зависимости от того, насколько далеко в иерархии находятся ошибочно предсказанные и истинные классы | false | true | false | |
10,387 | 2026-02-24T09:53:47.312000Z | 2026-02-24T09:53:47.313000Z | Lec. | Иерархическая F1 (Hierarchical F1–score, H–F1) [49] – модификация стандартной F1–метрики, которая учитывает структуру взаимосвязей между классами | false | true | false | |
10,386 | 2026-02-24T09:53:45.563000Z | 2026-02-24T09:53:45.563000Z | Lec. | F1. 34. 06. 28. 20. 31. 52. 76. 64. 61. 30. 90. 65. 29. 87. 49. 15. 44. 27. 70. 82. 38. 81. 37. 41. 53. 50. 60. 36. 73. 39. 89. 66. 47. 45. 68. 82 | false | false | false | |
10,385 | 2026-02-24T09:53:43.650000Z | 2026-02-24T09:53:43.650000Z | Lec. | Confusion matrix для первого уровня | false | true | false | |
10,384 | 2026-02-24T09:53:41.689000Z | 2026-02-24T09:53:41.689000Z | Lec. | F1 здесь среднее гармоническое между точностью и полнотой | false | true | false | |
10,383 | 2026-02-24T09:53:39.919000Z | 2026-02-24T09:53:39.919000Z | Lec. | Ниже представлена confusion matrix [48] для классификатора первого уровня | false | true | false | |
10,382 | 2026-02-24T09:53:38.212000Z | 2026-02-24T09:53:38.212000Z | Lec. | Для третьего уровня не учитывались рубрики, в которых был только 1 класс, а также те, где длина в датасете меньше 30 | false | true | false | |
10,381 | 2026-02-24T09:53:36.636000Z | 2026-02-24T09:53:36.636000Z | Lec. | Дальнейший прирост точности составлял менее 0,04 | false | true | false | |
10,380 | 2026-02-24T09:53:34.926000Z | 2026-02-24T09:53:34.926000Z | Lec. | Каждая модель 2 уровня обучалась на 4 эпохах, так как на таком количестве все модели сходились | false | true | false | |
10,379 | 2026-02-24T09:53:33.258000Z | 2026-02-24T09:53:33.258000Z | Lec. | В некоторых срезах второго уровня только 1 класс, такие классы не учитывались при подсчете средних медианных f1 | false | true | false | |
10,378 | 2026-02-24T09:53:31.605000Z | 2026-02-24T09:53:31.605000Z | Lec. | F1_micro. 1. 2. 0,85. 0,78. 0,85. 3. 0,78. 0,72. 0,78 | false | false | false | |
10,377 | 2026-02-24T09:53:29.860000Z | 2026-02-24T09:53:29.860000Z | Lec. | F1_weighted | false | false | false | |
10,376 | 2026-02-24T09:53:28.227000Z | 2026-02-24T09:53:28.227000Z | Lec. | Итоговые результаты для всех трех уровней | true | true | false | |
10,375 | 2026-02-24T09:53:24.317000Z | 2026-02-24T09:53:24.317000Z | Lec. | Для рубрик второго и третьего уровня метрики усреднялись | false | true | false | |
10,374 | 2026-02-24T09:53:22.726000Z | 2026-02-24T09:53:22.726000Z | Lec. | Результаты для каждого уровня классификации представлены в таблице ниже | false | true | false | |
10,373 | 2026-02-24T09:53:21.195000Z | 2026-02-24T09:53:21.195000Z | Lec. | Это, вероятно, можно объяснить тем, что такие токены встречаются не во всех текстах, поскольку они были сформированы в процессе обработки формул | false | true | false | |
10,372 | 2026-02-24T09:53:19.549000Z | 2026-02-24T09:53:19.549000Z | Lec. | Следует отметить, что специальные токены демонстрируют низкую корреляцию с другими показателями | false | true | false | |
10,371 | 2026-02-24T09:53:17.919000Z | 2026-02-24T09:53:17.919000Z | Lec. | Наиболее значимым фактором в данном контексте выступает общая длина строк, а также уровень лексического разнообразия текстов | false | true | false | |
10,370 | 2026-02-24T09:53:16.158000Z | 2026-02-24T09:53:16.158000Z | Lec. | Лексическое разнообразие. 0,31. 2, 17 × 10–11 | false | true | false | |
10,369 | 2026-02-24T09:53:14.427000Z | 2026-02-24T09:53:14.427000Z | Lec. | Доля спец токенов. 0,19. 5,51 × 10–5 | false | true | false | |
10,368 | 2026-02-24T09:53:12.600000Z | 2026-02-24T09:53:12.600000Z | Lec. | Медианная длина одной строки. 0,59. 3,27 × 10–42 | false | false | false | |
10,367 | 2026-02-24T09:53:10.730000Z | 2026-02-24T09:53:10.730000Z | Lec. | Средняя длинна одной строки. 0,64. 2,28 ×10–50 | false | false | false | |
10,366 | 2026-02-24T09:53:09.121000Z | 2026-02-24T09:53:09.121000Z | Lec. | Количество строк внутри массива. 0,19. 5,35 × 10–5 | false | false | false | |
10,365 | 2026-02-24T09:53:07.313000Z | 2026-02-24T09:53:07.313000Z | Lec. | Корреляция с f1 weighted. p–value | false | false | false | |
10,364 | 2026-02-24T09:53:05.506000Z | 2026-02-24T09:53:05.506000Z | Lec. | Корреляции признаков с качеством предсказания | false | true | false | |
10,363 | 2026-02-24T09:53:03.239000Z | 2026-02-24T09:53:03.239000Z | Lec. | Также был проведено исследование зависимостей качества классификации от средней и медианной длин текста в срезе, лексическое разнообразие (количество уникальных слов), количество строк в самом срезе, количество специальных токенов (были созданы при предобработке массива данных) | false | true | false | |
10,362 | 2026-02-24T09:53:01.241000Z | 2026-02-24T09:53:01.241000Z | Lec. | После grid Search удалось повысить метрику f1_weighted до 0,75 | false | true | false | |
10,361 | 2026-02-24T09:52:59.672000Z | 2026-02-24T09:52:59.672000Z | Lec. | Tol – критерий остановки в LinearSVC | false | true | false | |
10,360 | 2026-02-24T09:52:58.130000Z | 2026-02-24T09:52:58.130000Z | Lec. | Penalty – тип регуляризации в LinearSVC | false | true | false | |
10,359 | 2026-02-24T09:52:56.185000Z | 2026-02-24T09:52:56.185000Z | Lec. | Loss – функция потерь в LinearSVC | false | false | false | |
10,358 | 2026-02-24T09:52:54.601000Z | 2026-02-24T09:52:54.601000Z | Lec. | Fit intercept – добавление свободного члена в LinearSVC | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.