id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
10,107 | 2026-02-24T09:45:40.507000Z | 2026-02-24T09:45:40.507000Z | Lec. | В SBERT добавлен специальный слой, который преобразует последовательность токенов в единый вектор (обычно с использованием mean–pooling по последнему скрытому слою) | false | true | false | |
10,106 | 2026-02-24T09:45:38.940000Z | 2026-02-24T09:45:38.940000Z | Lec. | Эта архитектура предназначена для работы с предложениями, а не с отдельными словами | false | true | false | |
10,105 | 2026-02-24T09:45:37.294000Z | 2026-02-24T09:45:37.294000Z | Lec. | Другим методом оптимизации трансформеров является Sentence BERT (SBERT) [17] | false | true | false | |
10,104 | 2026-02-24T09:45:35.572000Z | 2026-02-24T09:45:35.572000Z | Lec. | В работе наглядно показывается, что RoBERTa превосходит традиционные трансформеры с фиксированным маскированием | false | true | false | |
10,103 | 2026-02-24T09:45:33.857000Z | 2026-02-24T09:45:33.857000Z | Lec. | Эти изменения дают преимущества по сравнению с обычным BERT | false | true | false | |
10,102 | 2026-02-24T09:45:32.247000Z | 2026-02-24T09:45:32.247000Z | Lec. | RoBERTa более тщательно подбирает гиперпараметры [16], включая более высокие learning rates на начальных этапах, что положительно сказывается на качестве | false | true | false | |
10,101 | 2026-02-24T09:45:30.493000Z | 2026-02-24T09:45:30.493000Z | Lec. | На каждом шаге обучения (batch) маски меняются, что дает модели возможность «угадывать» большее разнообразие скрытых токенов в разных контекстах. 3 | false | true | false | |
10,100 | 2026-02-24T09:45:28.917000Z | 2026-02-24T09:45:28.917000Z | Lec. | Модель обучалась на более крупных и разнообразных датасетах (например, Common Crawl, Reddit и др.), что позволило улучшить ее обобщающие способности. 2 | false | true | false | |
10,099 | 2026-02-24T09:45:27.140000Z | 2026-02-24T09:45:27.140000Z | Lec. | Основные отличия заключаются в следующем:. 1 | false | true | false | |
10,098 | 2026-02-24T09:45:25.293000Z | 2026-02-24T09:45:25.293000Z | Lec. | Усовершенствованной версией BERT является RoBERTa (Robustly Optimized BERT Approach) [15] | false | true | false | |
10,097 | 2026-02-24T09:45:23.365000Z | 2026-02-24T09:45:23.365000Z | Lec. | BERT показывает более высокую точность предсказаний по сравнению с устаревшими методами обработки текста | false | true | false | |
10,096 | 2026-02-24T09:45:21.615000Z | 2026-02-24T09:45:21.615000Z | Lec. | В работе продемонстрировано применение BERT для мультиклассового распознавания текстов | false | true | false | |
10,095 | 2026-02-24T09:45:19.880000Z | 2026-02-24T09:45:19.880000Z | Lec. | Эта модель была представлена в 2019 году и считается эталоном для сравнения всех остальных архитектур | false | true | false | |
10,094 | 2026-02-24T09:45:18.185000Z | 2026-02-24T09:45:18.185000Z | Lec. | Первой и наиболее известной моделью на основе трансформеров является BERT, которая одинаково успешно справляется с задачами классификации | false | true | false | |
10,093 | 2026-02-24T09:45:16.450000Z | 2026-02-24T09:45:16.450000Z | Lec. | Рисунок 5 – Общая архитектура трансформеров | false | true | false | |
10,092 | 2026-02-24T09:45:14.874000Z | 2026-02-24T09:45:14.874000Z | Lec. | Для улучшения стабильности и ускорения обучения внедряются нормализация слоев и регуляризация L2 [14] | false | true | false | |
10,091 | 2026-02-24T09:45:13.016000Z | 2026-02-24T09:45:13.016000Z | Lec. | За слоем самовнимания располагается блок сети с прямой передачей, который обрабатывает выходное представление каждой лексемы независимо | false | true | false | |
10,090 | 2026-02-24T09:45:11.241000Z | 2026-02-24T09:45:11.241000Z | Lec. | Для каждой головы внимания применяется своя матрица для векторов запроса (Q), ключа (K) и значения (V), что помогает модели выявлять разные языковые зависимости | false | true | false | |
10,089 | 2026-02-24T09:45:09.653000Z | 2026-02-24T09:45:09.653000Z | Lec. | Ключевым элементом кодера является многоголовый механизм самовнимания [13], позволяющий модулю внимания одновременно рассматривать различные аспекты взаимодействия лексем | false | true | false | |
10,088 | 2026-02-24T09:45:07.886000Z | 2026-02-24T09:45:07.886000Z | Lec. | Декодер генерирует выходную последовательность поэтапно, опираясь на закодированное представление кодера | false | true | false | |
10,087 | 2026-02-24T09:45:06.289000Z | 2026-02-24T09:45:06.289000Z | Lec. | Кодер принимает последовательность лексем и формирует для каждой из них скрытое представление, учитывающее контекст остальных лексем | false | true | false | |
10,086 | 2026-02-24T09:45:04.666000Z | 2026-02-24T09:45:04.666000Z | Lec. | В стандартной модели трансформер делится на две части: кодер и декодер | false | true | false | |
10,085 | 2026-02-24T09:45:02.854000Z | 2026-02-24T09:45:02.854000Z | Lec. | Общая структура трансформеров показана на рисунке 2 | false | true | false | |
10,084 | 2026-02-24T09:45:01.319000Z | 2026-02-24T09:45:01.319000Z | Lec. | Ключевое достоинство трансформеров заключается в возможности каждого токена из входной последовательности (например, слова или его части) взаимодействовать с другими токенами, не прибегая к последовательной обработке, как это делается в рекуррентных сетях | false | true | false | |
10,083 | 2026-02-24T09:44:59.524000Z | 2026-02-24T09:44:59.524000Z | Lec. | Трансформеры первого поколения основываются на принципе отказа от рекуррентных и сверточных [12] механизмов, акцентируя внимание на многоголовом внимании | false | true | false | |
10,082 | 2026-02-24T09:44:57.960000Z | 2026-02-24T09:44:57.960000Z | Lec. | К наиболее популярным относятся трансформеры и сочетания текстовых векторизаторов [11] с регрессионными моделями | false | true | false | |
10,081 | 2026-02-24T09:44:56.232000Z | 2026-02-24T09:44:56.232000Z | Lec. | На сегодняшний день имеется множество архитектур для классификации текстовых данных | false | true | false | |
10,080 | 2026-02-24T09:44:54.504000Z | 2026-02-24T09:44:54.504000Z | Lec. | Облачные сервисы не позволяют развертывать модель локально, а также требуют постоянной оплаты | false | true | false | |
10,079 | 2026-02-24T09:44:52.952000Z | 2026-02-24T09:44:52.952000Z | Lec. | Таким образом, не существует полноценного инструмента, который мог бы полноценно классифицировать текста по рубрикатору ГРНТИ без требования подключения к интернету и соблюдения условий конфиденциальности данных | false | true | false | |
10,078 | 2026-02-24T09:44:51.153000Z | 2026-02-24T09:44:51.153000Z | Lec. | Стоит отметить, что у этой платформы есть ограничение на объем данных, которые могут быть обработаны одновременно | false | true | false | |
10,077 | 2026-02-24T09:44:49.330000Z | 2026-02-24T09:44:49.330000Z | Lec. | В сервисе присутствует возможность разрабатывать индивидуальные модели на основе своих данных, что позволяет получать более точные результаты | false | true | false | |
10,076 | 2026-02-24T09:44:47.475000Z | 2026-02-24T09:44:47.475000Z | Lec. | MonkeyLearn [10] – платформа для машинного обучения, которая предназначена для классификации текстов с помощью заранее обученных моделей | false | true | false | |
10,075 | 2026-02-24T09:44:45.720000Z | 2026-02-24T09:44:45.720000Z | Lec. | В нашем случае использование облачных платформ нарушает принцип конфиденциальности, который является требованием к ПО | false | true | false | |
10,074 | 2026-02-24T09:44:44.020000Z | 2026-02-24T09:44:44.020000Z | Lec. | С их помощью возможно создавать модели классификации для выявления тем в данных | false | true | false | |
10,073 | 2026-02-24T09:44:42.083000Z | 2026-02-24T09:44:42.083000Z | Lec. | IBM Watson [9] – многозадачная облачная платформа, имеет широкий ассортимент работы с данными, в том числе классификации текстов | false | true | false | |
10,072 | 2026-02-24T09:44:40.304000Z | 2026-02-24T09:44:40.304000Z | Lec. | В итоге результаты были недостаточно высоки с учетом существовавших на тот момент технологий | false | true | false | |
10,071 | 2026-02-24T09:44:38.570000Z | 2026-02-24T09:44:38.570000Z | Lec. | В отличие от подхода в этой работе, где для каждого кода ГРНТИ на втором и третьем уровне создается своя модель, здесь есть одна модель только для каждого конкретного уровня | false | true | false | |
10,070 | 2026-02-24T09:44:36.938000Z | 2026-02-24T09:44:36.938000Z | Lec. | Для каждого уровня используется одна модель | false | true | false | |
10,069 | 2026-02-24T09:44:35.451000Z | 2026-02-24T09:44:35.451000Z | Lec. | Он был выполнен на языке Python в виде консольного приложения с трехуровневой классификацией, используя стандартную модель Bidirectional Encoder Representations from Transformers (BERT) [8] в связке с рекуррентными моделями | false | true | false | |
10,068 | 2026-02-24T09:44:33.590000Z | 2026-02-24T09:44:33.590000Z | Lec. | Классификатор кодов ГРНТИ Всероссийского Института Научной и Технической Информации, для замены которого создается эта разработка | false | true | false | |
10,067 | 2026-02-24T09:44:31.595000Z | 2026-02-24T09:44:31.595000Z | Lec. | На данный момент существует огромное количество классификаторов текстов, которые подходят под заданные критерии: иерархичность классификации, работа с большими текстами, возможность присвоения нескольких категорий одному тексту | false | true | false | |
10,066 | 2026-02-24T09:44:29.967000Z | 2026-02-24T09:44:29.967000Z | Lec. | Итоговая программа должна работать на персональном компьютере на ОС Windows 11 с 16 ГБ ОЗУ, 4 ядерным процессором, время полного прохода одного текста не должно превышать 6 секунд | false | true | false | |
10,065 | 2026-02-24T09:44:28.188000Z | 2026-02-24T09:44:28.188000Z | Lec. | Для этого планируется применять мягкая классификация на втором и третьем уровне, каждый из них сможет выдавать по 2 класса в зависимости от степени уверенности, который ввел пользователь (от 0 до 1) | false | true | false | |
10,064 | 2026-02-24T09:44:25.770000Z | 2026-02-24T09:44:25.770000Z | Lec. | Разработанный ансамбль должен также поддерживать нежесткую классификацию для второго и третьего уровня, так как научная работа может потенциально относиться к двум и более типам научных работ | false | true | false | |
10,063 | 2026-02-24T09:44:24.149000Z | 2026-02-24T09:44:24.149000Z | Lec. | Рисунок 4 – Общая схема программы | false | true | false | |
10,062 | 2026-02-24T09:44:22.264000Z | 2026-02-24T09:44:22.264000Z | Lec. | Примерная схема классификатора отображена на рисунке ниже | false | true | false | |
10,061 | 2026-02-24T09:44:20.301000Z | 2026-02-24T09:44:20.301000Z | Lec. | Программа для второго и третьего уровня выбирает, какая модель запускается, исходя из предсказаний модели выше | false | true | false | |
10,060 | 2026-02-24T09:44:18.772000Z | 2026-02-24T09:44:18.772000Z | Lec. | Модели второго и третьего уровней обучаются на конкретных поднаборах данных | false | true | false | |
10,059 | 2026-02-24T09:44:17.014000Z | 2026-02-24T09:44:17.014000Z | Lec. | На третьем уровне планируется применять линейный векторизатор с простой моделью классификатора | false | true | false | |
10,058 | 2026-02-24T09:44:15.489000Z | 2026-02-24T09:44:15.489000Z | Lec. | В этой работе на первом уровне располагается мощная модель классификации, на втором – меньшие модели с трансформенной [7] архитектурой | false | true | false | |
10,057 | 2026-02-24T09:44:13.627000Z | 2026-02-24T09:44:13.627000Z | Lec. | Третий уровень отсутсвует | false | true | false | |
10,056 | 2026-02-24T09:44:11.841000Z | 2026-02-24T09:44:11.841000Z | Lec. | Для второго уровня: f1 macro: 0,5507, f1 weighted: 0,5507 на модели Word2Vec [6] | false | true | false | |
10,055 | 2026-02-24T09:44:10.002000Z | 2026-02-24T09:44:10.002000Z | Lec. | Модель классификации: rubert–DeepPavlov [5] | false | true | false | |
10,054 | 2026-02-24T09:44:08.053000Z | 2026-02-24T09:44:08.053000Z | Lec. | Для первого уровня F1 weighted: 0,8479, F1 macro: 0,8382 и F1 micro: 0,8488. 36 классов | false | true | false | |
10,053 | 2026-02-24T09:44:06.480000Z | 2026-02-24T09:44:06.480000Z | Lec. | Текущая программа имеет следующие характеристики: | false | true | false | |
10,052 | 2026-02-24T09:44:04.742000Z | 2026-02-24T09:44:04.742000Z | Lec. | Поэтому эта работа, так же как и уже существующая разработка ВИНИТИ, базируется на ансамбле моделей из трех уровней | false | true | false | |
10,051 | 2026-02-24T09:44:03.103000Z | 2026-02-24T09:44:03.103000Z | Lec. | Из-за большого количества классов и их дисбаланса любая модель значительно теряет в точности | false | true | false | |
10,050 | 2026-02-24T09:44:01.317000Z | 2026-02-24T09:44:01.317000Z | Lec. | Учитывая сложность классификации с заметным дисбалансом весов, в качестве ключевых метрик используются метрики F1 weighted, F1 macro и F1 micro [4] | false | true | false | |
10,049 | 2026-02-24T09:43:59.732000Z | 2026-02-24T09:43:59.732000Z | Lec. | В кодификаторе ГРНТИ насчитывается около 3600 уникальных кодов | false | true | false | |
10,048 | 2026-02-24T09:43:57.984000Z | 2026-02-24T09:43:57.984000Z | Lec. | Рисунок 2 – Пример кодификатора | false | true | false | |
10,047 | 2026-02-24T09:43:56.167000Z | 2026-02-24T09:43:56.167000Z | Lec. | Пример кодификатора на рисунке ниже: | false | true | false | |
10,046 | 2026-02-24T09:43:54.146000Z | 2026-02-24T09:43:54.146000Z | Lec. | Каждая часть является подразделом какой-либо науки, например 34 – биология, 34.47 – токсикология и так далее | false | false | false | |
10,045 | 2026-02-24T09:43:52.430000Z | 2026-02-24T09:43:52.430000Z | Lec. | Код Государственного Рубрикатора Научной и Технической Информации (ГРНТИ) представляет собой три части, каждая из которых имеет двузначное значение | false | true | false | |
10,044 | 2026-02-24T09:43:50.769000Z | 2026-02-24T09:43:50.769000Z | Lec. | Все это подчеркивает возрастающую важность иерархической классификации текстов и демонстрирует ее потенциал для будущего развития интеллектуальных систем в области обработки естественного языка | false | true | false | |
10,043 | 2026-02-24T09:43:49.001000Z | 2026-02-24T09:43:49.001000Z | Lec. | Когда появляется новая подкатегория, ее можно без особых трудностей интегрировать в существующую структуру, что минимизирует необходимость перестраивания всей модели | false | true | false | |
10,042 | 2026-02-24T09:43:47.357000Z | 2026-02-24T09:43:47.357000Z | Lec. | Кроме того, иерархия удобно используется для расширения базы данных | false | true | false | |
10,041 | 2026-02-24T09:43:45.767000Z | 2026-02-24T09:43:45.767000Z | Lec. | Также такая структура позволяет настраивать систему под узкоспециализированные задачи, где необходимы тонкие различия внутри более крупных тем | false | true | false | |
10,040 | 2026-02-24T09:43:44.163000Z | 2026-02-24T09:43:44.163000Z | Lec. | Иерархическая модель успешно справляется с рядом проблем, которые возникают у традиционных моделей, особенно в плане достижения оптимального баланса между переобучением, когда система чрезмерно фокусируется на деталях наборов данных, и ситуацией, когда игнорируются важные признаки | false | true | false | |
10,039 | 2026-02-24T09:43:42.323000Z | 2026-02-24T09:43:42.323000Z | Lec. | Классификация, организованная по двухуровневой или многоступенчатой структуре категорий, позволяет учитывать сложные взаимосвязи между категориями и лучше отражать специфику различных предметных областей | false | true | false | |
10,038 | 2026-02-24T09:43:40.688000Z | 2026-02-24T09:43:40.688000Z | Lec. | В заключение, важно отметить, что иерархическая классификация играет ключевую роль в решении современных задач | false | true | false | |
10,037 | 2026-02-24T09:43:38.881000Z | 2026-02-24T09:43:38.881000Z | Lec. | Такой классификатор позволяет избежать сильного дисбаланса классов и повысить качество предсказаний, а также работать с гораздо более сложными структурами | false | true | false | |
10,036 | 2026-02-24T09:43:37.304000Z | 2026-02-24T09:43:37.304000Z | Lec. | В этом контексте идея иерархической классификации выходит на передний план, предоставляя инструменты для более детального и тонкого представления предметных областей | false | true | false | |
10,035 | 2026-02-24T09:43:35.662000Z | 2026-02-24T09:43:35.662000Z | Lec. | Динамичность живого языка добавляет дополнительный уровень сложности: аспекты, которые актуальны сегодня, могут перестать быть таковыми уже завтра | false | true | false | |
10,034 | 2026-02-24T09:43:33.901000Z | 2026-02-24T09:43:33.901000Z | Lec. | Проблемы возникают при учете синонимов и полисемии , создании высококачественных размеченных наборов данных, а также поддержании актуальности в связи с появлением новых тем и терминов | false | true | false | |
10,033 | 2026-02-24T09:43:32.044000Z | 2026-02-24T09:43:32.044000Z | Lec. | Объем и разнородность текстовых данных заставляют разработчиков систем обработки естественного языка (NLP) [3] сталкиваться с множеством сложных задач, включая неоднозначность языка, контекстуальную зависимость значений слов и выражений, а также формат и структуру входных данных | false | true | false | |
10,032 | 2026-02-24T09:43:30.254000Z | 2026-02-24T09:43:30.254000Z | Lec. | Тем не менее, простая категоризация текстов по четко заданным темам или рубрикам уже не удовлетворяет современным требованиям, так как структуры текстов, их тематика и взаимосвязи между категориями становятся все более сложными | false | true | false | |
10,031 | 2026-02-24T09:43:28.429000Z | 2026-02-24T09:43:28.429000Z | Lec. | Благодаря своей универсальности текстовая классификация находит применение в самых разных областях — от маркетинга и управления бизнес–процессами до медицины и фундаментальной науки, оставаясь востребованной и актуальной задачей в эпоху цифровой трансформации | false | true | false | |
10,030 | 2026-02-24T09:43:26.646000Z | 2026-02-24T09:43:26.646000Z | Lec. | Помимо этого, классификация документов составляет основу современных интеллектуальных поисковых систем, повышая точность поиска и помогая пользователям получать релевантные результаты в соответствии с их потребностями | false | true | false | |
10,029 | 2026-02-24T09:43:24.860000Z | 2026-02-24T09:43:24.860000Z | Lec. | В научной сфере классификация играет особенно важную роль, значительно ускоряя анализ научной литературы, структурирование публикаций и организацию исследовательских данных | false | true | false | |
10,028 | 2026-02-24T09:43:22.990000Z | 2026-02-24T09:43:22.991000Z | Lec. | Классификация является одним из фундаментальных методов обработки больших массивов данных, поскольку она дает возможность систематизировать текстовую информацию, автоматически распределяя ее по заранее определенным тематическим категориям, рубрикам или иным смысловым маркерам | false | true | false | |
10,027 | 2026-02-24T09:43:21.186000Z | 2026-02-24T09:43:21.186000Z | Lec. | Рисунок 1 – Количество публикация по теме нейронных сетей для работы с текстами | false | true | false | |
10,026 | 2026-02-24T09:43:19.296000Z | 2026-02-24T09:43:19.296000Z | Lec. | Ниже представлен график роста объема научных работ по теме нейронных сетей в работе с текстами | false | false | false | |
10,025 | 2026-02-24T09:43:17.620000Z | 2026-02-24T09:43:17.620000Z | Lec. | Новые архитектуры моделей открывают широкие возможности для работы с текстовыми данными | false | true | false | |
10,024 | 2026-02-24T09:43:15.847000Z | 2026-02-24T09:43:15.847000Z | Lec. | Они используются в задачах генерации текста, NER [1], классификации текста [2], рекомендательные системы | false | false | false | |
10,023 | 2026-02-24T09:43:13.923000Z | 2026-02-24T09:43:13.923000Z | Lec. | Одним из самых продвинутых способов с большими объемами текстов на данный момент являются нейронные сети | false | true | false | |
10,022 | 2026-02-24T09:43:12.163000Z | 2026-02-24T09:43:12.163000Z | Lec. | Список литературы 43 | false | false | false | |
10,021 | 2026-02-24T09:43:10.316000Z | 2026-02-24T09:43:10.316000Z | Lec. | Параметры работы приложения 40 | false | true | false | |
10,020 | 2026-02-24T09:43:08.656000Z | 2026-02-24T09:43:08.656000Z | Lec. | Описание приложения 39. 5.3 | false | true | false | |
10,019 | 2026-02-24T09:43:06.948000Z | 2026-02-24T09:43:06.948000Z | Lec. | Консольное приложение 39. 5.2 | false | false | false | |
10,018 | 2026-02-24T09:43:04.461000Z | 2026-02-24T09:43:04.461000Z | Lec. | Оценка программы через иерархическую классификацию 38. 6 | false | true | false | |
10,017 | 2026-02-24T09:43:02.707000Z | 2026-02-24T09:43:02.707000Z | Lec. | Оценка программы по уровням 37. 5.2 | false | true | false | |
10,016 | 2026-02-24T09:43:01.181000Z | 2026-02-24T09:43:01.181000Z | Lec. | Итоговая оценка проекта 37. 5.1 | false | true | false | |
10,015 | 2026-02-24T09:42:59.345000Z | 2026-02-24T09:42:59.345000Z | Lec. | Классификатор Третьего уровня 32. 5 | false | true | false | |
10,014 | 2026-02-24T09:42:57.820000Z | 2026-02-24T09:42:57.820000Z | Lec. | Классификатор Второго уровня 29. 4.3 | false | true | false | |
10,013 | 2026-02-24T09:42:55.940000Z | 2026-02-24T09:42:55.940000Z | Lec. | Классификатор первого уровня 28. 4.2 | false | true | false | |
10,012 | 2026-02-24T09:42:53.861000Z | 2026-02-24T09:42:53.861000Z | Lec. | Создание Классификаторов 28. 4.1 | false | true | false | |
10,011 | 2026-02-24T09:42:51.536000Z | 2026-02-24T09:42:51.536000Z | Lec. | Преобразование данных 26. 4 | false | true | false | |
10,010 | 2026-02-24T09:42:49.857000Z | 2026-02-24T09:42:49.857000Z | Lec. | Распределение датасета 20. 3.2 | false | true | false | |
10,009 | 2026-02-24T09:42:48.066000Z | 2026-02-24T09:42:48.066000Z | Lec. | Работа с данными 20. 3.1 | false | true | false | |
10,008 | 2026-02-24T09:42:45.985000Z | 2026-02-24T09:42:45.985000Z | Lec. | Обзор методов регуляризации 18. 3 | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.