Удосконалення великих мовних моделей формальними засобами оцінки сенсу текстової інформації
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У роботі розглянуто підходи до використання сенсу та наміру у сучасних великих мовних моделях.
The work examines approaches to the use of meaning and intent in modern large language models. It is demonstrated that most existing architectures are based on statistical mechanisms of text processing, which complicates the explicit interpretation of meaning. An experimental framework is proposed that integrates a formalized meaning-processing algorithm as a separate structural component.
The work examines approaches to the use of meaning and intent in modern large language models. It is demonstrated that most existing architectures are based on statistical mechanisms of text processing, which complicates the explicit interpretation of meaning. An experimental framework is proposed that integrates a formalized meaning-processing algorithm as a separate structural component.
Опис
Ключові слова
великі мовні моделі , сенс , намір , NLP , семантика , large language models , meaning , intent , semantics
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Омельченко В. А., Бісікало О. В. Удосконалення великих мовних моделей формальними засобами оцінки сенсу текстової інформації // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2026/paper/view/28204.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (10)
- Fomichov, V. A. Semantics-Oriented Natural Language Processing: Mathematical Models and Algorithms. — New York : Springer, 2010. — 245 p.
- Abramsky, S., Sadrzadeh, M. Semantic Unification: A Sheaf-Theoretic Approach to Natural Language [Electronic resource] // arXiv preprint arXiv:1403.3351. — 2014. — Available at: https://arxiv.org/abs/1403.3351.
- Zhou, W., Yajun, Z. A Mathematical Model for Universal Semantics [Electronic resource] // arXiv preprint arXiv:1907.12293. — 2019. — Available at: https://arxiv.org/abs/1907.12293.
- Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. — Cambridge : MIT Press, 2016. — 775 p.
- Vaswani, A., Shazeer, N., Parmar, N., et al. Attention Is All You Need // Advances in Neural Information Processing Systems. — 2017. — P. 5998–6008.
- Rumelhart, D. E., Hinton, G. E., Williams, R. J. Learning representations by back-propagating errors // Nature. — 1986. — Vol. 323. — P. 533–536.
- Nocedal, J., Wright, S. Numerical Optimization. — New York : Springer, 2006. — 664 p.
- Бісікало О. В. Формальні методи образного аналізу та синтезу природно-мовних конструкцій : монографія. — Вінниця : ВНТУ, 2013. — 240 с.
- Manziuk, E. A., Barmak, O. V., Krak, Iu. V., Pasichnyk, O. A., Radiuk, P. M., Mazurets, O. V. Semantic alignment of ontologies meaningful categories with the generalization of descriptive structures // Problems in Programming. — 2022. — № 3–4. — P. 355– 363.
- Sukaton, O. Semantics in Natural Language Processing and Language Teaching // ELS Journal on Interdisciplinary Studies in Humanities. — 2019. — Vol. 2, No. 1. — P. 58–65.