Предсказание конструкций с лексическими функциями в русском языке с помощью нейросетевых моделей
Аннотация
Цель исследования — сравнение эффективности двух типов нейросетевых моделей при решении задачи предсказания значений лексических функций (ЛФ) для русского языка, а именно модели FastText, основанной на статических эмбеддингах, и контекстуализированной модели ruBERT-large. Эксперимент в рамках исследования заключается в дообучении указанных моделей на данных глубоко аннотированного корпуса SynTagRus, из которого предварительно с помощью алгоритма были извлечены 34553 единицы вида «аргумент, ЛФ, значение». Предсказания производились для двенадцати наиболее частотных ЛФ (MAGN, OPER1, OPER2, LOC, FUNC0 и др.). Значимость работы заключается в создании инструмента для предсказания значения заданной лексической функции с аргументом и фильтрации данных с учетом частеречной разметки, а также в количественной оценке расхождений между двумя архитектурами, что может быть использовано для создания более точных алгоритмов предсказания лексической сочетаемости в системах обработки естественного языка. Результаты исследования демонстрируют, что точность FastText (0,645) незначительно превосходит точность ruBERT-large (0,598), однако низкий индекс Жаккара (0,149) между их предсказаниями свидетельствует о разных семантических стратегиях моделей.
Ключевые слова
лексические функции; модель «Смысл ⇔ Текст»; языковые модели; SynTagRus; BERT; FastText; предсказание коллокаций
Полный текст:
PDFDOI: https://doi.org/10.17586/3033-5582-2026-10-35-47
Ссылки
- На текущий момент ссылки отсутствуют.

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.


