Воропаєва, К. А.2024-02-282024-02-282024Воропаєва К. А. Аналіз впливу використання контекстуальних ембедингів на точність класифікації тексту : пояснювальна записка до кваліфікаційної роботи здобувача вищої освіти на другому (магістерському) рівні, спеціальність 123 Комп'ютерна інженерія / К. А. Воропаєва ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2024. – 87 с.https://openarchive.nure.ua/handle/document/25798Метою даного дослідження є аналіз впливу використання Contextual та Word ембедінгів на точність класифікації текстових масивів. Contextual ембединги є сучасним методом представлення слів, який враховує семантичний контекст слів у тексті, що може впливати на точність аналізу текстового контенту. На відміну від Contextual ембедингів, Word ембединги захоплюють лише статичну інформацію про слова і не враховують їх семантичний зв'язок у конкретному контексті. У ході виконання кваліфікаційної роботи були проведені дослідження, в ході яких було порівняно різні стратегії та підходи до використання ембедингів у задачах класифікації тексту. За результатами дослідження було встановлено, що найкращою моделлю Word Embedding є GloVe, яка продемонструвала кінцеву точність на рівні 87.72%. Це було вище, ніж у моделі Word2Vec з точністю 86.87%. У контексті Contextual Embedding, BERT виявився ефективнішим порівняно з GPT, з кінцевою точністю 91.23% проти 89.45% в GPT. Ці результати свідчать про перевагу Contextual Embedding у завданнях обробки природної мови і підтверджують їхню перспективність для сучасних додатків та систем текстового аналізу.ukкласифікація текстуword embeddingcontextual embeddingLSTMWord2Vecточність прогнозуванняобробка природної мовиOther