Особенности учета неопределенностей при машинной обработке естественных языков

1. Поляков Д. В., Елисеев А. И., Андреев Д. С., Селиванов А. Ю. Подход к машинному обучению моделей открытых систем на основе теории нечетких множеств. In: Цифровизация агропромышленного комплекса: сб. статей II Междунар. науч.-практ. конф. (Тамбов, 21–23 окт. 2020). Т. 2. Тамбов: Тамбовский гос. техн. ун-т; 2020, с. 347–352. EDN: LSCBWD.
Polyakov D. V., Eliseev A. I., Andreyev D. S., Selivanov A. Yu. A new approach to machine learning for fuzzy models of open systems. In: Tsifrovizatsiya agropromyshlennogo kompleksa: collected papers of 2nd International res.-to-pract. conf. (Tambov, 21–23 okt. 2020). Vol. 2. Tambov: Tambov State Tech. Univ.; 2020, pp. 347–352. (In Russ.).

2. Григорьев Д. В. Применение машинного обучения и естественного языкового процессинга в анализе текстовых данных: обзор методов, эффективности и перспектив. In: Научные исследования молодых ученых: сб. статей XXVIII Междунар. науч.-практ. конф. (Пенза, 27 июня 2024). Пенза: Наука и просвещение; 2024, с. 9–11. EDN: BDNYWX.
Grigoriev D. V. Application of machine learning and natural language processing in text data analysis: Overview of methods, effectiveness and prospects. In: Nauchnye issledovaniya molodykh uchenykh: collected papers of 28th International res.-to-pract. conf. (Penza, 27 iyunya 2024). Penza: Nauka i prosveshchenie Publ.; 2024, pp. 9–11. (In Russ.).

3. Воробьева А. А., Федосенко М. Ю. Методы интеллектуального анализа данных и обработки естественного языка в управлении роботизированными производственными системами. Доклады ТУСУР. 2023;26(3):65–71. https://doi.org/10.21293/1818-0442-2023-26-3-65-71. EDN: UJGUUB.
Vorobeva A. A., Fedosenko M. Yu. Methods for data mining and natural language processing in the management of robotic production systems. Doklady TUSUR = Proceedings of the TUSUR University. 2023;26(3):65–71. (In Russ.). https://doi.org/10.21293/1818-0442-2023-26-3-65-71

4. Бритов В. С., Мартышкин А. И., Данилов Е. А. Обзор и сопоставление в задачах обработки естественного языка сверхточных и рекуррентных нейронных сетей. Тенденции развития науки и образования. 2023;(97-12):41–45. https://doi.org/10.18411/trnio-05-2023-654. EDN: JBPZQT.
Britov V. S., Martyshkin A. I., Danilov E. A. Review and comparison in natural language processing tasks of convolutional and recurrent neural networks. Tendentsii razvitiya nauki i obrazovaniya. 2023;(97-12):41–45. (In Russ.). https://doi.org/10.18411/trnio-05-2023-654

5. Лобач В. И., Зайцева А. В., Лобач С. В. О байесовском подходе в машинном обучении на основе МСМС-метода. Экономика, моделирование, прогнозирование. 2021;(15):192–198. EDN: IGWWRP.
Lobach V., Zaytseva A., Lobach S. On bayesian approach in machine learning based on MCMC-method. Ekonomika, modelirovanie, prognozirovanie. 2021;(15):192–198. (In Russ.).

6. Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D. et al. Going deeper with convolutions. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA: IEEE; 2015, pp. 1–9. https://doi.org/10.1109/CVPR.2015.7298594

7. Гудков А. А. Прогнозирование эффективности проектной деятельности на основе интеграции подходов бизнес-аналитики и машинного обучения. Вестник Волжского университета им. В. Н. Татищева. 2024;2(1):27–36. https://doi.org/10.51965/2076-7919_2024_2_1_27. EDN: QYXZHC.
Gudkov A. A. Forecasting the efficiency of project activities based on the integration of business analytics and machine learning approaches. Vestnik Volzhskogo universiteta im. V. N. Tatishcheva = Reporter of Volzhsky University after V. N. Tatischev. 2024;2(1):27–36. (In Russ.). https://doi.org/10.51965/2076-7919_2024_2_1_27

8. Brownlee J. Encoder-decoder recurrent neural network models for neural machine translation. Machine Learning Mastery. 07.08.2019. Available at: https://machinelearningmastery.com/encoder-decoder-recurrent-neural-network-models-neural-machine-tr... (accessed: 10.09.2025).

9. Алейник А. О. Применение нейронных сетей для обработки естественного языка в информационных технологиях. Студенческий. 2023;(26-1):17–18. EDN: TKEYHQ.
Aleynik A. O. Neural networks application for natural language processing in information technologies. Studencheskiy. 2023;(26-1):17–18. (In Russ.).

10. Капелько И. В., Шиман Д. В. Трехуровневая токенизация для автоматического реферирования текста. In: Информационные технологии: материалы 83-й науч.-техн. конф. ППС, науч. сотрудников и аспирантов (с междунар. участием) (Минск, 04–15 февр. 2019). Минск: БГТУ; 2019, с. 53. EDN: YZVFNZ.
Kapel’ko I. V., Shiman D. V. Three-level tokenization for automated text summarization. In: Informatsionnye tekhnologii: proceedings of 83th sci.-tech. conf. for academic teaching staff, scientific researchers and postgraduate students (with international participation) (Minsk, 04–15 fevr. 2019). Minsk: BelSTU; 2019, p. 53. (In Russ.).