Огромные объемы полезной информации часто оказываются навсегда скрыты в файловых архивах организаций. Как превратить текст из набора слов в массив фактов, на основе которых можно автоматизировать получение логических выводов? Как получать точные и логически обоснованные ответы на вопросы, которые формулирует пользователь на естественном языке? Еще совсем недавно большие надежды при поиске ответов на эти вопросы возлагались на технологии машинного обучения, однако сейчас стало понятно, что для создания практически пригодных решений нельзя обойтись без онтологий, используемых в комбинации с другими методами, для уверенного автоматизированного распознавания смысла текстов.
2. Павел Велихов. Машинное обучение для понимания естественного языка // Открытые системы. СУБД. — 2016. — № 01. — С. 18-21. URL: (дата обращения: 21.11.2020).
3. John P. McRae et al. OntoLex-Lemon Model: development and applications. URL: (дата обращения: 21.11.2020).
4. Ксения Балышева, Елена Карташова, Константин Кондратьев и др. OntoLex as a Model for Creating the Ontology-Based Diсtionary of Russian Grammatical Forms. URL: (дата обращения: 21.11.2020).
5. Владислав Головков, Андрей Портнов, Виктор Чернов. RDF — инструмент для неструктурированных данных // Открытые системы. СУБД. — 2012. — № 09. — С. 46-49. URL: (дата обращения: 21.11.2020).
Сергей Горшков (), Константин Кондратьев (), Роман Шебалов () — сотрудники, компания «ТриниДата» (Екатеринбург). Статья подготовлена на основе материалов доклада на форуме «».
Свежий выпуск Важные темы ИТ-календарь 1 декабря 2020 28 января 2021 25 февраля 2021 Популярные теги 19 апреля 2019 19 апреля 2019
«Открытые системы» - ведущее российское издательство, выпускающее широкий спектр изданий для профессионалов и активных пользователей в сфере ИТ, цифровых устройств, телекоммуникаций, медицины и полиграфии, журналы для детей.