diss005-ilvovsky_OtzVedOrg_IPPI (Методы и алгоритмы обработки текстовых данных на основе графовых дискурсивных моделей)

У 1'ВЕРЖДЛЮ Директор Федерально!.о >осударственного бюджетного учреждения науки Инср~!' ' блсмзпсре)5ачи информации им. ,~;Л ича Россий!Ской академии наук л4>.-ы':наук. профессор РЛН Л.1-1, Соболевский ОТЗЫВ ВЕДУ1ЦЕИ ОРГАНИЗАЦИИ о диссертационной работе Дмитрия Алексеевича Ильвовского «Методы и 1щгоритмы обработки текстовых данных на основе ! рафовых дисю рсивных мо)!елей». представленной к защите на соискание ученой степени кандидата технических !гаук по специальности 05.13,18 — математь!ческое моделирование.

числснныс методы и комплексы про> рамм Диссертация Д.Л. Ильвовского посвящена обработке текстовых данных (на английском языке), в основу которой положены созданныс автором графовые дискурсивные модели (т.е. модели. вк'почаю!пие сведения о том, как связаны фрагменты тексга между собой — такис сведения мо> ут содержаться в тексте >ксплицигно или обнаруживаться особыми средствами), Диссертация пасчи'1 ывает 245 сз.рапид и состоит из введения, пяти глав. заключения, списка литературы из 129 названий (В подавлянощсм большинстве случаев ьи о ан>зн>язычныс работы) и семи приложений с программным кодом. Во Введении Обосновывается актуальность работы. формулируются метод и предмет исследования, ставятся конкретные задачи исследования, характеризуется ее научная новизна, персчисляк>тся тсорсгические и практические достоинства работы (при:пом подчеркивается ориептировщшосгь рабогы на практические результа!ы, достигну>ые в различнь>х проектах.

связанных с оптимизацисй информационного поиска). Здесь же дается краткий синопсис дисссртациошц>го исследования, а также приводязся сведения об апробации работы и се частей. 11риводится, в частности, внушительный список из 12 конфсрснций и симпозиумов, проводившихся в России и за >раницсй с 2012 по 2015 п>ды, на которых диссертантом докладывались отдельные резульга!ьп излагаемые в диссертации.

К згому следует добавить, что ведущей организации — И!111И РЛ11 им, Л.Л. Харкевича — многие положения рецензируемого диссертационного исследования знакомы по высту>нению его автора с докладом на тему «Модели и методы обработки текстовых абзацев» В феврале 2016 года на семинаре по теоретической семантике, руководимом академиком 1ОД. Лпресяном ()п>р:17!!Зр.гц>гц>вс!сисе>вепз!пагз)1197,)>(!т>). В первой главе обсуждаются теоретические основы моделирования текстовых данных. 1!од моде;!ированием текстовых данных автор понимает основную задачу современной компьютерной лиш.вистики, которая чипе именуется "обработкой данных на естес!вснном языке" (или.

в ашлоязычной терминологии, па)ш.а) )апдцаяе ргоссвв>пя). Здесь кра>ко характеризуя>гся различные >сории и модели представления сегсс'1'асино-языкОВ01'О тсксга (В частнос'!и. Прос!Сйп1ис модели 'ги1га «ме!пок сзюВ» ((>ай ор аког!!В) и более продвинутыс модели используемыс в синтаксических компонентах лиш.вистичсских !Сорий основные подходы к отображению сзруктуры предложения - леревья составляющих и деревья зависимостей, иллюстрируемыс на матсриалс хорошо известных компьюгерно-лингвистических ресурсов типа Рспп Тгее Вап!с), дается представление об уровнях лингвистического описания„излагается теория ритори*юских структур В. Манна и его колле!. теория речсвых актов Дж. Остина и Дж. Серля.

теория нрслставления дискурса (!Ж'1) Х. Камна и У, 1'ейлс, теория «Смысл— Текст» И.А. Мсльчука, некоторые мснес известные и мепсс распространенныс лишвистические и компьютерно-лингвистические теории, такие как семантика баз ланных Р.Хаусссра и лр. В главе вволи.гся нссколько ключевых понятий: «чаща разбора» (в аш лийской терминологии — рагве (!з!сйс!), «решетка замкнутых описаний», «ялерпая функция», «прикла;пшя он голо~ ия», нри номгнпи которых затем. в послсдующих главах, строятся сами модели, Вторая глава. озаглавлснная «Модели и мстоды поиска ответов на сложные запросы», посвящена проблеме поиска в гсксте ответов на нстривиальные запросы пользователя.

Для решсния задачи автор использует графовую модель представления текстовых абзацев (ужо упоминаемую чащу разбора). в когорой в дополнснис к сипгаксичсским группам используются расширенные группы, построешпяс на основе риторических. корсфсрентных и коммуникагивных связей между предложениями. Здссь сугиественным образом иснользуюзся охарактеризованные в главе ! теория риторических структур и теория речевых актов. 11рнводягся методы сравнения абзацев нри помощи обобьцсния чащ разбора на основс решеток замкнутых описаний. а также обобщсния проекций чащ разбора для приближенного быстрого сравнения, Резульгагы эксперимента показывают заметное улучшение релсвантности поиска по дшшным фразам (в срсднсм от 58;4 до 7(у%») при использовании чащ разбора. Как пополнение приводи гся алгоритм иерархической кластеризации, полью когорого является группировка найденных текстов но похожести.

В трегьсй главе «1!рименснне ялер для классификации коротких тексгов» построенная модель используется лля задачи классификации тексгов ограниченного обьема (нссколько предложений). 1!ри помощи объединения синтаксических групп из разных лсревьев (связанных, напримср, кореферентными, таксономичнскими или коммуникативными отношениями) строятся т.н. расшнрснпыс дсревья, которые нс являются корректными синтаксическими деревьями, но образуют адекватнос пространство признаков для сравнения тексзов. 11а расширенных дсревьях строится ядерная функция, которая числс~шо выражает сходство между абзацами при помощи подсчета общих полстурктур.

1!олучснный азпоритм применяется к задаче классификации рсзульта гон поиска на релсвшггныс и нерелевантныс, а также к задаче к.иссификации тсхнических документов на «описание оригинальных разработок» и «инструкция по оформлению описаний оршинальных разработок»» В обоих случаях предлагасмый а:поритм дает замегный выигрьпп в правильности классификации дажс но сравнению с шпоритмом, использую~цим синтаксические деревья, нс ~оворя уже об алгоритмах, основанных на «мспгке слов». Чствсртая глава несколько ныоивается из тематики дисссргационного исс.~слования. Она посвящсна поиску тожлсствсннгях лсноза гон в автоматически сгенсрированных из нредварителыю обработанных текстовых ланных.

! 1оставленная задача решается методом фильтрации рсшеток формальных понятий. Для лого онтология нрсобразуется в форлщльный контекст, где каждому ооъскту сопоставлено множество его бинарных признаков. 1!ри помощи кластеризации объектов в формальном контексте формируются формальные понятия. Затем на основе спсциально разработанных числовых критсрисв фильтрации определяется, какие кластеры объслиняют гождсствснпыс объскгы. !!риводится сравнение результатов работы шп оритма с алшсрпа~ ивами — мстодами на основс экстенсиональной усгойчивосги понятия, на основе меры абсолютного сходство и на основе расстояния Х.>мминга. ! !родсмонстрировано улучшение, лосз игасмое за счет использования ново> о мстола.

Вылшо>нимся рсзуль катом является небольшое паление точности а и ори > ма !ло 90>"ь) нри росте >юшюты ипогь ло 70» 8. В пятой главе приводя>ся описание нро>раммных комплексов, используемых для построения чащ разбора, для работы с решетками замкнутых онисаний,,дя анализа формальных понятий и др. Диссертация Д.Л. Ильвовского обладает целым рядом особенностей, которые ярко выделяют ее на фоне других исследований. посвященных автоматической обработке текста. Во-первых, в работе органично сочетаюзся структурные метолы анализа текста (синтаксические деревья, корсфереитные связи) со статистическими (ядерные функции.

мс>од опорных векторов, машинное обучение). Во-вторых, автор нс ограничивается анализом связей вну">ри предложения, как »>о быва>.т в оо:>ьшннсзве рабоз., а в ло>ю:н>ение к ним ис>юльзус>. лискурсивш.>с с~язв между прел>ицксниями абзаца, что является но существу центральной темой диссертации.. Лвтор убедительно показывает, что такой подход позволяет добиться лучших результагов в ряде залач, связанных с поиском. классификацией и кластеризацией текстов.

В-третьих, несмотря на использование разнородного программно>о обеспечения (8!ап)ог>1 М! Р для нос.гроения синтаксических деревьев и кореферентных связей, парсер 1о!у для построения риторических связей, В>пй ЛР1 и Лрас!>е 801.К для взаимодействия с поисковыми системами, собственный алгоритм для построения коммуникагивных связей и др.) их грамотное взаимодействие нри построении чащ разбора для абзацев на основе решеток замкнузъ>х описаний позволяет добиться синсргстическо>.о эффекта. 1!рактическая ценность работы подтверждается ее внедрением в реальных проектах в компаниях «ФОРС-1.!ентр разработки» и Лвикомг>.

К недостаткам работы можно отнести следующие. 1. В связи с тем, что в работе используется широкий спектр методов и технологий из разных областей, хотелось бы видет> их более нолробное описание, Из текста лиссер>ации часто понятно, как имен>н> используется та или иная тсхноло>ия. но нс до конца ясно, для че,ч> она используется, Описание редко ишнострируется содержательными примерами. 2. В онрслелении понятия «чащи разборая сущее>венно используется нарсср лишвистичсского процессора 'Э'РЛ11-8>, разрабогаш>ый в И!!!!И РЛИ им. Л.Л.Харксви нь В час>нос»и. Рис, 13 на с>р. 40 прямо воспроизводит структуры.