Детальная информация

Название: Применение искусственных нейронных сетей с технологией глубокого обучения для генерации текстов на естественных языках: выпускная квалификационная работа магистра: 09.04.03 - Прикладная информатика ; 09.04.03_04 - Прикладная информатика в области информационных ресурсов
Авторы: Шахин Зейн
Научный руководитель: Пак Вадим Геннадьевич
Другие авторы: Колосова Ольга Владимировна
Организация: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Выходные сведения: Санкт-Петербург, 2019
Коллекция: Выпускные квалификационные работы; Общая коллекция
Тематика: Искусственный интеллект; Нейронные сети; глубокое обучение; обработка естественного языка; генерация текста; генеративные состязательные методы
УДК: 004.89.032.26; 004.912
Тип документа: Выпускная квалификационная работа магистра
Тип файла: PDF
Язык: Русский
Код специальности ФГОС: 09.04.03
Группа специальностей ФГОС: 090000 - Информатика и вычислительная техника
Ссылки: http://doi.org/10.18720/SPBPU/3/2019/vr/vr19-837; http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-837-o.pdf; http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-837-r.pdf; http://elib.spbstu.ru/dl/3/2019/vr/rev/vr19-837-a.pdf
Права доступа: Свободный доступ из сети Интернет (чтение, печать, копирование)

Разрешенные действия: Прочитать Загрузить (2,2 Мб) Для чтения документа необходим Flash Player

Группа: Анонимные пользователи

Сеть: Интернет

Аннотация

Эта работа относится к сфере глубокого обучения и искусственной нейронной сети для обработки естественного языка, мы провели эмпирическое исследование методов глубокого обучения для генерации текста и провели сравнение между вариационным методом автоэнкодера и последовательным генеративным состязательным методом. В первой главе были описаны основные передовые методы генерации текста с подробным объяснением вариационного автоэнкодера и последовательности генеративной состязательной сети. Во второй главе мы показали детали реализации и архитектуры, которые мы использовали, мы также показали, как мы подготовили наш набор данных для этой задачи. В третьей главе мы представили наши эксперименты и то, как идет процесс обучения. В последней главе мы сообщили о наших результатах с помощью сравнений и метрик, которые показывают, насколько хорошо сгенерированные образцы.

This work belongs to the sphere of deep learning and artificial neural network for natural language processing, we made an empirical research on deep learning methods for text generation, and we performed comparisons between variational autoencoder method and sequence generative adversarial method. In chapter 1 main advanced methods of text generation, were described with detailed explanation variational autoencoder and sequence generative adversarial network. In chapter 2 we showed implementation details and architectures we used, we showed as well how we prepared our dataset for this task. In chapter 3 we presented our experiments and how the training process goes on. In the last chapter we reported our results with comparisons and metrics that shows how well are the generated samples.

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Локальная сеть ИБК СПбПУ Все Прочитать Печать Загрузить
-> Интернет Все Прочитать Печать Загрузить

Статистика использования документа

stat Количество обращений: 47
За последние 30 дней: 0
Подробная статистика