Данная статья представляет сравнительный анализ архитектур нейросетей для обработки текстовых данных. Рассматриваются особенности работы различных моделей (RNN, CNN, трансформеры) и их алгоритмы обучения, а также эффективность в извлечении семантической информации из больших текстовых корпусов. Основной акцент делается на выявлении преимуществ и недостатков каждой архитектуры для оптимизации задач анализа текста.
нейросети, архитектуры нейросетей, анализ текстовых данных
1. Бережнов, Н.И. Совершенствование механизмов внимания для архитектуры трансформер в задачах повышения качества изображений / Н.И. Бережнов, А.А. Сирота // Компьютерная оптика. – 2024. – №5. – С. 726-734.
2. Алчинов, В.И. А55 Основы нейросетевого искусственного интеллекта. Краткий вводный курс : учеб.-метод. пособие / В.И. Алчинов, А.И. Иванов. – Пенза : Изд-во ПГУ, 2024. – 68 с.
3. Козлов, С.В. Анализ LSTM и GRU моделей для построения прогнозов временных рядов / С.В. Козлов, С.А. Седенков // International Journal of Open Information Technologies. –2024. – Т. 12, №7. – С. 43-50.
4. Гайнетдинов, А.Ф. Исследование влияния трансформеров на улучшение генерации изображений / А.Ф. Гайнетдинов // Universum: технические науки. – 2024. – №4 (121). – С. 44-49.
5. Бобков, И.А. Моделирование неопределенности при помощи нейронных сетей / И.А. Бобков, А.А. Бурдина, А.А. Нехрест-Бобкова // Ars Administrandi. – 2023. – Т. 15, №1. – С. 45-59.
