к.т.н, доцент, доцент кафедры "Информационные системы и технологии" Федерального государственного бюджетного образовательного учреждение высшего образования "Поволжский государственный университет телекоммуникаций и информатики"
аспирант Поволжского государственного университета телекоммуникаций и информатики
В статье рассматривается роль графовых нейронных сетей (GNN) как нового вычислительного инструмента в развитии теории семантико-ассоциативного анализа текстовых данных. GNN позволяют формализовать ассоциативные связи между лексическими и концептуальными единицами в виде динамических семантических графов, что приближает машинные модели обработки языка к когнитивным механизмам человеческого мышления. Предложена концептуальная архитектура на основе Graph Attention Networks, интегрирующая лингвистические зависимости и внешние семантические знания, что обеспечивает контекстную адаптацию и интерпретируемость анализа. Обосновывается теоретический вклад GNN в преодоление ограничений традиционных статистических и векторных моделей: переход от изолированных представлений слов к моделированию распространения смысловой активации по сети ассоциаций. Результаты предварительных экспериментов (на основе синтетических данных и корпуса RuSentiment) демонстрируют повышение точности семантической классификации и интерпретируемости выводов. Статья вносит вклад в междисциплинарный синтез компьютерной лингвистики, когнитивной науки и машинного обучения, открывая путь к построению вычислимых теорий смыслопорождения в текстах.
The article discusses the role of graph neural networks (GNNs) as a newcomputational tool in the development of the theory of semantic-associative analysis of text data. GNNs allow us to formalize associative connections between lexical and conceptual units in the form of dynamic semantic graphs, which brings machine models of language processingcloser to the cognitive mechanisms of human thinking. A conceptual architecture based on Graph Attention Networks is proposed, integrating linguistic dependencies and external semantic knowledge, which ensures contextual adaptation and interpretability of the analysis.The theoretical contribution of GNN to overcoming the limitations of traditional statistical and vector models is substantiated: the transition from isolated representations of words to modeling the spread of semantic activation through a network of associations. The results of preliminaryexperiments (based on synthetic data and the RuSentiment corpus) demonstrate an increase in the accuracy of semantic classification and interpretability of conclusions. The article contributes to the interdisciplinary synthesis of computational linguistics, cognitive science, and machine learning, paving the way for the construction of computable theories of meaning generation in texts.
The authors declare that there are no conflicts of interest present.