Графовые нейросети в развитии теории семантико-ассоциативного анализа текстовых данных

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.

1. Леонтьев А. А. Основы психолингвистики / А. А. Леонтьев. — Москва: Издательство «Смысл», 1997. — 288 с.

2. Anderson J.R. The architecture of cognition. — Harvard University Press, 1983. — 318 p.

3. Church K. W., Hanks P. Word association norms, mutual information, and lexicography // Computational Linguistics. — 1990. — Vol. 16, № 1. — P. 22–29.

4. Speer R., Lowry-Duda J. ConceptNet at SemEval-2017 Task 2 // Proceedings of the 11th International Workshop on Semantic Evaluation. — 2017. — P. 115–121.

5. Русский ассоциативный словарь / под ред. Ю. Н. Караулова. — М.: АСТ, 2001–2003. — Т. 1–4.

6. Zhou J. et al. Graph neural networks: A review of methods and applications // AI Open. — 2020. — Vol. 1. — P. 57–81.

7. Kipf T.N., Welling M. Semi-supervised classification with graph convolutional networks // ICLR. — 2017. — 14 p.

8. Veličković P. et al. Graph attention networks // ICLR. — 2018. — 13 p.

9. Hamilton W. et al. Inductive representation learning on large graphs // NeurIPS. — 2017. — P. 1024–1034.

10. Wu Z., Pan S., Chen F., et al. A comprehensive survey on graph neural networks // IEEE Transactions on Neural Networks and Learning Systems. — 2021. — Vol. 32, № 1. — P. 4–24.

11. Liu Y., Ott M., Goyal N., et al. RoBERTa: A robustly optimized BERT pretraining approach // arXiv preprint arXiv:1907.11692. — 2019.

12. Yao L., Mao C., Luo Y. Graph convolutional networks for text classification // Proceedings of the AAAI Conference on Artificial Intelligence. — 2019. — Vol. 33, № 1. — P. 7370–7377.

13. Speer R., Chin J., Havasi C. ConceptNet 5.5: An open multilingual graph of general knowledge // Proceedings of the AAAI Conference on Artificial Intelligence. — 2017. — Vol. 31, № 1.

14. Zhang Z., Han X., Liu Z., et al. ERNIE: Enhanced language representation with informative entities // Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. — 2019. — P. 1441–1451.

15. Ying Z., Bourgeois D., You J., et al. GNNExplainer: Generating explanations for graph neural networks // Advances in Neural Information Processing Systems. — 2019. — Vol. 32.

16. Yuan H., Yu H., Gui S., Ji S. Explainability in graph neural networks: A taxonomic survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2023. — Vol. 45, № 5. — P. 5674–5695.

17. Collins A. M., Loftus E. F. A spreading-activation theory of semantic processing // Psychological Review. — 1975. — Vol. 82, № 6. — P. 407–428.

18. Borge-Holthoefer J., Moreno Y. Structural and dynamical aspects of semantic networks: A review // Physics of Life Reviews. — 2022. — Vol. 40. — P. 1–25.

19. Loukachevitch N., Rubtsova Y., Ivanov V. RuSentiment: An extended sentiment collection for social media texts in Russian // Proceedings of the International Conference on Analysis of Images, Social Networks and Texts. — 2016. — P. 263–275.

20. Artemova E., Kuzmenko E., Rubtsova Y., et al. Targeted sentiment analysis in Russian: RuSentNE evaluation overview // Computational Linguistics and Intellectual Technologies Papers (Dialogue). — 2021. — Vol. 20. — P. 45–59.