О программной реализации когнитивных интероперабельных агентно-базированных систем

Цель исследования. Целью работы является разработка рекомендаций по программной реализации когнитивных агентно-базированных систем, обеспечивающих интероперабельность при взаимодействии программных когнитивных агентов, обладающих различными свойствами. Программная реализация, определяющая семантическую близость на основе машинного обучения, выделяет ключевые понятия, строит ассоциации, упрощая и ускоряя процесс работы с текстовыми данными в процессе диалога агентов, одним из которых является человек. Предлагаемый подход основан на предположении, что компьютерные системы могут выполнять некоторые «антропоморфные» функции, похожие на способности человека мыслить.

Методы. Знания о предметной области определяются на основе обучения искусственной нейронной сети. Для обозначения семантики реплик и другой информации предложено использовать тегирование и определение семантической близости ключевых фраз из речей, представленных в письменной форме.

Результаты. Система была реализована на языке программирования Python. В качестве нейросетевой модели векторизации текста использовалась модель Word2Vec с архитектурой Skip-gram. Для обучения использовались два текстовых набора с информацией о компьютерной науке и зоологии. По результатам сравнения текстов двух тематик можно судить о работоспособности системы определять семантическую близость текстовой информации.

Заключение. Положенная в основу программной реализации когнитивных интероперабельных агентнобазированных систем подсистема определения семантической близости текстовой информации на основе технологий машинного обучения позволяет повысить эффективность существующих или разрабатываемых приложений, в работе которых задействован большой объем текстовой информации.

1. Холодная М.А. Когнитивные стили. О природе индивидуального ума. СПб.: Питер, 2004. 384 с.

2. Лобанов А.П. Психология интеллекта и когнитивных стилей. Минск: Агентство В. Гревцова, 2008. 296 с.

3. Shoham Y., Leyton-Brown K. Multiagent systems: algorithmic, game-theoretic, and logical foundations. Cambridge University Press, 2008. 532 p.

4. Wooldridge M. J. An Introduction to Multiagent Systems. John Willey&Sons, 2009. 484 p.

5. Лисанюк Е. Н. Когнитивные характеристики агентов аргументации // Вестник СПбГУ. Сер. 6. Вып. 1. 2013. С. 13–21.

6. Павлова А. М. Истинность в диалоговой логике и теоретико-игровой семантике (GTS) // Логические исследования. 2015. Т. 21, № 2. С. 107–133.

7. Лисанюк Е. Н., Павлова А. М. Логические аспекты многообразия агентов // Вестник УрФУ. Серия: Экономика и управление. 2016. Т. 11. № 4. С. 45-60.

8. Pacuit E. Dynamic Epistemic Logic I: Modeling Knowledge and Belief // Philosophy Compass. 2013. Vol. 8, № 9. P. 798–814.

9. Pacuit E. Dynamic Epistemic Logic II: Logics of Information Change // Philosophy Compass. 2013. Vol. 8, № 9. P. 815–833.

10. Модель убеждений, желаний и намерений. URL: https://ru.wikipedia.org/wiki/Модель_убеждений,_желаний_и_намерений. (дата обращения: 12.12.2023).

11. Тарасов В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.

12. Тарасов В. Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. №2. С. 5-63.

13. Швецов А. Н. Агентно-ориентированные системы: от формальных моделей к промышленным приложениям. EDU.RU: Всеросс. конкурс. отбор обзор.-аналит. ст. по приоритет. направл.: Информационно-телекоммуникационные системы. 101 с. URL: http://window.edu.ru/window_catalog/ files/ r56179/62333e1-st20.pdf. (дата обращения: 12.12.2023).

14. Макаренко С.И., Соловьева О.С. Основные положения концепции семантической интероперабельности сетецентрических систем // Журнал радиоэлектроники [электронный журнал]. 2021. №4. 24 с. https://doi.org/10.30898/1684-1719.2021.4.10.

15. Макаренко С.И. Справочник научных терминов и обозначений. СПб.: Наукоемкие технологии, 2019. 254 с.

16. Systems, Capabilities, Operations, Programs, and Enterprises (SCOPE) Model for Interoperability Assessment. Version 1.0. NCOIC, 2008. 154 p.

17. Титова Т. А. Антропоморфизм как форма познания мира // Ученые записки Казанского государственного университета. Гуманитарные науки, 2010. Т. 152, кн. 1. C. 172-179.

18. Маклаков А. Г. Общая психология. СПб.: Питер, 2016. 583 с.

19. Психология / под общ. ред. В. Н. Дружинина. СПб.: Питер, 2009. 656 с.

20. Логический подход к искусственному интеллекту: от классической логики к логическому программированию / А. Тейз, П. Грибомон, Ж. Луи [и др.]. М.: Мир, 1990. 429 с.

21. Лисанюк Е. Н. Лояльный агент и отменяемость в деонтической логике // Изв. Урал. федер. ун-та. Серия 3: Общественные науки. 2014. Вып. 1(125). С. 32–44.

22. Караваев Э. Ф. Вера и знание: Наследие Канта в философии и логике сегодня // Вестн. Санкт-Петербург. ун-та. Серия 17: Философия. Конфликтология. Культурология. Религиоведение. 2014. № 3. С. 5–15.

23. Найденова К. А., Невзорова О. А. Машинное обучение в задачах обработки естественного языка: обзор современного состояния исследований // Ученые записки Казанского университета. Серия Физико-математические науки.2008. Т. 150. №. 4. С. 5-24. URL: http://dspace.kpfu.ru/xmlui/handle/net/27150.

24. Shahmirzadi O., Lugowski A., Younge K. Text similarity in vector space models: a comparative study //2019 18th IEEE international conference on machine learning and applications (ICMLA). IEEE, 2019. P. 659-666. https://doi.org/10.1109/ICMLA.2019.00120.

25. Кравченко Ю. А., Мансур А. М., Хуссайн М. Ж. Векторизация текста с использованием методов интеллектуального анализа данных // Известия Южного федерального университета. Технические науки. 2021. №. 2 (219). С. 154-167.

26. Siolas G., d'Alché-Buc F. Support vector machines based on a semantic kernel for text categorization // Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium. IEEE, 2000. Vol. 5. P. 205-209. http://doi.org/10.1109/ IJCNN.2000.861458.

27. Singh A. K., Shashi M. Vectorization of text documents for identifying unifiable news articles //International Journal of Advanced Computer Science and Applications. 2019. Vol. 10. No. 7. P. 305-310. http://doi.org/10.14569/IJACSA.2019.0100742.

28. Thavareesan S., Mahesan S. Sentiment lexicon expansion using Word2vec and fastText for sentiment prediction in Tamil texts // Moratuwa engineering research conference (MERCon). IEEE, 2020. P. 272-276. https://doi.org/10.1109/ MERCon50084.2020.9185369.

29. Дроняева В. В., Хроль Е. В. Способы взаимодействия и обмена данными с помощью программного интерфейса веб-приложений // Актуальные вопросы современной науки и образования. Пенза, 2023. С. 42-44.

30. Rahimi Z., Homayounpour M. M. The impact of preprocessing on word embedding quality: A comparative study // Language Resources and Evaluation. 2023. Vol. 57. No. 1. P. 257-291. http://doi.org.10.1007/s10579-022-09620-5.

31. Мельчук И.А. Опыт теории лингвистических моделей «Смысл-Текст». М.: Языки русской культуры, 1999. 346 с.

32. Челышев Э. А., Оцоков Ш. А., Раскатова М. В. Автоматическая рубрикация текстов с использованием алгоритмов машинного обучения // Вестник Российского нового университета. Серия «Сложные системы: модели, анализ, управление». 2021. № 4. С. 185-193. https://doi.org/10.18137/RNU.V9187.21.04.P.175

33. Построение частотных словарей на основе исходных текстов с применением лемматизации / И.В. Ковалев, А.И. Середин, М.В. Карасева, П.В. Зеленков, В.В. Храпунова // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2013. №4. C. 39-41.

34. Милованов А. С., Карамышева Н. С., Митрохин М. А. Автоматизированная система планирования учебных занятий преподавателей вуза // Новые информационные технологии и системы (НИТиС-2022). Пенза, 2022. С. 438-444.

35. Numpy. URL: https://numpy.org/ (дата обращения: 02.12.2023).

36. Efficient Estimation of Word Representations in Vector Space / T. Mikolov, G. Corrado, K. Chen, J. Dean // Proceedings of the International Conference on Learning Representations ICLR, 2013. P. 1–12. https://doi.org/10.48550/arXiv.1301.3781.

37. Hecht-Nielsen R. Theory of the backpropagation neural network. Neural networks for perception. Academic Press, 1992. Р. 65-93. https://doi.org/10.1016/0893-6080%2888%2990469-8.

38. Large-margin softmax loss for convolutional neural networks / Weiyang Liu, Yandong Wen, Zhiding Yu, Meng Yang. 2016. Pр. 1-10. https://doi.org/10.48550/ arXiv.1612.02295.

39. De Boer P. T. et al. A tutorial on the cross-entropy method //Annals of operations research. 2005. Vol. 134. P. 19-67. https://doi.org/10.1007/S10479-005-5724-Z.

40. Ruder S. An overview of gradient descent optimization algorithms. 2016. Pр. 1-14. https://doi.org/10.48550/arXiv.1609.04747.

41. Raj P., Raman A.C., Subramanian H. Cognitive Internet of Things. Enabling Technologies, Platforms, and Use Cases. CRC Press. Auerbach Publications. Pub. Location New York, 2022. 326 p. https://doi.org/10.1201/9780429328220.

42. Cognitive Internet of Things: A New Paradigm beyond Connection / Qihui Wu, Guoru Ding, Yuhua Xu, Shuo Feng, Zhiyong Du, Jinlong Wang, Keping Long. IEEE Internet of Things Journal. March 2014. 1(2). P. 129-143. URL: https://ieeexplore.ieee.org/ document/6766209. DOI:10.1109/JIOT.2014.2311513.