We present an algorithm for detecting metaphor in sentences which was used in Shared Task on Metaphor Detection by First Workshop on Figurative Language Processing. The algorithm is based on different features and Conditional Random Fields.

We measure the intensity of diachronic semantic shifts in adjectives in English, Norwegian and Russian across 5 decades. This is done in order to test the hypothesis that evaluative adjectives are more prone to temporal semantic change. To this end, 6 different methods of quantifying semantic change are used. Frequency-controlled experimental results show that, depending on the particular method, evaluative adjectives either do not differ from other types of adjectives in terms of semantic change or appear to actually be less prone to shifting (particularly, to 'jitter'-type shifting). Thus, in spite of many well-known examples of semantically changing evaluative adjectives (like 'terrific' or 'incredible'), it seems that such cases are not specific to this particular type of words.

Предлагается программное решение, направленное на улучшение качества распознавания образов и повышение эффективности инструментария машинного обучения посредством реализации grid-технологий. Формулируются стратегические направления разработки инструментария распознавания образов в виде программной системы, осно-ванной на принципах распределенных систем, распараллеливания и адаптивной настройки вычислительных ресурсов. Рассматривается структура организации web-инструментария распознавания образов с использованием концепции библиотеки алгоритмов. Даются алгоритмические решения распараллеливания алгоритмов обучения и распознавания на базе классических методов интеллектуального анализа данных, которые хорошо зарекомендовали себя на практике. К таким алгоритмам относятся методы прецедентов или методы, основанные на метриках близости. Они обладают большим потенциалом к распараллеливанию вычислительных процессов и разработке параллельных алгоритмов их реализации.Поиски путей повышения производительности вычислительной техники, особенно при реализации web-инстру-ментария на основе ресурсоемких вычислительных алгоритмов машинного распознавания и прогнозирования, при-вели к решению создать grid-систему. Рассматриваемые в статье архитектура и реализация grid-системы предполагают распараллеливание и организацию распределенных вычислений на многомашинной основе с применением интернет-технологий, что позволяет получить практически те же вычислительные мощности, что и на многопроцессорных ком-пьютерных системах, но с гораздо меньшей стоимостью.В статье решается задача повышения эффективности вычислительных ресурсов при возможности реконфигуриро-вания структуры интернет-соединений, в том числе процедуры настройки структуры вычислительной сети, подклю-чаемых каналов связи и выделенных серверов в зависимости от исходных алгоритмов и данных. Представлены зави-симости параметров времени выполнения операций от дисциплины обслуживания, адаптирующей систему к запросам пользователей. При этом задачи ранжируются по ресурсоемкости и под них выделяются соответствующие их рангу вычислительные мощности.Ключевые слова: интеллектуальные информационные системы, распознавание образов, машинное обучение, web-системы, параллельные вычисления.В современном мире рост производительности при обработке большого количества разнообраз-ной информации достигается только в тех случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из направлений исследо-ваний в области искусственного интеллекта [1, 2] являются интеллектуальные информационные си-стемы, которые находятся на пике исследователь-ской активности, практики прикладного приме-нения и коммерциализации. Они широко вошли в разные области промышленности, экономики, ме-дицины и т.д. Интеллектуальные информационные системы сосредоточили в себе наиболее наукоем-кие технологии с высоким уровнем автоматизации процессов не только подготовки информации для принятия решений, но и выработки вариантов ре-шений, опирающихся на полученные информаци-онной системой данные.Проблемы эффективног...

Появление централизованных хранилищ данных и накопление в них информации в виде как структурированных таблиц, так и слабоструктурированных текстов стали следствием растущего внимания к методам анализа данных. Анализ данных в перспективе позволяет получать важную информацию, на основе которой можно принять верное управленческое решение или спрогнозировать дальнейшее развитие событий. Одним из важных направлений этого анализа является автоматическая классификация накопленных данных в электронном виде, упрощенная модель кото-рой сводится к считыванию, обработке текста и присвоению документу темы из заранее заданного списка. Все чаще работы зарубежных коллег посвящаются классификации данных в области медицины для последующего прогноза развития болезни на основе статистики или постановки диагноза на основе истории болезни. Главную сложность в классификации представляют тексты на естественном языке, которые в силу лингвистических особенностей языка и поддержки частью методов классификации исключительно числовых данных трудно поддаются классификации.В настоящей работе исследуется научная активность в сфере классификации данных на естественном языке на основе ежегодной публикации научных трудов в данной сфере, а также предлагается на рассмотрение метод класси-фикации русскоязычных текстов, интегрирующий в себе алгоритмы частотного, морфологического и интеллектуаль-ного анализов.Процедура классификации текстов предполагает применение частотных, морфологических показателей и регрес-сионных деревьев. Также в данной работе представлены результаты ряда экспериментов по идентификации метода классификации с наиболее высокой точностью. Классификация осуществлялась по функциональным, литературным и авторским стилям. Ключевые слова: классификация текстов, частотный анализ, морфологический анализ, деревья решений, data mining, text mining.В среде информационно-коммуникационных технологий и систем происходят устойчивый рост и накопление текстовой слабоструктурированной информации [1], увеличивается объем хранилищ данных (библиотек, банков данных, репозиториев и т.д.). Потребность в эффективном извлечении ценных знаний из текстовых массивов влечет за со-бой усложнение и появление новых методов обра-ботки информации -интеллектуального анализа текстов (text mining), в том числе за счет примене-ния ресурсоемких статистических алгоритмов, ал-горитмов интеллектуального анализа данных (data mining) [2], семантического поиска, использования сетевых и интернет-технологий и т.д. Вледствие роста объема данных и времени их обработки из-за сложности алгоритмов растут затраты на повыше-ние производительности вычислительной техники.Задачей развития методов text mining является извлечение полезных знаний из информационных массивов с учетом особенностей обработки есте-ственного языка (ЕЯ), в том числе классификация текстов, извлечение информации, реферирование, информационный поиск и т.д. [3, 4]. Методы text mining используются в различных программных и информационных технологиях и как отдельные приложения, библиотечные модули, и в составе ин-струм...

No abstract