Систематический и сравнительный анализ алгоритмов семантического поиска
Ключевые слова:
обработка естественного языка, семантический поиск, извлечение информации, поиск информации, большой объем данных, традиционные поисковые системы, векторы слов, производительность моделей.Аннотация
В сегодняшнюю цифровую эпоху пользователям сложно найти нужную им информацию в Интернете из-за большого количества данных, которые легко доступны и постоянно генерируются ежедневно. Проблема связана с большим объемом данных, которые усложняют процесс поиска, а традиционные поисковые системы на основе ключевых слов могут быть неэффективны при обработке сложных запросов. В результате пользователи могут столкнуться с нерелевантными или неполными результатами поиска, что затрудняет поиск и получение необходимой им информации. Эту проблему можно успешно решить, используя семантический поиск, основанный на передовых методах машинного обучения и обработки естественного языка. Семантический поиск — это инновационный подход, который позволяет системам понимать значение и контекст пользовательских запросов. Этот метод позволяет не только учитывать отдельные ключевые слова, но и анализировать их смысловые связи и контекст, что в конечном итоге обеспечивает более точные и релевантные результаты поиска. Таким образом, семантический поиск становится ключевым инструментом, обеспечивающим пользователям более эффективный и приятный опыт поиска информации в онлайн пространстве.
Библиографические ссылки
Kuchuganov A.V. Semanticheskij analiz i poisk graficheskoj informacii: monografiya / Kuchuganov A.V. — Moskva : Aj Pi Ar Media, 2020. — 179 c. — ISBN 978-5-4497-0634-8, 31-78.
“Total data volume worldwide 2010-2025 / Statista.” https://www.statista.com/statistics/871513/worldwide-data-created/
Mäkelä E., “Survey of Semantic Search Research.” [Онлайн ресурс].
Wei W., Barnaghi P.M., and Bargiela A., “Search with Meanings: An Overview of Semantic Search Systems.” [Онлайн ресурс] - http://www.w3.org/TR/owl-guide/
Lee C.H., Noh H.R., Kim K.C., Design of Torque and Power Density Improvement According to the Rotor Shape of IPMSM. International Journal of Intelligent Systems and Applications in Engineering, 11(4s), 174–179. https://ijisae.org/index.php/IJISAE/article/view/2585.
Sudeepthi G., Anuradha G., M.B.-I.J. of Computer, and undefined 2012, “A survey on semantic web search engine,” Citeseer, 2012 [Онлайн ресурс].
Thakre B., Thakre R., Timande S., Sarangpure V., An Efficient Data Mining Based Automated Learning Model to Predict Heart Diseases. Machine Learning Applications in Engineering Education and Management – 2023, 1(2), 27–33.
Zhai C., Massung S., “Text Data Management and Analysis: A Practical Introduction to Information Retrieval and Text Mining June 2016 https://doi.org/10.1145/2915031.2915054dl.acm.org, [Онлайн ресурс].
Sherje D.N., Content Based Image Retrieval Based on Feature Extraction and Classification Using Deep Learning Techniques. Research Journal of Computer Systems and Engineering – 2021, 2(1), 16-22. ttps://technicaljournals.org/RJCSE/index.php/journal/article/view/14
Agrawal P., “Exploration of Proximity Heuristics in Length Normalization,” Jan. 2017, [Онлайн ресурс] - http://arxiv.org/abs/1701.01417.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2023 А.А. Садуакасов, Б.О. Мухаметжанова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
