Эффективная визуализация графов знаний на базе языковых моделей нового поколения

Введение. Рассматривается методология автоматизированного извлечения и графического представления знаний из неструктурированных текстов с использованием современных языковых моделей. Подобные методы становятся всё более востребованными в связи с необходимостью структурирования информации и выявления смысловых связей, которые трудно фиксировать вручную.

Материалы и методы. Методология включает этапы предварительной обработки текста, извлечения сущностей и связей, структурирования и визуализации полученных графов. Предложенный подход основан на комбинировании локально развернутых языковых моделей и специализированных инструментов извлечения отношений. Использование локальных решений обеспечивает обработку данных в защищённой среде без обращения к внешним сервисам.

Результаты исследования. Разработанный веб-интерфейс обеспечивает интерактивную визуализацию и сравнительный анализ графов, построенных разными моделями, что повышает интерпретируемость результатов. Подход демонстрирует устойчивость к шуму в текстах и применим для решения задач в научной, технической и нормативно-правовой сферах. Экспериментальная апробация на корпусе русскоязычных научных статей показала, что предложенный подход применим как к техническим описаниям, так и к текстам с более абстрактными концепциями.

Обсуждение. Полученные результаты показывают, что предложенная методология не сводится к одному алгоритму и допускает комбинирование прямого извлечения, специализированных моделей, многоступенчатых схем и OWL-онтологий. Качество итоговых графов существенно зависит от структуры исходного текста, точности предварительной обработки и выбранных процедур постобработки; при этом интерактивная визуализация облегчает сопоставление результатов разных моделей и интерпретацию семантических связей.

Заключение. Предложенный подход может применяться для анализа научных, технических и нормативно-правовых текстов в защищённой локальной среде. Он является естественным продолжением предыдущих исследований авторов, связанных с семантико-ассоциативным анализом, синтезом данных и ассоциативно-онтологическим подходом. Его дальнейшее развитие целесообразно связывать с ансамблевыми схемами, логической валидацией, семантическим выводом и интеграцией с формальными онтологиями, что расширяет возможности информационного поиска, поддержки научных исследований и моделирования сложных систем.

1. Фаянс А.М. Построение онтологии фундаментальных понятий на основе трансдисциплинарного подхода. Онтология проектирования. 2022;12(4):454–469. https://doi.org/10.18287/2223-9537-2022-12-4-454-469

2. Волкова И.А., Шамаева Е.Д. Экскурс в графы знаний. International Journal of Open Information Technologies. 2023;11(3):75–83.

3. Спесивцев А.В. Нечётко-возможностный подход к формализации и использованию экспертных знаний для оценивания состояний сложных объектов. Известия вузов. Приборостроение. 2020;63(11):985–994.

4. Митяков С.Н., Митяков Е.С. Машинное обучение в задачах исследования инновационных процессов. Журнал прикладных исследований. 2020;4(1):6–13.

5. Гирин Р.В., Орлов С.П. Объектно-ориентированная декомпозиция программной логики искусственных нейронных сетей. Онтология проектирования. 2018;8(1):110–123.

6. Захарова О.И., Кулешов С.В. Разработка графовой нейросети обработки текстовых данных. Искусственный интеллект и принятие решений. 2024;(4):67–78. https://doi.org/10.14357/20718594240406

7. Напольских Д.Л. Подход к разработке онтологии кластера. Онтология проектирования. 2024;14(3):355–365. https://doi.org/10.18287/2223-9537-2024-14-3-355-365

8. Жиляев А.А. Онтологии как инструмент создания открытых мультиагенных систем управления ресурсами. Онтология проектирования. 2019;9(2):261–281.

9. Кулешов С.В., Зайцева А.А., Левашкин С.П. Обработка неструктурированной информации, получаемой из Интернета, с использованием ассоциативно-онтологического подхода. В: Проблемы техники и технологий телекоммуникаций ПТиТТ-2020: XXII Международная научно-техническая конференция; IV Научный форум Телекоммуникации: теория и технологии ТТТ-2020, Самара, 17–20 ноября 2020 года. Самара: ПГУТИ; 2020. С. 7–11.

10. Цветков В.Я., Курдюков Н.С. Информационное онтологическое моделирование. Russian Technological Journal. 2025;13(2):18–26. https://doi.org/10.32362/2500-316X-2025-13-2-18-26

11. Mamedova N.A., Afanasev M.A., Nefedov Yu.V., Urintsov A.I. Ontology of Engineering and Computational Architecture of Multimodal Transport and Logistics Center. Automatic Documentation and Mathematical Linguistics. 2025;59(2):109–123. https://doi.org/10.3103/S0005105525700554

12. Huguet Cabot P.-L., Tedeschi S., Ngonga Ngomo A.-C., Navigli R. RED: a Filtered and Multilingual Relation Extraction Dataset. In: Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics (ACL 2023). 2023. arXiv:2306.09802. https://doi.org/10.18653/v1/2023.acl-long.237