Методы переноса обучения в задачах автоматической обработки текстаTransfer learning methods in natural language processing tasks

Диссертационная работа посвящена исследованию методов переноса обучения в задачах автоматической обработки текстов. Целью исследования является разработка и экспериментальная оценка подходов переноса обучения для задач извлечения именованных сущностей, извлечения вложенных сущностей и отношений, информационного поиска в биомедицинском домене, а также генерации текстов и оценки их качества. Показано, что использование предварительно обученных трансформерных моделей обеспечивает высокое качество решений даже в условиях ограниченных данных и сложной структуры текстов. В рамках исследования был разработан модульный подход к задаче медицинского вопросно-ответного поиска, не требующий дополнительного обучения на целевых данных. Создан специализированный русскоязычный корпус для оценки качества генерации текстов и исследована применимость подхода LLM-as-a-Judge для русского языка. Полученные результаты выявляют как преимущества методов переноса обучения, так и их ограничения при работе с русским языком и сложными задачами из области автоматической обработки текстов. Практическая значимость работы заключается в возможности применения предложенных методов при разработке интеллектуальных систем анализа и генерации текстов.