Neironu tīklu metodes latviešu valodas derivatīvās morfoloģijas apstrādē

Abstract

Latviešu valodas derivatīvās morfoloģijas apstrādē vārdu darināšanai ir jāizmanto iepriekš definētas likumsakarības, kas atšķiras ar nepieciešamo morfoloģisko pārveidojumu sarežģītību. Ņemot vērā neironu tīklu spēju atrast likumsakarības datos, darbā tiek pārbaudīts, vai un kā neironu tīklus var izmantot derivatīvās morfoloģijas apstrādē, analizējot modernāko neironu tīklu, lielo valodu modeļu, spēju veikt dotos uzdevumus, novērtējot spriešanas spēju un piemēru sniegšanas ietekmi uz derivātu ģenerēšanu un regulāro izteiksmju veidošanu. Darbā tiek izstrādāts arī specializēts neironu tīkla modelis, tādējādi pārbaudot neironu tīklu efektivitāti, apgūstot publiski pieejamus latviešu valodas korpusa datus. Darba rezultāti norāda gan uz specializētu, gan lielajiem valodu modeļiem kā efektīviem rīkiem uzdevumu izpildē, īpaši uzlabojot to veiktspēju ar spriešanas spēju lietojumu un piemēru sniegšanu.

In the processing of derivational morphology of the Latvian language, word formation requires the use of predefined regularities, which differ in the complexity of the necessary morphological transformations. Considering the ability of neural networks to find regularities in data, the work examines whether and how neural networks can be used in the processing of derivational morphology, analyzing the most modern neural network, large language model, ability to perform given tasks while assessing the influence of reasoning ability and example provision on the generation of derivatives and the formation of regular expressions. The work also develops a specialized neural network model, thus testing the effectiveness of neural networks by learning publicly available Latvian language corpus data. The results of the work indicate both specialized and large language models as effective tools in performing tasks, especially improving their performance with the usage of reasoning ability and the provision of examples.