LSTM ASOSIDA MATNLARDAN MUHIM OBYEKTLARNI AJRATIB OLISH

Mamatov A.A.; Muhamediyeva D.T.

doi:10.5281/zenodo.20214972

25.04.2026

Oʻzbekcha

LSTM ASOSIDA MATNLARDAN MUHIM OBYEKTLARNI AJRATIB OLISH

Дата публикации

25.04.2026

Журнал

Приоритетные области применения искусственного интеллекта в педагогическом образовании

Выпуск

Приоритетные области применения искусственного интеллекта в педагогическом образовании

Страницы

505-509

DOI

10.5281/zenodo.20214972

Авторы

Mamatov A.A. , Muhamediyeva D.T.

Аннотация

Ushbu maqolada matnlardan muhim obyektlarni ajratib olish va bilimlar bazasini yaratish uchun chuqur o‘rganishga asoslangan model taklif etiladi. Nomlangan obyektlarni aniqlash (Named Entity Recognition, NER) vazifasi uchun uzoq qisqa muddatli xotira (Long Short-Term Memory, LSTM) modeli qo‘llanilgan. Ma’lumotlar oldindan qayta ishlanib, tokenizatsiya va one-hot kodlash usullari orqali raqamli shaklga o‘tkaziladi. Model turli obyekt turlarini (shaxs nomlari, sanalar, joy nomlari) ajratib olish uchun o‘qitiladi va baholanadi. Eksperimental natijalar modelning samaradorligini ko‘rsatadi va turli parametrlarning ta’siri tahlil qilinadi.

Ключевые слова

LSTM mashinaviy o‘rganish Matnlarni qayta ishlash nomlangan obyektlarni aniqlash bilimlar bazasi tokenizatsiya one-hot kodlash

Версии на других языках

Русский

В данной статье предлагается модель на основе глубокого обучения для извлечения важных объектов из текста и построения базы знаний. Для задачи распознавания именованных сущностей (NER) используется модель долговременной кратковременной памяти (LSTM). Данные предварительно обрабатываются и преобразуются в цифровую форму с помощью токенизации и one-hot кодирования. Модель обучается и оценивается для извлечения различных типов объектов (имена, даты, названия мест). Экспериментальные результаты показывают эффективность модели, а также анализируется влияние различных параметров.

LSTM машинное обучение Обработка текста распознавание именованных сущностей база знаний токенизация one-hot кодирование

English

This paper proposes a deep learning-based model for extracting important objects from texts and building a knowledge base. A long short-term memory (LSTM) model is used for the task of Named Entity Recognition (NER). The data is preprocessed and converted into digital form using tokenization and one-hot encoding. The model is trained and evaluated to extract different object types (personal names, dates, place names). Experimental results show the effectiveness of the model and the effects of various parameters are analyzed.

LSTM machine learning Text processing named entity recognition knowledge base tokenization one-hot encoding

Список литературы

1. Duppati, S. K. ., & Babu, A. (2023). Named Entity Recognition for English Language Using Deep Learning Based Bi Directional LSTM-RNN. International Journal on Recent and Innovation Trends in Computing and Communication, 11(5), 330–337. https://doi.org/10.17762/ijritcc.v11i5.6621

2. A. Mohamed and N. Jaitly, 2013, “Hybrid speech recognition with deep bidirectional LSTM,”, IEEE, 2013, pp. 273–278.

Просмотреть PDF