Ақпараттық-коммуникациялық және химиялық технология

Том 3 № 28 (2025) / 2025-09-30 / Көрілім саны: 338

ҚАЗАҚ ТІЛІНДЕГІ СҰРАҚТАР МЕН КОНТЕКСТТЕРДІ СӘЙКЕСТЕНДІРУГЕ АРНАЛҒАН ЭМБЕДДИНГ МОДЕЛЬДЕРІНІҢ САЛЫСТЫРМАЛЫ ТАЛДАУЫ

Авторлар

Astana Polytechnic College
https://orcid.org/0009-0008-2046-591X
Astana IT University
https://orcid.org/0000-0001-9560-9756
Astana Polytechnic College
https://orcid.org/0009-0001-5346-6184
Л.Н.Гумилев атындағы ЕҰУ
https://orcid.org/0000-0001-8555-7315
Astana Polytechnic College
https://orcid.org/0009-0008-9864-5224
Astana Polytechnic College
https://orcid.org/0009-0009-2690-276X

Кілтті сөздер

семантикалық іздеу, сөйлем эмбеддингтері, сұрақ–контекст сәйкестігі, көптілді трансформер модельдері, TF-IDF, қазақ тілі, ақпараттық іздеу

DOI сілтемесі:

https://doi.org/10.58805/kazutb.v.3.28-987

Қалай дәйексөз келтіруге болады

Мажитова, К., et al. «ҚАЗАҚ ТІЛІНДЕГІ СҰРАҚТАР МЕН КОНТЕКСТТЕРДІ СӘЙКЕСТЕНДІРУГЕ АРНАЛҒАН ЭМБЕДДИНГ МОДЕЛЬДЕРІНІҢ САЛЫСТЫРМАЛЫ ТАЛДАУЫ». ҚазТБУ хабаршысы, вип. 3, вип. 28, Вересень 2025, doi:10.58805/kazutb.v.3.28-987.

Аңдатпа

Бұл мақалада қазақ тіліндегі сұрақтар мен контексттерді сәйкестендіруге арналған қазіргі заманғы эмбеддинг модельдерінің тиімділігіне салыстырмалы талдау ұсынылған. Зерттеу шамамен 7700 «сұрақ–контекст» жұбынан тұратын ашық Kundyzka/informatics_kaz деректер жиыны негізінде жүргізілді. Зерттеу барысында дәстүрлі TF-IDF әдісі мен заманауи көптілді модельдер — mMiniLM, LaBSE, Alibaba GTE-multilingual-base, intfloat/multilingual-e5-small және Snowflake Arctic-Embed v2.0 — арасындағы айырмашылықтарға ерекше назар аударылды. Сәйкестендіру сапасын бағалау үшін Accuracy@1, Mean Reciprocal Rank (MRR) және ROC AUC метрикалары қолданылды. Zero-shot режимінде жүргізілген эксперименттер эмбеддинг модельдерінің TF-IDF әдісінен айтарлықтай жақсы нәтиже көрсететінін дәлелдеді: эмбеддинг модельдері 0.59–0.63 аралығында Accuracy@1 мәнін көрсетті, ал базалық әдіс — 0.50. Сонымен қатар, t-SNE визуализациясының нәтижелері қазіргі модельдердің семантикалық жағынан ұқсас сұрақтар мен контексттерді бір-біріне жақын орналастыра алатынын көрсетті, бұл өз кезегінде рейтинг сапасын арттырады. Зерттелген модельдердің ішінде Alibaba GTE және Snowflake Arctic-Embed v2.0 үздік нәтижелер көрсетті, бұл оларды білім беру бағытындағы жасанды интеллект қосымшалары үшін өзекті құрал етеді. Бұл жұмыс қазақ тіліндегі деректерге арнайы оқытусыз-ақ алдын ала оқытылған көптілді модельдердің семантикалық сәйкестендіру сапасын айтарлықтай арттыра алатынын көрсетіп, оларды білім беру жүйелері мен ақпараттық сервистерде қолдану мүмкіндіктерін ашады.