Моделирование интеллектуального алгоритма ранжирования уполномоченных инстанций в задачах подготовки ответов на запросы

Исследованию применения методов семантического сопоставления векторных представлений текста в задаче разработки интеллектуального сервиса ранжирования исполнителей при формировании ответов на запросы рассматривается в данной работы. Моделирование системы строится на примере определения исполнителей для подготовки ответов на обращения граждан в органы государственной власти. Разработанная система способна не только выявлять релевантных исполнителей, но и устанавливать понятную связь между обращением и полномочиями органов власти. Это позволяет получить объяснение результата работы алгоритма. Гибридная архитектура с дообученной моделью нейронной сети, на основе архитектуры SBERT, легла в основу системы. Результаты тестирования полученного алгоритма показывают существенное улучшение качества ранжирования. Итоговая модель достигает MRR=0,996 и 0,739 на обучающей и тестовой выборках соответственно. Такие показатели подтверждают применимость разработанного подхода для автоматизации процесса обработки обращений граждан.

Ключевые слова

объяснимый искусственный интеллект; семантическое сопоставление; модели ранжирования; обработка естественного языка.

Литература

1. Edverest. Обработка естественного языка и нейронные сети. - URL: https://edverest.ru/unit/\obrabotka-estestvennogo-yazyka-i-nejronnye-seti/ (дата обращения: 31.01.2026)
2. Шалагин, Н.Д. Обзор алгоритмов семантического поиска по текстовым документам / Н.Д. Шалагин // Международный журнал открытых информационных технологий. -2024. - Т. 12, № 9. - P. 11-20
3. Китов, В.В. Латентный семантический анализ / В.В. Китов. - URL: https://deepmachinelearni\ng.ru/docs/Neural-networks/Embeddings/Latent-semantic-analysis (дата обращения: 11.01.2026).
4. Нефедова А.А. Модель ИИ для объяснимой маршрутизации обращений граждан в органы власти / А.А. Нефедова // Материалы II Всероссийской научно-практической конференции с международным участием. - Ханты-Мансийск: Югорский государственный университет, 2026. - С. 103.
5. Reimers, N. Sentence-BERT: Sentence Embeddings Using Siamese BERT-Networks / N. Reimers, I. Gurevych // arXiv. - URL: https://arxiv.org/abs/1908.10084 (дата обращения: 02.02.2026)
6. Feng, F. Language-Agnostic BERT Sentence Embedding / F. Feng, Y. Yang // arXiv. - URL: https://arxiv.org/abs/2007.01852 (дата обращения: 30.01.2026)
7. ШАД. - URL: https://education.yandex.ru/handbook/ml (дата обращения: 11.11.2025).
8. SentenceTransformers Documentation. - URL: https://sbert.net/ (дата обращения: 21.10.2025)