Семантика

Здравствуйте, меня зовут Дмитрий Карловский и все свои статьи (и презентации) пишу я в MarkDown разметке. И знаете что? Она уже порядочно меня подзаелозила! Тексты я пишу на русском, но большая часть спецсимволов есть только в английской раскладке клавиатуры. А редактирование таблиц - это вечная пизанская башня из вертикальных линий. Короче, есть у него проблемы как с удобством редактирования, так и с наглядностью представления. Так что давайте попробуем спроектировать его с нуля, не таща за собой килотонны головоломных конструкций.

Вёрстка несколько поехала, так как на Хабре выкатили новый кривой визивиг. Так что теперь писать статьи в маркдауне, а потом выкладывать на Хабр будет крайне сложно. С нормальной вёрсткой эту статью вы можете почить на гитхабе: https://github.com/nin-jin/HabHub/issues/39

Принципы

• Однозначность синтаксиса

• Простота синтаксиса

• Единообразность синтаксиса

• Минимальное влияние на естественный вид текста

• Удобство редактирования независимо от раскладки

• Наглядность представления

• Расширяемость

• Быстрая и надёжная запоминаемость

В качестве спец-символов форматирования лучше использовать такие, которые есть в любой раскладке, а не только в английской. То есть при прочих равных лучше отдать предпочтение следующим символам: ! " ; % : ? * ( ) _ + / \ . , - =

Существующие решения

В английской Википедии есть сравнительный обзор легковесных языков разметки, так что не будем повторяться. Там приведены следующие языки: AsciiDoc, BBCode, Creole, GitHub Flavored Markdown, Markdown, Markdown Extra, MediaWiki, MultiMarkdown, Org-mode, PmWiki, POD, reStructuredText, Textile, Texy, txt2tag.

Почти все они придерживаются примерно похожих конструкций. Однако, BBCode не является легковесным - это практически HTML с квадратными скобками вместо угловых. Поэтому его мы далее рассматривать не будем. Также проигнорируем и POD, чей синтаксис слишком многословный и не слишком наглядный.

Текстовые блоки

Блоки текста будем разделять двойным переводом строки, что даст визуальный отступ между блоками. Тип блока определяется специальным префиксом в начале каждой строки блока. Если префикс не распознан, то это обычный параграф.

Списки

Списки бывают двух типов: упорядоченные и неупорядоченные. Их можно вкладывать друг в друга в произвольной комбинации. В этом случае вложенные списки отображаются с отступом.

Элементы неупорядоченного списка предваряются маркером. По нормам многих языков таким маркером выступает тире. В вебе в основном потребляются "буллеты". В облегчённых языках разметки в основном используются следующие:

- item* item+ item

Из них лучше всего подходит на эту роль именно дефис - он выглядит похоже на тире и легко набирается с клавиатуры. Маркер и текст элемента списка отделяется пробелом. Таким образом суммарный отступ текста слева получается равным 2 - именно такой у нас будет отступ у вложенных списков, чтобы они были выровнены с текстом, к которому относятся. То есть останавливаемся на таком варианте:

- first- second  - first of second    - first of first of second  - second of second - third

• first

• second

  • first of second

    • first of first of second

  • second of second

• third

Упорядоченные списки предполагают отображение увеличивающегося перед каждым элементом счётчика. Счётчик отделяется от текста элемента списка разделителем - точкой, скобочкой и тп. Некоторые языки предполагают ручное задание значений счётчика, что крайне не удобно поддерживать в актуальном состоянии:

1. item2) item

Некоторые языки позволяют указать специальный маркер списка, который будет отображаться как счётчик - это уже куда удобнее:

# item

Правда символ решётки есть лишь в английской раскладке. Мы же воспользуемся для этого плюсиком, ведь к счётчику прибавляется по единичке на каждый элемент списка:

+ first+ second  + first of second    + first of first of second  + second of second + third

1. first

2. second

   1. first of second

      1. first of first of second

   2. second of second

3. third

Цитаты

Цитаты объединяют произвольные блоки текста, показывая, что их автором является кто-то другой. Распространённая практика - выделять цитаты угловыми скобками:

> quote> - list in quote> > inner quote

Однако, угловая скобочка есть лишь в английской раскладке. Тут гораздо лучше подходит символ кавычки, который уже используется в цитатах внутри строк и доступен не только в английской раскладке:

" quote" - list in quote" " inner quote

Таблицы

Таблицы - это двумерное представление данных. И многие языки стараются сохранять двумерность ради наглядности:

|=  |= table |= header || a | table  | row     || b | table  | row     ||   | table | header ||---|-------|--------|| a | table | row    || b | table | row    |First Header | Second Header------------ | -------------Content from cell 1 | Content from cell 2Content in the first column | Content in the second column

Однако, такое представление сильно бьёт по удобству редактирования - приходится вручную постоянно выравнивать колонки.

И ладно бы только это, но такое представление обладает крайне слабой выразительностью - в ячейку можно поместить лишь один параграф. Туда нельзя поместить несколько параграфов, список, преформатированный блок и тд.

Наконец, даже с задачей наглядности такой синтаксис справляется плохо, когда в ячейках содержится больше пары слов - колонки уезжают далеко вправо и либо выпадают за скроллинг, либо начинают как попало переноситься, ломая всё выравнивание:

|   | table                                                                                                                          | header || a | There are many variations of passages of Lorem Ipsum available, but the majority have suffered alteration in some form, by injected humour, or randomised words which don't look even slightly believable.  | row     || b | table                                                                                                                          | row     |

Короче, рисовать табличку в тексте - бессмысленное занятие. Однако можно сохранить двумерность представления и без таблицы - достаточно выравнивать содержимое ячеек, относящихся к разным колонкам, друг под другом, но с разным отступом:

!   ! table    ! header! a  ! There are many variations of passages of Lorem Ipsum available, but the majority have suffered alteration in some form, by injected humour, or randomised words which don't look even slightly believable.    ! row! b  ! table     ! row

Таким образом человеку легко навигироваться по такой структуре как по горизонтали, так и по вертикали. А маркеры в виде восклицательных знаков похожи на вертикальные линии, но доступны не только в английской раскладке. Редактировать такое представление гораздо удобнее. Оно не боится внезапных переносов текста. А внутрь ячеек можно помещать любые другие блоки текста в произвольном количестве.

Заголовки

В некоторых языках заголовки выделяются разными типами подчёркиваний:

Level 1 Heading===============Level 2 Heading---------------Level 3 Heading~~~~~~~~~~~~~~~

Выглядит, конечно, красиво, но набирать это утомительно, парсить сложно, а перепутать разные типы подчёркиваний - легко.

Есть более удобная форма, где уровень заголовка определяется числом спецсимволов в префиксе:

# Level 1 Heading ### Level 2 Heading ##### Level 3 Heading ###

Справа может быть такой же суффикс, несущий лишь декоративную роль, но набирать его утомительно. В разных языках используются разные спецсимволы:

## Level 2 Heading== Level 2 Heading** Level 2 Heading!! Level 2 Heading++ Level 2 Heading

Решётка есть лишь в английской раскладке. Плюсы, звёздочки, восклицательные знаки мы задействуем для другой семантики. А вот массивные символы равенства - то, что надо. Заголовки делят текст на секции, так что пара горизонтальных линий отлично это иллюстрируют:

= Level 1 Heading== Level 2 Heading=== Level 3 Heading

Преформатированный текст

В некоторых языках для преформатированного текста используются специальные кавычки:

```markdownpreformatted         text```

Однако, если в таком тексте тоже нужно вывести эти кавычки, то получается облом. Поэтому предпочтительнее вариант с префиксом перед каждой строкой. Например, в качестве такого префикса может выступать отступ, равный 2 или 4 пробелам:

    preformatted             text

Преформатированный текст как правило не набирается напрямую при наборе текста, а копируется извне, где никаких префиксов нет кроме как раз отступов. Поэтому такой вариант довольно удобен, ведь во многих случаях такой текст можно просто вставить и больше ничего с ним не делать, чтобы он правильно отобразился.

В преформатированном тексте важен каждый символ, поэтому внутри него не может быть никакого форматирования. Однако, часто в повествовательных целях необходимо выделить какие-то строки или пометить их удалёнными/добавленными.

Поэтому мы разделим префикс на две части:

• Маркер преформатированного текста из 2 пробелов.

• Маркер форматирования строки из пары спец символов.

Выглядеть оно будет так:

    preformatted            text  --deleted  --   text  ++inserted  ++    text  **highlighted  **       text

А как же указание языка для этого текста? А к чёрту его. Набирать каждый раз название языка утомительно. Откуда брать это название - не понятно. Да и что делать с языками, которые ещё не поддерживаются, - не ясно. Лучше уж тут работает автоматика - она должна либо сама распознать язык, либо использовать универсальную подсветку, подходящую большинству языков.

Инлайн форматирование

Типичный приём для добавления некоторым словам особого смысла - это окружить их специальными "кавычками". Такие кавычки должны достаточно редко встречаться в обычном тексте, чтобы не приходилось париться с экранированием, которое негативно сказывается на удобстве чтения. Как правило такие кавычки состоят из нескольких повторяющихся спец-символов. Рассмотрим варианты их числа:

• 1 - слишком мало, высок риск, что символ обычного текста будет воспринят как форматирование.

• 3 - слишком много, каждый раз трижды нажимать клавишу - слишком утомительно.

• 2 - золотая середина, на этом и остановимся.

Акценты

Акценты служат для привлечения внимания, выделяя важные моменты, иносказания, коннотации и тп. Однако, в основном используются два вида: сильный и слабый акцент. И если назначение сильного акцента всем более-менее понятно, то слабый акцент используют для чего попало и приходится угадывать, что имел ввиду автор. Так что у меня нет уверенности стоит ли его поддерживать вообще, но пусть пока будет.

Варианты сильного акцента:

*strong***strong**__strong__'''strong'''''strong''

Апострофы слишком похожи на кавычки и секунды, так что их сразу отбрасываем. Из оставшихся более распространён вариант с "массивными" звёздочкам - его и выберем.

**strong**

strong

Варианты слабого акцента:

'emphasis'''emphasis''_emphasis_/emphasis///emphasis//*emphasis*~emphasis~

Тут уже разнообразие побольше. Однако, слабый акцент обычно выводится наклонным шрифтом, поэтому наиболее естественно смотрится наклонная линия, которая мгновенно укладывается в памяти.

//emphasis//

emphasis

Правки

Порой надо выделить часть текста, как удалённую, а часть как добавленную. Зачастую это выглядит как зачёркнутый и подчёркнутый текст. Оба варианта в той или иной мере осложняют чтение, поэтому предпочтительнее использовать для этого подсветку фона, как это делают инструменты для мержа. Но в этом случае символы подчёркивания и дефисы уже перестают ассоциироваться с соответствующим им типом форматирования.

Итак, типичные формы выделения добавлений:

_insertion___insertion__+insertion+

И удалений:

~deletion~~~deletion~~-deletion---deletion--

Добавления и удаления естественным образом независимо от визуализации ассоциируются с плюсом и минусом, так что воспользуемся именно ими:

++insertion++--deletion--

• insertion

• deletion

Ссылки

Ссылки бывают двух видов:

• Гиперссылка - она переносит вас к цели при клике на неё. Для неё задаётся отображаемое содержимое и урл для перехода.

• Встраивание - цель встраивается в просматриваемый документ. Для него задаётся урл, откуда берётся встраиваемый документ, и альтернативное содержимое, если встраивание по какой-либо причине не произошло (не поддерживаемый формат, не разрешённый домен, не удалось подключиться и тд).

Гиперссылки выглядят в разных языках так:

"Text":http://example.comhttp://example.com[Text]<http: example.com|text="">[Text|http://example.com][[Text|http://example.com]][[http://example.com|Text]][Text http://example.com][http://example.com Text][Text](http://personeltest.ru/away/example.com)`Text <http: example.com="">`_

А встраивания так:

![title](http://personeltest.ru/away/example.com/image.png){{http://example.com/image.png|title}}.. image:: /path/to/image.jpg

Важно отметить, что обычно встраивать разрешено лишь изображения. Если хочется встроить видео или сайт - в лучшем случае предлагается писать HTML. Мы же позволим встраивать что угодно - проверка безопасности для урлов должна происходить системно и регулироваться отдельно. Язык разметки текста никак не должен их регламентировать.

Для однозначной интерпретации разметки нам потребуется открывающая и закрывающая кавычки, а так же разделитель между урлом и содержимым. В качестве спец-символов должны быть такие, которые не могут встретиться в урле, и которые легко вводить в любой раскладке. Таких символов всего два: \ и ".

Отметим, что встраивание - это фактически цитирование стороннего ресурса, так что кавычка для этого более чем уместна. В качестве же разделителя ссылки на ресурс и его альтернативного представления, лучше подойдёт \, который крайне редко встречается в обычном тексте, в отличие от кавычки.

""Embedded image\http://example.org/favicon.ico""""Embedded video\https://youtube.com/video=1234""""Embedded site\https://marked.hyoo.ru/""

Если альтернативное содержимое опущено, то в качестве него должен быть взят сам урл. То есть следующие два варианта дают идентичный результат:

""http://example.org/favicon.ico""""http://example.org/favicon.ico\http://example.org/favicon.ico""

Для гиперссылок же воспользуемся \ во всех местах:

\\Clickable text\http://example.org/\\Clickable url: \\http://example.org/\\

• Clickable text

• Clickable url: http://example.org/

Разумеется разные типы ссылок можно комбинировать. Например, сделать картинку-ссылку можно так:

\\""Example\http://example.org/favicon.ico""\http://example.org/\\

Инлайн код

Инлайн код выводится моноширинным шрифтом и выключает внутри себя любое форматирование. В каждом языке используется что-то своё:

+monospace text+`monospace text```monospace text`````monospace text```|monospace text|{{monospace text}}{{{monospace text}}}=code=~verbatim~@monospace text@@@monospace text@@

Какой бы символ мы ни выбрали для маркера кода - он будет смешиваться с тем кодом, который пользователь пытается отобразить. Поэтому, хорошо бы использовать что-то непечатаемое, что не может появиться в инлайн коде. У нас уже используется двойной пробел в качестве маркера преформатированного текста. Логично использовать его и в случае инлайн кода, ведь он визуально не смешивается с кодом и сомнительно, чтобы в таком коде требовалось иметь двойной пробел. В конце концов код всегда можно вынести в преформатированный блок. Получается, что мы можем легко "выключать" форматирование просто воспользовавшись двойным пробелом:

This is  monospace text  !

This is monospace text !

Резюме

Теперь давайте соберём все конструкции формата в одной короткой шпаргалке:

= MarkedTextФормат текста с **легковесным форматированием**.--== Принципы+ Синтаксис:- Однозначность- Простота- Единообразность+ Внешний вид:- Минимальное влияние на естественный вид текста- Наглядность форматирования+ Редактирование:- Независимость от раскладки- Быстрая и надёжная запоминаемость== Cравнение с альтернативами! **Язык**! **Плюсы**    ! **Минусы**! MarkedText! - Удобное редактирование таблиц.! - Поддержка сложного форматирования внутри ячеек.! - Простота реализации.! - Легко запоминающийся консистентный синтаксис.! - Удобство редактирования в русской раскладке.! - Колонки не расползаются далеко вправо за горизонтальный скроллинг и не переносятся на новую строку.    ! - Не поддерживается пока что никакими сторонними инструментами.! MarkDown! - Широкая поддержка различными инструментами.! - Наглядное представление таблиц.    ! - Сложности с редактированием таблиц.    ! - Сильно ограниченное содержимое ячеек.== Парсинг    const res = [ ... $hyoo_marked_line.parse( '**text**' ) ]--$mol_assert_equal( res[0].strong, '**text**' )++$mol_assert_equal( res[0].marker, '**' )**$mol_assert_equal( res[0].content, 'text' )== Отзывы" " " Типичный пользователь: Нигде не поддерживается, идите в --жопу-- ++Жодино++ с таким синтаксисом!" " " " Но мы же программисты, мы можем это исправить.. Для этого даже не надо быть экспертом ни по  C++  , ни по  D++  .." " Никому это не нужно (с) Диванный ЭкспертТем не менее, это полезное упражнение в проектировании.== Ссылки- Песочница: \\https://marked.hyoo.ru/\\- \\Статья о MarkedText\https://github.com/nin-jin/HabHub/issues/39\\- \\Парсер на TS\https://github.com/hyoo-ru/marked.hyoo.ru/\\- \\Конвертер в HTML на TS\https://github.com/hyoo-ru/marked.hyoo.ru/tree/master/to/html\\- ""Результат билда $mol_regexp\https://github.com/hyoo-ru/mam_mol/workflows/mol_regexp/badge.svg""

Ссылки

• Песочница: marked.hyoo.ru

• Парсер на TS

• Конвертер в HTML на TS

BERT нейросеть, способная весьма неплохо понимать смысл текстов на человеческом языке. Впервые появивишись в 2018 году, эта модель совершила переворот в компьютерной лингвистике. Базовая версия модели долго предобучается, читая миллионы текстов и постепенно осваивая язык, а потом её можно дообучить на собственной прикладной задаче, например, классификации комментариев или выделении в тексте имён, названий и адресов. Стандартная версия BERT довольно большая: весит больше 600 мегабайт, обрабатывает предложение около 120 миллисекунд (на CPU). В этом посте я предлагаю уменьшенную версию BERT для русского языка 45 мегабайт, 6 мс на предложение. Уже есть tinybert для английского от Хуавея, есть моя уменьшалка FastText'а, а вот маленький (англо-)русский BERT, кажется, появился впервые. Но насколько он хорош?

Дистилляция путь к маленькости

Чтобы создать маленький BERT, я решил обучить свою нейросеть, используя при этом уже готовые модели в качестве учителей. Сейчас объясню подробнее.

Если очень коротко, то BERT работает так: сначала токенизатор разбивает текст на токены (кусочки размером от одной буквы до целого слова), от них берутся эмбеддинги из таблицы, и эти эмбеддинги несколько раз обновляются, используя механизм self-attention для учёта контекста (соседних токенов). При предобучении классический BERT выполняет две задачи: угадывает, какие токены в предложении были заменены на специальный токен [MASK], и шли ли два предложения следом друг за другом в тексте. Как потом показали, вторая задача не очень нужна. Но токен [CLS], который ставится перед началом текста и эмбеддинг которого использовался для этой второй задаче, употреблять продолжают, и я тоже сделал на него ставку.

Дистилляция способ перекладывания знаний из одной модели в другую. Это быстрее, чем учить модель только на текстах. Например, в тексте [CLS] Ехал Грека [MASK] реку "верное" решение поставить на место маски токен через, но большая модель знает, что токены на, в, за в этом контексте тоже уместны, и это знание полезно для обучения маленькой модели. Его можно передать, заставляя маленькую модель не только предсказывать высокую вероятность правильного токена через, а воспроизводить всё вероятностное распределение возможных замаскированных токенов в данном тексте.

В качестве основы для модели я взял классический bert-multilingual (веса), ибо хочу, чтобы модель понимала и русский, и английский, и его же использую на ранних стадиях дистилляции как учителя по распределению токенов. Словарь этой модели содержит 120К токенов, но я отобрал только те, которые часто встречаются в русском и английском языках, оставив 30К. Размер эмбеддинга я сократил с 768 до 312, число слоёв с 12 до 3. Эмбеддинги я инициализировал из bert-multilingual, все остальные веса случайным образом.

Поскольку я собираюсь использовать маленький BERT в первую очередь для классификации коротких текстов, мне надо, чтобы он мог построить хорошее векторное представление предложения. Поэтому в качестве учителей для дистилляции я выбрал модели, которые с этим здорово справляются: RuBERT (статья, веса), LaBSE (статья, веса), Laser (статья, пакет) и USE (статья, код). А именно, я требую, чтобы [CLS] эмбеддинг моей модели позволял предсказать эмбеддинги предложений, полученные из этих трёх моделей. Дополнительно я обучаю модель на задачу translation ranking (как LaBSE). Наконец, я решил, что неплохо было бы уметь полностью расшифровывать предложение назад из CLS-эмбеддингов, причём делать это одинаково для русских и английских предложений как в Laser. Для этих целей я примотал изолентой к своей модели декодер от уменьшенного русского T5. Таким образом, у меня получилась многозадачная модель о восьми лоссах:

• Обычное предсказание замаскированных токенов (я использую full word masks).

• Translation ranking по рецепту LaBSE: эмбеддинг фразы на русском должен быть ближе к эмбеддингу её перевода на английский, чем к эмбеддингу остальных примеров в батче. Пробовал добавлять наивные hard negatives, но заметной пользы они не дали.

• Дистилляция распределения всех токенов из bert-base-multilingual-cased (через несколько эпох я отключил её, т.к. она начала мешать).

• Приближение CLS-эмбеддингов (после линейной проекции) к эмбеддингам DeepPavlov/rubert-base-cased-sentence (усреднённым по токенам).

• Приближение CLS-эмбеддингов (после другой линейной проекции) к CLS-эмбеддингам LaBSE.

• Приближение CLS-эмбеддингов (после третьей проекции) к эмбеддингам LASER.

• Приближение CLS-эмбеддингов (после ещё одной проекции) к эмбеддингам USE.

• Расшифровка декодером от T5 предложения (на русском) из последней проекции CLS-эмбеддинга.

Скорее всего, из этих лоссов больше половины можно было безболезненно выкинуть, но ресурсов на ablation study я пока не нашёл. Обучал я это всё в течении нескольких дней на Colab, по пути нащупывая learning rate и другие параметры. В общем, не очень научно, но дешево и результативно. В качестве обучающей выборки я взял три параллельных корпуса англо-русских предложений: от Яндекс.Переводчика, OPUS-100 и Tatoeba, суммарно 2.5 млн коротких текстов. Весь процесс создания модели, включая некоторые неудачные эксперименты, содержится в блокноте. Сама модель, названная мною rubert-tiny (или просто Энкодечка), выложена в репозитории Huggingface.

И как этим пользоваться?

Если у вас есть Python и установлены пакет transformers и sentencepiece, скачать и запустить модель просто. Например, вот так вы можете получить 312-мерный CLS-эмбеддинг предложения.

Этот эмбеддинг вы можете использовать как признак для любой модели классификации или кластеризации текстов. Как (рекомендуемый) вариант, вы можете дообучить мою модель на собственной задаче. Про это будет отдельный пост, а пока отсылаю вас к обучающи материалам от Huggingface (раз, два).

Насколько быстр и мал мой Энкодечка? Я сравил его с другими BERT'ами, понимающими русский язык. Скорость указана в расчёте на одно предложение из Лейпцигского веб-корпуса русского языка.

Все расчёты я выполнял на Colab (Intel(R) Xeon(R) CPU @ 2.00GHz и Tesla P100-PCIE c батчом размера 1 (если использовать крупные батчи, то ускорение на GPU ещё заметнее, т.к. с маленькой моделью можно собрать более большой батч).

Как видим, rubert-tiny на CPU работает раз в 20 быстрее своих ближайших соседей, и легко помещается на бюджетные хостинги типа Heroku (и даже, наверное, на мобильные устройства). Надеюсь, эта модель сделает предобученные нейросети для русского языка в целом более доступными для прикладных применений. Но надо ещё убедиться, что модель хоть чему-то научилась.

Оценка качества эмбеддингов

Рекомендованный и проверенный временем рецепт использования BERT дообучать его на конечную задачу. Но дообучение процесс небыстрый и наукоёмкий, а гипотезу об осмысленности выученных эмбеддингов хочется проверить побыстрее и попроще. Поэтому я не дообучаю модели, а использую их как готовые feature extractors, и обучаю поверх их эмбеддингов простые модели логистическую регрессию и KNN.

Для оценки русских моделей есть бенчмарк RussianSuperGLUE, но задачи там сложные, требующие подбора параметров и дообучения моделей, так что к нему я тоже перейду позже. Ещё есть бенчмарк RuSentEval, там задачи более простые, но они слишком абстрактные, ориентированные больше на лингвистические свойства, а хочется начать с чего-то прикладного. Поэтому я собрал свой маленький бенчмарк. Пока что он тоже живёт в блокноте, но надо будет допилить его и выложить в более удобном виде. И вот какие задачи туда вошли:

STS: бенчмарк по семантической близости предложений (переведённый с английского). Например, фразы "Кошка спит на фиолетовой простыне" и "Черно-белый кот спит на фиолетовом одеяле" из этого датасета оценены на 4 из 5 баллов сходства. Качество моделей на нём я мерял ранговой корреляций этих баллов с косинусной близостью эмбеддингов предложений. Для наилучшей модели, LaBSE, корреляция оказалась 77%, для моей 65%, на одном уровне с моделью от Сбера, которая в 40 раз больше моей.

Paraphraser: похожий бенчмарк по семантической близости, но с чисто русскими новостными заголовками и трёхбалльной шкалой. Эту задачу я решил так: обучил поверх косинусных близостей логистическую регрессию, и ей предсказывал, к какому из трёх классов пара заголовков относится. На этом бенчмарке моя модель выдала точность 43% и победила все остальные (впрочем, с небольшим отрывом).

XNLI: предсказание, следует ли одно предложение из другого. Например, из "это стреляющее пластиковое автоматическое оружие" не следует "это более надежно, чем металлическое оружие", но и не противоречит. Оценивал её я как предыдущую логрегом поверх косинусных близостей. Тут на первом месте оказалась модель от DeepPavlov (которая дообучалась ровно на этой задаче), а моя заняла второе.

SentiRuEval2016: классификация тональности твитов на три класса. Тут я оценивал модели по точности логистической регрессии, обученной поверх эмбеддингов, и моя модель заняла третье место из пяти. В этой и некоторых последующих задачах я сэмплировал обучающую и тестовые выборки, уменьшая их размер до 5К, скорости ради.

OKMLCup: детекция токсичных комментариев из Одноклассников. Тут моя модель заняла четвёртое место по ROC AUC, обогнав только bert-base-cased-multilingual.

Inappropriateness: детекция сообщений, неприятных для собеседника или вредящих репутации. Тут моя модель оказалась на последнем месте, но таки набрала 68% AUC (у самой лучшей, Сберовской, вышло 79%).

Классификация интентов: накраудсоршенные обращения к голосовому помощнику, покрывающие 18 доменов и 68 интентов. Они собирались на английском языке, но я перевёл их на русский простой моделькой. Часть переводов получились странными, но для бенчмарка сойдёт. Оценивал я по точности логистической регрессии или KNN (что лучше). LaBSE набрала точность 75%, модель от Сбера 68%, от DeepPavlov 60%, моя 58%, мультиязычная 56%. Есть, куда расти.

Перенос классификации интентов с английского: та же классификация интентов, но обучающая выбора на английском языке, а тестовая на русском. Тут моя модель заняла второе место после LaBSE, а качество всех остальных сильно просело (что ожидаемо, ибо на параллельных корпусах они не обучались).

factRuEval-2016: задача распознавания классических именованных сущностей (адреса, организации, личности). Я обучал логистическую регрессию поверх эмбеддингов токенов, а качество мерял макро F1 скором (относительно токенов же, что не вполне корректно). Оказалось, что на таком NER моя модель работает откровенно плохо: она набрала скор 43%, остальные 67-69%.

RuDReC: распознавание медицинских именованных сущностей. Тут моя модель тоже проиграла остальным, но с меньшим отрывом: 58% против 62-67%.

Для всех задач, кроме NER, я пробовал для каждой модели два вида эмбеддингов: из CLS токена и усреднённые по всем токенам. Для меня было неожиданностью, что на многих задачах и моделях эмбеддинг СLS-токена оказывался даже лучше, чем средний (в целом, у него так себе репутация). Поэтому рекомендую не лениться и пробовать оба варианта. Код и результаты моей оценки можно взять из этого блокнота, но лучше подождать, пока я ещё причешу этот бенчмарк.

По итогам оценки оказалось, что модель LaBSE очень крутая: она заняла первое место на 6 из 10 задач. Поэтому я решил выложить LaBSE-en-ru, у которой я отрезал эмбеддинги всех 99 языков, кроме русского и английского. Модель похудела с 1.8 до 0.5 гигабайт, и, надеюсь, таким образом стала чуть более удобной для практического применения. Ну а rubert-tiny оказался по качеству в целом близок к моделям от DeepPavlov и Sber, будучи при этом на порядок меньше и быстрее.

Заключение

Я обещал сделать компактную модель для эмбеддингов русских предложений, и я это наконец сделал. Процесс дистилляции, скорее всего, я настроил неоптимально, и его ещё можно сильно улучшать, но уже сейчас маленькая модель на некоторых задачах приближается к уровню своих учителей и даже иногда обходит его. Так что если вам нужен маленький и быстрый BERT для русского языка, то пользуйтесь: https://huggingface.co/cointegrated/rubert-tiny.

Впереди работы много: с одной стороны, хочется обучить маленький BERT решать задачи из RussianSuperGLUE (и не только), с другой затащить в русский язык хорошие небольшие модели для контролируемой генерации текста (я уже начал делать это для T5). Посему лайкайте данный пост, подписывайтесь на мой канал про NLP, подкидывайте в комментариях и в личке интересные задачи, и, если у вас доведутся руки попробовать rubert-tiny, то обязательно оставляйте обратную связь!
Мне и самому интересно, что будет дальше.

Авторы статьи: к.ф.-м.н. С.Б. Пшеничников, к.ф.-м.н. А.С. Вальков

Алгебра и язык (письменность) являются двумя разными инструментами познания. Если их объединить, то можно рассчитывать на появление новых методов машинного понимания. Определить смысл (понять) это вычислить как часть соотносится с целым. Современные поисковые алгоритмы уже имеют задачей распознавание смысла, а тензорные процессоры Google выполняют матричные умножения (свертки), необходимые для алгебраического подхода. При этом в семантическом анализе используются в основном статистические методы. В алгебре выглядело бы странным использование статистики при поиске, например, признаков делимости чисел. Использование алгебраического аппарата полезно также для интерпретации результатов вычислений при распознавании смысла текста.

Под текстом понимается последовательность знаков произвольной природы. Например, естественные языки, нотные тексты, генетические последовательности биополимеров, коды (кодовые таблицы как отношения знаков). В нотных текстах, записанных на нотоносце из одной линейки (нотоносец-нитка), знаками являются ноты, ключи, знаки аллитерации, указания громкости и темпа. В генетических текстах знаками-словами являются триплеты. Знаковые системы вкуса и обоняния пока существуют только как естественные (как образцы, вроде зоопарка). Для осязания существует рельефно-точечный тактильный код-шрифт Брайля. Хабом знаковых систем является семиотика [1], состоящая из трех тегов: семантики, синтактики и прагматики.

Пример языкового текста:

Множество это объект, являющийся множеством объектов. Полином это множество объектов-мономов, являющихся множеством объектов-сомножителей. (1)

Чтобы превратить текст в математический объект нужно его правильно координатизировать. Текст примера можно лемматизировать (если для задачи важны морфологические формы, лемматизация необязательна) привести к нормальной форме: для существительных это именительный падеж, единственное число; для прилагательных именительный падеж, единственное число, мужской род; для глаголов, причастий, деепричастий глагол в инфинитиве несовершенного вида:

(множество)_1,1 (это)_2,2 (объект)_3,3 (являться)_4,4 (множество)_5,1 (объект)_6,3 ("точка")_7,7 (полином)_8,8 (это)_9,2 (множество)_10,1 (объект)_11,3 (моном)_12,12 (являться)_13,4 (множество)_14,1 (объект)_15,3 (сомножитель)_16,16 ("точка")_17,7(2)

В (2) правильная координатизация применена. Каждое слово (знак) текста приобретает два индекса, которые и есть координаты слова. Первая координата это уникальный номер слова в тексте. Со второй координатой слова немного сложнее. Она совпадает с первой координатой, если это слово впервые встречается в тексте. Например, это первые четыре слова (2). Пятое слово множество уже было в тексте это (множество)_1,1. На пятом месте (первая координата) текста это слово повторяется. Оно впервые встретилось на первом месте текста. Затем повторяется на пятом. Поэтому в (2) это слово-знак находится с индексами-координатами 5,1: (множество)_5,1. Таким образом, вторая координата это номер впервые встретившегося слова в тексте. Все слова, которые впервые встретились в тексте, имеют одинаковые координаты. При этом первая координата уникальна, а вторая может повторяться. В (2) пятое и шестое слово (по первой координате) уже имеются в тексте под номерами 1 и 3. Поэтому слов (...)_5,5, (...)_6,6 в тексте нет. Есть индексированные слова (множество)_5,1 и (объект)_6,3.

Слова с одинаковыми координатами называются словарем текста. Называть их алфавитом хуже (объем понятия число обозначаемых классов или множеств объектов меньше), потому что в алфавите отсутствует контекстная зависимость знаков. Но самые интересные знаковые последовательности с контекстной зависимостью и наличием знаков-омонимов (знаки одинаковые, контекстный смысл разный). Например, естественный язык и музыка без контекстов слов и нот полная бессмысленность. Знак-слово коса имеет четыре значения. Интонирование и интерпретация музыкального фрагмента зависит от предыдущих фрагментов. Блуждающие многозначные аккорды и функциональные инверсии основа атональной музыки.

Словарь это исходный текст с удаленными повторами. Текст это знаковая последовательность, в которой есть хотя бы один повтор. В коротких фрагментах текста повторов явно может не быть, но используемые в них слова используются в определенном смысле (контексте), который можно указать ссылкой на толковый словарь или другой текст. Тогда вторую координату в (2) можно считать номером слова в словаре. Словарь текста (2):

(множество)_1,1 (это)_2,2 (объект)_3,3 (являться)_4,4 ("точка")_7,7 (полином)_8,8 (моном)_12,12 (сомножитель)_16,16(3)

При координатизации (1) (2) основными признаками слов стали индексы, а не то, что внутри круглых скобок (...)_i,j. Например, для бинарного кода Морзе латинские буквы являются знаковыми последовательностями. Словарем является последовательность двух знаков-символов (точка и тире), совпадающие с буквами A и N. Порядок знаков в словаре несущественен. Остальные 24 латинские буквы являются кодовыми текстами. Единый текст (с помощью конкатенации) строится из всех букв (как фрагментов текста):

Координатизация текстов необходима для превращения текста в алгебру, но недостаточна. Требуется еще один важный шаг. Поскольку при индексировании слов текста сами знаки слов несущественны для определения отношений (связей) между знаками (важны только их номера), то знаки слов можно заменить другими знаками. Если эти знаки-коды являются математическими объектами, то и закодированный ими текст тоже будет математическим объектом.

Замечательно, что такие знаки существуют. Это матричные единицы. Матричные единицы E_i,j (имеют два индекса) это квадратные матрицы, в которых единица находится на пересечении i строки и j столбца, остальные элементы матрицы равны нулю. Например, при размерности n=2:

где E_1,2, E_2,1 и E_1,1, E_2,2 простые и составные матричные единицы (по аналогии с целыми числами). Произведение матричных единиц отлично от нуля (нулевой матрицы), если внутренние индексы произведения совпадают. Например, E_1,1E_2,1=0, E_2,1E_1,2=E_2,2. Матричные единицы в дальнейшем будут рассматриваться как некоммутативные обобщения целых чисел. Левые и правые делители таких чисел могут различаться, а также имеются делители нуля. Но многие понятия модулярной арифметики [2] остаются справедливыми.

Обычному тексту (2) соответствует матричный текст P (сумма матричных единиц):

Индексы (координаты) в (2) и (5) поэлементно совпадают, но P - математический объект (квадратная матрица). Разделитель (пробел) слов в (2) превращается в операцию сложения матриц. Исходный текст (2) восстанавливается по индексам из (5) забыванием алгебраических свойств (превращением операции сложения в разделитель-пробел) и обратным использованием кодовой таблицы координата-слово.

Универсальным свойством знаковых последовательностей в матричном виде (5) (текстовых полиномов) является уникальность первого индекса. На одном номере последовательности не могут находиться два и более знака. Второй индекс может повторяться.

Матричный словарь, соответствующий (3) имеет вид:

Матричный словарь D_R это матричный текст P с исключенными повторами. Размерность матриц P и D_R i_maxi_max, где i_max номер последнего слова (знака) в тексте. В каждой строке матриц P и D_R имеется не более одной единицы, остальные элементы равны нулю. Это свойство является следствием уникальности первого индекса. В матрице D_R соответствующие словам текста единицы находятся на её главной диагонали. Остальные элементы диагонали и матрицы равны нулю.

Для матричных текстов выполняются соотношения:

Порядок элементов в (5) несущественен, в отличие от (2). Следовательно, можно совершать преобразования (например, приведение подобных), как в случае числовых многочленов.

Делимое, делитель и частное определяются для любых фрагментов матричного текста F₁, F₂, ,F_k почти также, как для целых чисел. Элемент F_i (делимый) делится на элемент F_j (делитель), если существует элемент F_ij (частное) такой, что F_i=F_ijF_j. В отличие от целых чисел частное располагается слева от делителя. Частное может не являться фрагментом текста.

Фрагмент текста в предельном случае может быть матричной единицей (матричным словом). По (4) матричные единицы сами могут быть простыми и составными. Из n² матричных единиц 2(n-1) являются простыми, остальные (n² 2n 2) составные (произведения простых).

Левый идеал матричного текста это корпус всех текстов (всевозможных первых координат), которые можно составить из слов заданного словаря D_R (вторых координат).

Правый идеал матричного текста это всевозможные номера слов в D_R (вторых координат), которые можно разместить на заданных номерах слов в тексте (первых координат).

Идеалы матричных текстов, по аналогии с идеалами целых чисел, позволяют исследовать не только конкретные тексты и фрагменты, но и их совокупности (классы). Для идеалов текстов справедливы теоремы, имеющие место для идеалов целых чисел, но с учетом того, что матричные слова некоммутативны и некоторые из них являются делителями нуля.

Понятие делимости матричных текстов обобщается на делимость идеалов матричных текстов. Свойства делимости матричных фрагментов текста имеют место при делении идеалов. Понятия НОД и НОК также обобщаются на случай идеалов матричных текстов.

Сравнения целых чисел также обобщаются на случай матричных текстов. Фрагменты матричных текстов F₁, F₂, ,F_k сравнимы по модулю (мере) F_mфрагмента , если остатки от деления F₁, F₂, ,F_k на F_m кратны.

Если остатки кратны, то они имеют одинаковые словари. Поэтому фрагменты сравнимы по модулю заданного фрагмента, если остатки от деления фрагментов на заданный фрагмент имеют одинаковые словари. Сравнимость текстов по модулю некоторого текста можно интерпретировать следующим образом. Пусть имеется корпус английского языка. Выбираются шесть книг, наиболее соответствующие шести базовым сюжетам Шекспира. Матричный текст этих шести книг является фрагментом F_m. Тогда остальные книги корпуса, имеющие кратные остатки от деления их матричных текстов на F_m, сравнимы по F_m. Это означает, что можно сделать каталог книг для тех, кого интересуют не только шекспировские сюжеты. Причем кратность остатков является классифицирующим признаком для этого каталога. Классов вычетов в этом примере шесть. Взяв только три книги, например, можно весь корпус английского языка сравнить только по трем сюжетам из шести. Если человек имеет десять любимых книг или авторов, можно классифицировать корпус языка по признакам отличия от этого топтена.

Для классов вычетов (остатков) матричных текстов выполняются операции модулярной арифметики, с учетом того, что, как и для идеалов, матричные слова и фрагменты некоммутативны и некоторые из них могут быть делителями нуля.

Цель преобразований матричных текстов алгебраически обоснованная фрагментация P со значительным уменьшением числа используемых фрагментов по сравнению с комбинаторной оценкой, которая называется алгебраической структуризацией текста.

Структура совокупность и расположение связей между частями целого. Признаками структурированного текста являются: заголовки разного уровня фрагментов (параграфа, главы, тома, всего текста); краткие изложения (предисловие, введение, заключение, аннотация, реферат расширенная аннотация); контекстный и частотный словари; словари синонимов, антонимов и омонимов; разметка знаками-разделителями текстообразующих фрагментов (запятыми, точками, знаками абзацев, параграфов, глав).

Перечисленные структурные признаки соответствующие части (фрагменты) текста. Для полиномиального представления матричного текста некоторые такие части это соответствующие некоммутативные базисы Грёбнера-Ширшова. Коммутативный базис Грёбнера-Ширшова заданного набора многочленов - это такой многочлен, что при делении любого многочлена из этого набора на этот базис получается нулевой остаток. Если многочлены некоммутативны (составляющие их мономы не перестановочные по умножению), то аналог этого базиса называется некоммутативным.

Алгебраическая структуризация текста примера (5) выглядит следующим образом:

где E единичная матрица. Используя свойства матричных единиц, исходный матричный текст в аддитивной форме (5) преобразован в мультипликативную форму (7). Сомножитель (D_R+E_5,1+E_6,3) является некоммутативным аналогом базиса Грёбнера-Ширшова для коммутативных многочленов. Бриллиантовая лемма Ширшова выполняется в сомножителе (D_R+E_5,1+E_6,3) имеются зацепления (повторения) справа по второму индексу, но они разрешимы (имеют общие делители).

При преобразовании (редукции) (7) произошло преобразовании словаря текста:

В новом словаре (базисе идеала) появились слова E_5,1и E_6,3. Это те же слова E_1,1знаки (множество) и E_3,3 (объект), но находящиеся на пятом и шестом местах текста. Слова как знаки те же, но смысл повторяющихся слов в тексте меняется. Слова определяются контекстами. Слова близки, если их контексты содержат хотя бы одно общее слово. Контексты тем более близки, чем больше общих слов из соответствующего словаря (общих вторых индексов) они содержат.

В естественных языках множественность контекстов слова является причиной неоднозначности понимания смысла слов. Смысл по Фреге это соответствующая часть значений знака (слова). Значения слова это все его контексты (свойства). Например, пусть знак это слово объект. Все его значения в тексте: множество, элемент множества, моном и сомножитель. Это означает, что слово-знак объект обозначает четыре омонима. Смысл это часть значений, например, только моном.

Словарь D_R (6) в начале структуризации являлся словарем знаков-слов. В процессе структуризации он преобразуется в контекстно-зависимые матричные конструкции n-грамм (сочетаний слов-знаков, учитывающий их взаимный порядок и расстояние в тексте). Смысловая разметка текста основывается на расширении исходного словаря текста омонимами, а сам текст уже строится по такому расширенному словарю из некоммутативного базиса.

Размеченный текст после первого разделения омонимов и внесения их в расширенный словарь может быть опять алгебраически структурирован для более тонкой смысловой разметки.

Расширенный словарь (базис) вместе с контекстами повторяющихся слов называется матричным контекстным словарем текста.

Матричный словарь синонимов это фрагмент контекстного словаря для слов, имеющих близкие по семантическому расстоянию контексты, но разных, как знаки в D_R. Семантическим расстоянием измеряется мера синонимичности.

Матричный словарь антонимов - это фрагмент контекстного словаря для слов с противоположными контекстами. Признаком противоположности в языковых текстах является наличие в контекстах отрицательных слов (частиц, местоимений и наречий).

Иерархические заголовки матричного текста это фрагменты базиса, имеющие соответствующую частотность слов синонимического словаря. Например, для (8) высший заголовок две биграммы (пары слов) множество объект объект множество.

Предисловие, введение, заключение, аннотация, реферат - это заголовки, дополненные элементами базиса меньшей частотности, и вычетами, вошедшими в базис (как в алгоритме Бухбергера). Для текста примера вычет это остаток E_8,8+E_12,12+E_16,16 в (7) или в исходном виде (полином)_8,8... (моном)_12,12...(сомножитель)_16,16 остаток от разложения F₂ по F₁. Именно этими элементами базиса (вычетами) отличаются контексты биграмм множество объект объект множество.

Смысл текста, его понимание определяются мотивацией и персональным контекстным словарем читателя. Если они определены, то возможна реструктуризация авторского текста, представленного в матричной форме, в текст максимально понятный читателю (в его персональном базисе), но с элементами неизвестного, изложенного на персональном языке читателя, а также с дополнениями или уточнениями его персонального контекстного словаря.

Возможна персональная адаптация текстов на основе его реструктуризации. Понять текст это изложить его своими словами основной прием смыслового чтения. Для текстов в матричной форме понять его означает разложить и реструктурировать авторский текст по своему базису.

Для реструктуризации необходима алгебраическая структуризация корпуса текстов языка для составления указанных выше словарей корпуса языка. В этом случае идеалы и классы вычетов матричного кольца P_txt корпуса матричных текстов должны быть предварительно построены и исследованы.

Более строгое и общее описание алгебры текста изложено в [3].

Литература

1. Шрейдер Ю. А. Логика знаковых систем. 2010.

2. Виленкин Н.Я. Сравнения и классы вычетов. Журнал "Квант"

3. Алгебра текста - С.Б. Пшеничников - препринт на researchgate

В предыдущей статье было разработано представление знаковых последовательностей полиномами матричных единиц на примере языкового текста. Текст превращается в алгебраический объект. С текстом можно совершать все алгебраические операции, необходимые для структуризации -- вычисления заголовков, словарей, аннотаций, смысловой разметки. В данной статье приведены два примера алгебраической структуризации текстов иной природы. Азбука Морзе выбрана из-за предельной краткости словаря, а математические формулы как пример обратной задачи.

1 Код Морзе-Вейля-Герке как алгебра матричных единиц

В азбуке Морзе знаковые последовательности (тексты) 26 латинских букв состоят из точек и тире. Пример выбран из-за предельной краткости словаря ("точка" и "тире").

Слова здесь - точки или тире. 26 букв азбуки - тексты из таких слов. У каждого слова две координаты. Первая координата номер слова (точки или тире) в этой букве (от одного до четырех). Вторая координата номер в словаре (1 или 2). Словарь E₁₁ ("точка") и E₂₂ ("тире").

Каждой букве (знаковой последовательности) с номером из Таблицы 1 можно поставить в соответствие матричный полином P из матричных единиц 4x4 по формуле (8) из статьи [1].

Например, букве Q (17) ставится в соответствие матричный полином:

Свойством всех 26 полиномов-букв таблицы 2 является то, что крайними правыми сомножителями являются только три матричные единицы E₁₂, E_21, E₃₂

Если все 26 полиномов Таблицы 2 представить столбцом ||P||, а также из того, что для матриц и столбцов выполняется:

то азбука Морзе структурируется в три левые идеалы наборов матричных полиномов Таблицы 2 с базисами ||P||₁, ||P||₂, ||P||₃.

где

||P||₂(||P||₂)^T - симметричная матрица - число в диагональных элементах это число базисных элементов (простых и составных матричных единиц), принадлежащих букве, в других элементах число совпадающих базисных элементов в соответствующей паре знаковых последовательностей (букв) - после нормализации характеризует важность буквы в азбуке.

(||P||₂)^T ||P||₂ - симметричная матрица - число в диагональных элементах это число букв, принадлежащих базисным элементам, в недиагональных элементах число совпадающих букв в соответствующей паре базисных элементов после нормализации характеризует важность базисного элемента (заголовка) в азбуке.

Азбука Морзе с алгебраически структурирована в три идеала (класса) с базисами (1.3). Представление азбуки через идеалы описывает все подобные коды с базисами (1.3). Представление азбуки через идеалы приведено в Таблицах 3 и 4:

Азбука Морзе: ABCDEFGHIJKLMNOPQRSTUVWXYZ

из-за свойств матричных полиномов(крайние правые сомножители - только три матричные единицыE₁₂, E_21, E₃₂) разбивается на три класса (три идеала) тремя образующими E₁₂, E_21, E₃₂:

E₁₂ - заголовок тех букв, которые имеют знак тире на первом месте 4-знаковой последовательности:

_BCD__G___K_MNO_Q__T___XYZ (13 букв)

E₂₁ - заголовок тех букв, которые имеют знак точка на втором месте 4-знаковой последовательности:

_BCD_F_HI_K__N____S_UV_XY_ (13 букв)

E₃₂ - заголовок тех букв, которые имеют знак тире на третьем месте 4-знаковой последовательности:

__C__F___JK ___OP____U_W_Y_ (9букв)

2 Алгебра математического текста

В примере [1] языковый текст превращался в математический объект (матричный полином), с которым можно совершать алгебраические операции для анализа и синтеза текстов. В этом примере совершается обратное преобразование математические объекты (формулы) сначала рассматриваются как тексты (знаковые последовательности), которые затем превращаются опять в математические объекты, но иные, чем исходные. Такая новая форма позволяет более системно находить свойства математических объектов для сравнения и классификации.

Формулы объема конуса V_K, цилиндра V_ци тора V_Т:

рассматриваются как тексты. Это означает, что входящие в тексты знаки не являются математическими объектами и для них отсутствуют алгебраические операции. Например, R₁² этоR₁R₁, R₁ это не произведение двух чисел, а просто последовательность двух знаков. Знаки в (1): R₁и H₁ радиус основания и высота конуса,R₂ иH₂ радиус основания и высота цилиндра, R₃ внутренний радиус тора, R₄ внешний радиус тора, r радиус образующей окружности тора, это число .

Для семиотического анализа формул как текстов важно наличие повторов знаков. Повторы определяют закономерности. В формулах (2.1) повторов знаков на самом деле больше, чем указанные повторы знака . ЗнакиR₁, R₂, R₃, R₄, H₁, H₂ и r это длины отрезков. Тогда один из знаков, например , является простым (эталон длины), а остальные знаки составными: R₁=ar, R₂=br, R₃=cr, R₄=dr, H₁=er, H₂=fr . Тогда правые части формул (2.1):

Или в индексной форме:

Формулы (2.2) как полином матричных единиц из трех фрагментов

где:

Или в блочно-матричной форме:

В столбцах P находятся знаки из трех формул (2.1) . Если в столбце два нуля, это означает, что соответствующий знак имеется только в одной формуле. Например, знак 1/3 (или E_1,1), два знака a (или E_3,3+E_5,3) , один знак e (или E_7,7) имеются только в первой формуле для конуса (первая строка (2.5)). Только в цилиндре (вторая строка (2.5)) имеются два знака b (или E_11,11+E_13,11) и один f (или E_15,15). Только в торе (третья строка (2.5)) имеется знак (c+d) (или E_20,20). Общие знаки конуса, цилиндра и тора находятся во втором и четвертом столбцах (2.5). Тогда:

где:

В (2.6) матричный текст раскладывается по разным базисам P_дел1 и P_дел2. Базис P_дел1учитывает взаимные положения между повторяющимися знаками относительно тора в формулах (2.1). Базис P_дел2 учитывает положения между повторяющимися знаками относительно знаков словаря D_R в формулах (2.1). В общем случае учет положения знаков в формулах существенен, если знаки некоммутативны (например, знаки это матрицы, вектора, тензоры, гиперкомплексные числа). Но и в скалярном это полезно, например, канонической является формула площади круга r^₂, а не r^₂ .

Базис Гребнёра-Ширшова для (2.6):

Тогда:

В P_частн1и P_частн2имеются повторы (зацепления матричных единиц по второму индексу). Они подлежат дальнейшей редукции. Все зацепления разрешимы, - аддитивные P_частн1и P_частн2 приобретут мультипликативную форму, как и для языкового примера.

Метод алгебраическая структуризация текстов позволяет для текстов разной природы найти соответствующие классификаторы и словари. Т. е. классифицировать тексты без априорного задания признаков классификации и наименования классов. Такая классификация называется категоризацией или апостериорной классификацией. Например, для (2.3) классификационными признаками становятся:

• P_дел1и P_дел2 (общие и r в разных местах формул),

• общее число слагаемых в круглых скобках P_частн1и P_частн2 (четыре),

• соотношения числа и r в круглых скобках P_частн1и P_частн2 (1,1,2 и 3,3,2),

• сомножители мультипликативной формы P_частн1 и P_частн2,

• всевозможные фрагменты P_ост(вычеты, как класс формул с остатком-фрагментом).

Наименования классов совпадает с наименование признаков и их сочетаний.

Литература

[1] Пшеничников C.Б. Алгебра текста. Researchgate Preprint, 2021

1. Введение

Еще в работах академиков Анохина П.К. и Судакова К.В [1] отмечалась центральная роль понятия действия в работе мозга человека. Они предложили понятие акцептора результатов действия, как структуры объединяющей информацию о поведенческих актах, выполняемых субъектом. В предыдущей статье [2] я предположил и постарался показать как структуры, представляющие действие, делают возможным представление и обработку знаний в целом, а не только для реализации поведенческих активностей. В статье [3] попытался показать, как в процессе эволюции сознание могло возникнуть в качестве следующего механизма усложнения поведения вслед за рефлексами и эмоциями. Важность описания и представления действия отмечалась и другими авторами, в том числе и здесь на Хабре, например, Александром Болдачевым ( @boldachev) в статье "Семантика и деятельность".

В данной статье я хочу отойти от нейрофизиологической специфики мозга и попробую показать на теоретическом уровне, как в информационной системе можно представлять знания, базируясь на концепции действия. Попутно станет понятно, что стоит за понятием смысла (смысла текста в частности).

Для начала уточним терминологию.

Активностью будем называть собственно выполняемое системой действие без какой-либо мета информации. В информационной системе активность может быть представлена некоторой подпрограммой или функцией, поэтому иногда вместо слова активность может использоваться слово функция.

Действие или Структура действия, в контексте данной статьи, означает Активность, совместно с дополнительной мета информацией об этой Активности, такой, например, как количество параметров Активности, результаты прошлых выполнений Активности, ожидаемый результат и пр. Совокупность указанной информации будем далее называть структурой действия или просто действием. Передача параметров в Активности и возможное получение результата Активности осуществляется передачей ссылок на Структуры действия.

То есть Действие это структура, содержащая ссылку на Активность (функцию) параметры которой задаются ссылками на другие Действия, и которая может возвращать результат также в виде ссылки на другое Действие. Над Действием возможна операция выполнения, заключающаяся в задании параметров (если необходимы), выполнении Активности и получении результата (необязательном) в виде ссылки на другое Действие.

Все понятия в системе представляются в виде Структур действия. Поэтому использование по тексту терминов понятие, действие и структура действия взаимозаменяемо и подразумевает указанную выше структуру, если отдельно не указано иное.

2. Базовые действия системы

Для определенности, будем рассматривать далее некую абстрактную информационную систему, предназначенную для обработки символьной (текстовой) информации.

Для начала определим два Действия чтения символов(read) и вывода символов на печать(print). Также необходимы понятия для представления символов (цифры, буквы, знаки пунктуации и пр.). Будем обозначать Действия подобно математическим функциям именем и заключенными в скобки параметрами, или аргументами f(x1(), x2()). Аргументы и результат тоже Действия. Для упрощения чтения, когда параметры действия не важны, будем писать просто A, например, вместо A(x1(), x2()).

Создание Структур действия будет выполняться служебным действием new(activity, param_num), где activity Активность, составляющая действие, а param_num число параметров, необходимых для Активности, например:

WHAT_IS = new (Activity_mapping, 1)

Если параметры не заданы, то подразумевается пустая активность и действие при выполнении не выдает никакого результата. На Рис.1 схематично показана Структура действия и базовые Действия.

Действия чтения символов и вывода их на печать содержат соответствующие Активности чтения и печати.

Действия, соответствующие понятиям символов, содержат пустую Активность (при ее выполнении ничего не происходит). Эти Действия имеют смысл только в качестве параметров других Действий, например, Действия печати, или как результат Действия чтения. То есть, Действие чтения возвращает ссылку на одно из этих понятий, а Действие печати при его выполнении осуществляет вывод на печать символа, соответствующего понятию, указанному в качестве аргумента.

2.1. Последовательности символов

Указанные ранее понятия позволяют системе работать с одиночными символами. Работа с последовательностями символов может быть организована в системе, например, следующим образом. Представим, что в системе имеются действия сохранения (store) в памяти и чтения из памяти (load) с параметрами: 1) индексом элемента в последовательности и 2) ссылкой на понятие.

Понятие, представляющее последовательность символов ABC, может быть создано тогда следующими действиями:

ABC = new()
store(ABC,0,A)
store(ABC,1,B)
store(ABC,2,C)

Доступ к первому элементу понятия ABC возможен выполнением действия load(ABC,0). При отсутствии понятия с указанным индексом возвращается код ошибки. Другие Действия, работающие с последовательностями понятий (например, действие печати) учитывают количество элементов в переданных им параметрах для выполнения соответствующих активностей.

2.2. Активность сопоставления

Определим, например, два понятия: буква LETTER, и цифра DIGIT.

Тогда мы можем сконструировать Действие WHAT_IS с одним параметром, активность которого будет заключаться в возвращении LETTER, если в качестве параметра указаны понятия А..Я, и DIGIT, если в качестве параметра указаны понятия 0..9.

WHAT_IS = new(Activity_mapping,1)
WHAT_IS(A) => LETTER, WHAT_IS(1) => DIGIT

Активность по сопоставлению аргументов и результата, Activity_mapping, удобно сделать универсальной, содержащей внутреннюю таблицу с соответствием Аргументы-Результат. Это позволит нам реализовывать любые понятия, связанные с классификацией понятий, их свойствами и отношениями между понятиями (Рис.2).

Активность Activity_mapping будет осуществлять сопоставление входного параметра с имеющейся внутренней таблицей и возвращать соответствующий входным данным результат. Данные в эту таблицу будем заносить специальным действием Learn(arg, action, result). Таким образом мы cможем сообщить системе, что при запуске Действия action с аргументом arg в результате надо выдавать ссылку на result.

2.3. Активность сравнения - свойства и их описание

Так как, во многих случаях, действие возвращает ссылку на результирующее понятие, можно представить Активность (Activity_compare), которая будет сравнивать реальный результат указанного действия с каким-либо понятием, сравнивая их на совпадение. Положительный результат сравнения будем обозначать понятием Да(YES), а отрицательный понятием Нет(NO).

YES = new(), NO = new()

На базе этой Активности (Activity_compare) можно реализовать любое свойство. Для этого введем в системе понятие свойства (PROPERTY). Для реализации сравнения нам необходимо иметь информацию о действии, его аргументах и ожидаемом результате. Реализуем это с использованием действий PROP_ACT, PROP_ARG и PROP_RESULT соответственно. Их аргументом будет понятие свойства.

PROPERTY = new()
PROP_ARG = new(Activity_mapping,1)
PROP_ACT = new(Activity_mapping,1)
PROP_RESULT = new(Activity_mapping,1)

Вот как, например, будет выражено утверждение о том, что понятие something есть буква:

some_prop = new(Activity_compare,1)
Learn(some_prop, WHAT_IS, PROPERTY)
Learn(some_prop, PROP_ARG, something)
Learn(some_prop, PROP_ACT, WHAT_IS)
Learn(some_prop, PROP_RES, LETTER)

Схематично это представлено на Рис. 3.

То есть свойство some_prop сообщает, что при запуске действия WHAT_IS с аргументом something результат будет LETTER. Предположим, что мы считаем достоверным свойство some_prop. Тогда мы вносим изменение в таблицу активности понятия WHAT_IS чтобы при запуске WHAT_IS с аргументом something в качестве результата возвращалось LETTER. Несложно реализовать и более изощренное поведение, чтобы Активность, стоящая за Действием (в данном случае, Activity_Mapping) анализировала утверждения о релевантных свойствах (в которых присутствует заданное действие) на предмет дополнительных параметров, например, достоверности или вероятности и выдавала результат учитывая только достоверные или вероятные утверждения.

Свойства и их влияние на результаты других Действий позволяет определить понятие смысла. Смысл какого-либо описания (в нашем случае, some_prop) содержится во влиянии на результат того или другого Действия (в нашем случае WHAT_IS).

2.4. Объекты как наборы свойств, действия как вид объектов

То, что мы в обычной речи называем объектами, понятиями, является по сути описанием некоторого набора свойств, часто встречающихся совместно и поэтому для удобства определяемых через одно понятие. Для представления в системе объектов введем понятие OBJECT. Объекты могут обладать как общими свойствами (например, название), так и специфическими для определенных видов объектов. Для доступа к общим свойствам объекта предусмотрим действие OBJ_PROPS, которое будет выводить в качестве результата список свойств, то есть объектов подобных some_prop из предыдущего раздела.

Важным видом объектов являются объекты-действия, OBJECT_ACTION, (не базовые Действия о которых мы говорим с самого начала, а именно объекты, как наборы определенных свойств). Эти объекты описывают действие в целом и его отношение к окружающему миру. Объект-действие должен отражать следующие свойства:

Кто делает субъект действия (ACT_ACTOR)
Что делает само действие (ACT_ACTION)
С чем, что делает объекты действия (ACT_OBJECT)
Модальность состояние действия (нужно сделать, делается, сделано и т.д.) (ACT_MOD)
и другие возможные свойства (когда, зачем, как, почему, достоверность, вероятность и т.д.)

Иными словами, объект-действие это некоторое высказывание о действии (подобно тому как свойство можно рассматривать как высказывание о результате какого-то действия).

Таким образом, понятие, стоящее за фразой Светит солнце, может быть представлено в системе через объект-действие some_action (предполагаем, что понятия SUN, SHINE, INPROCESS определены ранее):

some_action = new()
Learn(some_action, WHAT_IS, OBJECT_ACTION)
Learn(some_action, ACTOR, SUN)
Learn(some_action, ACTION, SHINE)
Learn(some_action, ACT_MOD, INPROCESS)

3. Смысл текста и знания

С позиций, изложенных в данной статье, то что обычно подразумевают под знаниями, а именно наборы высказываний об определенных объектах, свойствах, являются описанием действий и их параметров и результатов. Смысл же - это полная внутренняя модель взаимосвязанных описаний действий у субъекта, то есть это понятие более высокого уровня, которое определяет каждому отдельному описанию (знанию) место в этой модели.

Смысл проявляется во влиянии на результаты действий. Модификация знаний об объектах и их свойствах приводит к изменению результатов при выполнении действий.

Речь и текст служат для представления действий, а также основанных на них свойствах и объектах. Слушая речь, читая текст, да и вообще осознавая выполняемые действия человек строит ветку взаимосвязанных понятий и включает ее в модель, в качестве аргумента действия "я знаю". Эта ветка может наращиваться новыми объектами (процесс, который называют логическим выводом). Например, описание(знание) того что произошло какое-то действие можно дополнить описанием новых свойств, полученных в результате действия.

4. Запросы к знаниям

Как наверно уже стало понятно, запросы (вопросы) в системе, основанной на действиях, представляют собой поиск объектов (описаний объектов, свойств, действий) во внутренней модели субъекта. В случае общих вопросов (требующих ответа Да или Нет) ищется соответствующий объект в модели и в случае нахождения выдается ответ Да, а при отсутствии такого объекта - Нет. В случае специфических вопросов на место интересующего объекта в описании ставится специальное понятие (назовем его Q_ARG) и в случае нахождения в модели сходной с вопросом структуры (во всем, кроме объекта Q_ARG), выдается объект, находящийся на месте Q_ARG.

Вот, например, пример структуры для вопроса Кто светит?:

some_question = new()
Learn(some_question, WHAT_IS, OBJECT_ACTION)
Learn(some_question, ACTOR, Q_ARG)
Learn(some_question, ACTION, SHINE)
Learn(some_question, ACT_MOD, INPROCESS)

Поиск ответа выполняется действием, например, так:

FIND_ANSWER = new(Activity_search_answer,1) FIND_ANSWER(some_question) => SUN

5. Заключение

В статье, на концептуальном уровне, показана возможность представления знаний в виде взаимосвязанных структур и стоящих за ними активностей (Структур действия). Эти структуры помимо представления некоторой активности, также могут выступать параметрами других Структур действия, а также быть результатом выполнения активностей. Единообразное, однородное представление всех понятий через Структуры действия позволяет реализовать чрезвычайно гибкие и расширяемые в процессе эксплуатации системы работы со знаниями. Отдельные знания, включенные в общую модель, формируют смысл.

Показанная в данной статье способность с помощью Структур действия представлять знания об окружающем мире, является только одним из проявлений универсальности подхода, основанного на Действиях. В статье [2] было показано, как эти же структуры могут обеспечить планирование поведения и его адаптацию к изменяющимся условиям окружающей среды.

Литература

[1] Александров Ю.И., Брушлинский А.В., Судаков К.В., Умрюхин Е.А. Системные аспекты психической деятельности / М.: Эдиториал УРСС, 1999. 137 с. 17 п.л. ISBN: 5-8360-0021-2

[2] Гурьев А.П., Динамическая семантическая сеть, основанная на действиях. 2019.
http://www.real-ai.ru/action-based-dynamic-semantic-network/

[3] Гурьев А.П., От эффектора к действию. Эволюция нейронных структур. 2020.
http://www.real-ai.ru/evolution-from-effector-to-action/

Любой корпоративный ИТ-ландшафт состоит из множества приложений, большинство из которых имеет собственные базы данных. В этих базах хранятся информационные объекты, представляющие бизнес-объекты, события и фазы бизнес-процессов. Многие объекты бизнес-процессов имеют "отражения" сразу в нескольких базах данных: например, единица оборудования промышленного предприятия с разных точек зрения описана в системах бухучета, управления ремонтами и обслуживанием, управления производством и др.

Чтобы бизнес-приложения, автоматизирующие разные бизнес-процессы, могли как-то работать вместе, их необходимо интегрировать: внедрять продукты класса MDM и ESB, позволяющие хоть как-то управлять обменом информацией между множеством разноплатформенных решений. Тем, кто занимался такой интеграцией, хорошо известно, что это долгий, сложный и неблагодарный труд.

А что, если найдется способ избавиться от всех интеграционных проблем разом? Такая "волшебная пуля" существует, и называется она - дата-центрическая архитектура. Ее основная идея состоит в том, чтобы сделать центральным элементом корпоративной ИТ-архитектуры не бизнес-приложения, а данные. Этот принцип изложен в Манифесте дата-центрической архитектуры.

Представьте, что в компании существует единое виртуальное хранилище данных, в котором каждый бизнес-объект или событие существует в единственном экземпляре. Для наглядности можно вообразить, что идея системы MDM (Master Data Management) доведена до логически полного воплощения, и именно MDM является хранилищем всех корпоративных данных; бизнес-приложения не имеют собственных СУБД и работают только с объектами данных из MDM. Преимущества такой архитектуры очевидны:

• Раз и навсегда отменяется необходимость в интеграционных процедурах.

• Снижаются затраты на хранение данных за счет избавления от множества копий каждого бизнес-объекта в разных системах.

• Упрощается аналитика и поддержка принятия решений, так как теперь для построения любого аналитического среза больше не нужно месяцами добывать и склеивать данные из разных систем - они всегда под рукой.

• Повышается качество данных за счет избавления от неполных, не актуальных представлений бизнес-объектов.

• Упрощается процесс замены одних бизнес-приложений на другие, потому что все они работают с одними и теми же данными. Можно легко и быстро создавать микро-фронт-энды для решения частных бизнес-задач.

"Это какая-то фантастика", скажут некоторые. Нельзя же выбросить все существующие бизнес-приложения и начать с чистого листа, вывернув наизнанку всю корпоративную ИТ-архитектуру?

Нужен плавный процесс перехода, и его вполне можно обеспечить, если думать о корпоративной платформе управления данными не только как о физическом хранилище, содержащем материализованные представления всех бизнес-объектов, но и как о логической витрине данных, способной извлекать эти объекты из любых хранилищ, в том числе баз данных и сервисов унаследованных бизнес-приложений. Клиенту платформы должно быть безразлично, где находятся нужные ему данные - в одном из множества хранилищ, спрятанных внутри платформы, или в СУБД какого-либо бизнес-приложения. На практике, вероятнее всего, нужный объект данных будет собран платформой в момент выполнения запроса из нескольких источников.

Итак, если на первом этапе построить платформу, работающую в режиме логической витрины данных, способную предоставить "прозрачный" доступ ко всем (или хотя бы ко многим) данным из существующих корпоративных систем, а затем постепенно мигрировать эти данные в виртуальное корпоративное облако - плавный переход к дата-центрической архитектуре будет успешным. Уже на первом этапе появится возможность создавать новые, дата-центрические приложения.

Чем такой подход отличается от создания "обычного" корпоративного облака данных (corporate data cloud) или озера данных (data lake)? Прежде всего - методологией использования платформы, особым вниманием к структуре данных и некоторой функциональной спецификой. Если обычный data lake часто представляет собой коллекцию наборов данных, созданных кем-то для решения конкретных задач и заведомо содержащих копию уже существующей где-то информации, то для дата-центрической архитектуры принципиально соблюдение принципа "один объект в реальном мире - один объект данных". И никаких физических срезов, по крайней мере персистентных...

Управление структурой корпоративных данных - отдельный и очень важный вопрос, которому часто уделяется слишком мало внимания. Задача описания структуры всей информации, с которой работает предприятие, может показаться настолько сложной, что никто и не думает ее решать; вместо этого создается множество структур данных под конкретные бизнес-задачи, что влечет очевидные последствия. Мы утверждаем, что эта задача может и должна решаться; она успешно решается на практике в конкретных проектах, нужно лишь использовать подходящие для этого технологии. Одним из возможных вариантов является описание структуры корпоративной информации с помощью онтологий (см. спецификацию OWL консорциума W3C).

Тема онтологического моделирования выходит за рамки этой статьи, отметим лишь, что одной из его ключевых особенностей является технологическая однородность самих данных и описания их структуры. Отсутствие привычного в реляционном мире разрыва между данными и описанием их структуры (которое иногда не совсем точно называют метаданными), возможность управлять данными и их структурой с помощью одних и тех же инструментов обеспечивает уровень гибкости, необходимый для создания и поддержки моделей данных, включающих десятки тысяч типов сущностей и свойств. Нельзя забывать и про множество разработанных методик онтологического моделирования, использование онтологий верхнего уровня, переиспользование и расширение стандартных онтологий.

Когда вся корпоративная информация становится структурированной и логически связной, она приобретает свойства корпоративного графа знаний (corporate knowledge graph), который открывает предприятию новый уровень аналитических возможностей и позволяет гораздо эффективнее монетизировать накопленную информацию.

Какими функциональными свойствами должна обладать платформа, являющаяся ядром дата-центрической архитектуры? Она должна:

• Поддерживать хранение состояния каждого объекта данных на любой момент времени. Объекты данных - не просто отражения текущего состояния объектов или событий реального мира, а "четырехмерные" описания всех состояний на протяжении всего времени жизни объекта.

• Хранить непрерывную историю модели (структуры) данных. Структура данных столь же изменчива, как и сами данные. Платформа должна иметь возможность представлять объекты данных в соответствии с любой версией структуры. Структура должна формально описывать смысл каждого элемента данных.

• Поддерживать множество API для работы с данными, включая REST, GraphQL, SPARQL.

• Предоставлять возможности обнаружения и поиска данных.

• Иметь развитые инструменты управления доступом к данным и защиты конфиденциальной информации.

• Поддерживать инструменты прослеживания происхождения данных (data provenance), контроля их качества (data quality), описания степени доверия к данным.

Построение подобных платформ с использованием онтологических моделей открывает и другие возможности. В онтологической модели можно описать в машинно-читаемой и автоматически исполняемой форме не только структуру данных, но и алгоритмы их обработки - правила контроля целостности, арифметических вычислений, дополнения информации (см. спецификации SHACL и SHACL Advanced Functions). Это позволяет по-новому взглянуть и на принцип low code: если в единой корпоративной платформе управления данными хранятся не только данные и описание их структуры, но и машинно-читаемое описание алгоритмов обработки данных, то новые бизнес-приложения, ориентированные на использование таких описаний, станут еще гибче и смогут изменять свое поведение "на лету" без вмешательства не только в код, но и в настройки приложений.

Платформы, отвечающие таким требованиям, уже существуют и применяются и на российском, и на зарубежном рынке.

Как мыслить и действовать адекватно ситуации, избавиться от инфантилизма и не наступать на одни и те же "грабли"? Эта статья может стать отправной точкой для получения навыков усвоения материала почти любой сложности.

Общая семантикавключает в себя метод, помогающий достигать надлежащих оценочных реакций, что способствует психическому здоровью. Ее основы заложил А. Коржибски и определил ее как общую теорию оценки фактов, отношений ощущений и т.д. с точки зрения того, как действительно происходят оценочные реакции.

Аристотель уникален тем, что его последователи поклонялись не только его лучшим качествам, но также и его недостаткам, чего он никогда не делал в отношении кого-либо, живого или мертвого; за что и был не раз он порицаем за непоклонение. Огастес де Морган - "наука и здравомыслие" А. Коржибски.

В 1933 году польский математик по имени Альфред Коржибски издал книгу "наука и здравомыслие", а в 1938 году основал институт общей семантики в США. В основе его концепции лежит утверждение о том, что любое человеческое познание ограничивается структурой нервной системы и структурой языка. Это значит, что человек априори не может знать всё обо всём. Коржибски проанализировал структуру языков индоевропейской группы математическими методами и выявил фундаментальные основы логики языка, которым люди пользуются изо дня в день, скрытые в неопределяемых и многопорядковых терминах (принимающие значение только при наличии контекста). Через них показана метафизика лежащая в основе используемого нами языка, его несовершенство, некоторое несоответствие действительности (например, может использоваться одно слово для нескольких сущностей одновременно, что может способствовать неверной оценке и неэффективному поведению (об этом позже)). Для преодоления этого барьера Коржибски ввел в ОС (общая семантика) в обиход не-элементалистский (позже станет понятно что это значит) терминсемантической реакции-психологическая реакция индивидуума на слова, язык и другие символы и события в связи с их смыслом, и психологические реакции, которые становятся смыслами и конфигурациями отношений в тот момент, когда индивидуум начинает анализировать их, или кто-то другой делает это за него.Так же разработал простое и наглядное средство для обучения новым, более адекватным семантическим реакциям - структурный дифференциал. Данный подход предлагаю начать с изложения о понятии механизмавремясвязывания.

Механизм времясвязывания

Этот механизм предполагает, что мы (люди) стоим на плечах друг друга в том смысле, что каждое поколение людей продолжает развиваться с того места на котором закончило предыдущее, т.е. обладает время-связующим элементом с помощью устной и письменной формы передачи информации. Для этого человечество использует язык, основанный на аристотелевой логике, включающая в себя двух-трёх значное ориентирование, которая была дополнена законом исключенного третьего: А или не А (где А - некое утверждение) - одно из этих значений является истинным; а также "язык науки" с помощью которого можно описывать и анализировать научные данные. К сожалению в повседневной жизни используется первый, без существенных изменений, не одну тысячу лет. На протяжении этого времени наука развивалась и среда обитания людей искусственным путем изменилась до такой степени, что структура используемого языка перестала соответствовать человеческой среде и стала порождать множество проблем, и связанные с ними человеческие страдания.

Здесь как раз кое-что добавлю о свойствах языка:

На первый взгляд все хорошо, классическая логика понятна. Может показаться, что этого достаточно; как показывают проблемы, с которыми люди сталкиваются в оценке событий из которых происходят различные ситуации, что этого маловато будет в 21 веке. Т.е. язык основанный на такой логике неадекватен положению вещей в реальности, такой, какую для себя открыла человеческая цивилизация на сегодняшний день. Например, в квантовой физике логика А или не А уже не работает; а если конкретнее, в суперпозиции альтернативных (взаимоисключающих) состояний. На мой взгляд проблема популяризации науки в народных массах тоже исходит из языка основанного на аристотелевой логике, потому что она апеллирует к широким массам не обладающие определенными инструментами мышления для анализа научных данных; поэтому из-за сложных научных терминов и использования определенных образов символов, например математики, в попытке донести научную информацию до широких масс людей простым языком, построенным на примитивной аристотелевой логике, в конечном счете ее смысл(научной информации)может быть искажен, либо понят неоднозначно. Таким образом появляется резон переводить с "языка науки" на обычный язык с большими допущениями и возможными потерями в смысловой нагрузке.

Цивилизации не обладающие свойством времясвязывания не смогли продвинуться дальше примитивного образа жизни и открыть более продвинутые технологии; обычно это те, которые по каким-то причинам не изобрели письменность, а в устной форме передачи информации встроены сильные ограничения. Становится очевидно, что язык и его письменная форма передачи информации является основным времясвязующим элементом, позволяющий человечеству развиваться на протяжении многих веков.

Процесс абстрагирования

Абстрагирование означает 'отбор,'выбор', 'отделение', 'обобщение', 'вычет', 'удаление', 'опущение', 'разделение', 'отнимание', 'лишение', и [когда используется] как прилагательное не конкретный На неврологическом уровне, абстрагирование - это то, что делает нервная система. Структурно структурный дифференциал (изображен ниже) схож с работой нервной системы.

Центральной идеей метода обучения адекватнымсемантическим реакциямявляется исключение отождествлений в оценке, с помощью исключения из языкового употребления отождествляющего "есть". (Речь идет не просто о слове "есть", а о лежащем в нем значении, а также других словах, где в неявном виде оно присутствует ('являться', знак тире, использующийся как определение и т.д.). Однако, т.к. и без них не обойтись, поэтому автор метода ввел некоторые приемы для осторожного использования этих слов: обозначать их в письме апострофами). Также метод исключает элементализм, который тоже составляет основу А-системы (аристотелевой). Элементализм в прежней А-системе позволяет вербально разделить то, что в реальности неразделимо: тело и ум, пространство и время, действие и последствие и т.д.; элементализм склоняет людей подразумевать, что ранее перечисленное может существовать как отдельные друг от друга сущности и вербально создавать изолированные элементы из динамических взаимосвязанных процессов, обнаруженных в мире, которые включают нас самих. Все это может вводить в заблуждение и порождать неадекватные оценочные реакции. Т.е. лингвистическое влияние очень сильно.

Когда примитивные предки создавали язык, то они естественным образом начали с низших порядков абстракции, которые непосредственно связаны с ощущениями и внешним миром. Это был "язык ощущений". Они отождествляли все свои ощущения с внешним миром, и персонифицировали большинство внешних событий. Эта примитивная склонность привела к построению языка, в котором отождествляющее есть является фундаментальным.

Структурный дифференциал воплощает в себе метод обучения более адекватнымсемантическим реакциям, избавления от отождествлений. В следствии обучения по структурному дифференциалу приходит понимание, что одинаковых ситуаций быть не может, что всегда мы имеем дело с индивидуальными объектами, каждый из которых уникален независимо от названия, а объективный уровень несловесен.

В верхней части структурного дифференциала расположена парабола, символизирующая уровень события (процесса). Как видно, верхняя часть параболы изображена с обломленным концом, что указывает на ее бесконечность. Это значит, что мы не можем знать 'все' о событии и напоминает о том, что это постоянно меняющийся динамический процесс. Кружочками обозначены характеристики события, их количество бесконечно велико. Свисающие нити от уровня события к уровню объекта символизируют характеристики, которые были учтены при абстрагировании; свободно свисающие нити указывают на характеристики события, которые были упущены при абстрагировании ('все' обо всем знать невозможно!). Уровень объекта (его еще называют немым уровнем) на параболе символизирует объективный уровень, т.е. это то что абстрагирует нервная система из события. На объективном уровне можно увидеть, потрогать, почувствовать и т.д. После уровня объекта изображен прямоугольник символизирующий ярлык - вербальный уровень - ярлыком может быть название чего-либо, чье-то имя и т.д. Ярлык используется для идентификации объекта по его имени, названию. Как видно, на параболе, по свободно свисающим нитям, на уровне ярлыка упущено еще больше характеристик. => по ярлыку можно определить еще меньшее количество характеристик, которыми обладает объект. На следующем уровне абстракции находится уровень описания. На этом уровне мы можем высказать какое-нибудь мнение об объекте. На следующем уровне можем составить заключение из предыдущего уровня абстракции - описания. Далее можно высказать заключении о заключении и т.д. до бесконечности.

Итак, на структурном дифференциале изображены уровни/порядки абстракций: уровень события (процесса), ярлык, описание, заключение об описании, заключение о заключении и т.д.

Во время дискуссии очень важно осознавать на каком словесном уровне вы и собеседник находитесь, чтобы избежать спорных ситуаций, которые могут приводить к конфликтам. Коржибски назвал этоосознанностью абстрагирования, она является целью обучения по структурному дифференциалу.Осознанность абстрагированияспособствует различению между реальным объектом, его описанием, заключением о нем, обобщением и т.д. Поэтому в народной мудрости "не суди всех по себе..." что-то есть...

Есть любопытный пример процесса абстрагирования с точки зрения нервной системы: предположим, перед нами обычный вентилятор, имеющий три лопасти. После того как мы его включим, его лопасти раскрутятся и вместо отдельных лопастей мы будем наблюдать сплошной диск. Хотя это по-прежнему все те же лопасти, но двигающиеся со скоростью достаточной для того, чтобы наша нервная система перестала фиксировать их вращение по отдельности. Говоря простыми словами, лопасти вращаются со слишком большой скоростью, чтобы мы могли увидеть вращение каждой лопасти по отдельности, вместо этого мы видим диск. Подобно лопастям вентилятора, предметы, включая нас самих видятся нам "сплошными дисками", хотя на субмикроскопическом уровне или уровне события (процесса), вместо лопастей вентилятора, происходит хаотические движения элементарных частиц на запредельных для нашего восприятия скоростях.

Осознанность абстрагирования

Ощущение противоречивости это уже зарождающаяся осознанность. . . . А.Н. Уайтхед

Коржибски утверждал, что для того чтобы быть максимально полезным, язык должен быть подобен по структуре тем событиям, для описания которых он предназначен. Язык "абстракций различных порядков", которые предоставляет структурный дифференциал, представляется удовлетворительным с точки зрения структуры. Это не-элементалистский язык, поскольку он не вводит различия между "чувствами" и "разумом" . Это функциональный язык, поскольку подразумевается, что он описывает то, что происходит в нервной системе, когда она реагирует на стимулы. По физико-химической, структурной, коллоидальной необходимости организм работает как целое. Будучи относительно целостным, он принимает любой дополнительный структурный фактор как реактивный и функциональный, который влияет на работу всего целого ("наука и здравомыслие" А. Коржибски). Это означает, что добавление или утрата чего-либо из организма, будет иметь влияние на организм как целое. Например, если человек лишится какой-нибудь части мозга, части нервной системы или конечности это окажет влияние на организм в целом; поэтому говорить об этом в терминах "+/-" к функции организма неправильно, т.к. на деле это не так.

Осознанность абстрагированияавтоматически исключает отождествление или "перепутывание порядков абстракций" оба эти явления могут проявляться в виде замешательства на всех уровнях. При естественном порядке абстрагирования, человек ориентируется в первую очередь на события, затем на восприятия, затем на описания, заключения, и т.д. Невербальные уровни имеют первостепенное значение. Вербальные уровни идут вторыми по важности и, в конечном счёте, должны направлять нас назад, к невербальным абстракциям низкого порядка, на наблюдения на немом уровне.

Приведу пример отождествления: когда человек реагирует на вербальном уровне как на объективном: при описании лимона у вас может начаться вырабатываться слюна; в ходе различных словесных перепалок человек склонен реагировать на слова, будто они физически способны оказать на него влияние и т.д.

Примером спутывания порядков абстракций: человек ошибочно принимает описание за заключение или наоборот; ярлык за описание. Следствием этого становится неправильная оценка объекта, ситуации и т.д.

Если мы не осознаем абстрагирование, то мы не можем избежать отождествления или перепутывания объекта с его конечным числом характеристик, с событием, с его бесконечным числом других характеристик. Замешательство между этими уровнями может ввести нас в ситуации, заканчивающиеся неприятными шоками. Приобретаяосознанность абстрагированияи помня о том, что объект не является событием, и что мы абстрагировали характеристики, которые меньше числом и отличаются от тех, что есть у события, мы можем ожидать множество непредвиденных происшествий. Вследствие чего, когда это неожиданное происходит, мы остаемся в безопасности от болезненных и вредных шоков ("наука и здравомыслие" А. Коржибски).

Короче говоряосознанность абстрагирования, это когда человек помнит об опущенных характеристиках объекта при каждом абстрагировании на определенный уровень. На объективном уровне объект можно оценить с помощью визуального контакта, понюхать, потрогать, лизнуть на вкус и т.д. На вербальном уровне это сделать невозможно, поэтому некоторые характеристики опускаются; когда мы высказываем мнение об объекте, то характеристик еще больше опущено, при составлении заключения о нем - еще больше характеристик опускается. А теперь подумайте, на каком уровне абстракции находятся термины экономика, политика? Это обобщающие термины, сколько всего объектов, ярлыков, описаний, заключений, заключений о заключениях они могут в себя включать? Сможете однозначно о них рассуждать с другими людьми?

Можно еще привести пример трудностей, которые становятся невозможными с осознанностью абстрагирования: когда двое и более людей спорят о политике :) В ходе спора они могут разражаться речами бесконечно. Обычно, это еще называют разговором ни о чем. Проблема заключается в том, что участвующие в дискуссии могут не осознавать, что слово политика - довольно высокий уровень абстракции и включает множество аспектов различных сфер деятельности; кроме того у людей могут быть даже разные представления о политике. Такие дискуссии обречены на провал до тех пор пока не будет конкретизировано о каком именно аспекте политики идет речь. Т.к. не существует на объективном уровне такой сущности как политика, то можно спускаться по уровням абстракции вниз от этого обобщенного понятия, до тех пор, пока не появится возможность предъявить факты свидетельствующие о предмете дискуссии. И тогда хотя бы будет понятно о чем речь.

Обучение

Это проклятое односложное слово все принесло математикам больше проблем, чем все остальные слова в словаре. Э.Т. Белл

Коржибски писал о том, что можно обучиться всему чему только заблагорассудится, если вам открыта структура предмета изучения. Структура, соответственно, становится единственным возможным содержанием знания, и все научные технические тонкости, как бы тяжелы и трудоемки они не были, становятся просто необходимыми инструментами для поиска структуры, и инструменты эти сами по себе не обладают никакой особой ценностью и не являются необходимыми для "знания", как только для конкретного случая обнаруживается структура ("наука и здравомыслие" А. Коржибски). Структура языка просматривается в многопорядковых терминах: да, нет, истинный, ложный, функция, свойство, отношение, число, различие, название, определение, абстракция, утверждение, факт, реальность, структура, характеристика, проблема, знать, думать, говорить, ненавидеть, любить, сомневаться, причина, следствие, значение, оценка и многие другие. Это термины, которые принимают определенное значение только при наличии контекста; они неоднозначны или -значны. Сами по себе эти слова бесполезны, но они составляют структуру языка. Точно так же и в математике и многом другом. Структура знания, она как скелет на котором все держится и без него лишь просто набор символов. Например, в математике вам необязательно знать наизусть всю таблицу Брадиса, достаточно лишь знать как ее применить, как бы знать на что "повесить" эти значения, чтобы получить ожидаемый результат.

Заключение

Общая семантика,на сегодняшний день, является самым простым, а возможно и самым эффективным средством достижения правильныхсемантических реакцийи психического здоровья в целом. Структурный дифференциал разработанный А. Коржибски является простым инструментом тренировки семантических реакций, достаточно простым для того чтобы его можно было использовать для обучения детей. Поскольку у детей нет привычек укрепившиеся за десятилетия, поэтому их легче обучать по методу, который нам предоставляет ОС. И становится ясно, что при этом взрослым для этого придется затрачивать больше усилий, однако эффективность обучения будет зависеть в каждом конкретном случае от индивидуума.

В прежней умственной терапии мы пытались вывести бессознательный, скрытый материал в область осознанности, однако при этом каждый психиатр работал своим частным методом, в соответствии с какой-то отдельной теорией. Подобная процедура, очевидно, недостаточно обща для простого профилактического обучения в широких масштабах. Данная же система предлагает такое общее и эффективное семантическое психофизиологическое средство. Становясь осознающими абстрагирование, мы предотвращаем животноподобную бессознательность абстрагирования, и тем самым предотвращаем блокировку развития или регрессию ("наука и здравомыслие" А.Коржибски).

"Интеллектуальное" и эмоциональное развитие может остановиться на некотором уровне. В таких случаях идет речь об идиотизме, слабоумии и дебилизме на умственных уровнях и о моральном слабоумии, инфантилизме, нарциссизме и, в общем, об "умственных" заболеваниях на "эмоциональных" уровнях. Исследования показали, что с помощью ОС можно достигать впечатляющих результатов, даже в случаях, где традиционный психоанализ оказывает временный эффект, либо помогает лишь отчасти. Неоднократно были зафиксированы случаи полного психического или умственного восстановления состояния пациентов, в том числе в случаях, где традиционных психоанализ был бессилен. Во всех выше перечисленных случаях данный подход можно практиковать для достижения терапевтического эффекта или в качестве профилактики. Но в любом случае среднестатистическому человеку незнакомого с ОС будет полезно изучение предлагаемых методов, т.к. они универсальны и применимы ко всем сферам жизни.

Наука о человеке должна следовать за наукой в плане структуры и метода. Психическое здоровье возможно только при условии принятия современной научной метафизики в том виде, как она дается наукой в данный момент. Переход от инфантильной цивилизации ко взрослой цивилизации с более полной человеческой жизнью и счастьем придет вместе с развитием научной цивилизации, обладающей научными стандартами оценки ("наука и здравомыслие" А.Коржибски).

Данная статья не претендует на полноту информации и была написана в ознакомительных целях. Для изучения общей семантики используйте соответствующую литературу. При написании были использованы материалы из книги "наука и здравомыслие" А.Коржибски. Также по этой теме рекомендую книгу, в которой более простым языком разобраны основные принципы общей семантики - "верните себе здравомыслие" Съюзан и Брюса Кодиш.

Мы стараемся всегда говорить клиентам только правду, излишне их никогда не обнадеживать и не браться за SEO, если не уверены в его результатах. Наш опыт работы с различными интернет-проектами показал, что для одних проектов SEO must-have, а для других пустая трата денег. В ряде случаев на поисковой оптимизации можно сэкономить, обратившись к другим способам продвижения. Как раз об этом мы и хотим рассказать в этом материале.

Когда нет смысла использовать SEO

Таких ситуаций, в которых поисковая оптимизация бесполезна, довольно много. Мы собрали самые типичные из них.

1. Вы предлагаете новый, уникальный продукт, на которые не сформирован спрос

Если ваш продукт только-только выходит на рынок и представляет собой нечто революционное продвигать его по поисковым запросам проблематично. Очевидно, что люди еще ничего не знают о нем, и поэтому не ищут.

Вы можете сами проверить спрос на товар или услугу, воспользовавшись бесплатным сервисомwordstat.yandex.ru.

Хотя, пожалуй, этот пункт не так однозначен, как казалось бы. Если продукт новый, но уже входит в сферу сложившихся интересов достаточно широкой аудитории продвигать его можно, используя околоцелевые и информационные запросы.

Например, вы выводите на рынок инновационное средство от прыщей. О нем еще никто не знает, но целевая аудитория активно интересуется как избавиться от прыщей. На этой основе можно проработать группу ключевых фраз. По ним придут люди, которые ищут решение своей проблемы или просто изучают информацию, а эту аудиторию уже можно конвертировать в клиентов вашего бизнеса.

Эффективным инструментом для вывода совершенного нового продукта на рынок одновременно с продвижением по околоцелевым запросам может стать реклама на площадке Яндекс.Дзен.

2. Низкий спрос на продукт

Бывает обратная ситуация когда продукт существует давно, но спрос на него крайне мал.

Если спрос на товар или услугу невелик, значит и трафик в поисковых системах ограничен. Круг людей, ищущих что-то подобное, так незначителен, что вкладывать большие средства в SEO не имеет смысла. Вложения попросту не окупят себя.

Поисковая оптимизация при отсутствии сколько-нибудь заметного спроса задействуется лишь в самых исключительных случаях. Например:

• Если ваш продукт стоит дорого или очень дорого, то даже при низком спросе на него вложения в SEO могут окупиться.

• Если конкуренция в каком-то сегменте не очень высокая, то и вложения в SEO могут быть небольшими и также смогут окупиться.

3. Спрос на ваш продукт устойчиво снижается

Спрос явление непостоянное. Он зависит от меняющихся потребностей людей, моды и сезонных факторов. Когда аудитория теряет интерес к тому или иному продукту, динамика поискового спроса показывает устойчивый нисходящий тренд. В такой ситуации вкладываться в SEO рискованно пока вы занимаетесь раскруткой, спрос может упасть до нуля.

Поэтому важно следить за трендами это не просто модное слово, а значимый маркетинговый фактор.

Практически ни один продукт не защищен от падения спроса. Яркий пример спиннеры, которые резко ворвались на рынок и в настоящее время выходят из моды.

4. ТОП выдачи занят крупными площадками

Очень сложно продвигаться в нише, где ТОП-10 поиска занят сайтами-агрегаторами, маркетплейсами, досками объявлений, информационными или новостными ресурсами. Это крупные площадки, конкурировать с которыми крайне затратно и зачастую бессмысленно.

Поисковые системы отдают предпочтение крупным агрегаторам и маркетплейсам, поскольку они обладают развитой структурой, предлагают пользователям большой выбор, а в силу развитой конкуренции здесь более низкие цены.

Такие популярные сайты как Авито, Авто.ру, Циан или Wildberries привлекают огромный трафик и имеют высочайший авторитет в плане цитируемости (упоминания).

Так стоит ли даже пытаться бороться с мастодонтами? Если вы видите, что в выдаче, помимо агрегаторов, нет ваших прямых конкурентов это свидетельствует о том, что крупные площадки собирают основной трафик. А значит, нужно идти и раскручиваться на них то есть использовать эти площадки как каналы продаж.

Но навязать конкуренцию маркетплейсам и доскам объявлений, все же, можно например, через альтернативные и менее конкурентные запросы, по географической привязке (местным сайтам люди доверяют больше), а также через расширение ассортимента и копирование главных конкурентных преимуществ больших площадок.

5. Ваш ассортимент значительно меньше, чем у конкурентов

Наличие широкого ассортимента одно из важных конкурентных преимуществ бизнеса. Людям нужен выбор, они любят сравнивать и выбирать из большого количества предложений. Это позволяет находить нужное по лучшей цене.

Поэтому, если на вашем сайте представлено 5 кукол, а у конкурентов их тысяча вкладываться в SEO на данном этапе не следует. Нужно сперва проработать ассортимент расширить его за счет новых позиций, в том числе тех, которых нет у ближайшего конкурента.

Если не заниматься расширением ассортимента, продвигаться будет сложнее и дороже. Поведенческие факторы будут работать не в вашу пользу, да и конверсия окажется низкой, так что вложения могут не окупиться.

6. Ваш продукт проигрывает в соотношении цена-качество

Не увенчается успехом продвижение сайта, на котором представлены товары или услуги заведомо более низкого качества по той же или более высокой цене, чем у конкурентов.

Современные пользователи хорошо ориентируются в ценах и имеют возможности выбора. Они доверяют сайтам с гарантиями и реальными отзывами, поэтому почти всегда выбирают оптимальное сочетание качества и цены.

Если вы предлагаете детские коляски безвестной китайской марки по ценам итальянских брендов, покупатели наверняка уйдут к конкурентам, где за те же деньги можно купить проверенное качество.

В этом случае даже, если SEO сработает и принесет вам много трафика, оно не будет конвертироваться в продажи. А следовательно, теряется весь смысл продвижения.

7. У вас нет уникального торгового предложения (УТП)

Прежде чем вкладываться в SEO, следует хорошенько поработать над маркетингом в частности продумать УТП. Ваше предложение должно чем-то выгодно отличаться от всего, что предлагают конкуренты, чтобы также обеспечить конверсию.

Сильной стороной может быть качество или цена, удобная доставка или профессиональная консультация, или самый большой ассортимент в нише. Еще лучше добавить некую ценность, которую не смогут скопировать конкуренты.

Если вы занимаетесь установкой входных металлических дверей и знаете, с какими трудностями сталкиваются заказчики в вашем районе (нестандартные проемы, необходимость дополнительной отделки) предложите им комплексный продукт, включающий нестандартную дверь с отделкой под ключ по цене типового продукта. В этом случае SEO сработает и обеспечит желаемую конверсию.

8. Вы не желаете или не имеете возможности дорабатывать сайт

SEO-специалисты отнюдь не волшебники, да и поисковые системы сегодня не дают творить чудеса (например, массовыми закупками текстов и ссылок).

Современная поисковая оптимизация предполагает приведение сайта в соответствие с требованиями и ожиданиями пользователей. Кроме того, часто требуется изменение структуры ресурса, создание каких-то новых разделов и страниц, доработки функционала. В рамках продвижения ведется наполнение контентом, осуществляются технические настройки.

Поэтому, если вы не готовы дорабатывать сайт, как того требует SEO-специалист, то, вероятно, не стоит начинать поисковое продвижение. Альтернативное решение настроить контекстную рекламу.

9. Нет денег, маленький бюджет

Нужно понимать, что SEO это трудоемкий и долговременный процесс, требующий вложений. Средства вкладываются, в том числе, в доработку сайта и создание контента. К тому же, конкуренция в поиске такова, что с маленьким бюджетом трудно рассчитывать на большой результат.

Бывает так, что все ресурсы вложены в создание и запуск сайта. Оставшиеся средства ушли на контекстную рекламу и социальные сети но выхлопа нет. Принимается решение хоть как-то продвигаться в поиске. Однако, если у вас нет бюджета на продвижение или он крайне ограничен не стоит надеяться на SEO, чудес не бывает.

Если денег нет, советуем попробовать осваивать поисковую оптимизацию самостоятельно или с привлечением менее раскрученных и распиаренных агентств или специалистов.

10. У вас одна посадочная страница в высококонкурентной тематике

Ваш лендинг может быть успешен в низкоконкурентной нише. Но в тематике с высокой конкуренцией он, вероятнее всего, проиграет многостраничным сайтам.

Чем сложнее и конкурентнее тематика, тем больше требований предъявляется к сайтам, к количеству и качеству страниц. Для полноценного развития сайта часто на нем требуется создавать отдельные страницы, оптимизированные под соответствующие запросы.

Например, даже если вы предлагаете услуги эвакуатора можно выделить разделы Легковой эвакуатор и Грузовой эвакуатор, а также создать региональные страницы (Эвакуатор в Коломне, Эвакуатор в Серпухове и т. д.).

Заточенный под конверсию, лендинг весьма ограничен в оптимизации. Для продаж с одностраничника рекомендуем все-таки использовать контекстную рекламу.

11. Нет никаких альтернативных каналов продаж, а продажи нужны сразу

Не стоит делать ставку на SEO, когда нет больше никаких каналов продаж, а заказы нужны здесь и сейчас. Чтобы получить результат от поисковой оптимизации, требуются немалые ресурсы в виде бюджета и времени. Поэтому, иногда прежде чем вкладываться в SEO, разумно сосредоточиться на тех каналах продвижения, которые могут обеспечить быстрые продажи.

Например, чтобы запустить онлайн-школу английского языка, лучше первоначально вложиться в социальные сети и настроить контекстную рекламу, а также использовать рассылки и другие подобные инструменты раскрутки.

Нужно ли вам SEO?

Как видите, ставка на SEO не всегда оправдывает себя. Поисковая оптимизация длительный и ресурсоемкий процесс, который приносит плоды, но только при определенных условиях. Если они заведомо невыполнимы, вы рискуете потерять и деньги, и время. Выбирайте исполнителей, которые вводят клиентов в курс дела и предоставляют объективную информацию о возможностях продвижения сайта, о потенциальных точках роста и перспективах его развития.