Opracowanie metod analitycznych wykorzystujących przetwarzanie asocjacyjne danych na potrzeby: analizy języka naturalnego.
Znane i funkcjonujące w literaturze naukowej i technicznej modele pamięci asocjacyjnych, oparte są na sieciach neuronowych (np. sieć Hopfielda, Hamminga, Hiltona, sieci BAM). Przedstawiony w dokumencie model, chociaż oparty na koncepcji sieci (lub raczej samoorganizującego się grafu), z obliczeniami neuronowymi nie ma nic wspólnego i na poziomie strukturalnym, nie odwołuje się do żadnych analogii biologicznych.
Pamięć asocjacyjna, nazywana również pamięcią skojarzeniową, posiada zdolność odtwarzania całości informacji na podstawie informacji niepełnej lub podobnej do pierwotnie zapamiętanej.
System informatyczny posługujący się pamięcią asocjacyjną zyska nowe możliwości, niedostępne dla klasycznych rozwiązań, bazujących wyłącznie na relacyjnych bazach danych:
• odporność na błędy i zaburzenia informacji wejściowej
• generyczność – możliwość konfiguracji systemu na wyższych poziomach abstrakcji, odwołujących się, nie do konkretnych danych (parametrów), ale do klas ich podobieństwa
• plastyczność – zdolność dostosowania się do nowych warunków, nie uwzględnionych w pierwotnym oprogramowaniu lub konfiguracji.
Niniejsza analiza przedstawia sposób działania modelu pamięci asocjacyjnej, opracowany w wyniku przeprowadzonych prac B+R:
• kluczowe statyczne i dynamiczne cechy modelu
• proces zapisywania (zapamiętywania) danych
• proces wyszukiwania i odtwarzania pierwotnej informacji
• oszacowania złożoności algorytmu.
W dalszej kolejności, opisujemy możliwe warianty architektury tego modelu oraz potencjalne obszary jego zastosowań. Przedstawione jest również podsumowanie przeprowadzonej analizy zastosowania pamięci asocjacyjnych w obszarze:
• Klasyfikacji tekstu naturalnego
• Analizy semantycznej tekstu naturalnego, przy wykorzystaniu dedykowanego szablonu asocjacyjnego przetwarzania danych.