РАЗРАБОТКА АРХИТЕКТУРЫ ИНТЕЛЛЕКТУАЛЬНОГО ПОЧТОВОГО АССИСТЕНТА ДЛЯ КОНСУЛЬТИРОВАНИЯ СТУДЕНТОВ ПО ДИСЦИПЛИНЕ

Н. М. Зозуля, магистрант
Научный руководитель – О. И. Федяев, к.т.н., доцент
Донецкий национальный технический университет, г. Донецк

Введение. Современное образование активно внедряет технологии искусственного интеллекта для повышения эффективности учебного процесса и индивидуализации обучения. Одним из перспективных направлений является создание интеллектуальных ассистентов, способных анализировать текстовые запросы студентов и формировать содержательные ответы. Такие системы снижают нагрузку на преподавателей и обеспечивают непрерывность образовательного процесса.

Существующие решения чаще ориентированы на веб- или мобильные интерфейсы, требуют активного участия преподавателя в реальном времени и недостаточно прозрачны [1]. В настоящей работе предлагается автономный подход через электронную почту, объединяющий методы NLP, граф знаний и рекуррентные нейросети (RNN/LSTM/GRU) для генерации информативных ответов [2].

Постановка задачи.

Пусть Q = {q₁, q₂, ..., q_n} – множество текстовых запросов студентов. Необходимо построить функцию:

F: Q → A, (1)

где A = {a₁, a₂, ..., a_n} – множество ответов, удовлетворяющих условию адекватности:

Rel(q_i, a_i) ≥ τ, (2)

где Rel – мера смысловой релевантности; τ – порог минимальной адекватности.

Таким образом, задача интеллектуального ассистента формализуется как задача анализа текстовых запросов и синтеза связных ответов на основе функции F, включающей пять функциональных блоков:

F = f₅(f₄(f₃(f₂(f₁(q_i))))), (3)

где:

f₁ – предобработка почтового сообщения;
f₂ – NLP-анализ;
f₃ – сопоставление с графом знаний;
f₄ – генерация ответа нейросетевой моделью;
f₅ – формирование отчёта и оценка качества.

Методология и пример работы интеллектуального почтового ассистента.

Реализация функции F основана на последовательном взаимодействии пяти модулей, описанных ниже. Каждый модуль реализует частичное преобразование, направленное на приближение результата к релевантному ответу a. На рисунке 1 представлена функциональная схема с потоками данных между модулями.

Рисунок 1 - Функциональная схема системы интеллектуального почтового ассистента

Для наглядности рассмотрим работу системы на примере запроса (в виде письма) студента по теме учебной дисциплины «Нейросетевые и нечёткие системы».

Тема письма: «Вопрос по нейронным сетям».

Текст письма: «Здравствуйте, я хотел бы уточнить, как именно персептрон работает с данными?»

1. Модуль работы с электронной почтой

Он отвечает за приём и отправку писем, а также первичную подготовку текста для обработки:

цель: обеспечить корректный и унифицированный формат входных данных для последующих модулей;
задачи: проверка почтового ящика, получение новых сообщений, удаление лишних пробелов и служебных символов, приведение текста к нижнему регистру, декодирование HTML;
технологии: стандартные почтовые протоколы (IMAP/SMTP), библиотеки Python (imaplib, smtplib), парсинг HTML (BeautifulSoup).

Таким образом, на первом этапе система получает электронное письмо через почтовый протокол IMAP, извлекает тело сообщения и выполняет его предобработку. Удаляются лишние пробелы, HTML-теги и служебные символы, весь текст приводится к нижнему регистру для единообразия анализа.

Результат после предобработки: «здравствуйте я хотел бы уточнить как именно персептрон работает с данными».

2. Модуль обработки естественного языка (NLP)

Он выполняет анализ и понимание текста письма:

цель: преобразовать текст запроса в структурированные данные, пригодные для логической обработки;
задачи: токенизация, лемматизация, распознавание сущностей, классификация намерений;
результат анализа: JSON-структура с выделенными понятиями, типом запроса и контекстом, уровень понимания оценивается степенью совпадения сущностей с графом знаний;
технологии: spaCy, NLTK, модели BERT [3].

Результат анализа (в JSON-формате):

{
  "ключевые_понятия": ["персептрон", "данные"],
  "намерение": "пояснение_концепции",
  "контекст": "нейронные сети"
}

3. Граф знаний учебной дисциплины

Представляет структурированную базу учебных понятий и их взаимосвязей:

цель: обеспечить точность и полноту информации для генерации ответа;
задачи: сопоставление выделенных сущностей с узлами графа, извлечение связанных фактов и кратких описаний;
технологии: Neo4j, RDF-графы, SPARQL [4].

Фрагмент графа знаний представлен на рисунке 2.

Из графа знаний можно извлечь следующие факты: искусственная нейронная сеть состоит из искусственных нейронов, каждый искусственный нейрон описывается функцией активации и реализует персептрон.

4. Модуль генерации текста (RNN/LSTM/GRU

цель: создать естественный по стилю и содержанию ответ;
задачи: генерация логически последовательного текста с учётом синтаксиса и семантики;
иллюстрация процесса: последовательность токенов («нейрон» - «передаёт сигнал» - «через веса») преобразуется нейронной сетью LSTM в осмысленное предложение;
технологии: RNN, LSTM, GRU, обучение на корпусе образовательных текстов [5].

Сгенерированный ответ: «Здравствуйте! Персептрон — это базовый элемент нейронных сетей, предназначенный для обработки данных и принятия простых решений. Он получает на вход набор признаков (числовых данных), умножает их на соответствующие веса, суммирует и пропускает результат через функцию активации. Таким образом, персептрон решает задачу классификации, относя входные данные к одному из двух классов. В контексте курса «Нейросетевые и нечёткие системы» персептрон связан с понятиями линейной классификации, функции активации и многослойных нейронных сетей.»

5. Модуль формирования отчётов

цель: контроль корректности и качества ответов без необходимости просматривать каждое письмо;
задачи: формирование отчёта с указанием времени, темы запроса, ключевых слов, текста запроса и ответа; анализ статистики обращений;
технологии: базы данных (SQLite, PostgreSQL), форматы CSV, PDF.

Пример записи в отчёте:

дата: 12.10.2025;
тема письма: «Вопрос по нейронным сетям»;
ключевые слова: персептрон, данные;
запрос: как работает персептрон;
ответ: «Здравствуйте! Персептрон — это базовый элемент нейронных сетей, предназначенный для обработки данных и принятия простых решений. Он получает на вход набор признаков (числовых данных), умножает их на соответствующие веса, суммирует и пропускает результат через функцию активации. Таким образом, персептрон решает задачу классификации, относя входные данные к одному из двух классов. В контексте курса «Нейросетевые и нечёткие системы» персептрон связан с понятиями линейной классификации, функции активации и многослойных нейронных сетей.»

Формализация критерия адекватности

Для оценки качества сгенерированных ответов введём интегральный показатель адекватности:

K = α₁·S + α₂·C + α₃·R, (1)

где:

S — семантическая близость между запросом и ответом (например, косинусное сходство эмбеддингов);
C — когерентность (связность текста, оцениваемая моделью языковой перплексии);
R — релевантность понятий графу знаний (доля совпадающих сущностей);
α₁, α₂, α₃ — весовые коэффициенты, определяемые эмпирически [6].

Ответ считается адекватным, если K ≥ 0.75. Такой критерий позволяет не только автоматически оценивать результаты синтеза, но и адаптировать модель на основе накопленных данных.

Выводы

В результате исследования предложена формальная модель и архитектура интеллектуального почтового ассистента для поддержки студентов в образовательном процессе, основанная на методах обработки естественного языка, графе знаний и рекуррентных нейросетях [7].

Разработанная архитектура обеспечивает:

возможность автономного взаимодействия студента с системой через привычный почтовый канал;
интеграцию графа знаний для структурирования учебной информации и повышения логической связности генерируемых ответов;
формирование прозрачных отчётов для преподавателя, позволяющих контролировать корректность и качество предоставляемых ответов.

Проведённый анализ примерного сценария работы системы продемонстрировал, что предложенная архитектура может обрабатывать учебные вопросы, выделять ключевые сущности, сопоставлять их с графом знаний и формировать содержательный ответ. Таким образом, исследование не только описывает практическую реализацию системы, но и формализует задачу анализа и синтеза текстовых ответов в образовательной среде, демонстрируя эффективность гибридного подхода, объединяющего NLP, графовые и нейросетевые методы. В дальнейшем планируется расширение тематической базы графа знаний и применение более сложных трансформерных моделей для повышения качества ответов.

Список литературы

Галаган К.В. Применение нейросетевых моделей NLP для оценки эффективности мероприятий по формированию комфортной городской среды // Вестник ВГУ. – Воронеж: ВГУ, 2023. – № 3 – С. 167–178.
Прошина М.В. Современные методы обработки естественного языка: нейронные сети // Экономика строительства. – Москва, 2022. – № 5. – С. 27–42.
Грибков Е.И., Ехлаков Ю.П. Нейросетевая модель для обработки запросов пользователей на этапе эксплуатации и сопровождения программного продукта // Бизнес-информатика. – Москва, 2020. – № 1, Т. 14. – С. 7–18.
Волкова И.А., Шамаева Е.Д. Экскурс в графы знаний // International Journal of Open Information Technologies. – Москва, 2023. – № 3, Т. 11. – С. 75–83.
Агузумцян Р.В., Великанова (Герасимова) А.С., Польщиков К.А., Игитян Е.В., Лихошерстов Р.В. О применении интеллектуальных технологий обработки естественного языка и средств виртуальной реальности для поддержки принятия решений при подборе исполнителей проектов // Экономика. Информатика. – Белгород, 2021. – № 2, Т. 48. – С. 392–404.
Литвинов В.Л., Полозов В.В. Исследование нейросетевых архитектур в задачах обработки естественного языка // Региональная информатика (РИ–2020): сб. материалов XVII Санкт-Петербургской междунар. конф.; Т.2, 28–30 октября 2020. – Санкт-Петербург: СПбГУТ, 2020. – С. 288–289.
Зозуля Н.М., Федяев О.И. Рекуррентные нейронные сети как средство моделирования естественного языка // Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС–2024): сб. материалов V Междунар. науч.-практ. конф.; Т.2, 27–28 ноября 2024. – Донецк: ДонНТУ, 2024. – С. 229–235.