priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2026-69-1-90-94pribor-457Research ArticleКРАТКИЕ СООБЩЕНИЯBRIEF NOTESМетод классификации текстов без применения обученияMethod of text classification without the use of trainingТатарниковаТ. М.TatarnikovaT. M.

Татьяна Михайловна Татарникова — д-р техн. наук, профессор; Институт информационных технологий и программирования; директор

Санкт-Петербург

Tatyana M. Tatarnikova — Dr. Sci., Professor; Institute of Information Technologies and Programming; Director of the Institute

St. Petersburg

tm-tatarn@yandex.ruМиляевД. Р.MilyaevD. R.

Дмитрий Романович Миляев— аспирант; кафедра информационных систем

Санкт-Петербург

Dmitry R. Milyaev — Post-Graduate Student; Department of Information Systems

St. Petersburg

milyaev.dmitry00@mail.ruCанкт-Петербургский государственный университет аэрокосмического приборостроенияSt. Peterdburg State University of Aerospace InstrumentationCанкт-Петербургский государственный электротехнический университет „ЛЭТИ“ им. В. И. Ульянова (Ленина)St. Petersburg Electrotechnical University „LETI“2026140220266919094Copyright © Национальный исследовательский университет ИТМО, 20262026Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/457

Предложен новый подход к классификации текстов без применения методов машинного обучения и необходимости иметь обучающую выборку.  Основу метода составляет расстояние Дамерау — Левенштейна, являющееся минимальным количеством операций редактирования, необходимых для преобразования одной строки в другую и учета семантической близости слов, взвешивания операций редактирования и порядка важности слов. Приведены основные метрики оценивания качества классификатора текстов и результаты апробации предложенного метода в соответствии с метриками.

A new approach to text classification is proposed that does not employ machine learning methods or require a training set. The method is based on the Damerau-Levenshtein distance, which is the minimum number of editing operations required to transform one string into another and takes into account the semantic similarity of words, weighting of editing operations, and the order of importance of words. The main metrics for assessing the quality of a text classifier and the results of testing the proposed method against these metrics are presented.

классификатор текстаотсутствие обучающей выборкиэталонная выборкаметрика редактированиясемантическая близостьметрика качестваtext classifierlack of training samplereference sampleediting metricsemantic proximityquality metricReferencesДудихин В. В., Кондрашов П. Е. Методология использования больших языковых моделей для решения задач государственного и муниципального управления по интеллектуальному реферированию и автоматическому формированию текстового контента // Государственное управление. Электронный вестник. 2024. № 105. С. 169–179. DOI: 10.55959/MSU2070-1381-105-2024-169-179.Dudikhin V.V., Kondrashov P.E. E-Journal Public Administration, 2024, no. 105, pp. 169–179, DOI: 10.55959/MSU2070-1381-105-2024-169-179. (in Russ.)Houlsby N., Giurgiu A., Jastrzebski S., Morrone B. et al. Parameter-efficient transfer learning for NLP // Proc. 36th Intern. Conf. on Machine Learning. 2019. Vol. 97. P. 2790–2799.Houlsby N., Giurgiu A., Jastrzebski S., Morrone B. et al. Proc. 36th Int. Conf. on Machine Learning, 2019, vol. 97, pp. 2790–2799.Кузнецов А. В. Цифровая история и искусственный интеллект: перспективы и риски применения больших языковых моделей // Новые информационные технологии в образовании и науке. 2022. № 5. С. 53–57. DOI: 10.17853/2587-6910-2022-05-53-57.Kuznetsov A.V. New Information Technologies in Education and Science, 2022, no. 5, pp. 53–57, DOI: 10.17853/2587-6910-2022-05-53-57. (in Russ.)Sovetov B.Ya., Tatarnikova T.M., Yashin A.I. Use of technology textmining for identifying hidden threats in communications distributed by social networks // Изв. СПбГЭТУ ЛЭТИ. 2019. № 4. С. 26–32.Sovetov B.Ya., Tatarnikova T.M., Yashin A.I. Proceedings of Saint Petersburg Electrotechnical University, 2019, no. 4, pp. 26–32. (in Russ.)Батура Т. В. Методы автоматической классификации текстов // Программные продукты и системы. 2017. Т. 30, № 1. C. 85–99. DOI: 10.15827/0236-235X.030.1.085-099.Batura T.V. Software & Systems, 2017, no. 1(30), pp. 85–99, DOI: 10.15827/0236-235X.030.1.085-099. (in Russ.)Белов С. Д., Зрелова Д. П., Зрелов П. В., Кореньков В. В. Обзор методов автоматической обработки текстов на естественном языке // Системный анализ в науке и образовании: сетевое научное издание. 2020. № 3. C. 8–22. [Электронный ресурс]: http://sanse.ru/download/401, 21.01.2026.Belov S., Zrelova D., Zrelov P., Korenkov V. System Analysis in Science and Education, 2020, no. 3, pp. 8–22, URL: http://sanse.ru/download/401. (in Russ.)Татарникова Т. М., Мокрецов Н. С. Метод дистилляции знаний для языковых моделей на основе выборочного вмешательства в обучение // Программные продукты и системы. 2025. № 2. С. 361–365. DOI: 10.15827/0236-235X.150.361-365Tatarnikova T.M., Mokretsov N.S. Software & Systems, 2025, no. 2, pp. 361–365, DOI: 10.15827/0236-235X.150.361 365. (in Russ.)Максютин П. А., Шульженко С. Н. Обзор методов классификации текстов с помощью машинного обучения // Инженерный вестник Дона. 2022. № 12. [Электронный ресурс]: ivdon.ru/ru/magazine/archive/n12y2022/8043, 19.01.2026.Maksyutin P.A., Shuljenko S.N. Ingineering Journal of Don, 2022, no. 12, URL: ivdon.ru/ru/magazine/archive/n12y2022/8043. (in Russ.)Khurana A., Subramonyam H., Chilana P. K. Why and when LLMbased assistants can go wrong: investigating the effectiveness of prompt-based interactions for software help-seeking // Proc. of the 29th Intern. Conf. on Intelligent User Interfaces. 2024. P. 288–303. DOI: 10.1145/3640543.3645200.Khurana A., Subramonyam H., Chilana P.K. Proc. of the 29th Intern. Conf. on Intelligent User Interfaces, 2024, рр. 288–303, https://doi.org/10.1145/3640543.3645200.Тарасов Д. В.Романов Н. А. Процедура машинного обучения в задаче морфологической разметки текста и определения частей речи в флективных языках // Изв. вузов. Поволжский регион. 2017. № 1 (41). С. 56–72. DOI: 10.21685/2072-3059–2017-1-5.Tarasov D.V., Romanov N.A. University Proceedings. Volga Region. Technical Sciences, 2017, no. 1(41), pp. 56–72, DOI: 10.21685/2072-3059–2017-1-5.Lane H., Hapke H., Howard C. Natural Language Processing in Action. Manning Publications Co, 2019. 544 p.Lane H., Hapke H., Howard C. Natural Language Processing in Action, Manning Publications Co., 2019, 544 p.

The authors declare that there are no conflicts of interest present.