Розглянуто особливості проектування системи автоматизованого генерування віршованих творів, що відкриває нові можливості художнього мовлення та сфери шоу-бізнесу, насамперед підготовки віршів і пісень. Доволі часто тексти пісень без особливого змісту стають успішними через відсутність складних сюжетів, а також через ненав'язливість і легкість їхнього сприйняття слухачами. Проаналізовано відомі літературні джерела та наявні програмні продукти, які можуть генерувати віршовані твори, поєднуючи різні методи та алгоритми. Встановлено, що жоден з них не здатен забезпечити змістовність і унікальність віршованого твору водночас, тим більше українською мовою. Проаналізовано наявні підходи до генерування віршованих творів, серед яких актуальними є метод на підставі шаблонів, генерування та тестування, еволюційні алгоритми та метод на підставі конкретних випадків. Досліджено особливості генерування віршованих творів, насамперед правила римування, види строф, віршовані ритми та розміри. Розроблено підхід до автоматизованого генерування віршованих творів з використанням еволюційних алгоритмів і методу на підставі конкретних випадків. Їхнє поєднання нагадує послідовність дій для творчих особистостей під час створення віршів або написання текстів пісень. Розглянуто особливості організації нейронної мережі для автоматизованого генерування віршованих творів. Запропоновано навчання нейронної мережі виконати за методом зворотного поширення та з використанням генетичного алгоритму. Проаналізовано принцип роботи алгоритмів пошуку оптимальних рішень, які містять такі послідовні етапи як ініціалізацію, оцінювання рішень, відбір популяцій, еволюцію рішень. Детально досліджено їхню взаємодію та різні можливості для навчання нейронної мережі. Розроблено алгоритм, за яким програмний додаток буде аналізувати запропоновані користувачем віршовані твори та генерувати нові його варіанти на підставі отриманих від нейронної мережі логічно зв'язаних слів чи рядків куплета вірша. Користувач може вносити правки як до складових вірша, так і до згенерованих віршованих творів, і в такий спосіб може навчати нейронну мережу. Розроблено специфікацію вимог до програмного додатку, визначено основні вимоги до користувацького інтерфейсу, а також встановлено потенційні класи користувачів, які будуть його використовувати.
- Belekhova, L. I. (2009). Syntactic organization of texts of modern American poetry: cognitive-semiotic and linguo-synergetic aspects. Bulletin of VN Karazin Kharkiv National University, 57(838), 20–28. Kharkiv: KhNU Publishing House. [In Ukrainian].
- Bodyanskiy, Ya., Popov, S., & Rybalchenko, T. (2008). Multilayer neuro-fuzzy network for short term electric load forecasting. Lecture Notes in Computer Science – Berlin, Heidelberg: Springer-Verlag, 5010, 339–348. Retrieved from: https:// link.springer.com/chapter/10.1007/978-3-540-79709-8_34
- Brick, O. M. (1927). Rhythm and syntax. New Lef, 3–6, 15–37. Moscow: Gosizdat. [In Russian].
- Caza. (2021). Synaptic.js. The javascript architecture-free neural network library for node.js and the browser. Retrieved from: https://caza.la/synaptic/#/.
- Cichocki, A., & Unbehauen, R. (1993). Neural Networks for Optimization and Signal Processing. Stuttgart: Teubner, 526 p. Retrieved from: https://www.amazon.com/Neural-Networks-Optimization-Signal-Processing/dp/0471930105
- Diagrams.net. (2021). Draw.io. Retrieved from: https://about.draw.io/about-us/
- Du, K.-L., & Swamy, M. N. S. (2014). Multilayer Perceptrons: Architecture and Error Backpropagation. Neural Networks and Statistical Learning, 83–126. https://doi.org/10.1007/978-1-4471-5571-3_4
- Eichenbaum, B.M. (1987). The theory of the "Formal Method". About literature. Moscow: Sov. Writer, 375–408. [In Russian].
- Gasparov, M. L. (1985). Opposition "verse-prose" and the formation of Russian literary verse. Russian versification: Traditions and development problems, 4, 264–277. Moscow. [In Russian].
- Gasparov, M. L. (1994). Linguistics of verse. Izvestia RAN. Literature and Language Series, 53(6), 28–35. Moscow. [In Russian].
- Gasparov, M. L. (2001). Verb rhyme and the syntax of a poetic line. Russian language in scientific coverage, 1, 148–160. Moscow. [In Russian].
- Geqay, R., & Liu, T. (1997). Nonlinear modeling and prediction with feed forward and recurrent networks. Physica D, 108, 119–134. https://doi.org/10.1016/S0167-2789(97)82009-X
- Gervas, P. (2002). Exploring Quantitative Evaluations of the Creativity of Automatic Poets. Pablo Gervas. 15th European Conference on Artificial Intelligence. Retrieved from: http:// nil.fdi.ucm.es/sites/default/files/GervasECAIws2002.pdf.
- Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2016). Region-Based Convolution Networks for Accurate Object Detection and Segmentation. In IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(1), 142–158. https://doi.org/10.1109/TPAMI.2015.2437384
- Hugo Gonçalo Oliveira, Raquel Hervás, Alberto Díaz & Pablo Gervás. (2017). Multilanguage Extension and Evaluation of a Poetry Generator. In Journal of Natural Language Engineering, 23(6), 929–967. https://doi.org/10.1017/S1351324917000171
- Hugo Gonçalo Oliveira, Tiago Mendes, Ana Boavida, Ai Nakamura & Margareta Ackermanc. (2019). Co-PoeTryMe: Interactive poetry generation. In Cognitive Systems Research, 54, 199–216. https://doi.org/10.1016/j.cogsys.2018.11.012
- Hugo Gonçalo Oliveira. (2017). O Poeta Artificial 2.0: Increasing meaningfulness in a poetry generation Twitter bot. In Proceedings of the Workshop on Computational Creativity in Natural Language Generation (CC-NLG 2017), 11–20, Santiago de Compostela, Spain. ACL Press. https://doi.org/10.18653/v1/W17-3902
- Hugo Gonçalo Oliveira. (December, 2015). Tra-la-lyrics 2.0: Automatic generation of song lyrics on a semantic domain In Journal of Artificial General Intelligence, 6(1), 87–110. https://doi.org/10.1515/jagi-2015-0005
- IEEE 730 Standard for Software Quality Assurance Plans. (2014). The Institute of Electrical and Electronics Engineers, Inc. Retrieved from: https://standards.ieee.org/standard/730-2014.html.
- Inspired. (November 27, 2020). Google's artificial intelligence algorithm has learned to write poetry, imitating famous poets. Retrieved from: https://inspired.com.ua/stream/algorytm-shtuchnogo-intelektu-vid-google-navchyvsya-pysaty-virshi-nasliduyuchy-vidomyh-poetiv/
- Istanbul. (2021). JavaScript test coverage made simple. Retrieved from: https://istanbul.js.org/.
- Jacobson, R. O. (1975). Linguistics and poetics. Structuralism: pros and cons: Sat. translated verses. Moscow Progress, 193–230. [In Russian].
- Jie Wang, Chengzhi Zhang, Mengying Zhang & Sanhong Deng. (22 Jun 2018). Citation AS: A Tool of Automatic Survey Generation Based on Citation Content. Journal of Data and Information Science, 20–37. https://doi.org/10.2478/jdis-2018-0007
- Khrolenko, A. T. (2012). Automated concordance: experience of creation and practice of use. Retrieved from: https://cyberleninka.ru/article/n/avtomatizirovannyy-konkordans-opyt-sozdaniya-i-praktika-ispolzovaniya. [In Russian].
- Kolmogorov, A. N. (2002). Line, stanza and verse as a rhythmic system. Grinbaum O. N. Materials of the XXXI All-Russian Scientific and Methodological Conference of Teachers and Postgraduates of the Philological Faculty of St. Petersburg State University, 4(2), 12–28. [In Russian].
- Lotman, M. Yu. (1999). Analysis of the poetic text. The structure of the verse. Lotman Yu. M. On Poets and Poetry, 4, 18–253. SPb.: Publishing house of SPb. Retrieved from: https://www.ruthenia.ru/lotman/papers/apt/. [In Russian].
- Mandic, D. P., & Chambers, J. A. (2001). Recurrent Neural Networks for Prediction: Learning Algorithms, Architectures and Stability. Chichester: John Wiley&Sons, 285 p. https://doi.org/10.1002/047084535X
- Manurung, H. (2004). An evolutionary algorithm approach to poetry generation. Doctoral Dissertation for Technical Sciences. University of Edinburgh. College of Science and En, 367 p.
- Mazur, M. (2015). A Step by Step Backpropagation Example. Matt Mazur. Retrieved from: https://mattmazur.com/2015/03/ 17/a-step-by-step-backpropagation-example/.
- Michalewicz, Z. (1992). Genetic alorithms + data structures = evolutionary programs. Michalewicz. Charlotte, USA: University of North Carolina, 388 p.
- Miller, S. (2015). Mind: How to Build a Neural Network. Steven Miller. Retrieved from: http://stevenmiller888.github.io/mind-how-to-build-a-neural-network
- Mocha: simple, flexible, fun. (2021). Retrieved from: https://mochajs.org/.
- Mongo, D. B. (2021). Build faster. Build smarter. Retrieved from: https://www.mongodb.com/.
- Neborsina, N. P. (1997). The syntax of poetic speech as a subject of linguopoetic research (based on the material of English and American poetry of the 16th-20th centuries). Doctoral Dissertation for Philological Sciences (10.02.04 – Germanic Languages). Moscow state un-t them. M. V. Lomonosov, 356 p. [In Russian].
- Oliviera H. G. (2016). PoeTryMe: a versatile platform for poetry generation. Hugo Goncalo Oliviera // CISUC, University of Coimbra, Portugal. Retrieved from: https://eden.dei.uc.pt/ ~hroliv/pubs/GoncaloOliveira2012_c3gi_CRC.pdf.
- Panchenko, T. V. (2007). Genetic algorithms. Astrakhan: Astrakhan University, 86 p. [In Russian].
- Poem Generator. (2021). Masterpiece Generator. Retrieved from: https://www.poem-generator.org.uk/.
- Poem. (2019). Neogranka.ru. Retrieved from: http://neogranka.ru/generator_stihov.html.
- PoeTryMe. (2014). University of Coimbra. Retrieved from: http://poetryme.dei.uc.pt/.
- Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. In IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(8), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
- Shevelyova-Garkusha, N. V. (2010). Semantic and functional features of rhythmic-syntactic organization of texts of modern American poetry. Scientific Bulletin of VN Karazin Kharkiv National University. Ser : Romano-Germanic philology, 896(61), 137–143. Retrieved from: http://eKhSUIR.kspu.edu/handle/123456789/473. [In Ukrainian].
- Skulacheva, T. V. (1989). On the question of the interaction of rhythm and syntax in a line of poetry (English and Russian iambic tetrameter). Izvestia RAN. Literature and Language Series, 48(2), 156–165. Moscow. [In Russian].
- Slovnik.ua. (2005). Ukrainian language and culture portal. Institute of Linguistics. O. O. Potebny. Retrieved from: https://slovnyk.ua/. [In Ukrainian].
- Staykova, Kamenka. (15 Jul 2014). Natural Language Generation and Semantic Technologies. Cybernetics and Information Technologies, 3–23. https://doi.org/10.2478/cait-2014-0015
- Tomashevsky, B. V. (2002). Literature theory. Poetics: Textbook. allowance. Moscow: Aspect Press, 334 p. [In Russian].
- Tynyanov, Yu. N. (1993). Literary fact. Compiled by O. I. Novikova. Moscow: Higher. shk., 23–121. [In Russian].
- Tynyanov, Yu. N. (1993). The problem of poetic language. Babylon: Bulletin of Young Literature, 2(18), 86–90. Moscow: ARGO-RISK. [In Russian].
- Vinogradov, V. V. (1975). From the history of the study of poetics (20s). Izvestia of the Academy of Sciences of the USSR. Literature and Language Series, 3, 259–272. Moscow. [In Russian].
- Wang, J., & Hu, S. (2002). Global asymptotic stability and global exponential stability of continuous-time recurrent neural networks. IEEE Trans. Automatic Control, 47, 802–807. https://doi.org/10.1109/TAC.2002.1000277
- Williams, R. J., & Zipser, D. (1989). A Learning Algorithm for Continually Running Fully Recurrent Neural Networks. Neural Computation, 1, 270–280. https://doi.org/10.1162/neco.1989.1.2.270
- Yuanzhi, Ke, & Masafumi, Hagiwara. (03 May 2017). An English Neural Network that Learns Texts, Finds Hidden Knowledge, and Answers Questions. Journal of Artificial Intelligence and Soft Computing Research, 229–242. https://doi.org/10.1515/jaiscr-2017-0016
- Zakharov, Victor. (21 Dec 2019). Ways of Automatic Identification of Words Belonging to Semantic Field. Journal of Linguistics, 234–243. https://doi.org/10.2478/jazcas-2019-0054