Труды КНЦ (Технические науки вып.3/2025(16))

Для учета нормативного контекста применяется технология обнаружения нормативных высказываний как компонентов деонтической логики, описанная в работе [19]. Деонтическая логика — раздел модальной логики, формализующий такие понятия, как обязательство, разрешение и запрет, служит инструментом формализации нормативных ожиданий и ограничений [13]. Ее операторы 0 (ф ) («обязательно, чтобы 0»), Р(ф ) («разрешено, что ф») и F ( 0 ) («запрещено, что ф») позволяют задавать нормы вроде «обязательно соблюдать правила платформы». Деонтическая логика применяется для анализа политических высказываний, оценки их нормативной нагрузки и возможного воздействия на аудиторию [30]. В юридической логике она используется для проверки корректности аргументации и соответствия вывода нормативной базе. Однако реальная среда, в которой действуют пользователи, сочетает как формализованные, так и неформализованные законы, правила платформ, общественные ожидания и т. п. Поэтому применена гибридная модель: деонтическая логика интегрирована с графом знаний, что позволяет формально моделировать конфликт норм и контекстуальные исключения. Технически это реализуется путем добавления в граф знаний слоя с деонтическими метками. Начальной базой для извлечения норм и правил служат правила платформы. Система может проверять соответствие прогнозируемого сообщения существующим нормам, генерировать рекомендации с учетом нормативных ограничений и обосновывать свои решения. Для анализа динамики норм и их внедрения в общественное пространство применяется алгоритмическая модель распространения: агенты (пользователи) в сети получают бинарные состояния su 6 {0,1}, где 1— соблюдает норму, 0 — нет. Распространение регулируется пороговыми механизмами: агент принимает норму, если доля соседей, ее соблюдающих, превышает индивидуальный порог Ѳи . Также допускается затухание нормы с вероятностью Pdrop. При каждом временном шаге измеряются проникновение нормы Ptotai(t), скорость ее распространения и образование кластеров сопротивления. Модель учитывает неоднородность порогов, влияние лидеров мнений и структуру сети. Алгоритмическое моделирование позволяет моделировать динамику норм, выявлять точки сопротивления или узлы- распространители, что важно при проектировании коммуникации. Модуль векторизации и семантического представления выполняет три параллельные функции: генерация эмбеддингов для постов и комментариев, построение графовых эмбеддингов для сетевых структур и формирование мультимодальных представлений при наличии изображений или других медиа. Для текстовой части применяется предобученная трансформер-модель RuBERT, адаптированная под русский язык [31]. Для векторизации графа знаний используется метод представлений узлов GraphSAGE — метод агрегации соседних признаков, позволяющий строить эмбеддинги для новых (ранее невидимых) узлов в динамически растущих графах. GraphSAGE позволяет обучать генератор эмбеддингов (функцию агрегации), что принципиально для социально генерируемого контента с постоянно добавляющимися узлами и источниками [32]. Практическая реализация этих компонентов эффективно поддерживается библиотекой PyTorch Geometric, предоставляющей инструменты для обработки больших графов и механизмы масштабирования на мульти-GPU серверах [33]. Динамический граф знаний с каузальным слоем является ядром архитектуры и содержит события, представленные в виде кортежей: Е = (Р, Tpub, К, Grep, фХ где Р — текст поста-триггера; ТриЬ — время публикации; К - набор тем; Grep — множество групп-репостеров (с порогом I Grep |> 2 для сигнала межгруппового охвата); Ф — деонтическая метка. Реакция А формализуется через вектор метрик активности М(Р, At) = (L, R, С) и сравнение с базовой статистикой аналогичных постов: фиксируется всплеск, если для какого-либо типа метрик выполняется Mfype > M100,type + ао100 іуѵе (порог а настраиваем). Тональность реакции оценивается агрегированием классификаций сентимента отдельных комментариев S(cj) и последующей интерпретацией суммарной оценки Soveran . Одно из ключевых отличий архитектуры — интеграция графовых эмбеддингов и каузального слоя с Retrieval-Augmented Generation (RAG) для обеспечения объяснимости и опоры на источники. В рабочих сценариях LLM не генерирует рекомендации «из головы»: перед генерацией RAG-модуль извлекает из векторного индекса релевантные фрагменты (исторические кейсы, части графа знаний), которые затем становятся контекстом для генеративного шага. Такой подход улучшает Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 71-79. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 71-79. © Диковицкий В. В., 2025 75