5 техник обработки естественного языка, которые меняют мир вокруг

Текст как объект междисциплинарного исследования

Психологи отмечают, что текст является основным элементом коммуникации, способом сохранения и передачи информации, формой существования культуры, результатом определенной исторической эпохи, отражением жизни отдельной личности и общества в целом.

До недавнего времени в практике филологических исследований преобладала тенденция смыслового и семантико-структурного изучения текста, что нашло отражение во многих работах известных ученых и их последователей:

М. Бахтина;
В. Виноградова;
Л. Щербы;
И. Гальперина и др.

В психолингвистике считается, что текст – это продукт говорения (письма), отражающий умственную деятельность человека; единство внутренней и внешней форм целостного образования, состоящего из языковых, речевых и интеллектуальных факторов. По мнению ученых, текст является основой речевой деятельности, он предполагает не только восприятие и воспроизведение высказываний, но и является инструментом хранения языка.

Текст как объект изучения рассматривается во многих отраслях науки: в философии, психологии, психолингвистике, социолингвистике, герменевтике, стилистике, общей теории языка, компьютерной лингвистике, коммуникативной лингвистике, когнитивной лингвистике, лингводидактике и др.

Сегодня проблема исследования текста занимает одно из центральных мест и в лингводидактике. Ученые отмечают, что в центре преподавания лингвистических дисциплин должен быть текст с его стилистическими, жанровыми и структурными особенностями. Положение о том, что овладение лингвистической теорией текста способствует эффективному формированию умений текстообразования и текстовосприятия неоднократно доказывалось в исследованиях Т. Ладыженской, В. Мещерякова, Н. Ипполитова и др.

Основоположником этой теории можно считать В. Мещерякова, который в своих работах широко рассматривал вопросы:

лингвистики текста;
жанрологии;
теории общения;
речевого этикета;
формирования коммуникативной, языковой и социокультурной компетенций личности.

Представители гуманистической педагогики (Я. Коменский, Песталоцци, А. Дистервег, К. Ушинский, Я. Корчак, А. Макаренко, В. Сухомлинский и др.) тоже внесли неоценимый вклад в науку о текстотворческой деятельности личности.

↑яХЯРЕЛШ, ЛНДЕКХПСЧЫХЕ ЪГШЙНБНЕ БГЮХЛНДЕИЯРБХЕ

нДМХЛ ХГ ЮЙРСЮКЭМШУ БНОПНЯНБ ЙНЛОЭЧРЕПМНИ КХМЦБХЯРХЙХ ЪБКЪЕРЯЪ ЛНДЕКХПНБЮМХЕ ЪГШЙНБНЦН БГЮХЛНДЕИЯРБХЪ, БЙКЧВЮЪ ЪГШЙНБНЕ БГЮХЛНДЕИЯРБХЪ ЙНЛОЭЧРЕПЮ Я ВЕКНБЕЙНЛ. щРЮ ГЮДЮВЮ ПЮЯЯЛЮРПХБЮКЮЯЭ ЙЮЙ НДМЮ ХГ ГЮДЮВ ХЯЙСЯЯРБЕММНЦН ХМРЕККЕЙРЮ. б ПЮЛЙЮУ РЮЙНИ ГЮДЮВХ АШК ЯНГДЮМ ЖЕКШИ ПЪД ЩЙЯОЕПХЛЕМРЮКЭМШУ ЯХЯРЕЛ, ОПХГБЮММШУ ОПНБЕПХРЭ ЛНДЕКХ, РЮЙХУ ЙЮЙ ОПНЖЕДСПМЮЪ ЛНДЕКЭ бХМНЦПЮДЮ, ЛНДЕКЭ ЙНМЖЕОРСЮКЭМШУ ЯУЕЛ ьЕМЙЮ Х ДП. оЕПБШИ НАГНП ОПНАКЕЛШ ЯХМРЕГЮ РЕЙЯРНБ, ХГДЮММШИ МЮ ПСЯЯЙНЛ ЪГШЙЕ, ОНЪБХКЯЪ Б 1990 ЦНДС Б ЯАНПМХЙЕ “хЯЙСЯЯРБЕММШИ ХМРЕККЕЙР” . б МЕЛ ЙПЮРЙН ОЕПЕВХЯКЕМЮ НЯМНБМЮЪ ОПНАКЕЛЮРХЙЮ ЛНДЕКХПНБЮМХЪ ЪГШЙНБНЦН БГЮХЛНДЕИЯРБХЪ:

РЕНПХЪ ДХЯЙСПЯЮ,
ТНЙСЯ БМХЛЮМХЪ,
ПЕТЕПЕМЖХЪ,
ОПНАКЕЛЮ ОПЕДЯРЮБКЕМХЪ ГМЮМХИ (НЯМНБМШЛХ ЛНДЕКЪЛХ ОПЕДЯРЮБКЕМХЪ Б ЙНЛОЭЧРЕПМШУ ЯХЯРЕЛЮУ ЮБРНЛЮРХВЕЯЙНЦН ОНМХЛЮМХЪ еъ, ЙЮЙ Х БН ЛМНЦХУ ДПСЦХУ ЯХЯРЕЛЮУ ХЯЙСЯЯРБЕММНЦН ХМРЕККЕЙРЮ ЪБКЪЧРЯЪ ТПЕИЛШ Х ЙНМЖЕОРСЮКЭМШЕ ЯУЕЛШ).

й ОПХЙКЮДМШЛ ЯХЯРЕЛЮЛ, БЙКЧВЮЧЫХЛ ЛНДЕКЭ ЪГШЙНБНЦН БГЮХЛНДЕИЯРБХЪ, НРМНЯЪРЯЪ РЮЙХЕ ЯХЯРЕЛШ, ЙЮЙ:

БНОПНЯМН-НРБЕРМШЕ ЯХЯРЕЛШ
ЯХЯРЕЛШ ЦЕМЕПЮЖХХ РЕЙЯРНБ.

Из того, что делал лично я

На одном хакатоне года четыре назад я делал алгоритм, который определяет эмоциональную окраску текста (является ли он положительным, нейтральным, отрицательным). Это очень просто.

В стартап-акселераторе в Дубае я участвовал в разработке приложения, которое анализировало отзывы о брендах и самостоятельно реагировало на отрицательные. Конечно, с участием человека, но все было глубоко автоматизировано: несколько человек могли отслеживать отзывы по огромному числу брендов. Бизнес-ценность задачи очевидна, но из-за некоторых организационных моментов мы тогда недоделали это приложение.

Для одной компании я производил разбор американских почтовых адресов по методике обработки текста. Несмотря на кажущуюся простоту формулировки, задача проверить реальность адреса реально сложна.

И еще несколько вещей, о которых я не могу упоминать.

Принцип N2: прозрачность

Любое решение, принятое алгоритмом, должно быть понятно, объяснимо, аргументировано.

Если вы не понимаете, почему алгоритм принял то или иное решение в данном случае, лучше найдите алгоритм, который сможет вам это объяснить. Иначе вы будете вынуждены балансировать между разными наборами ошибок, потому что текст — это набор исключений.

Кроме того, если ты не можешь объяснить, почему принято такое решение, то будешь выглядеть идиотом, как и я выглядел неоднократно, когда использовал «необъяснимые» алгоритмы. Всегда найдется неправильный результат анализа для входа, который выглядит со стороны крайне просто, но внутри алгоритма оказывается крайне сложно его отделить от сотен похожих, но других случаев.

Также принцип прозрачности позволяет быстрее исправлять сами данные с помощью рук или каких-то костылей; понимать, как работает система, переобучен ли ваш алгоритм или недообучен.

↑юБРНЛЮРХВЕЯЙЮЪ НАПЮАНРЙЮ ГБСВЮЫЕИ ПЕВХ Х ОПХЙКЮДМЮЪ ТНМЕРХЙЮ

тНМЕРХВЕЯЙХЕ (Х ЬХПЕ КХМЦБХЯРХВЕЯЙХЕ) ГМЮМХЪ, МЮПЪДС Я РЮЙХЛХ ДХЯЖХОКХМЮЛХ, ЙЮЙ ЖХТПНБЮЪ НАПЮАНРЙЮ ЯХЦМЮКНБ Х ЛЮРЕЛЮРХВЕЯЙХЕ НЯМНБЮМХЪ ПЮЯОНГМЮБЮМХЪ НАПЮГНБ ЯНГДЮЧР РЕНПЕРХВЕЯЙСЧ АЮГС ЙНЛОЭЧРЕПМШУ ПЕВЕБШУ РЕУМНКНЦХИ, ГМЮВХЛНЯРЭ ЙНРНПШУ ДКЪ ЯНБПЕЛЕММНЦН ХМТНПЛЮЖХНММНЦН Х ЙНЛОЭЧРЕПХГНБЮММНЦН НАЫЕЯРБЮ РПСДМН ОЕПЕНЖЕМХРЭ. цКЮБМЮЪ ГЮДЮВЮ ПЕВЕБШУ РЕУМНКНЦХИ (пр) ЯНЯРНХР Б РНЛ, ВРНАШ НАЕЯОЕВХРЭ СДНАМНЕ Х ЕЯРЕЯРБЕММНЕ ДКЪ ВЕКНБЕЙЮ НАЫЕМХЕ Я ЙНЛОЭЧРЕПМНИ РЕУМХЙНИ. нВЕБХДМН, ВРН ЩРН ДНКФМН АШРЭ ЦНКНЯНБНЕ НАЫЕМХЕ МЮ ЕЯРЕЯРБЕММНЛ ЪГШЙЕ, ОПЕДОНКЮЦЮЧЫЕЕ ЯНГДЮМХЕ ЯПЕДЯРБ ЮБРНЛЮРХВЕЯЙНЦН ББНДЮ/БШБНДЮ ГБСВЮЫЕИ ПЕВХ Б ЙНЛОЭЧРЕПМШЕ СЯРПНИЯРБЮ.

Программы анализа и лингвистической обработки текста

Интеллектуальным анализом текста (text mining) является технология получения структурированной информации из совокупности текстовых документов. Как правило, это понятие включает в свой состав следующие, достаточно объемные задачи:

Задача категоризации текста.
Задача извлечения информации.
Задача информационного поиска.

Иногда, когда обсуждается применение интеллектуального анализа текста в бизнесе, подразумевается не просто структурированная информация, а так называемое углубленное понимание предмета анализа, способное оказать помощь в принятии бизнес-решений. Текстовая аналитика может быть определена как технологические и бизнес процессы использования алгоритмических подходов к обработке и извлечению информации из текста и достижению глубокого понимания.

Поиск по документам организации является хорошо известным приложением информационного поиска в области корпоративного документооборота. Клиентами подобных решений являются как крупные или средние коммерческие организации, так и некоторые государственные организации. Но тогда возникает вполне резонный вопрос, зачем формировать собственные поисковые системы, когда существуют Яндекс и Google? Но здесь необходимо подчеркнуть, что задача поиска в сети Интернет и задача корпоративного поиска обладают целым набором существенных отличий:

Отсутствует статистика по поисковым запросам. Анализ статистики поисковых запросов в сети Интернет выполняет главную задачу, а именно, обобщение данных по аналогичным запросам способно предоставить эффективные сигналы ранжирования, которые подходят для удовлетворения запросов от огромного количества пользователей. Данный момент, кстати, является крайне важным для обобщающей способности механизма машинного обучения ранжированию (learning to rank), который повсеместно используется при поиске в сети Интернет. В корпоративном поиске количество пользователей очень мало, а кроме того эти пользователи обычно формируют практически уникальные поисковые запросы. И это делает очень сложным использование сигналов, которые считаются традиционными для поиска в Интернете.
Полнота является более важным фактором, чем точность. В сети Интернет присутствует большой объем коллекции документов и значительная избыточность

В корпоративном поиске более важной считается именно полнота поисковых результатов.
Наличие персонализации. В поиске в сети Интернет присутствуют очень ограниченные возможности персонализации, таких, как история запросов, география

В корпоративном поиске существенно больше возможностей по причине наличия доступной и достоверной информации о персональных данных пользователей поисковой системы. К примеру, когда пользователь формирует запрос «квартальный отчет», то система обязана знать, что у программистов, менеджеров или генеральных директоров разные квартальные отчеты.
Наличие доступного и свежего поискового индекса. В сети Интернет данные свойства являются желательными, но не критичными. В корпоративном поиске они имеют абсолютный приоритет. Неактуальный поисковый индекс важного документа, к примеру, имеющего информацию о заказчике, способен привести к нарушению координированной работы сотрудников из различных отделов.

Помимо этого, важными считаются такие аспекты задачи, как присутствие структурированных справочников и баз знаний организации, наличие необходимости объединения с разными программными подсистемами сохранения и аналитики, а также необходимость поддерживать разные форматы данных.

В Википедии можно найти достаточно большой перечень программных продуктов в области корпоративного поиска. Мировыми лидерами среди них считаются программы HP Autonomy и Coveo. Тем не менее даже эти программные продукты не лишены недостатков (к примеру, нет поддержки русского языка). Это означает, что данное направление все еще считается перспективным для создания приложений.

Применение машинного обучения для понимания и использования текста

новыевосхитительныерезультатыInsight

Идентификация различных когорт пользователей или клиентов (например, предсказание оттока клиентов, совокупной прибыли клиента, продуктовых предпочтений)
Точное детектирование и извлечение различных категорий отзывов (позитивные и негативные мнения, упоминания отдельных атрибутов вроде размера одежды и т.д.)
Классификация текста в соответствии с его смыслом (запрос элементарной помощи, срочная проблема).

эффективно

Шаг 1: Соберите ваши данные

Примерные источники данных

Отзывы о товарах (Amazon, Yelp и различные магазины приложений).
Контент, созданный пользователями (твиты, посты в Facebook, вопросы на StackOverflow).
Диагностическая информация (запросы пользователей, тикеты в поддержку, логи чатов).

Метки (Labels)

найти и разметить достаточно данных

Вместо того, чтобы тратить месяц на формулирование задачи машинного обучения без учителя, просто потратьте неделю на то, чтобы разметить данные, и обучите классификатор.

Шаг 2. Очистите ваши данные

Чистый датасет позволит модели выучить значимые признаки и не переобучиться на нерелевантном шуме.коде

Удалить все нерелевантные символы (например, любые символы, не относящиеся к цифро-буквенным).
Токенизировать текст, разделив его на индивидуальные слова.
Удалить нерелевантные слова — например, упоминания в Twitter или URL-ы.
Перевести все символы в нижний регистр для того, чтобы слова «привет», «Привет» и «ПРИВЕТ» считались одним и тем же словом.
Рассмотрите возможность совмещения слов, написанных с ошибками, или имеющих альтернативное написание (например, «круто»/«круть»/ «круууто»)
Рассмотрите возможность проведения лемматизации, т. е. сведения различных форм одного слова к словарной форме (например, «машина» вместо «машиной», «на машине», «машинах» и пр.)

Шаг 3. Выберите хорошее представление данных

Улыбающееся лицо, представленное в виде массива чисел

One-hot encoding («Мешок слов»)

ASCIIBag of WordsПредставление предложений в виде «Мешка слов». Исходные предложения указаны слева, их представление — справа. Каждый индекс в векторах представляет собой одно конкретное слово.

Визуализируем векторные представления

преимущественно нулиembeddingsрелевантную нашей задачеметода главных компонентВизуализация векторных представлений для «мешка слов»

Матрица ошибок

ложно-положительныеложно-отрицательныематрицы ошибок

Шаг 6. Учтите структуру словаря

TF-IDF

TF-IDFTerm Frequency, Inverse Document FrequencyВизуализация векторного представления с применением TF-IDF.точность в 76,2%TF-IDF: Значимость словгораздо больше уверенности в использовании модели

Шаг 7. Применение семантики

Отображение уровня предложений

Векторные представления предложений в Word2Vec Визуализация векторных представлений Word2Vec.мы получаем точность в 77,7%

LIME

на одном конкретном примереПравильные слова катастроф выбраны для классификации как «релевантные».Здесь вклад слов в классификацию выглядит менее очевидным.

последовательности индивидуальных векторов словGloVeCoVeВысокоэффективная архитектура обучения модели без дополнительной предварительной и последующей обработки (end-to-end, источник)Сверточные нейронные сети для классификации предложенийCNNs for Sentence ClassificationLSTMEncoder/Decoderкодточность в 79,5%

Поглощения ИИ-стартапов как способ быть в тренде

Покупка корпорацией Microsoft мессенджера Wand Labs, где работает 7 человек, не говорит о том, что ребята придумали нечто грандиозное в области обработки естественного языка.

Да, стартап крутой, он сумел себя продать. Но что там ребята сделали, делают или обещают сделать — неизвестно.

Корпорации вкладываются в горячие тренды, надеясь, что где-то вылупится единорог и даст новое дыхание большой структуре. Это способ для «старой» забронзовевшей компании с её бюрократическими стандартами сделать глоток молодого задора. Тут же как в «Зазеркалье»: чтобы оставаться на месте, нужно бежать, а чтобы продвинуться вперёд, нужно бежать в два раза быстрей.

Правда, как показывает практика, для таких стартапов покупка большой компанией оказывается целью, после которой можно выдохнуть и расслабиться. Потихоньку эти проекты растворяются и становятся частью большой компании, такой же неповоротливой.

Есть ещё и такое явление: стартаперы, которые обладают связями в мире инвесторов, делают очень крутые сайты и прекрасно презентуют себя с точки зрения глубокой обработки текста, но на деле не могут показать ничего. Инвесторы в них иногда вкладываются.

Однако есть и суперпозитивные примеры. Уже лет 15 компания ABBYY разрабатывает супер-пупер систему обработки текста, мне регулярно попадаются крутейшие статьи про неё. Она на порядок превосходит всё, что я знаю. Когда они выстрелят и чем — мне неизвестно. Хочется верить, что это будет нечто интересное.

Отдельно хочется упомянуть команду Invention Machine, которая занимается именно синтаксическим анализом и была куплена американской корпорацией IHS. Они связали свои алгоритмы с ТРИЗ и получают очень интересные результаты.

Ссылки

Ссылок по этой теме можно привести превеликое множество. Библиотек много, теоретических работ ещё больше, поэтому приведу лишь моих сегодняшних фаворитов, не претендуя на полноту или объективность. Список маленький и очень ёмкий.

http://cogcomp.cs.illinois.edu/page/software/ — прекрасный и простой набор инструментов от Иллинойсского университета. Потыкайте, посмотрите демо.
http://nlp.stanford.edu/software/ — мой предыдущий лидер, тоже набор инструментов от ещё более именитого университета — Стенфордского. Классные вещи они там делают!
https://gate.ac.uk/ — и классика: GATE (General Architecture for Text Engineering). Старый громоздкий обросший кучей фичей фреймворк, требует времени чтобы разобраться.
https://github.com/veinikp/senta — и для любопытных, которые хотят скачать и запустить что-нибудь без больших проблем. Это эмоциональный анализ твитов — проектик, который мы набросали со студентами на хакатоне в январе 2013 года. Разумеется, на Java. Ценен тем, что тут есть хорошая обученная моделька для классификации с помощью Stanford Classifer. И не только моделька, но и параметры для её генерации, и пример запуска. Данные я подготовил очень просто: выбрал из Twitter пару десятков миллионов твитов со смайликами и (: и назначил первых положительными, вторых — отрицательными. Потом убрал смайлики и прогнал обучение. Работает хорошо, фразу «Надо было маму слушать» распознает как отрицательную, обсценную лексику тоже понимает. Поддержкой проекта я не занимался, просто залил на github специально для этой статьи. Если кто-то захочет поддерживать его — забирайте и наслаждайтесь.

Публикация подготовлена при участии Натальи Провалинской

Реально ли за неделю подготовиться к собеседованию на английском? Как правильно переспросить, если вы не расслышали вопрос?

↑кХМЦБХЯРХВЕЯЙНЕ НАЕЯОЕВЕМХЕ ОНХЯЙНБН-ХМТНПЛЮЖХНММШУ ЯХЯРЕЛ

нДМНИ ХГ ОПХЙКЮДМШУ ГЮДЮВ НАПЮАНРЙХ РЕЙЯРЮ ЪБКЪЕРЯЪ ХМТНПЛЮЖХНММШИ ОНХЯЙ. нЯМНБМШЕ ЛЕРНДШ ХМТНПЛЮЖХНММНЦН ОНХЯЙЮ ПЮГПЮАЮРШБЮЧРЯЪ Б ПЮЛЙЮУ НДМНХЛЕММНИ МЮСВМНИ ДХЯЖХОКХМШ. нДМЮЙН Б МЮЯРНЪЫЕЕ БПЕЛЪ АНКЭЬХМЯРБН РЮЙХУ ЯХЯРЕЛ БЙКЧВЮЧР КХМЦБХЯРХВЕЯЙХИ ЙНЛОНМЕМР — КХМЦБХЯРХВЕЯЙНЕ НАЕЯОЕВЕМХЕ ХМТНПЛЮЖХНММШУ ЯХЯРЕЛ – ЯОНЯНАЯРБСЧЫХИ СКСВЬЕМХЧ ПЕГСКЭРЮРНБ ОНХЯЙЮ.

яНБПЕЛЕММШЕ ОНХЯЙНБН-ЮМЮКХРХВЕЯЙХЕ ЯХЯРЕЛШ, ЙЮЙ ОПЮБХКН, БЙКЧВЮЧР ЯЕАЪ ПЪД ЯНОСЯРБСЧЫХУ ЯЕПБХЯНБ, ЙПНЛЕ ЯНАЯРБЕММН ОНХЯЙНБНЦН, МЮОПЮБКЕММШУ МЮ ЯХЯРЕЛЮРХГЮЖХЧ БШДЮБЮЕЛНИ ХМТНПЛЮЖХХ Х НОРХЛХГЮЖХЧ ЕЕ БНЯОПХЪРХЪ. пЮГПЮАНРЙНИ ЩРХУ ЯЕПБХЯНБ РЮЙФЕ ГЮМХЛЮЕРЯЪ ЙНЛОЭЧРЕПМЮЪ КХМЦБХЯРХЙЮ. щРН:

ЮБРНЛЮРХВЕЯЙЮЪ ПСАПХЙЮЖХЪ ДНЙСЛЕМРНБ – РЕЙЯРШ ПЮГАХБЮЧРЯЪ МЮ ЦПСООШ ОН РЕЛЮЛ Х ФЮМПЮЛ. мЮОПХЛЕП, ОНКЭГНБЮРЕКЪ, ХМРЕПЕЯСЧЫЕЦНЯЪ МНБЕИЬХЛХ МЮСВМШЛХ ПЮГПЮАНРЙЮЛХ Б НАКЮЯРХ ЛНАХКЭМШУ РЕКЕТНМНБ, МЕ ХМРЕПЕЯСЧР РЕЙЯРШ ВХЯРН ПЕЙКЮЛМНЦН УЮПЮЙРЕПЮ
ЮБРНЛЮРХВЕЯЙЮЪ ЙКЮЯЯХТХЙЮЖХЪ Х ЙКЮЯРЕПХГЮЖХЪ РЕЙЯРНБ: ПЮГАХЕМХЕ РЕЙЯРНБ МЮ ЦПСООШ Б ЯННРБЕРЯРБХЕ Я ГЮПЮМЕЕ ГЮДЮММШЛ ЙКЮЯЯХТХЙЮРНПНЛ (ЙКЮЯЯХТХЙЮЖХЪ) ХКХ ФЕ МЮ НЯМНБЮМХХ РЕЛЮРХВЕЯЙХ АКХГЙНЦН ЯНДЕПФЮМХЪ (ЙКЮЯРЕПХГЮЖХЪ). вЮЯРН Б ЙЮВЕЯРБЕ НРБЕРЮ МЮ ГЮОПНЯ ОНКЭГНБЮРЕКЪ БШДЮЕРЯЪ РНКЭЙН МЕЯЙНКЭЙН МЮХАНКЕЕ ПЕКЕБЮМРМШУ ГЮЦНКНБЙНБ ХКХ ПЕГЧЛЕ, Ю ОНКЭГНБЮРЕКЕЛ ДЮКЕЕ ЛНФЕР АНКЕЕ ОНДПНАМН ОНЯЛНРПЕРЭ ДНЙСЛЕМРШ, ОНОЮБЬХЕ Б НДХМ ЙКЮЯРЕП. нЯНАЕММН ЮЙРХБМН РЮЙХЕ РЕУМНКНЦХХ ОПХЛЕМЪЧРЯЪ Б МНБНЯРМШУ ЯЕПБХЯЮУ, ЦДЕ МНБНЯРХ ОН ЯНАШРХЪЛ ЦПСООХПСЧРЯЪ Б “МНБНЯРМШЕ ЯЧФЕРШ”, ЯЛ, МЮОПХЛЕП, www.news.yandex.ru, www.google.ru, Х Р.Д.
ЮБРНЛЮРХВЕЯЙНЕ ПЕТЕПХПНБЮМХЕ – ЦЕМЕПЮЖХЪ РЕЙЯРЮ ХГ МЮХАНКЕЕ ГМЮВХЛШУ ОПЕДКНФЕМХИ ДНЙСЛЕМРЮ ХКХ ЦПСООШ ДНЙСЛЕМРНБ. юЙРХБМН ОПХЛЕМЪЕРЯЪ, МЮОПХЛЕП, Б МНБНЯРМШУ ЯЕПБХЯЮУ