Актуальность исследования обусловлена экспоненциальным ростом объемов неструктурированных текстовых данных и возрастающими требованиями к скорости и релевантности их обработки в таких прикладных областях, как анализ новостных потоков, интеллектуальный поиск и обработка естественного языка (NLP). Существующие алгоритмы поиска часто сталкиваются с проблемами низкой точности из-за морфологической сложности языков (например, русского), наличия большого количества шумовых слов и необходимости учета семантической близости. Цель работы – разработка и исследование гибридного алгоритма поиска, сочетающего метрики лексического соответствия, морфологического анализа (стемминг) и взвешенного ранжирования для повышения полноты и точности поиска в текстовых корпусах. Научная новизза заключается в предложенной многоуровневой метрике релевантности, которая интегрирует подсчет точных совпадений, анализ основ слов с использованием оптимизированного стемминга для русского языка и временные характеристики документов. Методология включает разработку алгоритма, его программную реализацию и сравнительный анализ эффективности на реальном наборе данных, а именно новостей. В ходе эксперимента подтверждено, что гибридный подход позволяет достичь более высокой точности (на 15-20%) по сравнению с базовыми методами, особенно при работе с разносклоняемыми формами слов и составными запросами. Выводы работы указывают на перспективность дальнейшего развития предложенного подхода за счет интеграции семантических векторных моделей и глубокого обучения для учета контекстной близости понятий.
The relevance of this research stems from the exponential growth of unstructured text data and the increasing demands on the speed and relevance of its processing in such applied areas as news analysis, intelligent search, and natural language processing (NLP). Existing search algorithms often face problems with low accuracy due to the morphological complexity of languages (e.g., Russian), the presence of a large number of noise words, and the need to account for semantic similarity. The goal of this study is to develop and evaluate a hybrid search algorithm that combines lexical match metrics, morphological analysis (stemming), and weighted ranking to improve the completeness and accuracy of searches in text corpora. The scientific innovation lies in the proposed multi-level relevance metric, which integrates exact match counting, word stemming analysis using optimized stemming for the Russian language, and document temporal characteristics. The methodology includes algorithm development, its software implementation, and a comparative analysis of its effectiveness on a real-world dataset, namely, news. The experiment confirmed that the hybrid approach achieves 15-20% higher accuracy than basic methods, especially when working with inflected word forms and compound queries. The study's findings suggest potential for further development of the proposed approach by integrating semantic vector models and deep learning to account for the contextual proximity of concepts.