Методы обработки естественного языка (NLP) в последние годы получили широкое распространение и активно используются в поисковых системах, интеллектуальных платформах поддержки принятия решений, а также во множестве других приложений искусственного интеллекта. Одной из ключевых задач в этой области является извлечение тройных отношений в формате «субъект – предикат – объект». Такие структуры позволяют переводить неструктурированные тексты в упорядоченные данные и тем самым формируют основу для построения графов знаний и организации логического анализа. Для языков с богатой ресурсной базой, например английского или китайского, данная задача уже достаточно хорошо решается. Однако для малообеспеченных языков, включая казахский, проблема остается актуальной из-за ограниченности доступных размеченных корпусов и специализированных лингвистических ресурсов. В работе предлагается подход, предусматривающий расширение ресурсной базы за счет синтетически сгенерированных данных, которые затем используются для обучения модели на основе архитектуры XLM-RoBERTa. XLM-RoBERTa, являясь улучшенной версией модели BERT, отличается более крупным корпусом для предварительного обучения и повышенной эффективностью в задачах кросс-языкового переноса, что особенно важно для языков с ограниченными ресурсами. Экспериментальные исследования показали, что предложенный метод обеспечивает F1-метрику 90,73%. Этот результат подтверждает, что комбинация передовых моделей, таких как XLM-RoBERTa, и относительно простых приемов искусственного расширения данных способна заметно повысить качество при обработке сложных языковых конструкций. Сделанные выводы позволяют рассматривать предложенный подход как перспективное направление для развития NLP в отношении малообеспеченных языков. Кроме того, результаты открывают возможности его практической интеграции в системы поиска информации, управления знаниями и многоязычные интеллектуальные приложения.