Аналитическая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантического анализа запроса тема диссертации и автореферата по ВАК РФ 05.25.05, кандидат наук Земцов Игорь Александрович

• Земцов Игорь Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Земцов Игорь Александрович

ВВЕДЕНИЕ

1 АНАЛИЗ СУЩЕСТВУЮЩИХ ПОИСКОВЫХ ИНФОРМАЦИОННЫХ

СИСТЕМ И МОДЕЛЕЙ СИСТЕМ ИНТЕЛЛЕКТУАЛЬНОГО ВЗАИМОДЕЙСТВИЯ

1.1 Процесс обнаружения знаний с помощью стандартного веб-поиска

1.2 Процесс обнаружения знаний в семантической сети

1.3 Построение функциональной схемы интерфейса

1.3.1 Основные архитектуры интерфейсов

1.3.2 Анализ типов анализаторов ситуаций

1.4 Сравнительный аналитический обзор существующих систем поиска

информации

1.5 Выводы по первой главе

2 АНАЛИТИЧЕСКИЕ И ПРОЦЕДУРНЫЕ МОДЕЛИ ФОРМИРОВАНИЯ

ЦЕЛЕВОЙ ОНТОЛОГИИ БАЗЫ ЗНАНИЙ

2.1 Определение близости двух строк методом вычисления расстояния

Хэмминга

2.2 Определение близости двух строк методом вычисления Евклидово

расстояния

2.3 Определение близости двух строк методом вычисления расстояния

Левенштейна в аналитической модели Вагнера-Фишера

2.4 Определение близости двух строк автоматом Левенштейна

2.5 Определения семантической близости между метаописаниями

2.5.1 Определение семантической близости между метаописаниями методом суммирования оценок близости

2.5.2 Определения семантической близости между метаописаниями методом максимального паросочетания во взвешенном двудольном графе

2.6 Определение значений рейтинга веб-документов базы знаний методом

рационального случайного Серфера

2.7 Формирование онтологий в базе знаний

2.8 Компиляция автономной онтологии с использованием метода

индуктивного рассуждения

2.9 Выводы по второй главе

3 СТРУКТУРА МОДЕЛИ СЕМАНТИЧЕСКОГО ПОИСКА С ПОМОЩЬЮ

ИНТЕРФЕЙСА ДЛЯ ИНТЕЛЛЕКТУАЛИЗАЦИИ ЗАПРОСА

3.1 Функциональная схема модели семантического поиска с

использованием процедурной модели компиляции автономной онтологии с использованием методов индуктивного рассуждения

3.2 Семантические базы знаний

3.3 Синтаксис семантических поисковых запросов

3. 4 Ранжирование ответов

3.5 Дедуктивная автономная сборка онтологий

3.6 Несоответствия, шум и неполнота

3.7 Функциональная схема интерфейса

3.5 Выводы по третьей главе

4 ЭКСПЕРИМЕНТАЛЬНОЕ СРАВНЕНИЕ МОДЕЛЕЙ СЕМАНТИЧЕСКОГО ПОИСКА В ИНТЕРФЕЙСЕ ДЛЯ ИНТЕЛЛЕКТУАЛИЗАЦИИ ЗАПРОСА

4.1 Сравнение результатов поиска существующих поисковых систем с

результатами поиска разработанной модели семантического поиска

4.2 Определение семантической близости между документом и запросом

4.2.1 Вычисление близости между двумя строками с помощью автомата Левенштейна

4.2.2 Определение семантической близости между документом и запросом, методом максимального паросочетания во взвешенном двудольном графе

4.3 Исследование процедурной модели семантического поиска с использованием методов индуктивного рассуждения для этапа

компиляции автономной онтологии

4.4 Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ А Пример использования аналитической модели

ПРИЛОЖЕНИЕ Б Акты о внедрении результатов исследования

Введение диссертации (часть автореферата) на тему «Аналитическая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантического анализа запроса»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время для решения различных прикладных задач интенсивно используются информационные технологии, при этом особую значимость приобретают вопросы, связанные с организацией поиска информации в глобальной сети.

Вместе с тем, используемые в настоящее время средства поиска информации в глобальной сети, такие как Google, Яндекс и ряд других, не позволяют эффективно решать задачи поиска ввиду низкой точности результатов. Зачастую это обусловлено тем, что при формировании поискового запроса не производится его семантический анализ. Развитие семантического поиска нацелено на разработку и реализацию таких аналитических и процедурных моделей, которые обеспечат повышение точности поиска информации в глобальной сети. В связи с этим потребовалось средство для семантического анализа, предоставляющее возможность понимания смысла и значения запросов, произведенных пользователями, а также накопления знаний как о пользователе, выполнившем запрос, так и о ответной реакции данного пользователя на полученный результат путем наблюдений за процессом взаимодействия. На основании полученных знаний о пользователе и накопленных данных о качестве ответных реакций данное средство должно иметь возможность совершенствования процесса взаимодействия.

Существует большое количество работ, посвященных семантическому анализу и компьютерной семантике. Вместе с тем, ключевая задача -разработка аналитических и процедурных моделей, позволяющих производить семантический анализ поискового запроса и организовать семантический поиск в глобальной сети с высокой степенью точности результатов, в полном объеме не решена.

В области исследований данной задачи имеется множество подходов, заключающихся в способах объединения процесса анализа данных и

обнаружения знаний в базах знаний с возможностями семантической сети. Однако, несмотря на многочисленные научные исследования, потенциал данного подхода полностью не раскрыт,

Исследование показывает, что, потенциал объединения процесса анализа данных и обнаружения знаний в базах знаний с возможностями семантической сети полностью не раскрыт несмотря на многочисленные научные работы. Этим и объясняется актуальность диссертационной работы.

Значительный вклад в развитие естественно-языковых интерфейсов и компьютерной семантики внесли такие ученые, как Ю.Д. Апресян, А.А. Ляпунов, М.Г. Мальковский, Ю.Н. Марчук, И.А. Мельчук, А.С. Нариньяни, Р.Г. Пиотровский, Д.А. Поспелов, В.А. Тузов, В.А. Фомичев, Т. Виноград (T. Winograd), В.А. Вудс (W.A. Woods), , М. Портер (M. Porter), Н. Хомский (N. Chomsky), Р. Шенк (R. Schank) и др.

В глобальной сети система семантического поиска представлена в виде поисковой системы Swoogle, разработанной в университете штата Мэриленд. Однако системы семантического поиска, поддерживающие запросы на разных языках с высокой точностью поиска, отсутствуют.

В связи с вышесказанным, актуальной является разработка модели семантического поиска для повышения точности поиска информации в глобальной сети за счет применения моделей семантического поиска в интерфейсе, для интеллектуализации поискового запроса, что позволит учитывать семантический характер запроса.

В связи с вышесказанным, актуальной является разработка аналитической и процедурных моделей для повышения точности поиска информации в глобальной сети за счет проведения семантического анализа поискового запроса.

Вышесказанное определяет практическую задачу - повышение точности поиска информации в глобальной сети, чтобы ее решить необходимо рассмотреть научную задачу, заключающуюся в построении

аналитической и процедурных моделей интеллектуализации запроса на основе его семантического анализа.

Объект исследования: поисковые системы в глобальной сети.

Предмет исследования: аналитическая и процедурные модели семантического анализа поискового запроса.

Цель и задачи исследований. Цель исследования заключается в повышении точности поиска информации в глобальной сети за счет применения разработанной аналитической и процедурных моделей семантического анализа запроса.

Для достижения этой цели были поставлены и решены следующие задачи:

1. Провести анализ существующих систем поиска информации.

2. Построить аналитическую модель семантического анализа запроса.

3. Построить процедурную модель формирования онтологий в базе знаний.

4. Построить процедурную модель компиляции автономной онтологии.

5. Провести вычислительные эксперименты с использованием разработанных аналитических и процедурных моделей, установить достижение цели исследования.

Методология и методы исследования. При решении, поставленных в работе задач были использованы положения теории информации и системного анализа, а также методы теории графов, поиска, искусственного интеллекта.

Научная новизна заключается в разработке:

1. Аналитической модели семантического анализа запроса, отличающейся способом вычисления близости между метаописаниями на основе применения автомата Левенштейна.

2. Процедурной модели формирования онтологий в базе знаний, отличающейся добавлением нового блока «Определение семантической

близости между метаописаниями» методом максимального паросочетания во взвешенном двудольном графе».

3. Процедурной модели компиляции автономной онтологии, отличающейся добавлением нового блока «Компиляции автономной онтологии» на основе метода индуктивного рассуждения.

Теоретическая и практическая значимость работы. Теоретическая значимость работы заключается в развитии методов поиска в глобальной сети за счет применения построенных аналитической и процедурных моделей семантического анализа запроса в глобальной сети.

Практическая значимость работы заключается в разработке программного обеспечения на основе предложенных аналитической и процедурных моделей, которое позволило повысить точность поиска информации в глобальной сети.

Положения, выносимые на защиту:

- Аналитическая модель семантического анализа запроса в глобальной сети с использованием автомата Левенштейна для вычисления близости между метаописаниями.

- Процедурная модель формирования онтологий в базе знаний для определения семантической близости между метаописаниями методом суммирования оценок близости.

- Процедурная модель компиляции автономной онтологии с использованием методов индуктивного рассуждения.

- Результаты исследования с использованием аналитической и процедурных моделей для повышения точности поиска в глобальной сети с использованием синтаксического анализа запроса.

Внедрение результатов исследования. Программная реализация на основе предложенных аналитической и процедурных моделей, которая позволила повысить точность поиска информации в глобальной сети.

Результаты диссертационной работы реализованы в Управлении информационных технологий, связи и документооборота администрации

Тамбовской области, ООО «Максоком», ООО «Третья управляющая компания», Межвидовом центре подготовки и боевого применения войск РЭБ (учебном и испытательном), а также используются в учебном процессе на кафедре «Мехатроника и технологические измерения» ФГБОУ ВО «ТГТУ».

Степень достоверности и апробации результатов исследования. Подтверждается проведенным анализом сопоставления результатов поисковой выдачи существующих систем поиска информации с результатами исследования с использованием аналитической и процедурных моделей семантического анализа, наглядно представленными в приведённых таблицах, рисунках и графиках.

Основные результаты представлены и обсуждены на международных научных конференциях: «Информатика: проблемы, методология, технологии» (г. Воронеж, 6-8 февраля 2014 г.), «Виртуальное моделирование, прототипирование и промышленный дизайн» (г. Тамбов, 14-16 ноября 2018 г.), «Актуальные проблемы прикладной математики, информатики и механики» (г. Воронеж, 11-13 ноября 2019 г.), «1st International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency SUMMA2019» (г. Липецк, 20-22 ноября 2019 г.).

Публикации. Всего по теме исследования опубликовано 18 работ, из них: 2 публикации в изданиях, индексируемых в МБЦ Web of Science и Scopus, 2 публикации в изданиях, рекомендуемых ВАК при Министерстве науки и высшего образования РФ, 7 публикаций в прочих изданиях, входящих в перечень ВАК при Министерстве науки и высшего образования РФ и Российского индекса научного цитирования (РИНЦ), 7 докладов на всероссийских и международных конференциях.

Выносимые на защиту результаты получены лично автором работы. В тех публикациях, которые написаны в соавторстве, личный вклад автора заключается в разработке аналитической и процедурных моделей семантического анализа.

Структура и объём работы. Работа состоит из оглавления, введения, четырёх глав, списка источников, который содержит 226 наименований, и 2 приложений. Полный объём работы составляет 151 страницу. Основной текст работы включает 21 рисунок и 20 таблиц.

Работа выполнена в соответствии с требованиями паспорта специальности 05.25.05 «Информационные системы и процессы» (технические науки) и соответствует 4 пункту «Лингвистическое обеспечение информационных систем и процессов. Методы и средства проектирования словарей данных, словарей индексирования и поиска информации, тезаурусов и иных лексических комплексов. Методы семантического, синтаксического и прагматического анализа текстовой информации с целью ее формализации для представления в базах данных и организации интерфейсов информационных систем с пользователями. Формат внешнего и внутреннего представления данных, коммуникативные и иные форматы данных и документов».

1 АНАЛИЗ СУЩЕСТВУЮЩИХ ПОИСКОВЫХ

ИНФОРМАЦИОННЫХ СИСТЕМ И МОДЕЛЕЙ СИСТЕМ ИНТЕЛЛЕКТУАЛЬНОГО ВЗАИМОДЕЙСТВИЯ

1.1 Процесс обнаружения знаний с помощью стандартного веб-поиска

Фирас Файяд с группой исследователей представил собственную модель процесса общего формирования и обнаружения знаний в статье, которая была опубликована ещё в 1996 году. В основе идеи авторов лежит модель, включающая пять этапов, которые планомерно ведут от необработанной массы данных к реальным знаниям и законами, имеющим актуальное значение для человека, высокую степень достоверности и точности [2]. Графически этот процесс указан на рисунке 1.1. Основные этапы обнаружения знания:

— выбор данных;

— предварительная обработка данных;

— трансформация данных;

— вывод информации;

— оценка и интерпретация данных.

Выбор данных как этап обнаружения знаний. На этой стадии происходит общая подготовка, в рамках которой определяется область приложения, анализ имеющихся на сегодня знаний, формирование цели последующего анализа сведений, которые будут важны конечному пользователю [3]. На основе подобного понимания повышается качество последующей выборки конкретных данных, наборов переменных сведений, что упростит работу и повысит её качество [4].

На данном этапе все полученные ранее данные и результаты обрабатывают для последующего упрощения и ускорения анализа, повышения степени его достоверности, нивелирования возможных ошибок

на фоне человеческого фактора, которые отнимают время и ресурсы [5]. К числу стандартных действий на этой стадии относят:

— обработку отсутствующих параметров (значений, сведений);

— коррекцию обнаруженных во время работы недочётов и потенциального шума;

— избавление от образовавшихся «двойников» данных;

— объединение и согласование отдельных видов сведений;

— определение потенциальных конфликтов между конкретными данными и значениями, полученными из разных источников, с их обязательным разрешением.

Трансформация, как этап обнаружения знаний. На данном этапе основной задачей выступает формирование единой формы или проекции данных, в которой затем будет работать аналитическая модель. Традиционно это означает стандартное либо типовое преобразование собранных данных в форму, у которой в каждом параметре есть чёткий конкретный вектор признаков [6]. Для упрощения и ускорения последующего анализа на данной стадии активно используют методы для уменьшения их размерности. Они снизят объём, количество рассматриваемых переменных и параметров, что значительно сокращает временные затраты и упрощает сам процесс анализа, снижая и количество ошибок [7].

Вывод данных, как этап обнаружения новых знаний. После первичного преобразования или трансформации полученных данных для представления их в удобном, читабельном и наглядном виде важно корректно согласовать процесс обработки с выбранным методом [8]. Здесь используют следующие способы:

— регрессия;

— кластеризация;

— классификация.

На этой стадии определяют конкретные параметры и модели, подходящие для выполнения работ [9]. Это важный момент, учитывая, что

существующие модели для работы с категориальными данными имеют ряд отличий от моделей, которые используют для числовых сведений.

Одновременно на практике возникает ситуация, когда конечному пользователю удобнее и выгоднее использовать простую и интерпретируемую модель, имеющую меньшую степень точности по сравнению с аналогичной, но сложно интерпретируемой [10]. Это позволит быстрее и качественней обработать результат и сделать выводы, получив новые знания или определив направления в их достижении.

После завершения отбора метода и аналитической модели для комплексного интеллектуального анализа производится непосредственно сам анализ. Во время его прохождения выполняют поиск шаблонов в определённой репрезентативной форме либо осуществляют выбор набора правил или объектов [11].

Оценка и интерпретация данных как этап обнаружения знаний. На данной стадии все отобранные ранее модели и шаблоны рассматривают в их отношении к реальным сведениям, получая требуемые результаты. Также пользователь производит оценку полезности сделанных выводов для конкретных приложений и направлений деятельности. Для удобства на этом этапе выполняют визуализацию данных, шаблонов и моделей, что упрощает проведение оценки и позволяет представить результаты работы третьим лицам [12].

Суммарное количество шаблонов, которые используют во время работы, зависит от вида методов, применяемых на всех этапах, а также наличия взаимозависимостей между ними. Таким образом, появляется возможность вернуться к предыдущим этапам для контроля и пересмотра решений [13]. Это графически отражено на рисунке 1.1. и позволяет оперативно избавиться от ошибок, внести нужные коррективы [14]. Подобная практика делает процесс обнаружения знаний более гибким и эффективным, позволяя расшить обнаруженные узкие места, повторить общий процесс после завершения обмена методами, корректировки и других

действий несколько раз с целью получения итоговых результатов необходимого качества [15].

Рисунок 1.1 — Функциональная схема процесса обнаружения знаний в базах

знаний

1.2 Процесс обнаружения знаний в семантической сети

Онтология как способ представления знаний. В конце 20-го века был введён термин онтология. Онтология представляет инструмент либо способ выражения знаний о конкретно-определённом домене, расположенном в сформированной предварительно семантической сети [16]. Ее особенность состоит в присутствии одновременно всех явных формальных спецификаций, отношений между ними и терминов из конкретной научной сферы. Для общего упрощения процесса выявления и фиксации новых знаний, проведения на высоком уровне интеллектуального анализа группой под началом Эктора Оскара Нигро [17] было предложено классифицировать все онтологии на 3 отдельные группы:

— онтология доменов, которая включает весь объём сведений о домене приложений (фактически речь идёт о домене, где осуществляется выявление новых знаний, проводится стартовый анализ сформированных уже баз данных);

— онтология для анализа данных, где можно выявить конкретные сведения непосредственно о процессе анализа данных, используемых аналитических моделей, важных параметрах и этапах изучения [18];

— онтология метаданных, позволяющий описать всю имеющуюся информацию, включая происхождение данных, используемые процессы и так далее.

На каждой стадии выявления новых знаний в имеющихся базах данных можно применять для работы любую из перечисленных онтологий [19]. Одновременно при работе важно сконцентрировать своё внимание на использовании всех обнаруженных открытых и связанных между собой сведений. Последние представляют доступный и связанный между собой набор данных, сформированный из различных тематических доменов [20].

Рисунок 1.2 представляет собой масштабный и общий обзор подобного массива. Если же учесть дополнительно перечень локальных данных, не исключая реляционную базу данных, то на первой стадии важно провести общую привязку сведений к концепциям [21]. Это позволит затем изучить ссылки, которые указывают на определённые объекты, находящиеся в иных наборах.

Следующим этапом становится введение в действие различных методов, позволяющих консолидировать имеющиеся сведения, обработать их и очистить [22]. Два последних метода применяют для выполнения следующих операций:

— нормализация по стоимости;

— объединение;

— сопоставление отдельных схем;

— обработку недостающих значений и так далее.

На следующей стадии проводят ряд определённых преобразований данных [23]. Они направлены на представление информации в таком виде, чтобы её можно было обработать без корректировок самыми различными моделями анализа, что сократит время анализа и риск появления случайных

ошибок. Финальной стадией работы будет формирование понятных пользователю итогов проведённого анализа данных [24]. Подобное представление в значительной степени упрощает последующую оценку и интерпретацию результатов исследовательского процесса, анализа данных, позволяет использовать семантическую цепь открытых данных.

Рисунок 1.2 — Обзор этапов функциональной схемы обнаружения знаний в базах знаний с помощью связанных открытых данных

Для упрощения представления данных и результатов можно использовать подходы, которые соответствуют следующим требованиям:

— используемые подходы полностью соответствуют и корректно подходят для процесса выявления новых знаний в уже сформированных базах данных [25];

— при работе подходы используют как минимум один набор данных в уже сформированной ранее семантической сети.

Каждый из используемых подходов при выявлении новых знаний должен в обязательном порядке перед применением быть оценён по следующим критериям:

— подход полностью независим от домена либо был предварительно адаптирован к нему для предотвращения возникновения искажений;

— допустимо либо применяется правило индукции, либо другие подходы для анализа сведений [26];

— при подходе использована сложная онтология или имеются слабо автоматизированные ограничения;

— при анализе использованы рассуждения, ссылки на уже имеющиеся другие наборы сведений;

— использована непосредственно сама онтология;

Кроме того, следует проанализировать, какие наборы данных семантической сети используются в документах, чтобы понять, какие из них наиболее часто используются [27, 28].

1.3 Построение функциональной схемы интерфейса

1.3.1 Основные архитектуры интерфейсов

Мир наполнен пользователями, интерфейсами, средами. Внутри этого пространства пользователи взаимодействуют со средой через интерфейс - он предназначен как раз для решения задачи создания условий для качественного взаимодействия [29]. Пользователи - люди, способные взаимодействовать между собой естественным путём. Интерфейс, используемый определённым пользователем, целесообразно назвать индивидуальным, в этом случае тот самый конкретный пользователь станет индивидуальным пользователем. Интерфейс воспринимает поступающую от пользователя и среды информацию в форме входных модальностей, затем выдаёт эту информацию в качестве выходных модальностей [30].

Интерфейс, структура которого была предложена академиком РАН Г. С. Поспеловым в качестве интерфейса шестого уровня, изображен на рисунке 1.3. Такой интерфейс наиболее подходит для цели настоящей диссертационной работы.

Рисунок 1.3 — Интерфейс шестого уровня

На рисунке 1.4 отображена обобщенная архитектура интерфейса, включающая в себя пользователя, среду и индивидуальный интерфейс. Средства интерфейса — мониторы, джойстики, камеры, микрофоны и прочие устройства ввода и вывода [31]. Отдельно в интерфейсе выделена часть, обозначенная как анализатор ситуаций. К средствам интерфейса поступают модальности, источником которых служит индивидуальный пользователь (на рисунке им соответствует первая стрелка), среда (обозначена как стрелка под номером три) и реакции анализатора ситуаций (можно увидеть по стрелке пять). Все обозначенные модальности подлежат обработке, состоящей из

шагов фильтрации, нахождения характерных признаков, преобразования форматов и т.д. [32].

Рисунок 1.4 — Обобщенная архитектура интерфейса

Любая входная модальность обрабатывается отдельно и направляется к анализатору ситуаций. Различные модальности агрегируются, а потом направляются в виде восприятия анализатора ситуаций - такой вариант тоже возможен. Вид используемых методик обработки зависит от типа модальностей и роли таковых в интерфейсе [33].

Значимая характеристика средств интерфейса - это дизайн устройства и формат ввода/вывода модальностей. Применяемые устройства и форматы всегда зависят от типа интерфейса. Одинаковые средства интерфейса применяют разное количество видов интерфейса. Основной индикатор качества дизайна - это степень дружественности пользователю (уместно

говорить о термине юзабилити) [34], который в стандарте ISO 9241-11 обозначен как степень эффективности, удовлетворённости, трудоёмкости. С этими характеристиками продукт применяется пользователями в некотором контексте. Всё это представлено для достижения определённых целей и решения конкретных задач [35]. Несмотря на то, что в психофизиологии и эргономике в настоящее время существуют разделы, определяющие развитие интерфейса, на сегодняшний день нет единого стандарта дизайна интерфейса, который мог бы охватить буквально все типы интерфейса.

Выработка реакций по восприятиям - это главная задача анализатора ситуаций. На вход средства интерфейса и поступают восприятия, что можно наглядно увидеть на рисунке 1.4 (обозначено как стрелки под номерами один и четыре). Далее они преобразуются во влияющие на индивидуального пользователя выходные модальности (вторая стрелка) и среду (стрелка под номером четыре) [36].

Рассмотрим более подробно блоки, предусмотренные в анализаторе ситуаций.

Опрос пользователя. Речь идёт о подходе, кажущимся простым в реализации [37]. Однако в действительности он требует определенной формализации извлекаемых знаний (соответственно из пользователя), а также соблюдения процедуры по их получению. Минус представленного подхода - большое количество ошибок, совершаемых пользователем при предоставлении ответов на вопросы, общая их неточность, отсутствие достаточной информации об ответах, отсутствие желания отвечать в целом. Результат - опрос пользователя при организации моделей поведения окажется не самым надёжным [38].

Преобразователь восприятий. Средства интерфейса предназначены для обеспечения преобразований модальностей в формат, способный воспринимать преобразователь [39]. Цель преобразователя - формирование модели представления, применяемой распознавателем ситуаций, а также

модификаторами модели поведения среды и пользователя при первичном формировании моделей, их адаптации и оптимизации в будущем.

Динамическая модель поведения пользователя - модель поведения пользователя в определённом мире. В работе [40], которая была посвящена разработке моделей поведения пользователя, применялись стереотипные модели. Последние классифицировались по заданным характеристикам. На базе моделей выстраивалась экспертная система Grundy [41], которая моделировала работу библиотекаря. Она же выводила советы пользователям по выбору издания (результат зависел от предпочтений людей).

В настоящее время при разработке интерфейса большое внимание уделяют моделированию поведения пользователя. Модель поведения ещё называют пользовательским профилем [42]. Он включает формализованные данные о планах, целях, признаках пользователя в определённом мире. Применяя всю эту информацию, распознаватель ситуаций может более точно реагировать на полученные восприятия. Так, при наличии модели поведения водителя, которая будет учитывать особенности поведения, на горной дороге в тёмное время суток система управления может оперативно предупреждать о нежелательности определённых действий для заданной ситуации [43]. Для организации моделей поведения обычно применяются математические модели, среди которых байесовые и нейронные сети, конечные автоматы, скрытые марковские модели. При организации модели поведения важно получить данные о поведении пользователя в конкретном мире [44].

Скрытое наблюдение. Модель поведения пользователя анализатором ситуаций будет создаваться с помощью наблюдения за восприятиями, источник которых - пользователь. Во время формирования модели анализатор восприятий задействует особый режим наблюдения, который бывает временным и постоянным [45]. Сначала могут применяться некие начальные настройки модели. Все они при наблюдениях корректируются, дополняются дополнительными характеристиками. При этом часть наблюдаемых восприятий бывает случайной, иногда конфликтует с

Список литературы диссертационного исследования кандидат наук Земцов Игорь Александрович, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Поспелов, Д. А. Интеллектуальные интерфейсы для ЭВМ новых поколений // Электронная вычислительная техника. Сборник статей. Вып.3, М.: Радио и связь, 1989, с.4-20

2. Поспелов, Д. А. Десять горячих точек в исследованиях по искусственному интеллекту / Д. А. Поспелов. - М.: ДНК, 2000. - 147 с.

3. Джурафски, Д. Обработка речи и языка: введение в обработку естественного языка, компьютерную лингвистику и распознавание речи. Серия Prentice Hall в области искусственного интеллекта / Д. Джурафски. -СПб.: Корона-принт, 2007. - 132 с.

4. Бах, Е. Расширение классической трансформационной грамматики / Е. Бах. - СПб.: БХВ -Петербург, 2006. - 162 с.

5. Нишида, Т.А. Англо-японская система машинного перевода на основе формальной семантики естественного языка / Т.А. Нишида. - М.: Высшая школа, 2014. - 189 с.

6. Филлмор, С. Универсалы в лингвистической теории / С. Филлмор. -М.: ДНК, 2000. - 112 с.

7. Осипов, Г. С. Методы искусственного интеллекта / Г. С. Осипов. -СПб.: Корона-принт, 2007. - 137 с.

8. Тестелец, Я. Г. Введение в общий синтаксис / Я. Г. Тестелец. - М .: Издательство РГГУ, 2001. - 247 с.

9. Джекендофф, Р. Семантическая интерпретация в порождающей грамматике / Р. Джекендофф. - М.: Спрингер, 2017. - 146 с.

10. Богданов, В. В. Семантико-синтаксическая организация предложения / В. В. Богданов. - СПб.: БХВ -Петербург, 2006. - 162 с.

11. Кибрик, А. Е. Очерки по общим и прикладным вопросам языка / А. Е. Кибрик. - М.: Высшая школа, 2014. - 189 с.

12. Кашкин, Е. В. Семантические роли и сеть конструкций в системе FrameBank / Е. В. Кашкин. - М.: ДНК, 2000. - 112 с.

13. Плунгян, В. А. Введение в грамматическую семантику: грамматические значения и грамматические системы языков мира: учебное пособие / В. А. Плунгян. - М .: Издательство РГГУ, 2011. - 112 с.

14. Даути, Д. Тематические прото-роли и отбор аргументов / Д. Даути. - М.: Спрингер, 2017. - 146 с.

15. Палмер, М. Банк предложений: аннотированный корпус семантических ролей / М. Палмер. - СПб.: БХВ -Петербург, 2006. - 162 с.

16. Филлмор, С. Предпосылки к ЕгатвЫМ / С. Филлмор. - М.: Высшая школа, 2014. - 158 с.

17. Мейерс, А. Проект ЫотБапк: промежуточный отчет / А. Мейерс. - М.: ДНК, 2000. - 149 с.

18. Сюэ, Н. Добавление семантических ролей в китайский древовидный банк / Н. Сюэ. - М .: Издательство РГГУ, 2011. - 112 с.

19. Палмер, М. Пересмотренный арабский РгорБапк / М. Палмер. -М.: Высшая школа, 2014. - 247 с.

20. Плунгян, В. А. Использование ЕгатвЫМ для семантического анализа немецкого языка: аннотации, представление и автоматизация / В. А. Плунгян. - М.: Спрингер, 2017. - 181 с.

21. Субирац, С. Испанский ЕгатеЫеР: фрейм-семантический анализ лексики испанского языка / С. Субирац. - СПб.: БХВ -Петербург, 2006. - 162 с.

22. Гильдея, Д. Автоматическая маркировка семантических ролей / Д. Гильдея. - М.: Высшая школа, 2014. - 218 с.

23. Каррерас, X. Введение в общую задачу СоЫЬЬ-2004: семантическая маркировка ролей / X. Каррерас. - М.: ДНК, 2004. - 149 с.

24. Каррерас, X. Введение в общую задачу СоЫЬЬ-2005: семантическая маркировка ролей / X. Каррерас. - М.: ДНК, 2005. - 182 с.

25. Мейерс, А. Общая задача СоЫЬЬ-2008 по совместному анализу синтаксических и семантических зависимостей / А. Мейерс. - М .: Издательство РГГУ, 2008. - 112 с.

26. Йоханссон, Р. Общая задача CoNLL-2009: синтаксические и семантические зависимости на нескольких языках / Р. Йоханссон. - М.: Высшая школа, 2009. - 158 с.

27. Шен, Д. Использование семантических ролей для улучшения ответов на вопросы / Д. Шен. - М.: Спрингер, 2007. - 172 с.

28. Сурдеану, М. Использование предикатно-аргументных структур для извлечения информации / М. Сурдеану. - М.: Высшая школа, 2014. - 247 с.

29. Хан, А. Основа для многодокументного абстрактного суммирования на основе семантической ролевой маркировки / А. Хан. -СПб.: БХВ -Петербург, 2006. - 162 с.

30. Фунг, П. Описание SQUASH, обработчика ответов на вопросы SFU для задачи обобщения DUC-2005 / П. Фунг. - М .: Издательство РГГУ, 2011. - 112 с.

31. Ву, Д. Семантические роли для SMT: гибридная двухпроходная модель / Д. Ву. - М.: Высшая школа, 2014. - 247 с.

32. Лю, Д. Семантические ролевые особенности для машинного перевода / Д. Лю. - М.: ДНК, 2004. - 149 с.

33. Осипов, Г. Методы выделения семантических типов высказываний на естественном языке из текстов / Г. Осипов. - М.: Спрингер, 2007. - 172 с.

34. Золотова, Г. А. Коммуникативная грамматика русского языка / Г. А. Золотова. - М.: Высшая школа, 2014. - 247 с.

35. Осипов, Г. С. Реляционно-ситуационный метод поиска и анализа текстовых и его приложений / Г. С. Осипов. - СПб.: БХВ -Петербург, 2006. -162 с.

36. Осипов, Г. С. Реляционно-ситуационный метод интеллектуального поиска и анализа научных публикаций / Г. С. Осипов. -СПб.: БХВ -Петербург, 2014. - 137 с.

37. Осипов, Г. С. Реляционно-ситуационный метод поиска и анализа текста и его приложения / Г. С. Осипов. - СПб.: БХВ -Петербург, 2017. - 129 с.

38. Осипов, Г. С. Применение лингвистических знаний для повышения точности поиска / Г. С. Осипов. - СПб.: БХВ -Петербург, 2008. -194 с.

39. Палмер, М. Неглубокий семантический синтаксический анализ с использованием машин опорных векторов / М. Палмер. - М.: Спрингер, 2007. - 172 с.

40. Хагиги, А. Семантическая ролевая маркировка с использованием модели максимальной энтропии / А. Хагиги. - М.: Высшая школа, 2014. - 247 с.

41. Сюэ, Н. Калибровочные характеристики для обозначения семантических ролей / Н. Сюэ. - СПб.: БХВ -Петербург, 2006. - 162 с.

42. Тутанова, К. Совместное обучение улучшает семантическую маркировку ролей / К. Тутанова. - М .: Издательство РГГУ, 2011. - 628 с.

43. Чой, Д. Маркировка семантической роли на основе переходов с использованием кластеризации аргументов предикатов / Д. Чой. - М.: Высшая школа, 2014. - 247 с.

44. Йоханссон, Р. Синтаксически-семантический анализ на основе зависимостей с помощью РгорБапк и ЫотБапк / Р. Йоханссон. - М.: ДНК, 2004. - 149 с.

45. Рот, Д. Высокопроизводительный синтаксический и семантический синтаксический анализатор зависимостей / Д. Рот. - М.: Спрингер, 2007. - 172 с.

46. Миллер, Г. А. WordNet: лексическая база данных для английского языка / Г. А. Миллер. - СПб.: БХВ -Петербург, 2014. - 137 с.

47. Йих, В. Поддержка опорных векторов для семантической классификации аргументов / В. Йих. - СПб.: БХВ -Петербург, 2017. - 129 с.

48. Блансом, П. Семантическая ролевая маркировка: введение в специальный выпуск / П. Блансом. - СПб.: БХВ -Петербург, 2008. - 194 с.

49. Пуняканок, В. Важность синтаксического разбора и логического вывода в обозначении семантических ролей / В. Пуняканок. - М.: Спрингер, 2007. - 172 с.

50. Тутанова, К. Глобальная объединенная модель для обозначения семантических ролей / К. Тутанова. - М.: Высшая школа, 2014. - 247 с.

51. Томпсон, С. А. Генеративная модель для обозначения семантических ролей / С. А. Томпсон. - М.: ДНК, 2003. - 397 с.

52. Кон, Т. Метка семантической роли с условными древовидными условными полями / Т. Кон. - СПб.: Корона-принт, 2005. - 169 с.

53. Меза-Руиз, И. Совместная идентификация предикатов, аргументов и смыслов с использованием марковской логики / И. Меза-Руиз. - М.: Спрингер, 2009. - 155 с.

54. Пере, Р. Комбинированные стратегии для обозначения семантических ролей / Р. Пере. - СПб.: БХВ -Петербург, 2007. - 105 с.

55. Уэйн, У. Семантическая роль чанкинга, сочетающая комплементарные синтаксические взгляды / У. Уэйн. - М.: Высшая школа, 2005. - 217 с.

56. Неус, К. Семантическая ролевая маркировка как последовательная маркировка / К. Неус. - М.: ДНК, 2005. - 193 с.

57. Ляшевская, О. Н. Оценка фрейм-семантической ролевой маркировки на языке разметки падежа / О. Н. Ляшевская. - СПб.: Корона-принт, 2014. - 350 с.

58. Ермаков, А. Е. Семантическая интерпретация в системе компьютерного анализа текста / А. Е. Ермаков. - М .: Издательство РГГУ, 2009. - 132 с.

59. Сокирко, А. В. Семинарский словарь в автоматической обработке текста (по материалам системы ДИАЛИНГ) / А. В. Сокирко. - М.: Спрингер, 2001. - 146 с.

60. Смирнов, И. В. Метод автоматических значений минимальных синтаксических единиц текста / И. В. Смирнов. - СПб.: БХВ -Петербург, 2008. - 30 с.

61. Падо, С. Межъязыковая проекция аннотаций для семантических ролей / С. Падо. - М.: Высшая школа, 2009. - 307 с.

62. Йоханссон, Р. Основанный на FrameNet семантический ролевой этикетировщик для шведского языка / Р. Йоханссон. - М.: ДНК, 2006. - 436 с.

63. Фунг, П. БiFrameNet: построение ресурса семантики билингвального фрейма путем кросс-языковой индукции / П. Фунг. - М.: Издательство РГГУ, 2004. - 112 с.

64. Кальяхи, Р. Семантическая ролевая маркировка с минимальными ресурсами: эксперименты с французским языком / Р. Кальяхи. - М.: Спрингер, 2014. - 87 с.

65. Бурхардт, А. Обход WordNet в FrameNet / А. Бурхардт. - СПб.: БХВ -Петербург, 2005. - 162 с.

66. Йоханссон, Р. Использование WordNet для расширения охвата FrameNet / Р. Йоханссон. - М.: Высшая школа, 2007. - 158 с.

67. Марко, П. Автоматическая индукция лексических единиц FrameNet / П. Марко. - М.: ДНК, 2008. - 177 с.

68. Фюрстенау, Х. Полууправляемая семантическая ролевая маркировка посредством структурного выравнивания / Х. Фюрстенау. - М .: Издательство РГГУ, 2012. - 135 с.

69. Ланг, Дж. Сходство семантической роли, управляемое сходством посредством разбиения графов / Дж. Ланг. - М.: Высшая школа, 2014. - 633 с.

70. Лапата, М. Неуправляемая индукция семантической роли через кластеризацию с разделением-слиянием / М. Лапата. - М.: Спрингер, 2011. -1117 с.

71. Титов, И. Кросслингвальная индукция семантических ролей / И. Титов. - СПб.: БХВ -Петербург, 2012. - 162 с.

72. Анисимов, А. В. Компьютерная лингвистика для всех: Мифы. Алгоритмы. Язык. / А. В. Анисимов. - Киев: Наукова думка, 1991. - 218 с.

73. Марченко, А. А. Система обработки текстов на естественном языке / А. А. Марченко. - М.: ДНК, 2002. - 157 с.

74. Золотова, Г. А. Синтаксический словарь: Репертуар элементарных единиц русского синтаксиса / Г. А. Золотова. - М.: Наука, 1988. - 440 с.

75. Осипов, Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии / Г. С. Осипов. - М.: Наука, 1997. -182 с.

76. Апресян, Ю. Д. Синтаксически и семантически аннотированный корпус русского языка: современное состояние и перспективы / Ю. Д. Апресян. - М .: Издательство РГГУ, 2003. - 193 с.

77. Файяд, У. М. Достижения в области оверинга дисков знаний и интеллектуального анализа данных / У. М. Файяд. - М.: Высшая школа, 2012. - 307 с.

78. Маннила, П. Принципы интеллектуального анализа данных/ П. Маннила. - М.: ДНК, 2001. - 436 с.

79. Бизер, Т. Связанные данные - история до сих пор / Т. Бизер. - М.: Издательство РГГУ, 2009. - 112 с.

80. Шмахтенберг, К. Принятие передовых методов использования связанных данных в различных тематических областях / К. Шмахтенберг. -М.: Спрингер, 2014. - 87 с.

81. Штумме, А. Семантическая веб-разработка - современные и будущие направления / А. Штумме. - СПб.: БХВ -Петербург, 2006. - 124 с.

82. Шридеви, Д.Р. Обзор семантических решений для веб-майнинга / Д.Р. Шридеви. - М.: Высшая школа, 2007. - 158 с.

83. Ванг, Х. Современное исследование семантического веб-майнинга / Х. Ванг. - М.: ДНК, 2013. - 177 с.

84. Сивакумар, Дж. Обзор семантического веб-майнинга и его приложений / Дж. Сивакумар. - М .: Издательство РГГУ, 2012. - 135 с.

85. Wikimapia / Нигма [Электронный ресурс] // Wikimapia. [сайт]. URL: https://ru.wikipedia.org/wiki/Нигма/ (дата обращения: 23.06.2018).

86. Нигма [Электронный ресурс] // Нигма. [сайт]. URL: https://nigma.eu/ (дата обращения: 23.06.2018).

87. Wikimapia / CiteSeerX [Электронный ресурс] // Wikimapia. [сайт]. URL: https://ru.wikipedia.org/wiki/CiteSeerX (дата обращения: 23.06.2018).

88. CiteSeerX [Электронный ресурс] // CiteSeerX. [сайт]. URL: https://citeseerx.ist.psu.edu/ (дата обращения: 23.06.2018).

89. Wikimapia / Travel-Finder [Электронный ресурс] // Wikimapia. [сайт]. URL: https://en.wikipedia.org/wiki/Travel_website (дата обращения: 23.06.2018).

90. Travel-Finder.com [Электронный ресурс] // Travel-Finder.com. [сайт]. URL: https://www.travel-finder.com/ (дата обращения: 23.06.2018).

91. Wikimapia / Ivan_Susanin [Электронный ресурс] // Wikimapia. [сайт]. URL: https://en.wikipedia.org/wiki/Ivan_Susanin (дата обращения: 23.06.2018).

92. Susanin [Электронный ресурс] // Susanin. [сайт]. URL: http://www.susanin.com/ (дата обращения: 23.06.2018).

93. Wikimapia / Google [Электронный ресурс] // Wikimapia. [сайт]. URL: https://en.wikipedia.org/wiki/Google (дата обращения: 23.06.2018).

94. Google [Электронный ресурс] // Google. [сайт]. URL: https://www.google.com/ (дата обращения: 23.06.2018).

95. Wikimapia / Яндекс [Электронный ресурс] // Wikimapia. [сайт]. URL: https://ru.wikipedia.org/wiki/Яндекс (дата обращения: 23.06.2018).

96. Яндекс [Электронный ресурс] // Яндекс. [сайт]. URL: https://yandex.ru/ (дата обращения: 23.06.2018).

97. Wikimapia / Рамблер [Электронный ресурс] // Wikimapia. [сайт]. URL: https://ru.wikipedia.org/wiki/Рамблер (дата обращения: 23.06.2018).

98. Рамблер [Электронный ресурс] // Рамблер. [сайт]. URL: https://www.rambler.ru/ (дата обращения: 23.06.2018).

99. Wikimapia / Deja.com [Электронный ресурс] // Wikimapia. [сайт]. URL: https://en.wikipedia.org/?title=Deja.com&redirect=no (дата обращения: 23.06.2018).

100. Deja.com [Электронный ресурс] // Deja.com. [сайт]. URL: https://deja.com/ (дата обращения: 23.06.2018).

101. Wikimapia / MSN [Электронный ресурс] // Wikimapia. [сайт]. URL: https://ru.wikipedia.org/wiki/MSN (дата обращения: 23.06.2018).

102. MSN [Электронный ресурс] // MSN. [сайт]. URL: https://www.msn.com/ (дата обращения: 23.06.2018).

103. Wikimapia / Swoogle [Электронный ресурс] // Wikimapia. [сайт]. URL: https://en.wikipedia.org/wiki/Swoogle (дата обращения: 23.06.2018).

104. Swoogle [Электронный ресурс] // Swoogle. [сайт]. URL: http://swoogle.umbc.edu/ (дата обращения: 23.06.2018).

105. Доу, Х. Интеллектуальный анализ данных: обзор подходов, основанных на онтологиях / Х. Доу. - М.: Высшая школа, 2015. - 244 с.

106. Тресп, М. К машинному обучению в семантической сети, в: Рассуждение о неопределенности для семантической паутины / М. Тресп. -М.: Спрингер, 2008. - 282 с.

107. дАмато, С. Поиск в семантической сети. Поиск данных. Обнаружение. Открытие / С. дАмато. - СПб.: БХВ -Петербург, 2012. - 613 с.

108. Грубер, Т. Р. На пути к принципам проектирования онтологий, используемых для обмена знаниями / Т. Р. Грубер. - Киев: Наукова думка, 1995. - 907 с.

109. Нигро, С. Г. Интеллектуальный анализ данных с онтологиями: реализации, выводы и рамки / С. Г. Нигро. - М.: ДНК, 2007. - 157 с.

110. Дадзи, М. Подходы к визуализации связанных данных: опрос / М. Дадзи. - М.: Наука, 2011. - 89 с.

111. Кент, А. М. Операционные критерии проектирования информационно-поисковых систем / А. М. Кент - Wiley Периодические издания, LLC, 1995. - 97 с.

112. Тумарелло, Р. Живой взгляд в сети данных / Р. Тумарелло - М.: Наука, 2010. - 355 с.

113. Каргер, Д Piggy bank: познакомьтесь с семантической сетью в вашем веб-браузере / Д. Каргер. - М .: Издательство РГГУ, 2005. - 413 с.

114. Хастрап, Т. Просмотр связанных данных с помощью Fenfire / Т. Хастрап. - М.: Высшая школа, 2009. - 307 с.

115. Пенья, У. Пересмотренная визуализация связанных открытых данных / У. Пенья. - М.: ДНК, 2006. - 436 с.

116. Мутлу, П. Предлагая визуализации для опубликованных данных / П. Мутлу. - М.: Издательство РГГУ, 2014. - 267 с.

117. Атемезинг, Г. А. На пути к мастеру визуализации на основе связанных данных, в: Семинар по использованию связанных данных / Г. А. Атемезинг. - М.: Спрингер, 2014. - 87 с.

118. Брунетти, С. Модель визуализации связанных данных / С. Брунетти. - СПб.: БХВ -Петербург, 2012. - 162 с.

119. Хелмич, Дж. Применение модели визуализации связанных данных к данным реального мира из чешского облака / Дж. Хелмич. - М.: Высшая школа, 2014. - 158 с.

120. Хелманн, С. Извлечение знаний из структурированных источников / С. Хелманн. - М.: ДНК, 2012. - 34 с.

121. Ставроу, Н. Внедрение реляционных баз данных в семантическую сеть / Н. Ставроу. - М.: Издательство РГГУ, 2012. - 169 с.

122. Бизер, С. D2RQ - обработка баз данных, не относящихся к RDF, как виртуальных графиков RDF / С. Бизер. - М.: Высшая школа, 2004. - 307 с.

123. Мулвад, В. Использование связанных данных для интерпретации таблиц / В. Мулвад. - М.: ДНК, 2010. - 436 с.

124. Финин, А. Использование сети семантических данных для интерпретации таблиц / А. Финин. - М.: Издательство РГГУ, 2010. - 112 с.

125. Джоши, А. Семантическая передача сообщений для генерации связанных данных из таблиц / А. Джоши. - М.: Спрингер, 2013. - 87 с.

126. Мулвад, В. Интерпретация медицинских таблиц в качестве связанных данных для создания отчетов мета-анализа / В. Мулвад. - СПб.: БХВ -Петербург, 2014. - 162 с.

127. Сайед, З. Создание и использование сети семантических данных / З. Сайед - М.: Высшая школа, 2010. - 18 с.

128. Лехман, Р. Dbpedia: ядро для сети открытых данных / Р. Лехман.

- М.: ДНК, 2007. - 722 с.

129. Суханек, Ф. М. Яго: ядро семантического знания / Ф. М. Суханек.

- М.: Издательство РГГУ, 2007. - 697 с.

130. Миллер, Г. А. Wordnet: лексическая база данных для английского языка / Г. А. Миллер. - М.: Высшая школа, 1995. - 41 с.

131. Лю, Х. На пути к семантическому интеллектуальному анализу данных / Х. Лю. - М.: Спрингер, 2010. - 117 с.

132. Сараваги, С. Аннотирование и поиск в веб-таблицах с использованием сущностей, типов и отношений / С. Сараваги. - СПб.: БХВ -Петербург, 2010. - 1338 с.

133. Хелеви, Дж. Восстановление семантики таблиц в сети / Дж. Хелеви. - Киев: Наукова думка, 2011. - 528 с.

134. Ванг, З. Понимание таблиц в Интернете / З. Ванг. - М.: ДНК, 2012. - 141 с.

135. Ву, Х. Вероятность: вероятностная таксономия для понимания текста / Х. Ву. - М.: Наука, 2012. - 481 с.

136. Чжан, З. Начни с малого, постройку завершена: Эффективная и действенная интерпретация семантической таблицы с использованием tableminer / З. Чжан. - М.: Наука, 2012. - 182 с.

137. Чжан, З. Обучение с частичными данными для интерпретации семантических таблиц / З. Чжан. - М.: Наука, 2014. - 607 с.

138. Оита, А. Кросс-удобрение глубокого веб-анализа и обогащение онтологий / А. Оита. - М.: Издательство РГГУ, 2003. - 131 с.

139. Муоз, А. Триплификация таблиц Википедии / А. Муоз. - М.: Высшая школа, 2013. - 307 с.

140. Хассанзаде, О. Связывание полуструктурированных данных в Интернете / О. Хассанзаде. - М.: ДНК, 2011. - 436 с.

141. Мендес, П. Н. Повышение эффективности и точности в извлечении многоязычных сущностей / П. Н. Мендес. - М.: Издательство РГГУ, 2013. - 121 с.

142. Хертлинг, В. Определение спорных тем в новостях / В. Хертлинг. - М.: Спрингер, 2014. - 48 с.

143. Шульц, П. Я вижу автомобильную аварию: обнаружение мелкомасштабных инцидентов в микроблогах в реальном времени / П. Шульц. - СПб.: БХВ -Петербург, 2013. - 33 с.

144. Хейнерт, Д. Автоматическая классификация и извлечение отношений для многоязычных и многоуровневых событий из википедии / Д. Хейнерт. - М.: Высшая школа, 2012. - 158 с.

145. Шухмахер, М. Использование dbpedia для кластеризации результатов веб-поиска / М. Шухмахер. - М.: ДНК, 2013. - 96 с.

146. Ризо, Г. Nerd: основа для объединения инструментов распознавания имен и устранения неоднозначности / Г. Ризо. - М.: Издательство РГГУ, 2012. - 76 с.

147. Бончева, К. Осмысление потоков социальных сетей через семантику / К. Бончева. - М.: Высшая школа, 2012. - 31 с.

148. Хекманн, Т. Гумо - общая онтология модели пользователя / Т. Хекманн. - М.: Спрингер, 2005. - 428 с.

149. Шерри, К. Открытие знаний в распределенных социальных сетях / К. Шерри. - СПб.: БХВ -Петербург, 2012. - 33 с.

150. Пассант, П. Значение тега: совместный подход для преодоления разрыва между тегами и связанными данными / П. Пассант. - Киев: Наукова думка, 2008. - 218 с.

151. Гулла, Г. Семантическая аннотация на основе социальных данных / Г. Гулла. - М.: ДНК, 2011. - 157 с.

152. Цюй, К. Использование семантической сети тегов для извлечения ключевых фраз в блогах / К. Цюй. - М.: Наука, 2008. - 1381 с.

153. Чау, А. Topicviz: Семантическая навигация по коллекциям документов / А. Чау. - М.: Наука, 2007. - 182 с.

154. Пенначчиотти, М. Подход машинного обучения к классификации пользователей в Твиттере / М. Пенначчиотти. - М.: Издательство РГГУ, 2011. - 281 с.

155. Хоубен, К. Семантическое обогащение постов в Твиттере для создания профиля пользователя в социальной сети / К. Хоубен. - М.: Высшая школа, 2011. - 375 с.

156. Чан, К. Разложение дискуссионных форумов с использованием общих пользовательских ролей / К. Чан. - М.: ДНК, 2006. - 436 с.

157. Абель, И. Использование семантики твитов для адаптивного поиска в Twitter / И. Абель. - М.: Издательство РГГУ, 2011. - 112 с.

158. Нэрн, Л. Шорт и твит: эксперименты по рекомендации контента из информационных потоков / Л. Нэрн. - М.: Спрингер, 2010. - 1185 с.

159. Полхейм, Ф. Пользовательские интерфейсы с онтологией / Ф. Полхейм. - СПб.: БХВ -Петербург, 2010. - 59 с.

160. Ванг, Х. Онтологический подход к очистке данных / Х. Ванг. -М.: Высшая школа, 2015. - 158 с.

161. Филлипс, Б. Г. Бьюкенен, Онтологическое открытие знаний в базах данных / Б. Г. Филлипс. - М.: ДНК, 2001. - 123 с.

162. Кедад, З. Онтологическая очистка данных, в: Обработка естественных языков и информационные системы / З. Кедад. - М.: Издательство РГГУ, 2002. - 137 с.

163. Ристоски, П. Семантическая сеть: Наука, Сервисы и Агенты Всемирной паутины / П. Ристоски. - М.: Высшая школа, 2016. - 22 с.

164. Брюггеманн, Ф. Использование предметных знаний, предоставляемых онтологиями, для улучшения управления качеством данных / Ф. Брюггеманн. - М.: Спрингер, 2008. - 251 с.

165. Ванг, Ю. Обнаружение выбросов из массивных коротких документов с использованием доменной онтологии / Ю. Ванг. - СПб.: БХВ -Петербург, 2010. - 558 с.

166. Лукашевский, Т. Расширение байесовского классификатора с помощью онтологических атрибутов / Т. Лукашевский. - Киев: Наукова думка, 1991. - 218 с.

167. Фюрбер, М. Использование sparql и spin для управления качеством данных в семантической сети / М. Фюрбер. - М.: ДНК, 2010. - 46 с.

168. Хепп, М. Swiqa - основа оценки качества информации в семантической сети / М. Хепп - М.: Наука, 2011. - 19 с.

169. Фюрбер, М. Использование семантических веб-технологий для управления качеством данных / М. Фюрбер. - М.: Наука, 2013. - 141 с.

170. Мосс, Д. Подход с использованием связанных данных для оценки медицинских данных / Д. Мосс. - М.: Издательство РГГУ, 2012. - 193 с.

171. Лемберг, Д. Поисковая система Мангейма / Д. Лемберг. - Киев: Наукова думка, 2012. - 218 с.

172. Петровский, П. Серия микроданных WebDataCommons, наборы данных RDF и микроформат / П. Петровский. - М.: Высшая школа, 2014. -307 с.

173. Паулхэйм, Х. Использование связанных открытых данных в качестве базовых знаний в области интеллектуального анализа данных / Р. Йоханссон. - М.: ДНК, 2013. - 436 с.

174. Штейнбах, М. Введение в интеллектуальный анализ данных / М. Штейнбах. - М.: Издательство РГГУ, 2006. - 112 с.

175. Феркранс, Дж. Генерация функций интеллектуального анализа данных на основе связанных открытых данных / Дж. Феркранс. - СПб.: БХВ -Петербург, 2012. - 162 с.

176. Каппара, Р. Liddm: Система интеллектуального анализа данных для связанных данных / Р. Каппара. - М.: Спрингер, 2011. - 87 с.

177. Гримнес, Г. А. Два оператора предварительной обработки для улучшения обучения на основе данных семантической сети / Г. А. Гримнес. -М.: Высшая школа, 2010. - 158 с.

178. Хербрич, Р. Автоматизированная генерация признаков из структурированных знаний / Р. Хербрич. - М.: ДНК, 2011. - 177 с.

179. Сватек, В. На пути к эталону для обнаружения знаний на основе структурированных данных / В. Сватек. - М.: Издательство РГГУ, 2013. - 48 с.

180. Кауппинен, Т. Обмен и анализ данных наблюдений с помощью дистанционного зондирования для связанной науки / Т. Кауппинен. - М.: Высшая школа, 2011. - 152 с.

181. Де Эспиндола, Г. М. Связанные данные по бразильским тропическим лесам Амазонки / Г. М. Де Эспиндола. - М.: Спрингер, 2014. -155 с.

182. Ристоски, П. Поиск данных с использованием фоновых знаний из Интернета / П. Ристоски. - СПб.: БХВ -Петербург, 2014. - 162 с.

183. Бизер, С. Поиск в сети из связанных данных с rapidminer / С. Бизер. - Киев: Наукова думка, 2014. - 218 с.

184. Шульц, А. Семантическая абстракция для обобщения классификации твитов / А. Шульц. - М.: ДНК, 2002. - 157 с.

185. Паулхейм, Х. Генерация возможных интерпретаций для статистики из связанных открытых данных / Х. Паулхейм. - М.: Наука, 2012.

- 440 с.

186. Паулхейм, Х. Никто не хочет жить в холодном городе, где музыка не была записана / Х. Паулхейм. - М.: Наука, 2012. - 387 с.

187. Ростоски, П. Анализ статистики с использованием фоновых знаний из связанных открытых данных / П. Ростоски. - М.: Издательство РГГУ, 2013. - 193 с.

188. Паулхейм, Х. Определение неправильных связей между наборами данных с помощью многомерного обнаружения выбросов / Х. Полхейм. - М.: Высшая школа, 2014. - 307 с.

189. Менсия, Е. Л. Гибридная многоцелевая система рекомендаций, использующая связанные открытые данные / Е. Л. Менсия. - М.: ДНК, 2014.

- 150 с.

190. Шмахтенберг, М. Совершенствование системы рекомендаций на основе определения местоположения путем обогащения структурированными данными из Интернета / М. Шмахтенберг. - М.: Издательство РГГУ, 2014. - 112 с.

191. Ростоски, П. Сравнение стратегий пропозиционализации для создания функций из связанных открытых данных / П. Ростоски. - М.: Спрингер, 2014. - 87 с.

192. Хуан, Ю. Масштабируемый подход для статистического обучения в семантических графах / Ю. Хуан. - СПб.: БХВ -Петербург, 2014.

- 162 с.

193. Никель, В. Масштабируемый подход к обучению в семантических графах с приложениями к связанным данным / Р. Йоханссон.

- М.: Высшая школа, 2010. - 158 с.

194. Фанизи, Н. Декларативное ядро для описания концепций alc, в: Основы интеллектуальных систем / Н. Фанизи. - М.: ДНК, 2006. - 322 с.

195. Эспозито, Ф. Статистическое обучение для индуктивного ответа на запросы по онтологиям сов / Ф. Эспозито. - М.: Издательство РГГУ, 2008.

- 135 с.

196. Байсер, В. Реляционные машины ядра для обучения на основе графически структурированных данных RDF / В. Байсер. - М.: Высшая школа, 2011. - 633 с.

197. Лёш, У. Ядра графов для данных RDF, в: Семантическая сеть: исследования и приложения / У. Лёш. - М.: Спрингер, 2012. - 134 с.

198. Швейцер, П. Быстрое и простое ядро графов для RDF / И. Титов.

- СПб.: БХВ -Петербург, 2013. - 162 с.

199. Ван Леувен, Э. Дж. Ядра подсчета подсчета подструктур для машинного обучения по данным RDF / Э. Дж. Ван Леувен. - Киев: Наукова думка, 2008. - 218 с.

200. Шервашидзе, Н. Ядра графов Вейсфайлера-Лемана / Н. Шервашидзе. - М.: ДНК, 2011. - 2539 с.

201. Джон, Г. Х. Нерелевантные особенности и проблема выбора подмножества / Г. Х. Джон. - М.: Наука, 1994. - 121 с.

202. Блюм, А. Л. Выбор соответствующих функций и примеров в машинном обучении / А. Л. Блюм. - М.: Наука, 1997. - 245 с.

203. Ростоски, П. Выбор объектов в иерархических пространствах признаков / П. Ростоски. - М.: Издательство РГГУ, 2014. - 193 с.

204. Енг, Ю. Выбор признаков с использованием семантической иерархии для распознавания событий и классификации типов / Ю. Енг. - М.: Высшая школа, 2013. - 307 с.

205. Ван, Б. Б. Сравнительное исследование для извлечения управляемых признаков онтологии предметной области / Б. Б. Ван. - М.: ДНК, 2003. - 436 с.

206. Суханек, Ф. М. ПАРИЖ: Вероятностное выравнивание отношений, экземпляров и схем / Ф. М. Суханек. - М.: Издательство РГГУ, 2011. - 157 с.

207. Белланди, А. Онтологическое извлечение правил ассоциации: тематическое исследование, контексты и онтологии Представление и рассуждение / А. Белланди. - М.: Спрингер, 2007. - 87 с.

208. Ростоски, П. Семантика веба: наука, услуги и агенты во всемирной паутине / П. Ростоски. - СПб.: БХВ -Петербург, 2016. - 162 с.

209. Антунес, С. Onto4ar: основа для правил ассоциации майнинга, в: Семинар по горному делу и обучению на основе ограничений, CMILE-ECML / С. Антунес. - М.: Высшая школа, 2007. - 158 с.

210. Антунес, С. основанная на онтологиях структура для моделей майнинга при наличии базовых знаний / C. Антунес. - М.: ДНК, 2008. - 163 с.

211. Гарсия, А. С. Онтология помогает понять сложный мир или создает необъективную интерпретацию / А. С. Гарсия. - М.: Издательство РГГУ, 2008. - 135 с.

212. Жакова, М. Автоматизация композиции рабочего процесса обнаружения знаний посредством планирования на основе онтологий / М. Жакова. - М.: Высшая школа, 2010. - 253 с.

213. Диаментини, С. Kddonto: онтология для обнаружения и составления алгоритмов KDD / С. Диаментини. - М.: Спрингер, 2009. - 147 с.

214. Китц, Дж. К совместному планированию рабочих процессов интеллектуального анализа данных / Дж. Китц. - СПб.: БХВ -Петербург, 2009. - 162 с.

215. М. Иларио, М Онтология интеллектуального анализа данных для выбора алгоритмов и мета-майнинга / М. Иларио. - Киев: Наукова думка, 2009. - 87 с.

216. Электронная библиотека FOAF [Электронный ресурс] // Электронная библиотека FOAF. [сайт]. URL: http://xmlns.com/foaf/0.1/mdex.rdf (дата обращения: 23.06.2018)

217. Электронная библиотека FOAF [Электронный ресурс] // Электронная библиотека FOAF. [сайт]. URL: http://umbc.edu/finin/foaf.rdf (дата обращения: 23.06.2018)

218. Электронная библиотека городов [Электронный ресурс] // Электронная библиотека городов. [сайт]. URL: http://www.daml.ri.cmu.edu/ont/USCity.daml (дата обращения: 23.06.2018)

219. Электронная библиотека столиц [Электронный ресурс] // Электронная библиотека столиц. [сайт]. URL: http://reliant.teknowledge.com/DAML/Government.owl (дата обращения: 23.06.2018)

220. Бернштейн, А. Опрос интеллектуальных помощников для анализа данных / А. Бернштейн. - М.: Высшая школа, 2013. - 307 с.

221. Суяма, А. Camlet: платформа для автоматического создания систем индуктивного обучения с использованием онтологий / А. Суяма. - М.: ДНК, 1998. - 205 с.

222. Бернштейн, А. На пути к интеллектуальной помощи в процессе интеллектуального анализа данных: подход на основе онтологий для чувствительной к стоимости классификации / А. Бернштейн. - М.: Издательство РГГУ, 2005. - 503 с.

223. Жакова, М. Планирование обучения с онтологией обнаружения знаний / М. Жакова. - М.: Спрингер, 2008. - 29 с.

224. Закова, М. Развитие метода обработки данных: построение рабочего процесса: каркас и примеры с использованием оранжевого инструментария / М. Закова. - СПб.: БХВ -Петербург, 2009. - 52 с.

225. Подпечан, В. Среда Orange4ws для сервиса-ориентированного интеллектуального анализа данных / В. Подпечан. - М.: Высшая школа, 2011. - 158 с.

226. Диаментини, С. Семантическая аннотация и сервисы для совместного использования и повторного использования инструментов KDD / С. Диаментини. - М.: ДНК, 2008. - 761 с.

140

ПРИЛОЖЕНИЕ А Пример использования аналитической модели

Дано: Запрос "Семантический поиск", веб страница из поисковой выдачи.

Задача: с помощью аналитической модели определения семантической близости между документом и запросом методом максимального паросочетания во взвешенном двудольном графе найти оценку семантической близости между документом и запросом.

На странице найдены контентные метаописания содержащиеся в текстовых объектах веб документа: 1.

<Ыш1> <body> tstu.ru </Ьг>

WebPage i1 </br> contains i2 </br> contains i3 </br> contains i4 </br> </body> </html>

2.

<html> <body> tstu.ru </br> PhDStuden i2 </br> name Петров i2</br> isAuthorOf i3 </br> isAuthorOf i4 </br> </body> </html>

3.

<html> <body> tstu.ru </br> Article i3 </br> ConferencePaper i3 </br> hasAuthor i2 </br>

title От веб-поиска в семантический веб-поиск </br> </body> </html>

<html> <body> tstu.ru </br> Article i3 </br> JournalPaper i3 </br> hasAuthor i2 </br>

title Онтологический семантический поиск в Интернете </br> </body> </html>

Преобразуем найденные метаописания в семантические аксиомы:

Aj х = {contains(iь i2 ), contains(iь i 3), contains(iь i4)};

А£2 = {PhDStudent(i2), name(i2, "Петров"), isAuthorOfi2, i 3), isAuthorOfi2, i4)}; A j з = {ConferencePaper( i 3), title( i з, "От веб-поиска в семантический веб-поиск")}; A j4 = {JournalPaper(i4), hasAuthor(i4, i 2 ), title(i4, "Онтологический семантический поиск в Интернете")}.

Формирование семантических запросов к базе знаний для получения триплетов целевой онтологии:

Q1(x) = 3y (PhDStudent(nempoe) л isAuthorOf(nempoe; От веб-поиска в семантический веб-поиск) л Article(Om веб-поиска в семантический веб-поиск))

Q2(x) = 3y (PhDStudent(Пeтров) л isAuthorOf(Пeтров; Онтологический семантический поиск в Интернете) л Article(Онтологичeский семантический поиск в Интернете))

С помощью аналитической модели вычисления расстояния между метаописаниями документа и найденных триплетов, имеется следующее метаописание документа, представленное в виде триплетов в логическом представлении документа:

т = {t1(t3} Также вычисляется метаописание запроса:

143 Ч = {Ч, ^2}

Каждый триплет входящий в метаописания документа и запроса представлен в виде кортежей, состоящих из множества понятий (классов), множества предикатов - типов отношений, множества экземпляров понятий: Ч =< 51>Р1>°1 >Лг =< 52,р2,о2 >Д3 =< 53,р3,о3 >

Также с помощью аналитической модели вычисления расстояния между метаописаниями, получаем следующие оценки семантической близости:

= 0,9; 5(рз,р!) = 1,0; 5(03,0^ = 0,7; = 0,6; 5(р3,р2) = 1,0; 5(о3,о2) = 0,6; 5(52,5!) = 0,3; 5(р2,Р1) = 1,0; 5(02,0!) = 0,3;

Определяются следующие функции семантической близости между триплетами:

0,9 + 0,7 5(5з, 5^) — 1----= 0,8;

0,6 + 0,6 5(53,52) = 1 ----= 0,6;

0,3 + 0,3 5(52,5^ = 1---- = 0,3;

На основе семантических метаописаний документов (наборы триплетов) и весовой функции имеется следующее определение нечеткого подмножества I множества пар документ- триплет - множество индекса:

1 = {1/{й,г1) + о/(<и2) + 1/(<и3)} 1а = {1/^ + од2 + 1Д3}

Строится взвешенный двудольный граф документа и запроса:

В итоге получаем следующее значение семантической близости документа к запросу:

, , 1,0 + 0,6 S(d, q) =---= 0,8;

Кусок кода аналитической модели на C# /// <summary>

/// Базовый алгоритм Шульца и Михова /// </summary>

/// <ге1шш>Узлы коррекции.</геШ1-ш>

/// <param name=мtypoм>Опечатка.</param>

/// <param name=мstartм>Начало.</param>

/// <param name=мeditDistanceм>Изменить расстояние.</param>

/// <param name=мincludeOnlyWordsм>Если установлено на<с^гие</с>

включать только слова.</рагат>

IList<TrieNode> GetCorrectionNodes(string typo, TrieNode start, int editDistance, bool includeOnlyWords = true) { var corrections = new List<TrieNode> ();

if (string.IsNullOrEmpty (typo)) { return corrections;

LevTAutomatalmitation automata = new LevTAutomatalmitation (typo, editDistance);

Stack<SpellCheckerState> stack = new Stack<SpellCheckerState> (); stack.Push (new SpellCheckerState () { Node = start, AutomataState = 0, AutomataOffset = 0, });

while (stack.Count > 0) {

SpellCheckerState state = stack.Pop();

automata.LoadState (state.AutomataState, state.AutomataOffset); AutomatonState nextZeroState = automata.GetNextState (0);

foreach (char c in state.Node.Children.Keys) { AutomatonState nextState = null;

if ((state.AutomataOffset < typo.Length && typo[state.AutomataOffset] ==

c)

|| (state.AutomataOffset < typo.Length - 1 && typo[state.AutomataOffset + 1] == c)

|| (state.AutomataOffset < typo.Length - 2 && typo[state.AutomataOffset + 2] == c)) {

nextState = automata.GetNextState (automata.GetCharacteristicVector(c, state.AutomataOffset)); } else { nextState = nextZeroState;

if (nextState != null) { TrieNode nextNode = state.Node.Children [c]; if (nextNode.Children.Count > 0) { stack.Push (new SpellCheckerState () { Node = nextNode, AutomataState = nextState.State, AutomataOffset = nextState.Offset });

}

if ((nextNode.IsWord || !includeOnlyWords) && automata.IsAcceptState (nextState.State, nextState.Offset)) {

corrections.Add (nextNode);

}

}

}

}

return corrections;

}

147

ПРИЛОЖЕНИЕ Б Акты о внедрении результатов исследования

УТВЕРЖДАЮ

Пачллмпп технологи админисг]

\ tip.iri icmiH информационных ''°Д7" и л^Гументооборота

А.А.Стрельцов Юссшябри 2020 i

АКТ

о практическом применении резулыагов диссертаиионно!« исследования (емнона И.А. ни тему

«Аналитическая н пропел) риыс модели для повышения i очное im поиска информации в глобальной сети на основе семантического аналиш запроса»

Настоящим актом удостоверяет сл. что и управлении информационных технологий. СВЯЗИ и документооборота админис i рации Тамбовской области рассмотрены практические рекомендации, сформу шрованные н .диссертационном нссдедованнн Земиова НА. «Аналитическая н процедурные модели для повышения точности поиска информации в моральной сети на основе семантическою анализа запроса». Использование результатов исследования на практике позволяет значительно повысить точность по|«ска в информационных системах государственного н региональною уровней за счет про|раммных реализаций аналитических и процедурных моделей, разработанных в диссертационном исследовании.

Построенные программные реализации аналитической модели семантическою поиска информации в глобальной сети, процедурной модели формирования октшогий в базе знаний и процедурной модели семантического поиска информации в глобальной сети, ко юра я позволяет компилировать анюномные онтологии с использованием мсгода индуктивною рассуждения, положенные в основу нре творительного анализа и peopi ани шши информационных запросов. были проверены и проанатишрованы в управлении информационных технологий, связи и документооборота администрации Тамбовской области и дали положительный результат.

Использование результант диссертационной работы позволило сократить временные и вычислительные ресурсы семантического поиска в ннтеллеюуалмюм интерфейсе Повышена полнота поисковой выдачи. Точность поиска повысилось с 56 - 62% до 62 - К7% правильных результатов.

Председатель

КОМИССИИ'

Члены

Начальник отдела развшня информационных технологий и сняш у правления информационных

технологий, связи и доку мс1гтооборота администрации Тамбовской области

комиссии:

управления

Заместитель начальника отдела рашития информационных технологий и связи управления информационных технологий, связи и документооборота админисipaijiiH Тамбовской области

А. А.Кадыков

I i/

АКТ

о практическом применении результатов диссертационного исследования Земцова И.А. на тему «Аналитическая и процедурные мотели для нонышеннн точносгн поиска информации в глобальной сети на основе семантического

анализа запроса»

Настоящим актом удостоверяется, что в нашей организации тщательно изучены практические рекомендации, сформулированные в диссертационном исследовании Земцова И.Л. «Аналитическая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантического анализа запроса». Использование результатов исследования на практике позволяет значительно повысить точность поиска в информационной системе за счет программных реализаций аналитических и процедурных моделей, разработанных в диссертационном исследовании.

Построенные программные реализации аналитической модели семантического поиска информации в глобальной сети, процеду рной модели формирования онтологий в базе знаний и процедурной модели семантическою поиска информации в глобальной ccul . которая позволяет компилировать автономные онтологии с использованием метода индуктивного рассу ждения, положенные в основу информационной системы для процесса семантического поиска, прошли тестирование в СХХ) «Максоком».

Использование указанных результатов позволяет существенно сократить временные и вычислительные ресурсы семантического поиска в интеллектуальном интерфейсе. Повышена полнота поисковой выдачи Точность поиска повысилась с 56 - 62% до 62 - 87% правильных результатов.

Карев О И

12.06.2020

АКТ

о практическом применении результатов диссертационного исследовании Зсмцова И.А. на тему «Аналитическая и процедурные модели .мя повышения точности поиска информации в глобальной сети на основе семантического

анализа запроса»

Настоящим актом удостоверяется, что в пашей организации тщательно изу чены практические рекомендации, сформу лированные в диссертационном исследовании Зсмцова И Л «Аналитическая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантическою анализа запроса». Использование ре»ультвтов исследования на практике позволяет значительно повысить точность поиска в информационной системе за счет:

I Программной реалишции аналитической модели семантического поиска информации в глобальной сети.

2. Программной реализации процедурной модели формирования 01 пологий в базе знаний.

3. Программной реализации процедурной модели семантическою поиска информации в глобальной сети, которая позволяет компилировать автономные онтологии с использованием метода индуктивного рассуждения

Построенные программные реализации, положенные в основу информационной системы для процесса семантического поиска, прошли тестирование в ООО « Третья Управляющая компания"

Использование указанных результатов позволяет повысить точность поиска в среднем на 2Х%.

I енеральный директор (XX) «Третья Управляющая компания»

Утверждаю

Директор института Автоматики и

использования резул

ЗЕМЦОВА ИГОРЯ .АЛЕКСАНДРОВИЧА на тему «Аналитическая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантического анализа

запроса»

Комиссия кафедры «Мехатроника и технологические измерения» в составе: председатель -д.т.н.. профессор Дивин Александр Георгиевич и члены комиссии - д.т.н., доцент Балабанов Павел Владимирович; к.т.н. доцент Шишкина Галина Викторовна, составила настоящий Акт о том. что результаты диссертационной работы ЗЕМЦОВА ИГОРЯ АЛЕКСАНДРОВИЧА на соискание учёной степени кандидата технических наук используется в учебном процессе на кафедре «Мехатроника и технологические измерения» ФГБОУ ВО «Тамбовский государственный технический университет» при непосредственном участии автора диссертационного исследования в разработке учебно-методических материалов лекций, лабораторных работ и обучающих программных комплексов по следующим дисциплинам кафедры: «Системы подготовки документации и обработка данных», «Информационные технологии и обработка информации».

Результаты диссертационного исследования используются для обучения студентов по следующей специальности: 15.03.06 «Мехатроника и робототехника».

Председатель комиссии:

Члены комиссии:

к.т.н.. доцент Шишкина Г.В.

УТВЕРЖДАЮ Начальник Межвидовог о цен фа подготовки и боевшц цацменсния войск Р'ЗБ < учебного и нсп^а^дНжмхяосандидат технических наук

»««ЯлЛ / /

V 4 . ЧИГ *

Губсков Ю А

АКТ

о практическом применении регульгаюв зисссртапионного исследовании {ечнова И.А. на тему «Аналитическая и нроведлрные милели для ионышгнни ючиоези поиска информации н глобальной сети на оснонс ссмашичсского ana.ni 1а ширена»

Настоящим актом удостоверяется, что в Межвидовом центре подготовки и боевого применения войск РЭЬ рассмотрены практические рекомендации сформулированные в диссертационном исследовании Земцова И А «Аналишческая и процедурные модели для повышения точности поиска информации в глобальной сети на основе семантического ан&тнза запроса» Исполыованнс результатов исследования на практике позволяет значительно повысить точность поиска в специализированных информационных системах и сетях за счет использованных в диссертационной работе

программной реализации аналитической модели семантического поиска информации,

про1раммной реализации процедурной модели формирования онтодогнй в базе знаний.

программной реализации процедурной модели семантического поиска информации, которая позволяет компилировать автономные онтологии с использованием метода индуктивного рассуждения.

Построенные программные реализации. положенные в основу информационной системы для процесса семантического поиска, пройти тестирование в Межвидовом центре подготовки и боевого применения войск РЭБ (учебном и испытательном)

Использование указанных результатов позволяет повысить точность поиска в среднем иа 26° «

Председатель комиссии майор Члены комиссии майор

капитан

И Зацепин А Мальков А Синяковский