ПРИМЕНЕНИЕ ДИСТРИБУТИВНОЙ СЕМАНТИКИ ПРИ ВЫДЕЛЕНИИ ЗНАЧИМЫХ СОЧЕТАНИЙ ЗАГОЛОВКОВ НЕСКОЛЬКИХ КОЛЛЕКЦИЙ ТЕКСТОВ ПРИ ФОРМАЛИЗАЦИИ ЛИНГВИСТИЧЕСКОЙ ЭКСПЕРТНОЙ ИНФОРМАЦИИ
Аннотация
Рассматриваются методы формирования специальных моделей представления раз-
личных наборов знаний в различных информационных системах. Работа посвящена приме-
нению дистрибутивной семантики при выделении значимых сочетаний в одной предмет-
ной области (ПрО) в рамках формализации лингвистической экспертной информации
(ЛЭИ). В работе применяется подход к формализации ЛЭИ на основе набора аналитиче-
ских методов, где в качестве моделей используется линейная алгебра. Такой подход даетархитектур ЛЭИ или дендрограмм при выделении значимых сочетаний заголовков несколь-
ких коллекций текстов. Научная новизна заключается в предложенном аналитическом
подходе с применением дистрибутивной семантики при выделении значимых сочетаний
заголовков нескольких коллекций текстов, который позволяет проводить анализ и обра-
ботку лингвистической экспертной информации. Отличительной характеристикой пред-
ложенного подхода является возможность формализовать ПрО «Методы глобальной оп-
тимизации» на основе синтеза различных уже существующих иерархий рассматриваемой
ПрО. В работе преследуется задача создать условия для формализации ЛЭИ путем приме-
нения дистрибутивной семантики при выделении значимых сочетаний заголовков несколь-
ких коллекций. Практическая ценность работы заключается в разработке нового подхода
в формализации ЛЭИ с учетом дистрибутивной семантики при выделении значимых соче-
таний заголовков нескольких коллекций текстов. Так же в работе построена онтология в
owl формате «Методы глобальной оптимизации» в программе «Protege». Онтология по-
строена на основе связанных данных ПрО. Построенная в данной работе онтология, до-
полняет структуру поиска в рамках рассматриваемой ПрО и может быть дополнена и
развита в дальнейшем.
Литература
SBIS [Genetic algorithm of VLSI placement planning],Izvestie YuFU. Tekhnicheskie nauki
[Izvestiya SFedU. Engineering Sciences], 2019, No. 2, pp. 75-79.
2. Danil'chenko V.I., Danil'chenko E.V. Kureychik V.M., Klassifikatsiya i analiz metodov
resheniya zadachi razmeshcheniya SBIS [Classification and analysis of methods for solving
the VLSI placement problem], Informatika, vychislitel'naya tekhnika i inzhenernoe
obrazovanie [Informatics, computer engineering and engineering education], 2018, Issue 1.
3. Danilchenko V.I., Danilchenko Y.V., Kureichik V.M. Bio-inspired Approach to Microwave
Circuit Design, IEEE East-West Design & Test Symposium (EWDTS), 2020, pp. 362-366.
DIO: 10.1109/EWDTS 50664.2020.9224737.
4. Semenova A.V. Razrabotka lingvisticheskoy ontologii uzkoy predmetnoy oblasti [Development
of linguistic ontology of a narrow subject area], Problemy avtomatizatsii. Regional'noe
upravlenie. Svyaz' i avtomatika. – PARUSA-2015*: Sb. trudov IV Vserossiyskoy nauchnoy
konferentsii molodykh uchenykh, aspirantov i studentov, g. Gelendzhik, 29-30 oktyabrya 2015
g.[ Automation problems. Regional management. Communication and automation. – SAILS-
2015*: Proceedings of the IV All-Russian Scientific Conference of Young Scientists, postgraduates
and students, Gelendzhik, October 29-30, 2015]. Rostov-on-Don: Izd-vo YuFU,
2015, Vol. 1, pp. 201-209.
5. Zaporozhets D.Yu., Kravchenko Yu.A., Lezhebokov A.A. Sposoby intellektual'nogo analiza
dannykh v slozhnykh sistemakh [Methods of data mining in complex systems], Izvestiya
Kabardino-Balkarskogo nauchnogo tsentra RAN [Izvestiya Kabardino-Balkarian Scientific
Center of the Russian Academy of Sciences], 2013, No. 3, pp. 52-54.
6. Semenova A.V., Kureychik V.M. Application of Swarm Intelligence for Domain Ontology
Alignment, Proceedings of the First International Scientific Conference «Intelligent Information
Technologies for Industry» (IITI'16), 2016, pp. 1-7.
7. Kureychik V.V., Kureychik V.M., Sorokoletov P.V. Analiz i obzor modeley evolyutsii [Analysis
and review of evolution models], Izvestiya Rossiyskoy akademii nauk. Teoriya i sistemy
upravleniya [Proceedings of the Russian Academy of Sciences. Theory and control systems],
2007, No. 5, pp. 114-126.
8. Kalentyev A.A., Garays D.V. and Babak L.I. Genetic-Algorithm-Based Synthesis of Low-
Noise Amplifi ers with Automatic Selection of Active Elements and DC Biases, European Microwave
Week. 2014, Rome, Italy, pp. 520-523.
9. Bagheri E., Ensan F., Feng Y., Jovanovic J, The State of the Art in Semantic Relatedness: a
Framework for Comparison, The Knowledge Engineering Review, 2017, Vol. 32, pp. 1-30.
10. Kureychik V.V., Kureychik Vl.Vl. Arkhitektura gibridnogo poiska pri proektirovanii [Architecture
of hybrid search in design] Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2012, No. 7, pp. 22-27.
11. Kravchenko Yu.A. Upravlenie znaniyami kak odno iz napravleniy razvitiya tekhnologiy
otkrytogo obrazovaniya [Knowledge management as one of the directions of development of
open education technologies], Otkrytoe obrazovanie [Open education], 2015, No. 3, pp. 71-76.
12. Kravchenko Y.A., Bova V.V., Kursitys I.O. Models for Supporting of Problem-Oriented
Knowledge Search and Processing, Proceedings of the First International Scientific Conference
«Intelligent Information Technologies for Industry», 2016, Vol. 1, pp. 287-295.
13. Kravchenko Y.A., Kuliev E.V., Kursitys I.O. Information’s Semantic Search, Classification,
Structuring and Integration Objectives in the Knowledge Management Context Problems,
Conference proceedings. 10th International Conference on Application of Information and
Communication Technologies, 2016, pp. 136-141.
14. Kravchenko Y.A., Kureichik Vl.Vl., Zaporozhets D.Yu., Zaruba D.V. Information and
Knowledge Integration Based on Simulation Modeling, 9th IEEE International Conference
Application of Information and Communication Technologies, 2015, pp. 22-24.
15. Kozierkiewicz-Hetmanska A., Pietranik M. The Knowledge Increase Estimation Framework
for Ontology Integration on the Concept Level, Journal of Intelligent and Fuzzy Systems,
2017, Vol. 32, pp. 1161-1172.
16. Davidekova M., Gregu M. Software Application Logging: Aspects to Consider by Implementing
Knowledege Management, 2nd International Conference on Open and Big Data. 2016,
pp. 102-107.
17. Kalkowski E., Sick B., Fisch D. Knowledge Fusion for Probabilistic Generative Classifiers
with Data Mining Applications, IEEE Transactions on Knowledge and Data Engineering,
2014, Vol. 26, pp. 652-666.
18. Karabach A.E. Sistemy integratsii informatsii na osnove semanticheskikh tekhnologiy [Information
integration systems based on semantic technologies], Nauka, tekhnika i obrazovanie
[Science, technology and education], 2014, No. 2 (2), pp. 58-62.
19. Hernich A., Lutz C., Papacchini F., Wolter F. Dichotomies in Ontology-Mediated Querying
with the Guarded Fragment, 36th Symposium on Principles of Database Systems, 2017,
pp. 185-199.
20. Semenova A.V., Kureychik V.M. Multi-objective particle swarm optimization for ontology
alignment, 10th International Conference on Application of Information and Communication
Technologies (AICT), 2016.
