ОБЗОР ТЕХНОЛОГИЙ СЕМАНТИЧЕСКОГО АНАЛИЗА И ИНТЕГРАЦИИ ГЕТЕРОГЕННЫХ ИНФОРМАЦИОННЫХ ПОТОКОВ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
DOI:
https://doi.org/10.18522/2311-3103-2026-1-%25pКлючевые слова:
Семантическая интеграция данных, гетерогенные информационные потоки, система поддержки принятия решений, онтология, знаниевый граф, семантическая интероперабельность, слияние данных, федерация данных, обработка потоков, интернет вещейАннотация
Современные системы поддержки принятия решений (СППР) работают с потоками данных из IoT-сенсоров, баз данных, текстовых сообщений и социальных медиа, представленных в различных форматах и обладающих неодинаковыми смысловыми моделями и качеством. Отсутствие семантически согласованной интеграции приводит к неоднозначной интерпретации сущностей, дублированию и потере контекста, что снижает качество и оперативность решений. Цель работы – систематизировать методы семантического анализа и интеграции гетерогенных информационных потоков для СППР, выявить их преимущества, ограничения и области применения. Исследование выполнено в форме аналитического обзора публикаций 2018–2025 гг. по семантической интероперабельности, онтологиям и знаниевым графам, многоисточниковому слиянию данных, федеративному доступу и потоковой обработке. Показано, что обеспечение семантической совместимости достигается за счёт онтологий и знаниевых графов, задающих общие сущности и идентификаторы и обеспечивающих гибкость схемы интеграции. Для режимов реального времени наиболее результативны гибридные решения, сочетающие семантический слой с алгоритмами слияния и учётом доверия к источникам; в прикладных кейсах отмечаются улучшения точности порядка 15–20% и сокращение времени отклика до 70–80% при использовании многоисточниковых моделей. Для неструктурированных потоков ключевую роль играют NLP и машинное обучение, обеспечивающие извлечение сущностей и отношений и семантическое обогащение данных. Полученные результаты могут быть использованы при проектировании СППР в доменах умного города, промышленности и здравоохранения. Кроме того, работа подчеркивает важность стандартов, таких как SHACL для валидации и SPARQL для запросов, которые усиливают практическую применимость семантических подходов. Перспективы включают автоматизацию ontology alignment для снижения трудозатрат и интеграцию с ИИ для динамической адаптации к новым источникам данных
Библиографические ссылки
1. Cook M. Semantic Integration, Diffbot Knowledge Graph Glossary, 2025. Available at: https://blog.diffbot.com/knowledge-graph-glossary/semantic-integration/.
2. Zuiev P., Kuchansky A., Biloshchytskyi A. et al. Development of Complex Methodology of Processing Heterogeneous Data in Intelligent Decision Support Systems, Eastern-European Journal of Enterprise Technologies, 2020, Vol. 4, pp. 14-23. DOI: 10.15587/1729-4061.2020.209154.
3. Putrama I.M., Martinek P. Heterogeneous data integration: Challenges and opportunities, Data in Brief, 2024, Vol. 56, Art. 110853. DOI: 10.1016/j.dib.2024.110853.
4. Balaha F., Albinali H., Alrabiah H., Ali M., Bahroun Z. An analytical review of data integration for decision support in smart manufacturing, Decision Analytics Journal, 2025, Vol. 17, Art. 100647. DOI: 10.1016/j.dajour.2025.100647.
5. Rajabi E., Kafaie S. Knowledge Graphs and Explainable AI in Healthcare, Information, 2022, Vol. 13, No. 10, Art. 459. DOI: 10.3390/info13100459.
6. Rathore M.M., Ahmad A., Paul A., Rho S. Towards smart transportation: data integration and mining for large scale data, 2016 IEEE Region 10 Conference (TENCON Spring), 2016. DOI: 10.1109/TENCONSpring.2016.7519392.
7. R2RML: RDB to RDF Mapping Language. W3C Recommendation, 27.09.2012. Available at: https://www.w3.org/TR/r2rml/.
8. JSON-LD 1.1. W3C Recommendation, 16.07.2020. Available at: https://www.w3.org/TR/json-ld11/.
9. Gao F., Ali M. I., Mileo A. Semantic Discovery and Integration of Urban Data Streams, CEUR Work-shop Proceedings, 2014, Vol. 1280, pp. 15-30. Available at: https://ceur-ws.org/Vol-1280/.
10. Hashem I.A.T., Chang V., Anuar N. B. et al. The role of big data in smart city, International Journal of Information Management, 2016, Vol. 36, No. 5, pp. 748-758. DOI: 10.1016/j.ijinfomgt.2016.05.002.
11. Bamgboye O., Liu X., Cruickshank P. Semantic-Driven Approach for Validation of IoT Streaming Data in Trustable Smart City Decision-Making and Monitoring Systems, Big Data and Cognitive Computing, 2025, Vol. 9, No. 4, Art. 108. DOI: 10.3390/bdcc9040108.
12. Ribeiro M.B., Braghetto K.R.A Data Integration Architecture for Smart Cities, Anais do XXXVI Simpósio Brasileiro de Bancos de Dados (SBBD), 2021. DOI: 10.5753/sbbd.2021.18030.
13. OWL 2 Web Ontology Language Document Overview (Second Edition). W3C Recommendation, 11.12.2012. Available at: https://www.w3.org/TR/owl2-overview/.
14. SPARQL 1.1 Query Language. W3C Recommendation, 21.03.2013. Available at: https://www.w3.org/TR/sparql11-query/ (accessed 07 December 2025).
15. SPARQL 1.1 Query Language. W3C Recommendation, 21.03.2013. Available at: https://www.w3.org/TR/sparql11-query/ (accessed 07 December 2025).
16. Shapes Constraint Language (SHACL). W3C Recommendation, 20.07.2017. Available at: https://www.w3.org/TR/shacl/.
17. Mikhaylova S.S., Budaev E.S. i dr. Integratsiya raznorodnykh dannykh prostranstvennogo razvitiya re-giona v SPPR [Integration of heterogeneous data on the spatial development of a region in decision-making systems], Nelineynyy mir [Nonlinear World], 2025, Vol. 23, No. 4, pp. 107-120.
18. Psyllidis A., Bozzon A., Bocconi S., Titos Bolivar C. A Platform for Urban Analytics and Semantic Data Integration in City Planning, Computer-Aided Architectural Design Futures. The Next City – New Tech-nologies and the Future of the Built Environment, eds. G. Celani, D.M. Sperling,
J.M.S. Franco. Cham: Springer, 2015. – (Communications in Computer and Information Science; Vol. 527), pp. 21-36. DOI: 10.1007/978-3-662-47386-3_2.
19. Song M. Research on intelligent decision support platform for tourism enterprises based on multi-source heterogeneous data fusion, Scientific Reports, 2025, Vol. 15, No. 1, Art. 39810. DOI: 10.1038/s41598-025-23486-x.
20. Osipov V.P., Sivakova T.V., Sudakov V.A., Nechaev Yu.I. Intellektual'noe yadro sistemy podderzhki prinyatiya resheniy [Intelligent core of the decision support system], Preprinty IPM im. M.V. Keldysha [Preprints of the Keldysh Institute of Problems of Applied Mathematics], 2018, No. 205, 23 p. Available at: https://library.keldysh.ru/preprint.asp?id=2018-205.
