@article{V.K.Ivanov10,

title = {Определение весовых коэффициентов для аддитивной фитнес-функции генетического алгоритма},

author = {Иванов В.К. and Думина Д.С. and Семенов Н.А.},

url = {https://disk.yandex.ru/i/-5Uw771oZAt7cA},

doi = {10.15827/0236-235X.129.047-053},

issn = {0236-235X},

year  = {2020},

date = {2020-00-01},

urldate = {2020-00-01},

journal = {Программные продукты и системы (Software & Systems)},

volume = {33},

number = {1},

pages = {47-53},

publisher = {Программные продукты и системы (Software & Systems)},

abstract = {Представлено возможное решение задачи выбора способа аналитического определения весовых коэффициентов для аддитивной фитнес-функции генетического алгоритма. Этот алгоритм является основой эволюционного процесса, формирующего в поисковой системе устойчивую и эффективную популяцию запросов для получения высокорелевантных результатов. Приведено формальное описание фитнес-функции алгоритма, которая представляет собой взвешенную сумму трех неоднородных критериев. 

Подробно описаны выбранные способы аналитического определения весовых коэффициентов, при этом отмечается невозможность использования методов экспертных оценок. Рассмотрена методика проведения исследований. Описывается исходный набор данных, в том числе диапазоны данных, принятые для вычисления весовых коэффициентов различными способами. Порядок вычислений проиллюстрирован примерами. Результаты исследований, показанные в графической форме, наглядно демонстрируют поведение фитнес-функции при работе генетического алгоритма с использованием различных вариантов весовых коэффициентов. 

Анализ результатов позволяет сделать вывод о предпочтительности расчета весовых коэффициентов фитнес-функции данной популяции запросов, выполненного с использованием результатов всех запросов этой популяции. Вывод базируется на наличии последовательных улучшений популяций запросов, характерных для корректной работы генетических алгоритмов, а также на очевидном обнаружении в ходе экспериментов локальных и глобального максимумов фитнес-функции. При использовании других способов расчета весовых коэффициентов подобного не наблюдается. Способ определения весовых коэффициентов для аддитивного критерия оптимальности может повысить качество работы генетического алгоритма для формирования эффективных поисковых запросов. В частности, повышается вероятность быстрого обнаружения локальных экстремумов фитнес-функции, которые на заданной области ее определения могут стать оптимальным решением. },

keywords = {innovation index, аддитивный критерий, весовой коэффициент, генетический алгоритм, поисковый запрос, релевантность, фитнес-функция, хранилище данных},

pubstate = {published},

tppubtype = {article}

}

@article{nokey,

title = {Современные методы автоматизированного извлечения ключевых слов из текста},

author = {Иванов В.К. and Виноградова Н.В.},

editor = {ключевое слово, метод, выделение, текст, семантика, гибридный, лингвистика, словосочетание, спектральный, статистический, поиск, релевантность, keyword, method, selection, text, semantics, hybrid, linguistics, word-combination, spectral, statistical, search, relevance, data centre},

url = {https://disk.yandex.ru/i/Zi2TSkY7hI89uA},

issn = {0204-3653},

year  = {2016},

date = {2016-12-31},

urldate = {2016-12-31},

journal = {Информационные ресурсы России},

number = {4},

pages = {13-18},

publisher = {Москва},

abstract = {Cтатья посвящена актуальной на сегодняшний день проблеме – методам автоматизированного извлечения ключевых слов из текста. В статье представлен аналитический обзор материалов по этой тематике. Особенностью обзора является широкое использование для анализа работ российских авторов, изданных за последнее время, что должно показать текущий уровень отечественных исследований и помочь определить потенциальные точки их дальнейшего развития. В статье классифицированы основные методы автоматизированного извлечения ключевых слов, выделены их особенности, определены применимость, описаны достоинства и недостатки. Дается систематизированный обзор исследований и разработок, основанных на лингвистических, статистических, спектральных и гибридных методах. Статья может быть полезна разработчикам информационно-поисковых систем, специалистам в области оптимизации поисковых процедур, исследователям технологий информационного поиска, патентоведам, работникам библиотечной сферы.



Vinogradova N.V., Ivanov V.K. Modern methods of automated extraction of keywords from text

The article is devoted to the up to date problem, namely the methods of automated extraction of keywords from a text. The article presents the analytical review on the problem. The speciality of a review is a wide range of works by Russian authors published lately that can indicate the current level of home investigations and help to define the further development potentials.  The authors made an effort to classify the basic methods of the automated extraction of keywords, to emphasize their features, to define their potential for use, to specify strengths and shortcomings. The systemization review of the R&D based on linguistic, statistical, spectral and hybrid methods is conducted. The article may be beneficial to the information storage and retrieval system developers, experts in search procedure optimization, explorers of information search technologies, patent specialists, workers of libraries.},

keywords = {data centre, keyword, method, relevance, search, selection, semantics, spectral, statistical, text, word-combination, выделение, гибридный, ключевое слово, лингвистика, метод, поиск, релевантность, семантика, словосочетание, спектральный, статистический, текст},

pubstate = {published},

tppubtype = {article}

}

@article{103_d4e00661-997b-4fe6-9935-1646e398c7ce,

title = {Унифицированная методика поиска патентной информации и обработки его результатов},

author = {Иванов В.К. and Виноградова Н.В.},

url = {https://disk.yandex.ru/i/hTg3JhO4vfwoJw},

year  = {2014},

date = {2014-12-30},

urldate = {2014-12-30},

journal = {Изобретательство},

volume = {14},

number = {12},

pages = {23-32},

publisher = {Москва},

abstract = {<p>Разработка новых эффективных методов поиска научно-технической информации является на сегодняшний день одной из приоритетных задач патентных исследований. Несмотря на наличие мощных поисковых систем для информационных ресурсов Интернет или для специализированных баз данных, процесс продолжает оставаться трудоемким и слабо поддержанным программно и методологически. В настоящей статье отмечаются некоторые проблемы проведения патентных исследований и возможные подходы к их решению. Как один из таких подходов представлена разработанная авторами методика выполнения патентного поиска и обработки его результатов. На примере показываются особенности методики, определяющие ее эффективность. Приводятся результаты сравнительного анализа предлагаемой методики и других подобных разработок. Описываются особенности методики и определяются области ее применения.</p>},

note = {Иванов В.К., Виноградова Н.В. Унифицированная методика поиска патентной информации и обработки его результатов // Изобретательство. – Москва, 2014. – Т. XIV, № 12. - С. 23-32.},

keywords = {data centre, innovation index, база данных, запрос, матрица запросов, методика поиска, патентные исследования, патентный поиск, результат поиска, релевантность, фильтрация},

pubstate = {published},

tppubtype = {article}

}

@article{104_a408fb2e-ad74-43be-ba98-fad95d412d90,

title = {Реализация генетического алгоритма для эффективного документального тематического поиска},

author = {Иванов В.К. and Мескин П.И.},

url = {https://disk.yandex.ru/i/ofhqSdQhLPe9_A},

doi = {10.15827/0236-235X.108},

year  = {2014},

date = {2014-12-30},

urldate = {2025-01-22},

journal = {Программные продукты и системы},

number = {4},

pages = {125-134},

publisher = {Тверь: Центрпрограммсистем},

abstract = {<p>Качество документального тематического поиска, то есть поиска документов, содержащих координированную информацию в заданном тематическом сегменте, не всегда удовлетворительно. Несмотря на наличие мощных поисковых систем для информационных ресурсов Интернета или для специализированных БД, процесс поиска остается трудоемким и слабо поддерживается программно и методологически.</p><p>В настоящей статье описывается программная реализация генетического алгоритма для выявления и отбора наиболее релевантных результатов, полученных в ходе последовательно выполняемых операций тематического поиска. При этом моделируется эволюционный процесс, который формирует устойчивую и эффективную популяцию поисковых запросов, образует поисковый образ документов или семантическое ядро, создает релевантные множества искомых документов, позволяет автоматически классифицировать результаты поиска. В статье обсуждаются особенности тематического поиска, обосновывается применение генетического алгоритма, описываются аргументы целевой функции, рассматриваются основные шаги и параметры алгоритма. Отмечается, что целевая функция, или критерий качества поиска, определяется позицией документа в списках результатов, построенных поисковой системой при выполнении максимального числа различных запросов, и семантической близостью к поисковому образу документов заданной тематики. Достаточно подробно описана программная реализация: основные объектные модели, пользовательский интерфейс, основная библиотека алгоритма, модули морфологического анализа, семантического анализа сходства текстов, поиска, управления БД, управления метаданными. Приводятся сведения о составе классов модулей и их компонентов.</p><p>В заключение отмечается, что реализованный генетический алгоритм является одним из элементов ПО разрабатываемой интеллектуальной системы информационной поддержки инноваций в науке и образовании. Он играет важную роль в обеспечении адаптивности функционирования поисковых механизмов, а разработанное ПО алгоритма создает достаточно широкий базис для дальнейших исследований и разработок.</p>},

note = {Иванов В.К., Мескин П.И. Реализация генетического алгоритма для эффективного документального тематического поиска // Программные продукты и системы. – Тверь : Центрпрограммсистем, 2014. - № 4 (108). – С. 125-134.},

keywords = {data centre, innovation index, генетический алгоритм, документ, мутация, поисковый запрос, популяция, приспособленность, ранжирование, релевантность, скрещивание, тематический поиск, фильтрация.},

pubstate = {published},

tppubtype = {article}

}

@article{113_fb400dfa-83a3-4e12-a895-d30a826b1f71,

title = {Совершенствование методов поиска научного знания как фактор развития современной науки},

author = {Иванов В.К. and Борисов С. Ю.},

url = {https://disk.yandex.ru/i/l4somu1n-gj3ww},

year  = {2013},

date = {2013-12-30},

urldate = {2013-12-30},

journal = {Инновации в науке},

number = {25},

pages = {52-56},

publisher = {Новосибирск: СибАК},

abstract = {<p>В настоящей статье представлены промежуточные результаты патентных исследований в рамках проекта РФФИ «Интеллектуальная распределенная система информационной поддержки инноваций в науке и образовании» (договор № НК13-07-0034213, руководитель проекта – Иванов В.К.). В начале статьи приводится подтверждение актуальности предмета исследования – совершенствования методов поиска и синтеза научного знания, далее делается обзор основных результатов, достигнутых, на данный момент, коллективом исследователей. В конце приводятся основные насущные задачи и перспективы дальнейшего развития исследований.</p><p>This article presents the interim results of patent research in the framework of RFBR "Intelligent Distributed Information Management System for Innovation in Science and Education" (contract number NK13-07-0034213, project manager –Ivanov V.K.). In the beginning of the article is a confirmation of the relevance of the research subject – improving the methods of search and synthesis of scientific knowledge, then reviews the main results achieved by a team of researchers for the moment. At the end there are main pressing challenges and prospects for the further development of research.</p><p> </p>},

note = {Иванов В.К., Борисов С.Ю. Совершенствование методов поиска научного знания как фактор развития современной науки // Инновации в науке. - Новосибирск, 2013. - № 25. - С. 52-56.},

keywords = {data centre, document, filtering, genetic algorithm, ranking, relevancy, similarity measure, vector model, векторная модель, генетический алгоритм, документ, качество поиска, метрика близости, ранжирование, релевантность, фильтрация},

pubstate = {published},

tppubtype = {article}

}