ИССЛЕДОВАНИЕ И РАЗРАБОТКА ЛИНГВО-СТАТИСТИЧЕСКИХ МЕТОДОВ ФОРМИРОВАНИЯ ПОРТРЕТА ПРЕДМЕТНОЙ ОБЛАСТИ.
Аннотация и ключевые слова
Аннотация (русский):
Проект направлен на решение фундаментальной научной проблемы семантического моделирования, в рамках которого разрабатывается методология автоматической идентификации переводных ссылок (переводных соответствий), а также иерархических, синонимических и ассоциативных ссылок из Интернет-текстов и построения многоязычные ассоциативные иерархические портреты предметной области (МАХПСА), в частности, на автономных необитаемых подводных аппаратах (БПА). Учет многоязычных и разнородных ресурсов позволяет получить более полную картину происходящего в предметной области, выявить источники происхождения идей, скорость и направления их распространения, выявить значимые документы и перспективные направления. Решение проблемы основано на комплексном подходе, сочетающем методы статистики, корпусной лингвистики и распределительной семантики, и реализовано в технологии, предполагающей разработку лингво-статистических механизмов формирования многоязычного ассоциативного иерархического портрета объекта. область, которая представляет собой словарь значимых терминов предметной области, элементы которого организованы в синонимичные серии (синсеты), включая переводные соответствия, а также ассоциативные и иерархические отношения.

Ключевые слова:
Лингво-статистические методы, ассоциативный и иерархический портрет предметной области, многоязычная интегрированная онтология, прогнозирование распространения идей, многоязычный корпус предметной области
Текст
Текст произведения (PDF): Читать Скачать
Список литературы

1. J. Galbraith, and R. Thayer, SECSH Public Key File Format, draft-ietf-secsh-publickeyfile-01.txt, March 2001, work in progress material.

2. Zolotarev O.V., Sharnin M.M., Klimenko S.V., Kuznetsov K.I. PullEnty system - information extraction from natural language texts and automated building of information systems. In the collection: Situational centers and information-analytical systems of class 4i for monitoring and security tasks (SCVRT2015-16). Proceedings of the International Scientific Conference: in 2 volumes. 2016. P. 28-35.

3. Zolotarev O.V., Kozerenko E.B., Sharnin M.M. The principles of constructing models of business processes in the subject area based on natural language text processing. Bulletin of the Russian New University. Series: Complex systems: models, analysis and control. 2014. No. 4. P. 82-88.

4. Zolotarev O.V. Methods and tools for domain modeling. In the collection: The Civilization of Knowledge: Problems and Prospects of Social Communications Proceedings of the XIII International Scientific Conference. 2012. P. 71-72.

5. Zolotareva V.P., Yashkova N.V., Zolotarev O.V. Project management. Educational-methodical manual / Nizhny Novgorod, 2016.

6. Zolotarev O.V. Formalization of knowledge about the subject area based on the analysis of natural language structures. In the collection: The civilization of knowledge: the problem of man in science of the XXI century. Proceedings of the XII International Scientific Conference. 2011. P. 78-80.

7. Zolotarev O.V., Sharnin M.M. Methods of extracting knowledge from natural language texts and building business process models based on the allocation of processes, objects, their relationships and characteristics. In the collection: Proceedings of the International Scientific Conference CPT2014. Institute of Computing for Physics and Technology. 2015.P. 92-98.

8. Sharnin M.M., Zolotarev O.V., Somin N.V. Extracting and processing knowledge from unstructured texts of the business sphere and social networks. In the collection: Social computing: fundamentals, development technologies, social and humanitarian effects Materials of the Fourth International Scientific and Practical Conference. 2015. P. 364-371.

9. Zolotarev O.V., Kozerenko E.B., Sharnin M.M. Analytical intelligence based on the analysis of unstructured information from various sources, including the Internet and the media. Bulletin of the Russian New University. Series: Complex systems: models, analysis and control. 2015. No 1. P. 49-54.

10. Zolotarev O.V. New approaches in constructing the functional structure of the subject area. In the collection: Twenty Years of Post-Soviet Russia: crisis phenomena and modernization mechanisms materials of the XIV All-Russian Scientific and Practical Conference of the Humanitarian University: in 2 volumes. Humanitarian University. Ekaterinburg, 2011. P. 639-643.

11. Zolotarev O.V., Sharnin M.M., Klimenko S.V. A semantic approach to the analysis of terrorist activity on the Internet based on thematic modeling methods.

12. Zolotarev O.V., Sharnin M.M., Klimenko S.V. Bulletin of the Russian New University. Series: Complex systems: models, analysis and control. 2016. No. 3. P. 64-71.

13. Kozerenko E. B., Kuznetsov K. I. Romanov D. A. Semantic processing of unstructured textual data based on the linguistic processor PullEnti Informatics and applications 2018 volume 12 issue 3. DOI:https://doi.org/10.14357/19922264180313, pp. 91-98

14. Chiu, J.P. and Nichols, E. (2015). Named entity recognition with bidirectional lstm-cnns. arXiv preprint arXiv:1511.08308.

15. Peters M. E. et al. Deep contextualized word representations //arXiv preprint arXiv:1802.05365. - 2018.

16. Roberto Navigli and Simone Paolo Ponzetto. 2012a. BabelNet: The automatic construction, evaluation and application of a wide-coverage multilingual semantic net-work.Artificial Intelligence, 193:217-250.

17. John Hebeler, Matthew Fisher, Ryan Blace, Andrew Perez-Lopez. Semantic Web Programming. - John Wiley & Sons, 2009. - 648 с.

18. V.I.Protasov, Z.E.Potapova, R.O.Mirakhmedov, M.M. Sharnin, Minasyan V.B. Methods for finding solutions by a group actor with a low probability of error. In the collection of CPT2019. Materials of the international scientific conference of the Nizhny Novgorod State University of Architecture and Civil Engineering and the Scientific and Research Center for Information in Physics and Technique. 2019, Nizhny Novgorod. P. 284-291.

19. Brickley D., Guha R.V. RDF vocabulary description language 1.0: RDF schema W3C working draft. 2002. http://www.w3.org/TR/2002/WD-rdf-schema-20020430/.

20. Ehrmann M., Cecconi F., Vannella D., McCrae J.P., Cimiano P., Navigli R. Representing Multilingual Data as Linked Data: the Case of BabelNet 2.0. - LREC (2014). - 2014. - URL: http://wwwusers.di.uniroma1.it/~navigli/pubs/ LREC_2014_Ehrmannetal.pdf.

21. T. Flati, D. Vannella, T. Pasini, R. Navigli. Two Is Bigger (and Better) Than One: the Wikipedia Bitaxonomy Project. Proc. of the 52nd Annual Meeting of the Association for Computational Linguistics (ACL 2014), Baltimore, USA, June 22-27, 2014, pp. 945-955.

22. Ustalov, D., & Panchenko, A. (2017). A tool for effective extraction of synsets and semantic relations from BabelNet. В Proceedings - 2017 Siberian Symposium on Data Science and Engineering, SSDSE 2017 (стр. 10-13). [8071954] Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/SSDSE.2017.8071954

23. R. Navigli, S.P. Ponzetto, BabelNetXplorer: a platform for multilingual lexical knowledge base access and exploration, in: Companion Volume totheProceedings of the 21st World Wide Web Conference, Lyon, France, 16-20 April 2012, pp. 393-396.

24. Lau J.H., Newman D., Karimi S., Baldwin T. Best Topic Word Selection for Topic Labelling // COLING’10 Proceedings of the 23rd International Conference on Computational Linguistics. Stroudsburg, PA: Association for Computational Linguistics, 2010. Pp. 605-613.

25. Google Cloud Machine Learning [CD] - https://cloud.google.com/ml-engine/docs/tutorials/python-guide.

26. Xie Pengtao, Xing Eric P. Integrating document clustering and topic modeling. arXiv preprint, arXiv:1309.6874. 2013.

Войти или Создать
* Забыли пароль?