Применение автоматизированного системно-когнитивного анализа и интеллектуальной системы "Эйдос" для решения задачи идентификации литературных источников и авторов - Курсовая работа

ПРИМЕНЕНИЕ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ "ЭЙДОС" ДЛЯ РЕШЕНИЯ В ОБЩЕМ ВИДЕ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ И АВТОРОВ ПО СТАНДАРТНЫМ, НЕСТАНДАРТНЫМ И НЕКОРРЕКТНЫМ БИБЛИОГРАФИЧЕСКИМ ОПИСАНИЯМВ результате для этих авторов теряется цитирование, что приводит к занижению их индексов Хирша и оценки результатов их научной деятельности руководством. Данная статья посвящена изложению идеи решения этой проблему путем применения Автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - интеллектуальной системы «Эйдос», которые представляют собой современную инновационную интеллектуальную технологию (готовую к внедрению). В ней рассматривается алгоритм, основанный на вычислении количества информации в словах библиографической ссылки о том, что это ссылка на данную статью и данных авторов, а также ценность слов для идентифкации статей и авторов (т.е. вариабельность количества информации в словах по статьям и авторам). Рассмотрим, каким образом реализуются или не реализуются (т.к. в этом нет необходимости) подобные этапы в АСК-анализе и его программном инструментарии - системе «Эйдос» (таблица 1): Таблица 1 - Сравнение алгоритма шинглов и алгоритма АСК-анализа, реализованного в системе «Эйдос» Так как вычисляется количество информации в словах библиографической ссылки о том, что это ссылка на данную статью и данных авторов, а также ценность слов для идентификации статей и авторов (т.е. вариабельность количества информации в словах по статьям и авторам), то в этапе канонизации текста нет необходимости.На этом этапе разрабатываются классификационные и описательные шкалы и градации, а затем с их использованием исходные данные кодируются и представляются в форме баз событий, между которыми могут быть выявлены причинно-следственные связи. Формализация предметной области представляет собой разработку справочников классификационных и описательных шкал и градаций и преобразование с их помощью баз исходных данных в базы событий (т.е. обучающую выборку), и является первым автоматизированным в системе «Эйдос» этапом АСК-анализа. В АСК-анализе есть несколько режимов, обеспечивающих решение задачи принятия решений для управления или достижения целей, которая представляет собой обратную задачу прогнозирования: это и режим 4.2.1, позволяющий формировать информационные портреты классов, а также режим 4.4.8, поддерживающий количественный автоматизированный SWOT и-PEST анализ, включая построение SWOT и-PEST матриц и диаграмм [12], а также режим 4.4.10, визуализирующий нейросетевую интерпретацию модели знаний системы «Эйдос» [13]. Эти режимы обеспечивают преобразование информации в знания, т.к. знания представляют собой информацию, полезную для достижения целей, т.е. по сути технологию, в частности ноу-хау [5]. Итак, в процессе анализа исходные данные представляются в форме базы событий, между которыми выявляются причинно-следственные связи, и, таким образом, исходные данные преобразуются в информацию, представляющую собой осмысленные данные (смысл есть знание причинно-следственных связей), а затем информация используется для достижения целей (управления), т.е. преобразуется в знания.В результате выполнения режима 3.5 (рисунок 14) созданы все модели, со всеми частными критериями, перечисленные на рисунке 13, но ниже мы приведем лишь некоторые из них (таблицы 3-5). Рассмотрим решение задачи идентификации на примере модели INF1, в которой рассчитано количество информации по А.Харкевичу, которое мы получаем о принадлежности идентифицируемого объекта к каждому из классов, если знаем, что у этого объекта есть некоторый признак. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;Результаты верификации (оценки достоверности) моделей, отличающихся частными критериями (таблица 3) с двумя приведенными выше интегральными критериями приведены: Рисунок Результаты верификации моделей Данная модель обеспечивает 100% достоверность идентификации статьи и ее авторов по библиографическому описанию этой статьи (достоверность отнесения объекта к классу, к которому он действительно относится), и 98% достоверность не отнесения статьи и ее авторов к тем классам, к которым они не относятся.В соответствии со схемой этапов последовательного преобразования данных в информацию, а ее в знания в системе "Эйдос", приведенной на рисунке 3, присвоим статус текущей модели INF4, наиболее достоверной модели по данным верификации (рисунок 15).Режим 4.1.3 системы «Эйдос» обеспечивает отображение результатов идентификации в различных формах: 1. Подробно сжато: "Объект - классы". Статистический анализ результатов идентификации по классам, моделям и интег

Содержание

1. Описание проблемы и идея ее решения

2. Предыстория и задел для решения проблемы идентификации текстов и авторов в АСК-анализе и системе «Эйдос»

3. Описание предлагаемого решения проблемы

3.1 Этапы АСК-анализа и преобразование исходных данных в информацию, а ее в знания в системе "Эйдос"

3.2 Скачивание и инсталляция системы «Эйдос»

3.3 Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему "Эйдос"

3.4 Синтез и верификация статистических и интеллектуальных моделей

3.5 Частные критерии и виды моделей системы «Эйдос»

3.6 Ценность описательных шкал и градаций для решения задач идентификации текстов и авторов (нормализация текста)

3.7 Интегральные критерии системы «Эйдос»

3.8 Результаты верификации моделей

4. Решение задач идентификации текстов и их авторов в наиболее достоверной модели

4.1 Присвоение наиболее достоверной модели статуса текущей и решение в ней задач идентификации

4.2 Отображение результатов идентификации

5. Некоторые недостатки и перспективы

5.1 Повышение быстродействия алгоритмов

5.2 Перспективы применения АСК-анализа и системы «Эйдос» для решения задач идентификации и прогнозирования на основе анализа Internet-контента

Литература

Аннотация

1. Описание проблемы и идея ее решения