Построение профилей научных публикаций на основе текстов и связей соавторства (на примере теории управления и ее приложений)

Обложка

Цитировать

Полный текст

Аннотация

Расчет профилей научных публикаций играет ключевую роль в систематизации научных знаний и поддержке принятия научных решений. Предложен метод формирования профилей публикаций в области теории управления, основанный на интеграции анализа текстов и анализа сетей соавторства. Сначала описан базовый алгоритм, который позволяет анализировать тексты публикаций при помощи тематического классификатора, затем приведена его усовершенствованная версия, учитывающая сетевые связи с помощью эвристического подхода. Исследование методов с применением экспертных оценок и количественных метрик показало, что комбинирование текстовых и сетевых данных значительно повышает точность профилей публикаций. Проверка гипотез о взаимосвязи тематического сходства и сетевой близости публикаций показывает обоснованность предложенного подхода, а также позволяет определить направления дальнейших исследований.

Об авторах

Д. А Губанов

Институт проблем управления им. В.А. Трапезникова РАН

Email: dmitry.a.g@gmail.com
г. Москва, Россия

В. С Мельничук

Институт проблем управления им. В.А. Трапезникова РАН; МГТУ им. Н.Э. Баумана

Автор, ответственный за переписку.
Email: vs.melnichuk09@gmail.com
г. Москва, Россия

Список литературы

  1. Крыжановская С.Ю., Власов А.В., Еремеев М.А., Воронцов К.В. Полуавтоматическая суммаризация тематических подборок научных публикаций: задачи и подходы // Тезисы докладов 20-й Всероссийской конференции с международным участием «Математические методы распознавания образов». – Москва, 2021. – С. 333–338. [Kryzhanovskaya, S.Y., Vlasov, A.V., Eremeev, M.A., Vorontsov, K.V. Poluavtomaticheskaya summarizatsiya tematicheskikh podborok nauchnykh publikatsii: zadachi i podkhody // Tezisy dokladov 20-i Vserossiiskoi konferentsii s mezhdunarodnym uchastiem «Matematicheskie metody raspoznavaniya obrazov». – Moscow, 2021. – P. 333–338. (In Russian)]
  2. Shibayama, S., Yin, D., Matsumoto, K. Measuring Novelty in Science with Word Embedding // PLoS ONE. – 2021. – No. 7. – P. 1–16.
  3. Yuan, W., Liu, P., Neubig, G. Can We Automate Scientific Reviewing? // Journal of Artificial Intelligence Research. – 2022. – No. 75. – P. 171–212.
  4. Cachola, I., Lo, K., Cohan, A., Weld, D. TLDR: Extreme Summarization of Scientific Documents // Findings of the Association for Computational Linguistics: EMNLP 2020. – 2020. – P. 4766–4777.
  5. Bao, P., Hong, W., Li, X. Predicting Paper Acceptance via Interpretable Decision Sets. // In: Companion Proceedings of the Web Conference 2021 (WWW '21). – New York: Association for Computing Machinery, 2021. – P. 461–467.
  6. Kasanishi, T., Isonuma, M., Mori, J., Sakata, I. SciReviewGen: A Large-scale Dataset for Automatic Literature Review Generation. – arXiv:2305.15186, 2023. – P. 1–19. – DOI: https://doi.org/10.48550/arXiv.2305.15186
  7. Blei, D.M., Ng, A.Y., Jordan, M.I. Latent Dirichlet Allocation // Journal of Machine Learning Research. – 2003. – No. 3. – P. 993–1022.
  8. Hasegawa, T., Arvidsson, H., Tudzarovski, N., et al. Edge-Based Graph Neural Networks for Cell-Graph Modeling and Prediction // Information Processing in Medical Imaging. – 2023. – Vol. 13939. – P. 265–277.
  9. Xiong, C., Li, W., Liu, Y., Wang., M. Multi-Dimensional Edge Features Graph Neural Network on Few-Shot Image Classification // IEEE Signal Processing Letters. – 2021. – Vol. 28. – P. 573–577.
  10. Faber, L., Lu, Y., Wattenhofer, R. Should Graph Neural Networks Use Features, Edges, Or Both? – arXiv: 2103.06857.arXiv, 2021. – P. 1–12. – DOI: https://doi.org/48550/arXiv.2103.06857
  11. Zhou, J., Cui, G., Hu, S., et al. Graph Neural Networks: A Review of Methods and Applications // AI Open. – 2020. – Vol. 1. – P. 57–81.
  12. Kipf, T.N., Welling, M. Semi-Supervised Classification with Graph Convolutional Networks. – arXiv:1609.02907, 2017. – P. 1–14. – DOI: https://doi.org/10.48550/arXiv.1609.02907
  13. Губанов Д.А., Кузнецов О.П., Суховеров В.С., Чхартишвили А.Г. О построении профилей в тематическом пространстве теории управления // Материалы 9-й Международной конференции «Знания-Онтологии-Теории». – Новосибирск, 2023. – С. 89–94. [Gubanov, D.A., Kuznetsov, O.P., Sukhoverov, V.S., Chkhartishvili, A.G. O postroenii profilei v tematicheskom prostranstve teorii upravleniya // Materialy 9-i Mezhdunarodnoi konferentsii “Znaniya-Ontologii-Teorii”. – Novosibirsk, 2023. – P. 89–94. (In Russian)]
  14. Кузнецов О.П., Суховеров В.С. Онтологический подход к оценке тематики научного текста // Онтология проектирования. – 2016. – Т. 6, № 1. – С. 55–66. [Kuznetsov, O.P., Sukhoverov, V.S. An Ontological Approach to Determining the Subject Matter of Scientific Text // Ontology of Designing. – 2016. – Vol. 6, no. 1. – P. 55–66. (In Russian)]

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).