| Инд. авторы: | Леонова Ю.В., Федотов А.М., Федотова О.А. |
| Заглавие: | Построение меры близости документов для тематической классификации авторефератов диссертаций |
| Библ. ссылка: | Леонова Ю.В., Федотов А.М., Федотова О.А. Построение меры близости документов для тематической классификации авторефератов диссертаций // XVI Российская конференция «Распределенные информационно - вычислительные ресурсы. Наука – цифровой экономике» (DICR-2017): Труды XVI Всероссийской конференции (4-7 декабря 2017 г.). Новосибирск / Под ред. О.Л. Жижимова, А.М. Федотова. - 2017. - Новосибирск: ИВТ СО РАН. - С.88-99. - ISBN: 978-5-905569-10-4. - http://elib.ict.nsc.ru/jspui/bitstream/ICT/1467/15/paper11.pdf |
| Внешние системы: | РИНЦ: 32245318; |
| Реферат: | rus: В работе рассматривается метод тематической классификации авторефератов диссертаций. Для этого используется специально построенная мера близости доку-ментов, учитывающая специфику предметной области. В качестве шкал для определения меры предлагается брать характеристики структурных атрибутов описания авторефератов (научная новизна; положения, выносимые на защиту и т.п.). Значения весовых коэффициентов в формуле для вычисления меры близости определяются предполагаемой апостериорной достоверностью данных соответствующей шкалы. eng: The method of thematic classification of abstracts of dissertations is considered in the work. For this purpose, a specially constructed measure of the proximity of documents is used, taking into account the specifics of the subject area. As scales for determining the measure, it is suggested to take the characteristics of the structural attributes of the description of the author's abstracts (scientific novelty, provisions to be defended, etc.). The values of the weight coefficients in the formula for computing the proximity meas-ure are determined by the assumed a posteriori reliability of the data of the correspond-ing scale. |
| Ключевые слова: | предметная область; тематическая классификация; мера близости; весовые коэффициенты; |
| Издано: | 2017 |
| Физ. характеристика: | с.88-99 |
| Ссылка: | http://elib.ict.nsc.ru/jspui/bitstream/ICT/1467/15/paper11.pdf |
| Конференция: | Название: XVI Российская конференция «Распределенные информационно-вычислительные ресурсы. Наука – цифровой экономике» Аббревиатура: DICR-2017 Город: Новосибирск Страна: Россия Даты проведения: 2017-12-04 - 2017-12-07 Ссылка: http://conf.ict.nsc.ru/dicr2017 |
| Цитирование: | 1. Кнут Д. Искусство программирования. Том 1. Основные алгоритмы = The Art of Comput-er Programming. Vol. 1. Fundamental Algorithms/под ред. Ю. В. Козаченко. -Москва: Вильямс, 2002. -720 с. -ISBN 5-8459-0080-8. 2. Ранганатан Ш.Р. Классификация двоеточием. Основная классификация/пер. с англ. М.: ГПНТБ СССР, 1970. 3. Федотов А.М., Барахнин В.Б. Проблемы поиска информации: история и технологии. Вестник НГУ. Серия: Информационные технологии. Т.7. Вып.2. 2009. С.3-17. 4. Федотов А.М., Барахнин В.Б., Жижимов, О.Л., Федотова О.А. Модель информационной системы для поддержки научно-педагогической деятельности//Вестник Новосибирского государственного университета. Серия: Информационные технологии. -2014. -Т.12. -№ 1. -С.89-101. 5. Шрейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971. 6. Воронин Ю. А. Начала теории сходства. Новосибирск: Наука. Сиб. отдние, 1991. 128 с. 7. Леонова Ю.В., Федотов А.М. Извлечение знаний и фактов из текстов диссертаций и ав-торефератов//V Международная конференция «Системный анализ и информационные технологии» (САИТ-2013): Труды конференции (Красноярск, Россия, 19-25 сентября 2013). -Красноярск: ИВМ СО РАН. -Т. 1. -2013. -С. 232-242. 8. Дрозд А. Методы Машинного обучения (Data Mining)//http://smart-lab.ru/blog/38323.php 9. Чубукова И.А. Data Mining Курс лекций интернет-университета INTUIT. 328 с., 2006 г. |
