Помощь в учёбе, очень быстро...
Работаем вместе до победы

Разработка и исследование модели нейросетевого метода анализа текстовых документов

Диссертация: Разработка и исследование модели нейросетевого метода анализа текстовых документов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Задача анализа текстовых документов ориентирована на извлечение знаний и является в настоящее время актуальной проблемой, затрагивающей различные сферы человеческой деятельности, поскольку ее решение позволит полностью автоматизировать процесс обработки, классификации и систематизации информационного ресурса. Процесс аналитической обработки текстов требует создания принципиально новых моделей… Читать ещё >

Содержание

  • СПИСОК СОКРАЩЕНИЙ
  • 1. МЕТОДЫ АНАЛИЗА ТЕКСТОВЫХ ДОКУМЕНТОВ
    • 1. 1. Функциональный и прагматический анализ текстовых документов
    • 1. 2. Информационное пространство
    • 1. 3. Многоаспектность анализа текстовых документов
    • 1. 4. Традиционный и формализованный методы анализ документов
    • 1. 5. Численные методы формализованного анализа
    • 1. 6. Нейроинформационный подход в анализе текста
  • Выводы по разделу
  • 2. МОДЕЛЬ НЕЙРОСЕТЕВОГО МЕТОДА АНАЛИЗА ТЕКСТОВЫХ ДОКУМЕНТОВ
    • 2. 1. Структура модели
    • 2. 2. Модели позиционирования и анализа текста
    • 2. 3. Формализация задачи
    • 2. 4. Модели представления документа
    • 2. 5. Морфологический анализ
    • 2. 6. Сокращение пространства признаков
    • 2. 7. Нейросетевая модель анализатора
    • 2. 8. Верификация метода анализа
  • Выводы по разделу
  • 3. МОДЕЛЬ И АЛГОРИТМЫ АНАЛИТИЧЕСКОГО БЛОКА
    • 3. 1. Информационно-аналитическая система «NeuroText»
    • 3. 2. Формирование информационных образов
    • 3. 3. Нейросетевой анализатор
    • 3. 4. Формирование логического суждения
    • 3. 5. Модель представления знаний
  • Выводы по разделу
  • 4. ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА МОДЕЛИ НЕЙРОСЕТЕВОГО МЕТОДА
    • 4. 1. Исследование предлагаемой модели на основе испытаний ИАС «NeuroText»
    • 4. 2. Определение тематической близости между документами
    • 4. 3. Определение тематической линии документа
    • 4. 4. Формирование тематических кластеров на коллекции документов
    • 4. 5. Формирование компактного кластера
    • 4. 6. Определение значимых признаков документов
    • 4. 7. Формирование образа кластеров
    • 4. 8. Формирование онтологии предметной области
  • Выводы по разделу

Разработка и исследование модели нейросетевого метода анализа текстовых документов (реферат, курсовая, диплом, контрольная)

Наиболее распространенной формой представления знаний являются естественно-языковые тексты. Текстовая форма знаний естественна для человека, такие знания легко воспринимаются, порождаются, тиражируются и модифицируются. Новые возможности позиционирования текстов, связанные с масштабным использованием компьютерной техники, а также доступность методов записи и хранения информации, привели к бурному росту количества информационных ресурсов. Необходимость изучения и осмысления все возрастающего объема неструктурированной текстовой информации на естественном языке актуализирует проблему анализа.

Теоретическое обоснование методов анализа рассмотрено в работах В. А. Ядова, Т. М. Дридзе, А. Р. Лурия, М. Шлика, Р. Карнапа, О. Нейрата. Вышеупомянутые работы, в основном, посвящены рассмотрению смежных проблем анализа текстовых документов. Основным из направлений данной диссертационной работы рассматривается проблема кластеризации и систематизации текстовых документов информационного ресурса.

Задача анализа текстовых документов ориентирована на извлечение знаний и является в настоящее время актуальной проблемой, затрагивающей различные сферы человеческой деятельности, поскольку ее решение позволит полностью автоматизировать процесс обработки, классификации и систематизации информационного ресурса. Процесс аналитической обработки текстов требует создания принципиально новых моделей, методик и систем, которые следует отнести к разряду систем искусственного интеллекта — систем обработки знаний. Задача автоматического анализа естественных текстов в определенной степени формируется при участии эксперта. Надо отметить, что для экспертной оценки нет необходимости в построении модели естественного текста, реализующей глубинный семантический анализ текста. Одной из актуальных задач, решаемых экспертами, является определение отношений между объектами, которыми являются области знаний. Наиболее адекватно отношения между объектами представляются семантическими сетями. Традиционная интерпретация семантической сети позволяет получать только представление о структуре отношений между объектами, которой недостаточно для проведения полноценного аналитического исследования. Поэтому в работе предлагается расширение семантической сети для представления информации о классификации отношений между объектами и о принадлежности объектов к классам предметной области. В основе модели знаний находится семантический граф-образ, узлы которого сопоставляются с областями знаний, а ребра соответствуют отношениям между ними.

Цели и задачи исследования. Целью диссертационной работы является разработка и исследование модели нейросетевого метода автоматического анализа текстовых документов на естественном языке для формирования семантической базы знаний и повышения эффективности работы эксперта по знаниям. Для достижения поставленной цели необходимо решить следующие основные задачи:

1) Рассмотреть известные модели и методы анализа документов;

2) Разработать модель нейросетевого метода анализа полнотекстовых документов на естественном языке в условиях отсутствия априорной информации об их содержании;

3) Разработать алгоритм формирования информационных образов электронных текстовых документов, включающий метод сокращения признаков, основанный на подходе к оценке тематической значимости признаков документов;

4) Разработать метод нейросетевого анализа коллекции текстовых документов с процедурой самокоррекции для определения оптимального функционала распределения;

5) Разработать алгоритм представления результатов анализа в виде семантического граф-образа.

6) Разработать информационно-аналитическую систему (ИАС), автоматического анализа полнотекстовых документов, реализующую предложенные методы;

7) Осуществить исследование разработанной модели и провести проверку предложенного метода анализа коллекций документов.

Объект и предмет исследования. Объектом исследования являются документы на естественном языке, как форма представления предметной области. Предметом исследования являются процессы автоматизированного выявления и формализации знаний, представленных в форме онтологии-.

Методы исследования. В диссертационной работе использованы модели и методы искусственного интеллекта, лингвистики, математической статистики, кластерного анализа, теории множеств, метод экспертных оценок, теории информации, теории баз данных и программирования.

Обработка текстов, нейросетевое моделирование процессов, а также оценка качества извлечения знаний производились автором с помощью самостоятельно разработанной НАС. При разработке ИАС применялись методы объектно-ориентированного программирования с использованием среды разработки Borland Delphi 7 Enterprise.

Научная новизна. Проведенные исследования позволили создать модель нейросетевого метода к содержательному анализу неструктурированных текстов на естественном языке для произвольных массивов документов без ограничений на тематику и объем при отсутствии априорной информации формализации их содержания.

Предложен подход к решению задачи анализа текстовых документов, который состоит в использовании единой методологии, основанной на концептуальной модели эксперта, для реализации всего цикла извлечения знаний, с возможностью интерактивного участия эксперта в процессе.

Предложен подход к оценке тематической близости документов с использованием метода сокращения пространства признаков, составляющих информационные образы, что позволило повысить качество и скорость выполнения анализа коллекции текстов.

Предложен метод кластерного анализа, включающий механизм самокоррекции в процессе построения онтологии предметной области.

Разработана структура ИАС «NeuroText», представляющая собой целостную интерактивную систему, состоящую из взаимосвязанных компонентов, позволяющих осуществлять построение онтологии коллекции документов.

Достоверность научных положений и выводов диссертационной работы подтверждена практической реализацией разработанных моделей и методов, а так же результатами проведенных экспериментов.

Практическая ценность работы. Предложенный подход к автоматическому анализу документов позволит решить проблему содержательного анализа информации, как по всей коллекции документов, так и по ее подмножествам, отразить семантические связи между областями знаний и автоматически получить описания областей знаний. Практическим результатом применения метода извлечения структурных знаний из текстов на основе нейросетевой модели является разработка ИАС «NeuroText». ИАС включает три основных компонента: информационная часть, компонент управления данными, модуль работы с искусственной нейронной сетью. Информационная часть реализует интерфейс пользователя, а также обеспечивает накопление, хранение и предоставление результатов анализа. Компонент управления данными обеспечивает импортирование данных из базы данных в модуль работы с нейронной сетью. Компонентом реализуется подготовка данных для сети. Модуль работы с ИНС обеспечивает автоматическое построение нейронной сети на основе множества входных параметров решаемой задачи, способной кластеризовать поступающую информацию. В основу работы компонента положен алгоритм самоорганизации. Результатом работы компонента является граф — образ интеллектуальной модели решаемой задачи.

Граф — образ, дополненный семантическим набором отношений элементов, позиционирует модель знаний, что позволяет перейти на более высокий уровень представления информации (естественный для мышления человека), и одновременно с этим ввести качественные и количественные категории. В модели осуществляется извлечение ассоциаций подграфа семантической сети и формируется матрица отношений, отражающая связь между элементами графа. Такой подход позволяет эксперту осуществлять сопоставление фрагмента семантической сети с естественными текстами, в которых встречается подобные отношения.

Сфера применения разработанной модели анализа текстовых документов обширна: информационно-поисковые системы, системы автоматической классификации, библиотечно-справочные системы, поисковые роботы, системы обработки информации.

Апробации результатов и публикации. Основные положения и результаты работы были доложены автором и обсуждались в период с 2006 по 2009 годы на научно-технических конференциях профессорско-преподавательского состава, научных сотрудников и аспирантов ГУТ им. проф. М. А. Бонч-Бруевича: № 59 2007г., № 61 2009г., 2-ом международном конгрессе «Нейробиотелеком-2006», 3-ем международном научном конгрессе «Нейробиотелеком-2008».

Реализация результатов работы. Основные теоретические и практические результаты диссертационной работы использованы в научно-исследовательской работе «Нейросемантический интерактивный анализатор информационного ресурса» /Санкт Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича, 2009 г., per. № 080−09−054/5/.

Публикации. По теме диссертации опубликовано 6 научных работ, в том числе 1 в издании, рекомендованных ВАК науки России.

Структура и объем диссертации

Диссертация состоит из введения, 4 глав, заключения, списка литературы, включающего 120 наименований, и приложения. Работа содержит 144 страницы текста, 51 рисунок и 9 таблиц.

Основные результаты, полученные в диссертации:

1 Предложена модель автоматического анализа электронных полнотекстовых документов в условиях отсутствия специализированной априорной информации об их содержании.

2 Предложен метод частотно-контекстной кластеризации тематики текста, позволяющий выделять тематику текста в виде множества ключевых слов с весами, характеризующими значимость данных слов в тематике.

3 Разработан нейросетевой алгоритм кластеризации, позволяющий автоматически разбивать тексты на естественном языке на тематические группы с возможностью простого управления уровня детализации этих групп.

4 Предложен алгоритм вычисления степени принадлежности текста к тематической группе, позволяющий получать количественную оценку.

5 Разработана программная реализация нейросетевой модели структурного представления текстовой информации и методов ее тематического анализа, а также средства визуального отображения полученных результатов для навигации по тематическим группам. Тематические группы отражаю родственные связи между областями знаний и обладают автоматически формируемым вербальным описанием этих областей знаний.

6 Проведена экспериментальная оценка корректности и эффективности выносимых на защиту результатов.

Разработанная модель, метод и алгоритмы позволяют производить автоматический анализ массивов текстовых документов, а так же проверять адекватность экспертного заключения. Реализованная ИАС «NeuroText» является инструментом для проведения анализа сложной для эксперта коллекции документов.

ЗАКЛЮЧЕНИЕ

.

В работе рассмотрены теоретические и практические вопросы решения задачи тематического анализа электронных документов.

Показать весь текст

Список литературы

  1. Автоматическая классификация текстовых документов с использованием нейросетевых алгоритмов и семантического анализа. Андреев A.M. и др. Тез. докл. RCDL '2003. Москва, 2003.
  2. Автоматное программирование: анализ задачи Электронный ресурс. 2009. Режим доступа: http://www.intuit.rU/department/se/progstyles/9/, свободный.
  3. Алгоритм выделения псевдооснов Мартина Портера. Электронный ресурс. Режим доступа: http://snowball.sourceforge.net, свободный.
  4. А.Б., Усачев Ю. Е. Разработка интеллектуальных средств обучения. // Материалы Всероссийской научно-методической конференции «Телематика 2002». СПб, 2002.
  5. С. Я., Голубев Д. В., Максименко О. Б. Хранилища данных. М.: Диалог-МИФИ, 2002. 528 с.
  6. Г. А., Пустынникова И. Н. Обучение и искусственный интеллект или Основы современной дидактики высшей школы. Донецк: Изд-во ДОУ, 2002. 504 с.
  7. Базы данных в Delphi7. Самоучитель / В. Понамарев. СПб.: Питер, 2003. 224 с.
  8. М.К. О понятиях «текст» и «дискурс» // Филологические науки. 1999. № 2. С. 78−85.
  9. Бобровский С. Delphi7. Учебный курс. СПб.: Питер, 2004. 736 с.
  10. П.И., СоколовЕ.А. Автоматическое извлечение терминологии с использованием поисковых машин Интернета // Компьютерная лингвистика и интеллектуальные технологии: Труды международной конференции «Диалог 2007». М.: Изд-во РГГУ, 2007. 658 с.
  11. В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / под ред. В. Н. Вагина, Д. А. Поспелова. М.: Физматлит, 2004. 704 с.
  12. Н.С. Теория текста: Учебное пособие. М.: ЛОГОС, 2003.280с.
  13. О.О. Эволюционные БД и БЗ для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. М.: Радио и связь, 2002. 286 с.
  14. . М. Когнитивная наука. Основы психологии познания. В 2-х томах. М.: Юта, 2006.
  15. Н. Кибернетика или управление и связь в животном или машине. М.: Советское радио, 1968. 325 с.
  16. Л.А., Решетникова Е. Р. Технология обработки текстовой информации. Часть I. Основы технологии издательских и наборных процессов. Издание второе, исправленное и дополненное: Учебное пособие. М.: Изд-во МГУП, 2002. 306 с.
  17. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем: Учебное пособие для вузов. СПб.: Питер, 2000.
  18. Т.А., Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.
  19. .М., Тарасов В. А., Токарев И. В. Человеко-машинные системы принятия решения с элементами искусственного интеллекта. АН Украины. Институт кибернетики им. В. М. Глушкова. К.: Наук. Думка, 1993. 183 с.
  20. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Н. Наука, 1996. С. 276.
  21. И.Н. Разговор с компьютером: психолингвистический аспект проблемы. С послесловием Д. А. Поспелова. М.: Науку. Гл.ред.физ.-мат.лит., 1987. 256 с.
  22. О. В. Сравнительный анализ методов описания языка // Интеллектуальные технологии и системы. М.: МГТУ им. Н. Э. Баумана, 1998.
  23. А.Ф. Аналитическая философия: избранные тексты. М., Изд-во МГУ, 1993.
  24. М.В. Модели и методы представления текстового документа в системах информационного поиска / Губин М. В. // Научно-техническая информация. Сер. 1. 2004. № 12. С. 12−24.
  25. М.В. Электронная бибилиотека многоверсионных текстовых документов. / Труды RCDL-2004, 2004. С. 169−174.
  26. В., Эссинг Г., Маас С. Диалоговые системы «человек-ЭВМ». Адаптация к требованиям пользователя: Пер. с англ. М: Мир, 1984. 112 с.
  27. Т.М. Язык и социальная психология. Изд.2 дополненное. М.: КД Либроком, 2009. 224 с.
  28. А.Г. Некоторые вопросы применения векторной модели представления документов в информационном поиске // Управляющие системы и машины. 2001. № 4. С. 77−83.
  29. Дунин-Барковский В. J1. Нейрокибернетика, Нейроинформатика, Нейрокомпьютеры, В кн.: Нейроинформатика / А. Н. Горбань, В. JI. Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.
  30. А.Е., Плешко В. В. Синтаксический разбор в системах статистического анализа текста. // Информационные технологии. 2002. N7.
  31. Искусственный интеллект: В 3-х кн. Кн. 1. Модели и методы: Справочник / под ред. Д. А. Поспелова. М.: Радио и связь, 1990. 368 с.
  32. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д. А. Поспелова.- М.: Радио и связь, 1990. 304 с.
  33. Р. Преодоление метафизики логическим анализом языка. — В кн.: Грязнов А. Ф. Аналитическая философия: становление и развитие. М., ДИК — «Прогресс-Традиция», 1998.
  34. Р., Ган Г., Нейрат О. Научное миропонимание — Венский кружок // Логос, 2005, № 2.
  35. Р. Эмпиризм, семантика и онтология // Карнап Р. Значение и необходимость. М.: ЛКИ, 2007.
  36. Кириченко К. М, Герасимов М. Б. Обзор методов кластеризации текстовой информации Электронный ресурс., 2001. Режим доступа: http://www.dialog-21 .ru/Archive/200 l/volume2/226.htm, свободный.
  37. Классификация веб-страниц на основе алгоритмов машинного обучения Электронный ресурс. / П. В. Борисова [и др.]. Режим доступа: http://company.yandex.ru/grant/2005/08Petrov103106.pdf, свободный.
  38. А. Н., Фомин С. В. Элементы теории функций и функционального анализа, 5-ое изд. М.: Наука, 1981. 544 с.
  39. О.В. Частотные исследования Словаря русского языка XI—XVII вв.. // Интеллектуальные технологии и системы. Выпуск 6. М.: Изд-во ООО «Эклис+», 2004. С. 143−150.
  40. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия — Телеком, 2001.
  41. Кузин J1.T. Основы кибернетики. М.: 1979.
  42. И.П. «Семантические представления», М.: Наука, 1986.
  43. И.Е. Метод предварительной оценки эффективности семантических методов обработки текстовой информации Электронный ресурс. 2001. Режим доступа: http://www.rcdl2001.krc.karelia.ru/papers/papers/kuralenok/kuralenokpaper.rtf, свободный.
  44. А.Н. Деятельность. Сознание. Личность / Избранные психологические произведения. В 2-х т. Т.2. М. Педагогика. 1983.
  45. Н.Н. К теории автоматического понимания естественных текстов. 4.2: Семантические словари: состав, структура, методика создания М.: Изд-во МГУ, 2001
  46. Н.Н. К теории автоматического понимания естественных текстов. Ч. З: Семантический компонент. Локальный семантический анализ. М.: Изд-во МГУ, 2002
  47. В. Первичная машинная обработка текста: методика и проблематика. 1997.
  48. П. Норман Д. Переработка информации у человека. Пер. с анг. М.: Мир., 1974.
  49. А. Р. Язык и сознание. / Под редакцией Е. Д. Хомской. М: Изд-во Моск. ун-та, 1979. 320 с.
  50. А.Р. Основы нейропсихологии М.: МГУ, 1973. 374 с.
  51. Люгер, Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание / Люгер, Джордж Ф. Пер. с англ. М.: Издательский дом Вильяме, 2003. 864 с.
  52. М.К., Пятигорский A.M. Символ и сознание. / Под общей редакцией Ю. П. Сенокосова М.: Школа «Языки русской культуры», 1997.
  53. М. Фреймы для представления знаний: Пер. с англ. М.: Энергия, 1979. 152 с.
  54. Модели и методы автоматической классификации текстовых документов / Андреев A.M., и др. // Вестн. МГТУ. Сер. Приборостроение. М.:Изд-воМГТУ. 2003. № 3.
  55. У. Познание и реальность. Пер. с англ. М.: Прогресс., 1981. 232 с.
  56. Н., Шахиди А. Онтология анализа данных. Электронный ресурс. Режим доступа: http://www.basegroup.ru/library/methodology/ontology/, свободный.
  57. И.С. Тематико-ориентированные методы информационного поиска: Диссертационная работа к.т.н.: 05.13.11 / Санкт-Петербургский государственный университет СПб., 2000. 80 с.
  58. И.С., Добрынин В. Ю., Клюев В. В. Оценка тематического подобия текстовых документов // Труды второй всероссийской научной конференции «Электронные библиотеки». Протвино, 2000. С. 204−210.
  59. ГТескова О. В. Методы автоматической классификации электронных текстовых документов без обучения / О. В. Пескова // Научно-техническая информация. Сер. 2. 2006. № 12. С. 21−32.
  60. Прикладная статистика: Исследование зависимостей: Справ, изд. / Под. ред. С. А. Айвазяна. — М.: Финансы и статистика, 1985. с. 487с.
  61. Прикладная статистика: Классификация и снижение размерности: Справ, изд. / Под. ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. 607 с.
  62. К.А., Коньков В. Г. Интеллектуальные системы. М.: Изд-во МГТУ им. Баумана, 2003. 348 с.
  63. .И. Аналитическая система обработки и управления структурированной информацией // Интеллектуальные технологии и система. Вып. 5. М.: ООО «Эликс+», 2003. с. 284−296.
  64. А.И. Информация и наука, технология в глобальных исторических измерениях. М.: ИНИОН РАН, 1998. 104 с.
  65. В.Ш. Представление и анализ смысла в интеллектуальных информационных системах. М.: Наука, 1989.
  66. С.Ю. Поиск параметрической информации в тексте: алгоритмический и лексикографический аспекты // Труды Международного семинара Диалог'96 по компьютерной лингвистике и приложениям. М., 1996. С. 227−230.
  67. Дж. Динамические библиотечно-поисковые системы. М.: Мир, 1979.
  68. А. Самоорганизующиеся карты. Электронный ресурс. 2000. — Режим доступа: http://www.basegroup.ru/library/analysis/clusterization/som/, свободный.
  69. Д.А. Логический вывод в системах обработки знаний / Страбыкин Д.А.- под ред. Д. В. Пузанкова- СПбГЭТУ. СПб., 1998. 164 с.
  70. А., Грибомон П., Юлен Г. и др. Логический подход к искусственному интеллекту. От модальной логики к логике баз данных: Пер. с франц. М.: Мир, 1998.
  71. О. Третья волна. М.: ACT, 1999. 360 с.
  72. ., Стирнз С. Адаптивная обработка сигналов. М.: Мир, 1989. 440 с.
  73. Дж. Основы систем баз данных. М.: Финансы и статистика, 1987. 334 с.
  74. X., Кояма Т., Окамото Т. и др. Представление и использование знаний: Пер. с япон. М.: Мир, 1989.
  75. Ю.Н. Лекции по курсу «Семиотика информационных технологий». МГТУ, 2004.
  76. Ю.Н., Прохоров А. В. Семантика информационных технологий: Опыты словарно-тезаурурусного описания. С предисловием А. И. Новикова. М.: МГУП, 2002. 306 с.
  77. Д. Модели данных. — М.: Финансы и статистика, 1987.344 с.
  78. И. Г. Нейросетевые методы автоматизированного анализа информационных потоков в масштабе реального времени // Наукоёмкие технологии и интеллектуальные системы. 2002.
  79. С. Логическое программирование и базы данных / С. Чери, Г. Готлоб, Л. Танка- Пер. с англ. М.: Мир, 1992. 352 с.
  80. В.Л., Моделирование систем искусственного интеллекта. // Перспективные технологии автоматизации: Тезисы докладов международной электронной научно-технической конференции. Вологда: ВоГТУ, 1999. С. 151−152.
  81. Ю.И. Начала компьютерной лингвистики. М.: Изд.-во МГОУ АО «Роснаука», 1992. 113 с.
  82. П.С. Нейросетевой метод извлечения знаний на основе совместной встречаемости ключевых термов // Т Comm Телекоммуникации и транспорт статья, выпуск № 2, 2009 г. С. 42−43 / (входит в перечень ВАК).
  83. П.С., Макаров JI.M. Алгоритм обучения экспертной системы знаний на основе векторного представления полнотекстовых документов // Третий международный научный конгресс «Нейробиотелеком-2008» / СПбГУТ СПб, 2008. С. Ill -115
  84. П.С., Макаров JI.M. Векторная модель представления полнотекстовых документов //61-я НТК / ГОУВПО СПбГУТ. СПб, 2009. С. 200−202.
  85. П.С., Макаров JT.M. Интеллектуальные базы знаний // 59-я НТК / ГОУВПО СПбГУТ. СПб, 2007. С. 59−61.
  86. П.С., Макаров JI.M. Формирование сетевой интеллектуальной базы знаний // Второй международный научный конгресс «Нейробиоте-леком-2006» / СПбГУТ СПб, 2006. С. 377−380
  87. Я. Очерк истории возникновения и развития аналитической философии // Логос. 2005. № 2. С. 4−12
  88. С.А., Яровой А. В., Зорин О. Л., Ассоциативный поиск текстовой информации // Нейроинформатика-99. М.: Изд-во МИФИ, 1999.
  89. Л.В., Способы аналитической обработки данных для поддержки принятия решений, СУБД 1998.
  90. Bentivogli L., Pianta Е. Extending WordNet with Syntagmatic Information // Proceedings of International Wordnet Conference (GWC 2004). — 2004. P. 47−53.
  91. Bezdek J. C., Pal N. R. Some New Indexes of Cluster Validity // IEEE Transactions On Systems, Man And Cybernetics. 1998. Vol. 28, No. 3. P. 301−315.
  92. Boutin F., Hascoet M. Cluster Validity Indices for Graph Partitioning // Proceedings of the Eight International Conference on Information Visualization (IV'04). IEEE 2004.
  93. Dummett M. The Seas of Language. Oxford: Clarendon Press, 1993.
  94. Halkidi M. On Clustering Validation Techniques / M. Halkidi, V. Batis-takis, M. Vazirgiannis // Journal of Intelligent Information Systems, Kluwer Academic Publishers. Manufactured in The Netherlands. 2001. P. 107−145.
  95. , D. O. «Organisation of Behavior», pub. John Wiley & Sons, New York 1949.
  96. Kohonen T. Self organization of a massive document collection // IEEE Transactions on neural networks. 2000. Vol. 11, No. 3. P. 574 585.
  97. Kohonen T. Self-organized formation of topologically correct feature maps, Biological Cybernetics, Vol. 43, 1982. P. 59−69.
  98. Maulik U., Bandyopadhyay S. Performance Evaluation of Some Clustering Algorithms and Validity Indices // IEEE Transactions On Pattern Analysis And Machine Intelligence. 2002. Vol. 24, No. 12. P. 1650 1654.
  99. Pap A. Elements of Analytic Philosophy. N.Y., 1949.
  100. Parsaye, K., and Chignell M.H.: Intelligent Database Tools and Applications. New York: John Wiley and Sons, 1993.
  101. Parsaye, K., OLAP and Data Mining: Bridging the Gap. Database Programming & Design, 1997.
  102. Salton G., Allan J., and Singhal A. Automatic text decomposition and structuring. Information Processing & Management, 32(2): 127−138, 1996.
  103. Salton G., Buckley C. Term-weighting approaches in automatic text retrieval. Information Processing and Management, 24:513−523, 1988.
  104. Salton G., Fox E., and Wu H. Extended Boolean information retrieval. Communications of the ACM, Vol. 26, No. 4, December 2001, pp. 35−43.
  105. Salton G., McGill M. J. Introduction to modern Information Retrieval. McGraw-Hill Computer Science Series. McGraw-Hill, New York, 1983.
  106. Salton G., Singhal A., Mitra M., and Buckley C. Automatic text decomposition and summarization. Information Processing & Management, 33(2): 193−208, 1997.
  107. Stein B. On Cluster Validity and the Information Need of Users / B. Stein, S. M. zu Eissen, F. WiBbrock // 3rd IASTED Int. Conference on Artificial Intelligence and Applications: Proceedings of AIA 03. Benalmadena, 2003. P. 216−221.
  108. Van Rijsbergen C. J. Information retrieval Электронный ресурс., 1979. Режим доступа: http://www.dcs.gla.ac.uk/Keitli/Preface.html, свободный.
  109. Wasserman P. Neurocomputing. Theory and practice, Nostram Rein-hold, 1990. / Перевод на русский язык, Зуев Ю. А., Точенов В. А. Нейрокомпью-терная техника. М.: Мир, 1992.
  110. Wentian Li. Random Texts Exhibit Zipf s-Law-Like Word Frequency Distribution / IEEE Transactions on Information Theory. Santa Fe Institute, 1660 Old Pecos Trail, Suite A, Santa Fe, NM 87 501: 1992. B. 38. № 6. C. 1842−1845.
  111. Yiming Yang, Xin Liu. A Re-Examination of Text Categorization Methods. Тез. докл. 22nd Annual International SIGIR. Berkley, 1999 .145
Заполнить форму текущей работой

Пора сдавать?