ВПРОВАДЖЕННЯ ТЕХНОЛОГІЙ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ТЕКСТОВИХ ДОКУМЕНТІВ У СФЕРУ ТЕХНІЧНОГО РЕГУЛЮВАННЯ В БУДІВНИЦТВІ
DOI:
https://doi.org/10.32347/2412-9933.2021.47.63-70Ключові слова:
автоматичний пошук, інтелектуальний аналіз, кластеризація, невизначеність, технічне регулюванняАнотація
Статтю присвячено впровадженню технологій інтелектуального аналізу текстових документів у сферу технічного регулювання в будівництві України. Основну увагу в роботі спрямовано на вирішення питань автоматичного накопичення та інтелектуального аналізу нормативних документів будівельної галузі, які набувають надзвичайної актуальності у зв’язку з цифровізацією усіх сфер господарства. Висвітлено нагальні проблеми системи технічного регулювання в будівництві. Показано, що ці проблеми висувають на перший план завдання підвищення швидкості та надійності опрацювання текстових документів в електронних інформаційних системах. Вирішення цього завдання передбачає розробку автоматичних систем, які здатні до інтелектуального пошуку документів в умовах невизначеності, що спричинена наявністю надлишкової текстової інформації. Проведено огляд інформаційно-пошукових систем, які використовуються для опрацювання текстових документів в електронних інформаційних ресурсах. Досліджено передумови впровадження технологій інтелектуального аналізу текстових документів у сферу технічного регулювання в будівництві України. Обґрунтовано своєчасність їх провадження. Надано основні поняття, що використовуються у процесі розроблення моделей і методів автоматичного вилучення значущої інформації з текстів. Досліджено процес інтелектуального аналізу даних та проаналізовано наявні моделі інтелектуального аналізу текстової інформації, які використовуються в різних інформаційно-пошукових системах. Запропоновано схему впровадження технології інтелектуального аналізу текстових документів в Єдину державну електронну систему у сфері будівництва. При цьому передбачається розв’язання задачі кластеризації текстових документів покласти на штучні нейронні мережі. Розглядається можливість використання таких моделей, як глибоко структурована семантична модель і самоорганізуюча карта Кохонена. Вибір зазначених моделей ґрунтується на їх здатності до визначення міри близькості інформаційно-пошукових образів текстових документів. Практичне значення роботи вбачається в удосконаленні пошукових систем у сфері технічного регулювання в будівництві та можливості суттєво прискорити процес реструктуризації галузі будівництва і архітектури України.
Посилання
Terenchuk S., Belous S. (2019). Study of Ambiguity in Regulatory Framework in Construction. Scientific Journal of ScienceRise, 7 (60), 35–39.
Seryh, A. R. (2010). Technical Regulation in Construction. Analytical review of world experience. SNIP, available at: http://iceg.com.ua/wpcontent/ uploads/2016/04/techno_reg_stroi_world.pdf.
Chernyshev D., Klochko A., Terenchuk S., Ternavska V., & Zapryvoda V. (2020). Semantic Analysis Models and Methods of the Text Information in the Building Normative Base. International Journal of Innovative Technology and Exploring Engineering (IJITEE), Vol. 9, Issue-6, 1873–1879.
Ісаєнко Д. В., Теренчук С. А. Моделювання інтелектуальної системи підтримки прийняття рішень з технічного регулювання в будівництві. Вісник Одеської державної академії будівництва та архітектури. 2018, № 72. С. 18–25.
Ісаєнко Д. В., Клочко А. А., Ященко О. Ф. Аналіз проблеми цифровізації сфери технічного регулювання в будівництві Управління розвитком складних систем. 2020, №43. С. 91–96.
Klochko A., Terenchuk S., Chernyshev D., Zapryvoda V. (2020). Using Deep Structured Semantic Model to Analysis Text Documents in the Building Normative Base. 2020 IEEE International Conference on Problems of Infocommunications Science and Technology, PIC S&T`2020, 330–334.
Rudyuk V. (2006). Criteria for classification of electronic business documents: current trends and future schemes. Library Science. Documentation. Informology, 3.
Ісаєнко Д. В. Законодавче регулювання діяльності в будівельній галузі. Особливості світового досвіду та Європейського підходу для визначення пріоритетів при формуванні життєвого середовища. Будівельне виробництво. 2017, №6. С. 11–15.
Оксанич, І. Г., Піскунов Д. М., Черниш Д. П. Інтелектуальний аналіз масиву текстових документів на основі технології Text Mining. Системи обробки інформації. 2013, №2. С. 139–143.
Єдина державна електронна система в будівельній галузі. URL: https://thedigital.gov.ua/news/upershe-vidkrito-dani-pro-deklarativni-ta-dozvilni-dokumenti-z-novogo-reestru-budivelnoi-diyalnosti-ta-provedeno-doslidzhennya-pro-vpliv -відкритих-даних-на-містобудівну-галузь.
Заукон України «Про регулювання містобудівної діяльності». URL:https://zakon.rada.gov.ua/laws/show/3038-17#Text.
Постанова Кабінету Міністрів «Про реалізацію експериментального проекту щодо запровадження першої черги Єдиної державної електронної системи у сфері будівництва». URL: https://zakon.rada.gov.ua/laws/show/559-2020-%D0%BF#Text.
Організація та оцифрування інформації щодо будівель та споруд включно з будівельним інформаційним моделюванням (ВІМ). Управління інформацією з використанням будівельного інформаційного моделювання. Частина 1. Концепції та принципи. Частина 1. Поняття та принципи (ISO 19650-1: 2018 IDT). Наказ від 18.03.2020 73 Про прийняття національних стандартів 2020 р. URL: http://online.budstandart.com/ua/catalog/docpage.html?id_doc=89571.
Chang, Wui Lee, Tay, Kai Meng, Lim, Chee Peng (2017). A New Evolving Tree-Based Model with Local Re-learning for Document Clustering and Visualization. Neural Processing Letter, 46 (2), 379–409.
Paltoglou, Georgios; Thelwall, Mike. Twitter, MySpace, Digg (2012). Unsupervised Sentiment Analysis in Social Media. ACM Transactions on Intelligent Systems and Technology (TIST), 3 (4). P. 66.
Atika Mustafa, Ali Akbar, and Ahmer Sultan (2009). Knowledge Discovery using Text Mining: A Programmable Implementation on InformationExtraction and Categorization.International Journal of Multimedia and Ubiquitous Engineering, Vol. 4, No.2, 837–848.
Chauhan Shrihari R., Amish Desai, (2015). AReview on Knowledge Discovery Using Text Classification Techniques in Text Mining. International Journal of Computer Applications (0975-8887), Vol.111, No 6.
Zhao Y. (2013) Analysing Twitter Data with Text Mining and Social Network Analysis in Proceedings of the 11th Australasian Data Miningand Analytics Conference (AusDM 2013), p.23.
Renganathan, Vinaitheerthan, (2017). Text Miningin Biomedical Domain with Emphasis on Document Clustering. Healthcare Informatics Research, 23 (3), 141–146.
Karpov I. A., Antonenko S. V. (2020). Review of text mining methods. Current issues of automation and information technology, Volume 24, 40–46.
Буряков С., Клочко А., Федоров О., Теренчук С. Аналіз проблем автоматичного пошуку веб-даних в системі технічного регулювання в будівництві. Міжнародна науково-практична конференція молодих вчених «БУД-МАЙСТЕР-КЛАС-2020», 25-27 листопада 2020. КНУБА, С. 116 –117.
Gubin M. V. (2004) Models and methods of representation of a text document in information retrieval systems // Scientific and technical information, Ser. 1, 12, 12–24.
Xie, Z., Zeng, Z., Zhou, G. etal. (2017). Topic enhanced deep structured semantic models for knowledge base question answering. Sci. ChinaInf. Sci. 60, 110103. https://doi.org/10.1007/s11432-017-9136-x.
Kohonen T., Ageeva V. N. Self-organizing cards. Per. from English M.: BINOM. Knowledge Laboratory, 2008.655 p.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Андрій Клочко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
