Сучасні методи пошуку в системах архівування наукових робіт
DOI:
https://doi.org/10.32347/2412-9933.2023.54.63-68Ключові слова:
сучасні методи пошуку, штучний інтелект, системи архівування наукових робіт, система депонування результатів інтелектуальної діяльності, нейронні мережі, машинне навчання, LLMАнотація
В умовах цифровізації галузей економіки й освіти штучний інтелект постає як один з трендових напрямів розвитку технологій і проникає в життя як спеціалістів різних напрямів, так і вчених. Штучний інтелект, будучи складовою розвитку сучасного суспільства, набирає обертів використання в контексті розв’язання задач виробничого і освітнього характеру шляхом його інтеграції в ключові технології цифровізації. Кожного дня створюються десятки нових інструментів на основі штучного інтелекту, що автоматизують процеси для різних потреб. Однією з центральних проблем для ІТ-рішень штучного інтелекту є завдання «розуміння» тексту, точніше, отримання сенсу з тексту, написаного природною мовою. Саме до цього завдання, зрештою, зводяться практичні рішення розумних мовних технологій, що спрямовані на аналіз змісту тексту і можуть бути використані для розв’язання локальних задач при побудові інформаційної системи депонування результатів інтелектуальної діяльності. Зокрема, технології штучного інтелекту можна використати для: автоматизованого визначення наукового напряму, до якого належить зміст наукового документа, що подається на депонування; подальшої класифікації наукової роботи; формування набору метаданих; розроблення пошукового модуля системи. Стаття присвячена дослідженню різних методів пошуку й аналізу інформації в документі, що базуються на штучному інтелекті, та аналізу функціональних можливостей готових програмних рішень, що можуть бути корисні при побудові інформаційної системи депонування результатів інтелектуальної діяльності.
Посилання
URL: https://kepios.com/?utm_campaign=Digital_2022&utm_medium=Article&utm_source=Global_Digital_Reports.
Internet usage statistics. The Internet Big Picture World Internet Users and Population Stats 2023.
Sukhii, O. L., Milenin, V. M., Taradainik, V. M. (2015). Search algorithms in information systems: methodological recommendations. Kyiv.
Lande, D. V., Subach, I. Yu., Boyarinova, Yu. E. (2018). Fundamentals of the theory and practice of intellectual data analysis in the field of cyber security: a study guide. Kyiv: ISZZI KPI named after Igor Sikorsky, 300.
Andon, P. I., Hlybovets, A. M., Kurylyak, V. V. (2020). Building a semantic image model using machine learning based on convolutional neural networks. Programming problems, 2–3, 354–364.
Anisimov, A. V., Marchenko, O. O., Nikonenko, A. O. (2008). Algorithmic model of associative-semantic contextual analysis of natural language texts. Programming problems, 2–3, 379–384.
Buryachok, V. L., Tolubko, V. B., Khoroshko, V. O., Tolyupa, S. V. (2015). Information and cyber security: socio-technical aspect: textbook; in general ed. Dr. Tech. Sciences, Professor V. B. Tolubka. Kyiv: DUT. 288.
Priyma, S. M., Rogushyna, Yu. V. and Strokan, O. V. (2018). Use of semantic technologies to establish dialogue between labor market subjects. Programming problems, 2–3, 226–235. URL: http://nbuv.gov.ua/UJRN/Progr_2018_2-3_28.
Deretskyi, V., Bohdanova, M., Remarovych, S. (2008). Approach to the organization of information search in heterogeneous corporate sources. Programming problems, 2–3, 395–402.
Gryshanova, I. Yu., Shcherbak, S. S. (2009). Development of information search technologies and analysis of their application in the Semantic Web. Information processing systems, 6, 34–42.
Gryshanova, I. Yu. (2016). Analytical review of methods and means of information search in the Semantic Web. Programming problems, 1, 51–72.
Zharinova, Alla, Chupryna, Khrystyna & Tsybenko, Iryna. (2023). Classification of types of documents containing the results of intellectual and creative activity. Management of Development of Complex Systems, 53, 63–70, dx.doi.org10.32347/2412-9933.2023.53.63-70.
Schmidhuber, J. (2015). Deep learning in neural networks: an overview Neural Netw.
Adhikari, S. P. et al. (2018). Hybrid no-propagation learning for multilayer neural networks Neurocomputing.
Liu, A. et al. (2018). Balance gate controlled deep neural network Neurocomputing.
Turney, P. D., Hasan, K. S. et al. (2017). Learning to extract keyphrases from text.
Automatic keyphrase extraction: A survey of the state of the art. (2014). Proceedings of the ACL.
Medelyan, Olena, Frank, Eibe and Witten, Ian H. (2009). Human-competitive tagging using automatic keyphrase extraction. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, pages 1318 – 1327, Singapore. Association for Computational Linguistics. URL: https://aclanthology.org/D09-1137.pdf.
Liu, T. et al. (2022). Generating and exploiting large-scale pseudo training data for zero pronoun resolution Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Христина Чуприна , Олександр Литвиненко , Олександр Литвиненко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
