Автоматична побудова термінологічної мережі як моделі предметної області

Abstract

Запропоновано алгоритм побудови термінологічних мереж — моделей предметних областей на основі репрезентативного набору тегів, отриманого в результаті зондування великої інформаційної мережі. За основу взято мережу понять, які відповідають тегам наукометрич- ного сервісу Google Scholar Citations, вузли якої — поняття, марковані тегами, а ребра — деякі семантичні зв’язки між ними, обумовлені суміжними інтересами окремих авторів. Наведено правила автоматичної побудови на основі даної мережі бібліографічного списку релевантних публікацій. Запропонований підхід може бути застосовано, зокрема, до бібліографічних баз даних, в яких у явному вигляді виділені автори, і як теги — ключові слова, а також для багатьох напрямків науки.

Предложен алгоритм построения терминологических сетей — моделей предметных областей на основе репрезентативного набора тегов, полученного в результате зондирования большой информационной сети. За основу взята сеть понятий, соответствующих тегам наукометрического сервиса Google Scholar Citations, узлы которой — понятия, маркированные тегами, а связи — некоторые семантические связи между ними, определяемые смежными интересами отдельных авторов. Приведены правила автоматического построения на основе данной сети библиографического списка релевантных публикаций. Предложенный подход может быть применен, в частности, к библиографическим базам данных, в которых в явном виде выделены авторы и как теги — ключевые слова, а также для многих других областей науки.

It is offered an algorithm for building terminological networks — Domain knowledge (DK) models based on representational tags set, as result of big data network probing. It is based on network that relies on related authors interests. This network is composed of scientometric «Google Scholar Citations» web-service tags, which match it’s nodes with some kind of semantic relations between them. Rules for automatic construction of relevant publications list based on given network are also listed. Offered approach can be applied, in particular, to bibliographic databases, which contains authors’ lists and keywords tags, as well as to many others areas of science.