zldmЗаводская лаборатория. Диагностика материаловIndustrial laboratory. Diagnostics of materials1028-68612588-0187ООО «Издательство «ТЕСТ-ЗЛ»10.26896/1028-6861-2025-91-9-81-90zldm-2596Research ArticleМАТЕМАТИЧЕСКИЕ МЕТОДЫ ИССЛЕДОВАНИЯMATHEMATICAL METHODS OF INVESTIGATIONСистемы поддержки научной деятельности на основе построения профиля пользователяScientific support systems based on the constructing user profileНазаровН. А.NazarovN. A.

Николай Алексеевич Назаров

111250, Москва, Красноказарменная ул., д. 14

Nikolay A. Nazarov

14, Krasnokazarmennaya ul., Moscow, 111250

ТолчеевВ. О.TolcheevV. O.

Владимир Олегович Толчеев

111250, Москва, Красноказарменная ул., д. 14

Vladimir O. Tolcheev

14, Krasnokazarmennaya ul., Moscow, 111250

tolcheevvo@mail.ruНациональный исследовательский университет «МЭИ»РоссияNational Research University «MPEI»Russian Federation2025250920259198190Copyright © Назаров Н.А., Толчеев В.О., 20252025Назаров Н.А., Толчеев В.О.Nazarov N.A., Tolcheev V.O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.zldm.ru/jour/article/view/2596

Приведен обзор современных систем поддержки научной деятельности (СПНД), позволяющих повысить эффективность работы специалистов-предметников и удовлетворить их информационную потребность в тематических публикациях. Особое внимание уделено применению СПНД в быстро меняющихся предметных областях, в частности — Компьютерных науках (Computer Science). Изложены основные подходы к созданию СПНД, отмечено, что ключевым направлением их развития является персонализация поиска и анализа информации. Один из основных способов реализации персонального подхода в СПНД состоит в построении профиля пользователя (ПП). Для этого используют различные технологии. В данной работе показаны преимущества конструирования ПП на основе ключевых слов (КС) — униграмм, биграмм, триграмм и n-грамм. Это позволяет создавать достоверный «информационный портрет» текста, получать для него сжатое смысловое ядро. Ключевые слова наиболее эффективно описывают короткие документы и хорошо подходят для анализа библиографических описаний научных статей, которые включают название, аннотацию и другие вспомогательные разделы. Представлена формальная постановка задачи извлечения КС из научных документов, систематизированы методы выявления КС, обоснован выбор нейросетевой модели KeyBERT для практического использования в СПНД. Отмечены высокая универсальность модели KeyBERT, ее эффективность для выявления КС в коротких научных текстах. Приведен алгоритм, реализующий KeyBERT (векторы-эмбеддинги строят на основе модели RoBERTa). Для демонстрации возможностей разработанной СПНД (в частности — построения и уточнения ПП) проведены исследования на выборке УИТ-2024, сформированной на кафедре Управления и интеллектуальных технологий МЭИ и включающей 10 тыс. документов по десяти тематикам в области Computer Science. По этой выборке алгоритм KeyBERT автоматически формирует расширенный список однословных и многословных дескрипторов, позволяющих специалисту-предметнику формировать и уточнять свой профиль, повышая релевантость рекомендаций в СПНД. Возможности предлагаемого подхода подробно рассмотрены на примерах.

This article provides an overview of modern scientific support systems (SSS), which increases the effectiveness of scientific activity of specialists due to timely receipt of relevant publications. Special attention is paid to the application of SSS in rapidly changing subject areas, in particular Computer Science. The main approaches to the creation of SSS are outlined, it is noted that the key direction of the development of SSS is the personalization of information search and analysis. One of the main ways to implement a personal approach is to build a user profile (PP). Various technologies are used for this purpose. This paper shows the advantages of constructing PP based on keywords (KW) — unigrams, bigrams, trigrams and n-grams. This allows to create a reliable «information portrait» of the text, to obtain a compressed semantic core for it. KW describe short documents most effectively and are well suited for analyzing bibliographic descriptions of scientific articles that include titles, annotations (and other supporting sections). The paper makes a formal statement of the task of extracting KW from scientific documents, systematizes methods for detecting KW, and justifies the choice of the neural network model KeyBERT for practical use in SSS. The high versatility of the KeyBERT and its effectiveness for detecting KW in short scientific texts are noted. An algorithm implementing KeyBERT is given (embedding vectors are based on the RoBERTa model). To demonstrate the capabilities of the developed SSS (in particular, the construction and updating), research was conducted on a sample of «UIT-2024», formed at the Department of Control and Intelligent Technologies of the Moscow Power Engineering Institute. It includes 10,000 documents on ten topics in the field of Computer Science. After additional learning, the KeyBERT algorithm extracts informative KW from this sample and automatically generates an expanded list of one-word and multi-word descriptors that allow the specialists to form and update their profiles, increasing the relevance of recommendations in the SSS. The possibilities of the proposed approach are considered in detail using the example of a hypothetical specialist in Computer Science.

система поддержки научной деятельностипрофиль пользователямодель KeyBERTизвлечение ключевых словоднословные и многословные дескрипторы (униграммабиграмматриграмма и n-грамма)scientific support systemuser profileKeyBERTkeyword extractionunigrambigramtrigram and n-gramReferencesКамшилова О. Н. Малые формы научного текста: ключевые слова и аннотация (информационный аспект) / Известия Российского государственного педагогического университета им. А. И. Герцена. 2013. № 156. С. 106 – 117.Kamshilova O. N. Small forms of scientific text: keywords and abstract (informational aspect) / Izv. Ross. Gos. Ped. Univ. im. A. I. Gertsena. 2013. No. 156. P. 106 – 117 [in Russian].Шереметьева С. О. Методы и модели автоматического извлечения ключевых слов / Вестник Южно-Уральского государственного университета. 2015. Т. 12. № 1. С. 76 – 81.Sheremetyeva S. O. Methods and models of automatic keyword extraction / Vestn. Yuzh.-Ural. Gos. Univ. 2015. Vol. 12. No. 1. P. 76 – 81 [in Russian].Наукометрия и экспертиза в управлении наукой / Под ред. Д. А. Новикова, А. И. Орлова, П. Ю. Чеботарева: Сб. трудов. Специальный выпуск 44. — М.: ИПУ РАН, 2013. — 568 с.Scientometry and expertise in science management / Edited by D. A. Novikov, A. I. Orlov, P. Yu. Chebotarev: Coll. of works. Spec. issue 44. — Moscow: IPU RAN, 2013. — 568 p. [in Russian].Орлов А. И. Современные проблемы науковедения и наукометрии / Biocosmology — neo-Aristotelism. 2017. Т. 7. № 3 – 4. С. 389 – 410.Orlov A. I. Modern problems of science and scientometry / Biocosmology — neo-Aristotelism. 2017. Vol. 7. Nos. 3 – 4. P. 389 – 410 [in Russian].Искусственный интеллект: Справочник в трех томах. Т. 2. Модели и методы / Под ред. В. Н. Захарова, Э. В. Попова, Д. А. Поспелова, В. Ф. Хорошевского. — М.: Радио и связь, 1990. — 304 с.Artificial intelligence: The handbook is in three volumes. Vol. 2. Edited by V. N. Zakharov, E. V. Popov, D. A. Pospelov, V. F. Khoroshevsky. — Moscow: Radio i sviaz’. 1990. — 304 p. [in Russian].Солтон Дж. Динамические библиотечно-информационные системы. — М.: Мир, 1979. — 560 с.Salton J. Dynamic library and information systems. — Moscow: Mir, 1979. — 560 p. [Russian translation].Bollacker K. D., Lawrence S., Giles C. L. CiteSeer: an autonomous web agent for automatic retrieval and identification of interesting publications / Proceedings of the 2nd International conference on Autonomous agents. 1998. P. 116 – 123.Bollacker K. D., Lawrence S., Giles C. L. CiteSeer: an autonomous web agent for automatic retrieval and identification of interesting publications / Proceedings of the 2nd international conference on Autonomous agents. 1998. P. 116 – 123.Cross J. MEDLINE, PubMed, PubMed Central, and the NLM / Editors’ Bulletin. 2006. No. 2. DOI: 10.1080/17521740701702115Cross J. MEDLINE, PubMed, PubMed Central, and the NLM / Editors’ Bulletin. 2006. No. 2. DOI: 10.1080/17521740701702115Gündogan E., Kaya M. A novel hybrid paper recommendation system using deep learning / Scientometrics. 2022. Vol. 127. No. 7. P. 3837 – 3855. DOI: 10.1007/s11192-022-04420-8Gündogan E., Kaya M. A novel hybrid paper recommendation system using deep learning / Scientometrics. 2022. Vol. 127. No. 7. P. 3837 – 3855. DOI: 10.1007/s11192-022-04420-8Bai X., Wang M., Lee I., et al. Scientific paper recommendation: a survey / IEEE Access. 2019. Vol. 7. P. 9324 – 9339.Bai X., Wang M., Lee I., et al. Scientific paper recommendation: a survey / IEEE Access. 2019. Vol. 7. P. 9324 – 9339.Li Z., Zou X. A review on personalized academic paper recommendation / Computer and Information Science. 2019. Vol. 12. No. 1. P. 33 – 43.Li Z., Zou X. A review on personalized academic paper recommendation / Computer and Information Science. 2019. Vol. 12. No. 1. P. 33 – 43.Kreutz C., Schenkel R. Scientific Paper Recommendation Systems: a Literature Review of recent Publications. 2022. ArXiv: 2201.00682Kreutz C., Schenkel R. Scientific Paper Recommendation Systems: a Literature Review of recent Publications. 2022. ArXiv: 2201.00682Beel J., Gipp B., Langer S., et al. Introducing Mr. DLib, a Machine-readable Digital Library / Proceedings of the ACM/IEEE Joint Conference on Digital Libraries. 2011. DOI: 10.1145/1998076.1998187Beel J., Gipp B., Langer S., et al. Introducing Mr. DLib, a Machine-readable Digital Library / Proceedings of the ACM/IEEE Joint Conference on Digital Libraries. 2011. DOI: 10.1145/1998076.1998187Bogers T., Van den Bosch A. Recommending scientific articles using CiteUlike / Proc. ACM Conf. Recommender Syst. 2008. P. 287 – 290.Bogers T., Van den Bosch A. Recommending scientific articles using CiteUlike / Proc. ACM Conf. Recommender Syst. 2008. P. 287 – 290.Gingstad K., Jekteberg Y., Balog K. ArXivDigest: A Living Lab for Personalized Scientific Literature Recommendation. 2020. ArXiv: 2009.11576.Gingstad K., Jekteberg Y., Balog K. ArXivDigest: A Living Lab for Personalized Scientific Literature Recommendation. 2020. ArXiv: 2009.11576.Beel J., Gipp B., Langer S., Breitinger C. Research-paper recommender systems: a literature survey / International Journal on Digital Libraries. 2015. P. 1 – 34.Beel J., Gipp B., Langer S., Breitinger C. Research-paper recommender systems: a literature survey / International Journal on Digital Libraries. 2015. P. 1 – 34.Fee H., Barth J., Gremm J., et al. Coverage of academic citation databases compared with coverage of scientific social media: Personal publication lists as calibration parameters / Online Information Review. 2015. Vol. 39. P. 255 – 264. DOI: 10.1108/oir-07-2014-0159Fee H., Barth J., Gremm J., et al. Coverage of academic citation databases compared with coverage of scientific social media: Personal publication lists as calibration parameters / Online Information Review. 2015. Vol. 39. P. 255 – 264. DOI: 10.1108/oir-07-2014-0159Gollapalli S. D., Caragea C. Extracting keyphrases from research papers using citation networks / AAAI’14: Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence. 2014. Vol. 28. No. 1. P. 1629 – 1635.Gollapalli S. D., Caragea C. Extracting keyphrases from research papers using citation networks / AAAI’14: Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence. 2014. Vol. 28. No. 1. P. 1629 – 1635.Чжан Ч., Афанасьев Г. И. Основные технологии и перспективы эволюции персонализированных рекомендательных систем / E-Scio. 2022. No. 4(67). С. 309 – 320.Zhang Ch., Afanasyev G. I. Basic technologies and prospects for the evolution of personalized recommendation systems / E-Scio. 2022. No. 4(67). P. 309 – 320 [in Russian].Жарова М. А., Цурков В. И. Нейросетевые подходы для рекомендательных систем / Изв. РАН. Теория и системы управления. 2023. № 6. С. 150 – 165. DOI: 10.31857/s0002338823060124Zharova M. A., Tsurkov V. I. Neural network approaches for recommendation systems / Izv. RAN. Teor. Sist. Upravl. 2023. No. 6. P. 150 – 165 [in Russian]. DOI: 10.31857/s0002338823060124Liu Y., Ott M., Goyal N., et al. RoBERTa: A robustly optimized BERT pretraining approach. 2019. ArXiv: 1907.11692.Liu Y., Ott M., Goyal N., et al. RoBERTa: A robustly optimized BERT pretraining approach. 2019. ArXiv: 1907.11692.Papagiannopoulou E., Tsoumakas G. A review of keyphrase extraction / Wiley Interdisciplinary Reviews — Data Mining and Knowledge Discovery. 2020. Vol. 10. No. 2. DOI: 10.1002/widm.1339Papagiannopoulou E., Tsoumakas G. A review of keyphrase extraction / Wiley Interdisciplinary Reviews — Data Mining and Knowledge Discovery. 2020. Vol. 10. No. 2. DOI: 10.1002/widm.1339Kulkarni M., Mahata D., Arora R., Bhowmik R. Learning Rich Representation of Keyphrases from Text / Findings of the Association for Computational Linguistics. 2022. P. 891 – 906. DOI: 10.18653/v1/2022.findings-naacl.67Kulkarni M., Mahata D., Arora R., Bhowmik R. Learning Rich Representation of Keyphrases from Text / Findings of the Association for Computational Linguistics. 2022. P. 891 – 906. DOI: 10.18653/v1/2022.findings-naacl.67Liang X., Wu S., Li M., Li Z. Unsupervised keyphrase extraction by jointly modeling local and global context / Proceedings of the Conference on Empirical Methods in Natural Language Processing. 2021. P. 155 – 164. DOI: 10.18653/v1/2021.emnlp-main.14Liang X., Wu S., Li M., Li Z. Unsupervised keyphrase extraction by jointly modeling local and global context / Proceedings of the Conference on Empirical Methods in Natural Language Processing. 2021. P. 155 – 164. DOI: 10.18653/v1/2021.emnlp-main.14Grootendorst M. KeyBERT: Minimal Keyword Extraction with BERT. 2020. DOI: 10.5281/zenodo.4461265Grootendorst M. KeyBERT: Minimal Keyword Extraction with BERT. 2020. DOI: 10.5281/zenodo.4461265Козлов П. А., Назаров Н. А., Толчеев В. О. Персонализированная система поддержки научной деятельности в малых исследовательских коллективах / Сборник материалов XXVII Международной научно-технической конференции «Информационные системы и технологии», Нижегородский государственный технический университет им. Р. Е. Алексеева. 2021. С. 630 – 635.Kozlov P. A., Nazarov N. A., Tolcheev V. O. Personalized support system for scientific activities in small research teams / Collection of materials of the XXVII International scientific and technical conference «Information systems and technologies», R. E. Alekseev Nizhny Novgorod State Technical University. 2021. P. 630 – 635 [in Russian].Козлов П. А., Мохов А. С., Назаров Н. А. и др. Сравнительный анализ бинарных классификаторов на массиве научных публикаций / Заводская лаборатория. Диагностика материалов. 2022. Т. 88. № 7. С. 79 – 87. DOI: 10.26896/1028-6861-2022-88-7-79-87Kozlov P. A., Mokhov A. S., Nazarov N. A., et al. Comparative analysis of binary classifiers on an array of scientific publications / Industr. Lab. Mater. Diagn. 2022. Vol. 88. No. 7. P. 79 – 87 [in Russian]. DOI: 10.26896/1028-6861-2022-88-7-79-87

The authors declare that there are no conflicts of interest present.