Системы поддержки научной деятельности на основе построения профиля пользователя

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.

1. Камшилова 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.

2. Шереметьева С. О. Методы и модели автоматического извлечения ключевых слов / Вестник Южно-Уральского государственного университета. 2015. Т. 12. № 1. С. 76 – 81.

3. 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.

4. Орлов А. И. Современные проблемы науковедения и наукометрии / Biocosmology — neo-Aristotelism. 2017. Т. 7. № 3 – 4. С. 389 – 410.

5. 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.

6. Солтон Дж. Динамические библиотечно-информационные системы. — М.: Мир, 1979. — 560 с.

7. 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.

8. Cross J. MEDLINE, PubMed, PubMed Central, and the NLM / Editors’ Bulletin. 2006. No. 2. DOI: 10.1080/17521740701702115

9. Gündogan E., Kaya M. A novel hybrid paper recommendation system using deep learning / Scientometrics. 2022. Vol. 127. No. 7. P. 3837 – 3855. DOI: 10.1007/s11192-022-04420-8

10. Bai X., Wang M., Lee I., et al. Scientific paper recommendation: a survey / IEEE Access. 2019. Vol. 7. P. 9324 – 9339.

11. Li Z., Zou X. A review on personalized academic paper recommendation / Computer and Information Science. 2019. Vol. 12. No. 1. P. 33 – 43.

12. Kreutz C., Schenkel R. Scientific Paper Recommendation Systems: a Literature Review of recent Publications. 2022. ArXiv: 2201.00682

13. Beel 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: 10.1145/1998076.1998187

14. Bogers T., Van den Bosch A. Recommending scientific articles using CiteUlike / Proc. ACM Conf. Recommender Syst. 2008. P. 287 – 290.

15. Gingstad K., Jekteberg Y., Balog K. ArXivDigest: A Living Lab for Personalized Scientific Literature Recommendation. 2020. ArXiv: 2009.11576.

16. Beel J., Gipp B., Langer S., Breitinger C. Research-paper recommender systems: a literature survey / International Journal on Digital Libraries. 2015. P. 1 – 34.

17. 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-07-2014-0159

18. 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.

19. Чжан Ч., Афанасьев Г. И. Основные технологии и перспективы эволюции персонализированных рекомендательных систем / E-Scio. 2022. No. 4(67). С. 309 – 320.

20. 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/s0002338823060124

21. Liu Y., Ott M., Goyal N., et al. RoBERTa: A robustly optimized BERT pretraining approach. 2019. ArXiv: 1907.11692.

22. 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.1339

23. Kulkarni 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.67

24. Liang 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.14

25. Grootendorst M. KeyBERT: Minimal Keyword Extraction with BERT. 2020. DOI: 10.5281/zenodo.4461265

26. Козлов 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.

27. 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: 10.26896/1028-6861-2022-88-7-79-87