Software & Systems

Поиск инновационных решений с использованием различных источников данных является важной составляющей многих направлений деловой активности. Разнообразные исследования в этой области инновационного менеджмента касаются особенностей поиска инноваций в экономике, науке, образовании (см., например, [1–3]). В этой связи несомненную ценность представляют специализированные коллекции научно-техничес­ких достижений [4].

Один из основных трендов развития методологии и решений для поиска инноваций – автоматизированная семантическая обработка больших массивов научно-технической информации, позволяющая осуществлять поиск прорывных технологий и других инновационных идей. В качестве примеров приведем несколько известных решений: illumin8, NetBase, Orbit. При всех различиях этих и других подобных систем основной паттерн поиска включает в себя отбор материалов по запросу, выделение ключевых понятий в заданной области и соответствующую группировку материалов, фильтрацию результатов, генерацию аналитических отчетов.

Не затрагивая вопросов стратегии внедрения инноваций в конкретных приложениях, отметим ряд принципиальных, на взгляд авторов, особенностей, касающихся реализации непосредственных механизмов автоматизированного поиска инновационных решений:

–      искомые решения часто находятся на стыке смежных областей – отсюда сложности формулировки точного запроса;

–      одновременно с информацией о собственно инновациях желательно получить сведения о примерах применения, рисках,  особенностях использования, пользователях, авторах, производителях;

–      наличие альтернатив и необходимость одновременного поиска критериев отбора наиболее эффективных  решений;

–      разрозненность и неоднородность сведений об инновациях; преимущественно внутриотраслевой характер.

Очевидно, что полностью задача автоматизированного поиска инновационных решений далеко не решена. Нужны новые эффективные методы создания и наполнения электронных коллекций новейших идей и технологий, содержащих не просто их описания, а специальным образом отобранные, классифицированные и ассоциированные данные.

В настоящей статье описываются один из подходов к поиску информации об инновациях и область его применения, представляется архитектура соответствующего ПО, даются сведения о текущем состоянии реализуемого проекта програм- мной системы с функциями семантического поиска и интеллектуального анализа данных для предложения инновационных решений.

О цели проекта

Предположим, что пользователю необходимо получить максимально исчерпывающую информацию о возможных инновационных решениях задачи в какой-либо предметной области. Естественные первоочередные действия – выполнение поискового запроса/запросов для поиска научно-технической информации:

–      в ресурсах Интернета (издания общероссийских и отраслевых институтов информации, справочники, статьи и обзоры, материалы конференций, ГОСТы, технические регламенты, нормативно-техническая документация, отчеты о НИР/ОКР, рекламные материалы, статистические данные, экспертные оценки);

–      в специализированных БД (патентных, описаний изобретений и полезных моделей, промышленных образцов, реферативной и/или библиографической информации, товарных знаков).

В результате в распоряжении пользователя будет большое количество данных, в той или иной степени релевантных соответствующим запросам. При этом, как правило, у пользователя нет возможности подробно рассмотреть все имеющиеся результаты. Возникают следующие вопросы:

–      является ли ранжирование результатов, выполненных поисковой системой, корректным с точки зрения ожиданий пользователя;

–      все ли результаты, доступные для непосредственной оценки пользователем, соответствуют его ожиданиям;

–      все ли результаты, соответствующие ожиданиям пользователя, попали в число доступных для непосредственной оценки;

–      все ли искомые решения найдены вообще;

–      обнаружатся ли эффективные решения, которые относятся к другим областям применения, но могут успешно использоваться как инновации в данной области.

Ответы на эти вопросы может дать выполнение работ по проекту системы информационной поддержки инноваций в науке и образовании. Суть проекта – разработка новых методов поиска готовых решений в базе данных центра обработки данных (data centre) и ее пополнения результатами интеллектуального анализа данных Интернета. Пользователи должны иметь возможность визуально оценить найденные решения в совокупности со связанными объектами. Основной инструмент – приложение для мобильных устройств с переносом большей части ресурсоемких вычислений в облачный сервис.

Общая архитектура

Согласно руководству Microsoft по проектированию структуры приложений (2-е изд., 2009 г.), типовая архитектура ПО включает слои представления, сервисов, бизнес-логики, доступа к данным, а также сквозную функциональность, ко- торые должны обеспечивать взаимодействие пользователей и внешних систем с источниками данных. На рисунке 1 приведена общая архитектура системы с указанием пилотных компонентов (графические элементы – окружности). Обоснование состава пилотных компонентов – реализация полного цикла обработки с ограниченной функциональностью каждого этапа (слоя).

Приведем состав пилотных компонентов с кратким описанием их функциональности:

1)    пользовательское приложение;

2)    графическая визуализация результатов поиска и работы поисковых алгоритмов, семантика связей между объектами;

3)    сервисы для поиска и резюмирования решений научно-технических и образовательных задач, имеющих инновационный потенциал;

4)    библиотеки классификационных алгоритмов и алгоритмов определения семантически связанных данных;

5)    программная реализация модели векторного пространства документов: объектная модель, библиотеки доступа к документной БД, индексатор данных;

6)    подсистема мониторинга – учет и анализ посещаемости и цитируемости ресурсов различными категориями пользователей;

7)    ресурсы Интернета, специализированные БД;

8)    реестр инновационных решений научно-технических и образовательных задач.

Архитектура ПО

Общее представление функциональности ПО системы показано на рисунке 2. Применена нотация диаграммы использования UML c действующими лицами, вариантами использования, ассоциациями между ними, а также с зависимостями между вариантами использования.

Поведение системы в течение конкретного сеанса работы представлено на диаграмме последовательности UML (рис. 3). Изображена последовательность сообщений между взаимодействующими объектами-классификаторами (компонентами  и действующими лицами). Отметим два периода активации пользователя: формулировка запроса (начальный шаг) и визуализация результатов, включая получение вариантов запрошенного инновационного решения и связанных объектов (конечный шаг). Промежуточные шаги отражают алгоритмические аспекты взаимодействия компонентов системы. 

Таким образом, основными функциональными компонентами проектируемой системы для интеллектуальной обработки результатов поиска информации будем считать следующие модули: поиска, уточнения запроса, классификации, иден- тификации связей, визуализации и управления хранилищем данных. Само хранилище данных построено на основе модели векторного пространства документов [5] и пополняется в процессе своей актуализации.

На диаграмме последовательности не отображен служебный модуль мониторинга, основными функциями которого являются учет и анализ запрашиваемых ресурсов, агентный мониторинг доступных открытых информационных ресурсов для автономного пополнения хранилища и фоновая индексация документов хранилища.

Объектная модель

На рисунке 4 изображена объектная модель программного обеспечения в виде диаграммы классов UML. Данная объектная модель предназначена для работы с документами, под которыми здесь понимаются любые текстовые объекты, имеющие отношение к предмету обработки: запросы, результаты поиска, текстовые документы. Представлены основные (но не все) используемые сущности, а также ассоциации и зависимости между ними. Кратко прокомментируем элементы модели.

Класс documentGeneral задает среду обработки документов и порождает классы:

–      documents – коллекция документов для обработки; ассоциированный с ним класс TFIDFmeasure обеспечивает вычисление мер сходства документов корпуса;

–      finder – поисковые функции в корпусе документов;

–      reports – определяет виды отчетов из базы данных документов; выходные формы задаются классом reportOutput.

Класс document описывает конкретный документ. Ассоциированный с ним класс files опре- деляет представление документа в файловой системе. Класс words, также ассоциированный с классом document, определяет коллекцию слов документа, каждое из которых описывается классом word. Лемматизация слов задается классом stemmer.

Класс documentStructure определяет структуру документа и порождает классы:

–      divisionList – коллекция описаний составных частей или  разделов документа;

–      paragraphList – коллекция описаний абзацев документа;

–      structure – описание структуры документа (взаимосвязей между составными частями документа, включая типы связей и их реализацию).

Классы tableOfContent и literatureList описывают специфические части документов: оглавление и список литературы соответственно.

Реализация и приоритеты

Некоторые обсуждаемые компоненты уже реализованы и проходят апробацию в различных приложениях. Так, прототип хранилища данных, построенного с использованием модели векторного пространства документов, а также некоторые ключевые элементы модулей классификации документов и идентификации связей прошли успешную апробацию при реализации смежных технологий интегральной оценки качества электронных документов [6] и анализа сходства документов в различных контекстах [7].

Среди основных приоритетных задач разработки представляется важным отметить разработку унифицированного программного интерфейса доступа к информационным ресурсам и определение методики уточнения запросов и автоматической фильтрации результатов поиска.

Кроме того, важное место занимают задачи количественного определения степени пертинентности найденных документов – претендентов на включение в состав искомых инновационных решений, а также алгоритмизации определения семантического ядра – идентификации связей найденных документов с похожими объектами.

Литература

1.     Байгулов Р.М., Рожкова Е.В. Управление промышленным предприятием: специфика поиска инновационных бизнес-идей // Современные проблемы науки и образования. 2012. № 2. URL: www.science-education.ru/102-5896 (дата обращения: 09.06.2013).

2.     Куракова Н.Г., Зинов В.Г. Создание прорывных инноваций на основе комбинации научных заделов мирового уровня как компетенция инновационного менеджмента // Инновации. 2012. № 10. С. 37–42.

3.     Российское образование: тенденции и вызовы / Сб. ст. и аналитических докл. М.: Изд-во «Дело» АНХ, 2009. 400 с.

4.     Антопольский А., Каленкова А., Каленов Н., Серебряков В., Сотников А. Принципы разработки интегрированной системы для научных библиотек, архивов и музеев // Информационные ресурсы России. 2012. № 1. С. 2–6.

5.     Salton G., Wong A., Yang C.S. A Vector Space Model for Automatic Indexing. Communications of the ACM, 1975, vol. 18, no. 11, pp. 613–620.

6.     Иванов В.К. Критерии интегральной оценки электронных документов в системах подготовки принятия решений // Вестн. ТГТУ, 2012. Вып. 22. С. 20–26.

7.     Иванов В.К., Миронов В.И. Особенности анализа сходства документов в различных контекстах заимствования при подготовке текстовых материалов // Оценка качества высшего профессионального образования с учетом требований ФГОС и профессиональных стандартов: матер. докл. науч.-практич. конф. Тверь, 2013. С. 20–28.

References

1.     Baygulov R.M., Rozhkova E.V. Sovremennye problemy nauki i obrazovaniya [Modern problems of Education and Science]. 2012, no. 2, available at: www.science-education.ru/102-5896 (accessed 9 June 2013).

2.     Kurakova N.G., Zinov V.G. Innovatsii [Innovations], 2012, no. 10, pp. 37–42.

3.     Rossiyskoe obrazovanie: tendentsii i vyzovy, Sb. st. i anali­ticheskikh dokl. [Russian education, proc.]. Moscow, Delo Publ., 2009, 400 p.

4.     Antopolskiy A., Kalenkova A., Kalenov N., Serebrya- kov V., Sotnikov A. Informatsionnye resursy Rossii [Russian infor­mation resources]. 2012, no. 1, pp. 2–6.

5.     Salton G., Wong A., Yang C.S. Communications of the ACM. 1975, vol. 18, no. 11, pp. 613–620.

6.     Ivanov V.K. Vestnik Tver. Gos. Tekh. Univ. [Bulletin of Tver State Tech. Univ.]. 2012, vol. 22, pp. 20–26.

7.     Ivanov V.K., Mironov V.I. Otsenka kachestva vysshego professionalnogo obrazovaniya s uchetom trebovaniy FGOS i professionalnykh standartov: materialy dokladov nauch.-prakt. konf. [Quality control of highest vocational education adjusted for requirements of FSES and occupational standards: Proc. of research-to-practice Conf.]. Tver, 2013, pp. 20–28.