БІЛІМДІ БАСҚАРУ ЖҮЙЕЛЕРІНДЕ ЖОҒАРЫ ОҚУ ОРНЫНЫҢ ҒЫЛЫМИ РЕСУРСТАРЫН ӨҢДЕУ

Бұл мақалада университеттің ғылыми қызметімен байланысты ақпараттық ресурстарын мәтіндік өңдеудің онтологиялық бағдарланған тәсілі сипатталған. Онтология ғылыми білімнің ақпараттық моделі ретінде қолданылады. Мақалада жоғары оқу ғылыми ресурстарының ақпараттық моделі, ғылыми мәтіндерді классификациялау, сондай-ақ мәтіндердің тақырыптық аннотациялау әдістері қарастырылған. Онтологиялық бағдарлы тәсілдеме университеттің ғылыми қызметімен байланысты ақпараттық ресурстарын ұйымдастыруға, құрылымдауға және ақпаратты табу әдістерін жасауға мүмкіндік береді. OWL DL (Web Ontology Language) онтологияны сипаттау тілі ретінде пайдаланылады. Класстар мен қасиеттерді сипаттау үшін онтологияны әзірлеу кезінде сыныптар мен қатынастардың OWL аксиомалары құрастырылып, атрибуттар құрылды. Ғылыми ресурстарды классификациялау үшін kNN-классификациясы зерттелген. Машиналық оқытуда классификация міндеті –қасиеттер негізінде объектіні алдын ала анықталған класстардың біріне жатқызу. kNN әдісі (k жақын көршілер әдісі) – векторлық жіктеу моделі. kNN классификаторы құжатты жақын көршілердің басым класына жатқызады. kNN әдісіндегі k параметрі алдын ала анықталады. Осы жұмыста kNN әдісі көпмәнді классификациялау міндеті үшін пайдаланылады. Бір-біріне тәуелсіз болып табылмайтын сыныптарға арналған классификациялау көпмәнді классификациялау (Multilabel Classification) деп аталады. Құжатты классификациялау мынадай әрекеттерді қамтиды: лингвистикалық талдау, терминдерді шығару және құжаттың векторлық кеңістігін қалыптастыру, ең жақын k көршілерді есептеу, реттеу. Мәтіндерді тақырыптық аннотациялау үшін пәндік аймақ онтология класстары құрылған. Онтологиялық сөздікте терминдер домендік класс бойынша топтастырылған.

1. Ceci F., Pietrobon R., Gon9alves, A. L. (2012) Turning Text into Research Networks: Information Retrieval and Computational Ontologies in the Creation of Scientific Databases. PLoS ONE, Vol. 7 (1), P. 1-9.

2. Kryukov K. V., Kuznetsov O. P., Suhoverov V. S. (2013). On the notion of a formal competency researchers. In Proceedings of III International Scientific and Technical Conference- OSTIS-2013, Russia, Moscow, P. 143-146.

3. Ma J., Xu W., Sun Y., Turban E., Wang Sh., and Liu O. (2012). An Ontology-Based Text-Mining Method to Cluster Proposals for Research Project Selection. IEEE Transactions on Systems, Man, and Cybernetics — Part A: Systems and Humans, Vol. 42( 3), P. 784-790.

4. Thiagarajan R., Manjunath G., Stumptner M. (2008). Finding Experts By Semantic Matching of User Profiles. HP Laboratories, URL: http://www.hpl.hp.com/techreports/2008/HPL-2008-172.pdf

5. Lukashevich N. V (2011). Thesauri in information retrieval tasks. Moscow University Publishing House, ISBN 978-5-211-05926-0, Russia, P. 415.

6. Manning Ch. D., Raghavan P., Schutze H. (2009). Introduction to Information Retrieval.1

7. Bolshakov E. I., Klyshinsky E. S., Lande D. V., Noskov, A. A, Peskov O. V, Yagunova E. V. (2011). Automatic processing of natural language text and computational linguistics. MIEM Publishing House, ISBN 978-5-94506-294-8, Russia, P. 272.

8. Du M., Chen X. (2013). Accelerated k-nearest neighbors algorithm based on principal component analysis for text categorization. In Journal of Zhejiang University-Science C-Computers & Electronics, Vol. 14 (6), P. 407-416.

9. Shengyi Jiang, Guansong Pang, Meiling Wu, Limin Kuang. (2012). An improved K-nearest-neighbor algorithm for text categorization. In Proceedings of the Expert Systems with Applications 39, pp: 1503-1509.

10. Jiang J., Tsai Sh., Lee Sh. (2012). FSKNN: Multi-label text categorization based on fuzzy similarity and k nearest neighbors. In Proceedings of the Expert Systems with Applications 39, P. 2813-2821.

11. Allemang D., Hendler J.(2011). Semantic Web for the Working Ontologist. ISBN-13: 978-0-12­-373556-0, USA.

12. Guarino N. (2009). The Ontological Level: Revisiting 30 Years of Knowledge Representation. Conceptual Modeling: Foundations and Applications, P. 52-67.

13. Malarvizhi P., Ramachandra V. P. (2013). Multilabel classification of documents with MAPREDUCE. In International Journal of Engineering and Technology (IJET), ISSN : 0975­-4024, P. 1260-1267.

14. Cherman E. A., Monard M. C., Metz J. (2011). Multi-label Problem Transformation Methods: a Case Study. In Electronic Journal CLEI, Vol. 14 (1), P. 4-13.

15. Liu Y., Loh Han T., Sun A. (2009). Imbalanced text classification: A term weighting approach. In Proceedings of the Expert Systems with Applications, Vol. 36, P. 690-701.