1865

АВТОМАТИЗИРОВАННАЯ СИСТЕМА СМЫСЛОВОЙ ОБРАБОТКИ ТЕКСТОВ ПРИ СОЗДАНИИ ЭЛЕКТРОННЫХ ФОНДОВ БИБЛИОТЕКИ

Диссертация

Информатика, кибернетика и программирование

Автоматизированная система смысловой обработки текстов. Описание работы системы автоматизированного смыслового анализа текстов. Экспертные системы и система визуального эвристического анализа – сходства и отличия. Алгоритм отбора слов в естественно-тематический словарь. Система смысловой обработки текстов в современной библиотеке как перспективное направление развития ИРБИС.

Русский

2013-01-06

1.25 MB

140 чел.

Московский  
государственный университет культуры и искусств 
На правах рукописи 
 
СБОЙЧАКОВ КОНСТАНТИН ОЛЕГОВИЧ 
 
 
 
АВТОМАТИЗИРОВАННАЯ СИСТЕМА  
СМЫСЛОВОЙ ОБРАБОТКИ ТЕКСТОВ  
ПРИ СОЗДАНИИ ЭЛЕКТРОННЫХ ФОНДОВ БИБЛИОТЕКИ 
 
 
Специальность 05.25.05 – Информационные системы и процессы, правовые 
аспекты информатики  
 
Диссертация на соискание ученой степени  
кандидата технических наук 
 
Научный руководитель: 
кандидат технических наук 
 А.О. Адамьянц 
Научный консультант: 
доктор физико-математических наук, 
профессор П.П.Макагонов 
Москва-2003 

 
2
ОГЛАВЛЕНИЕ 
 
Введение 

 
 
Глава 1. Автоматизированная  система                         
 
             смысловой обработки текстов           
14 
 
1.1. Обзор существующих программных продуктов анализа 
 
текстов 
14 
1.2. Смысловая обработка текстов в полнотекстовых базах 
 
данных. 
21 
1.3. Описание работы системы автоматизированного 
 
смыслового анализа текстов 
31 
 
 
Глава 2. Система  визуального эвристического  
 
                кластерного анализа Visual HCA 
45 
 
2.1. Экспертные системы и система визуального 
 
эвристического анализа – сходства и отличия 
45 
2.2. Методы, ориентированные на данные 47 
2.3. Возможности системы Visual HCA 
50 
2.4. Примеры применения 70 
 
 
Глава 3. Описание работы алгоритмов  
 
                 классификации текстов 
74 
 
3.1. Алгоритм отбора слов в естественно-тематический 
74 
словарь 

 
3
3.2. Алгоритм разбиения основного естественно-
 
тематического словаря на ряд предметно-ориентированных 
 
словарей 
80 
3.3. Алгоритм создания естественно-тематического 
 
классификатора 
88 
3.3. Сравнение текстов в алгоритме смыслового анализа 90 
3.5. Алгоритм расчета близости текстов заданному тексту-
 
образцу 
96 
 
 
Глава 4. Система смысловой обработки текстов       
 
                в современной библиотеке  как перспективное   
 
                направление развития ИРБИС 
102 
 
4.1. Автоматизированная библиотечная система ИРБИС в 
 
ГПНТБ России 
102 
4.2. Разница между системой смыслового анализа для 
 
ИРБИС32 и ИРБИС64 
107 
4.3. Методика подготовки специалистов библиотеки для 
 
работы с системой 
108 
4.4.  Последовательность  операций  при  создании  и  ведении 
 
базы  данных  ИРБИС  при  использовании  системы 
 
смыслового анализа текстов 
110 
4.5. Система смысловой обработки текстов в Интернете 111 
 
 
Заключение 
115 
 
Приложение. Эвристика образного анализа 
118 
1. Пояснения работы системы визуального эвристического 
 
анализа Visual HCA 
118 

 
4
2. Иллюстрации    возможностей    программы на 
 
сформированных модельных данных 
138 
 
 
Список использованной литературы 
158 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
5
Введение 
Актуальность  темы.  В  последние  годы  количество  текстовой 
информации  в  электронном  виде  возросло  настолько,  что  возникает  угроза 
ее обесценивания в связи с трудностями поиска требуемых сведений среди 
множества  доступных  текстов.  В  настоящее  время  все  большее 
распространение  получают  полнотекстовые  базы  данных.  Крупные 
образовательные  центры  организуют  в  Интернете  для  студентов  и 
сотрудников  базы  научных  статей,  авторефератов,  многие  организации 
предоставляют  доступ  к  ресурсам  электронных  библиотек,  оргкомитеты 
конференций публикуют тысячи полных текстов докладов и т.п. 
Данная  работа  исследует  проблему  и  предлагает  научно-
обоснованную  методику  создания  полнотекстовых  баз  данных  на  основе 
текстовой  информации,  накопленной  в  электронном  виде.  В  данной 
диссертации  предполагается  рассматривать  полнотекстовые  базы  данных, 
создаваемые  библиотекой,  как  часть  электронного  фонда  библиотеки,  а 
электронный  фонд,  по  существу,  есть  часть  общего  фонда  библиотеки  со 
всеми  приданными  ему  характеристиками.  В  общедоступных  библиотеках 
такой  массив  текстов  документов  обычно  возникает  как  результат 
сканирования  текстов  по  частным  заказам  пользователей.  С  возрастанием 
объемов  накопленной  информации  возникает  задача  смыслового  поиска  и 
экспертного  статистического  анализа  данных  с  целью  предоставить 
пользователю возможность правильно ориентироваться в среде электронных 
фондов  большого  объема,  а  эксперту – возможность  выделять  подклассы 
текстов  по  заданной  тематике  (в  дальнейшем - естественно-тематические 
группы текстов). 
В  настоящее  время  в  мире  существуют  и  активно  развиваются 
системы  смыслового  поиска  в  полнотекстовых  базах  данных,  которые 
поддерживаются  ведущими  фирмами - производителями  серверов  баз 
данных,  например, Oracle, Microsoft, IBM и  др.  Такие  системы  строятся  на 

 
6
основе  многомерных  хранилищ,  из  которых  данные  извлекаются  и 
обрабатываются с помощью алгоритмов для заранее определенных субъект-
объектных  отношений  между  ними.  Крупные  поисковые  серверы  в 
Интернете  (например, Yahoo, Yandex) поддерживают  алгоритмы  поиска 
текстов “схожих” с данным и расчета релевантности найденных документов 
исходному запросу. Специализированные системы полнотекстового анализа 
(например, в России это “Следопыт”, ”ТекстАналист”) позволяют проводить 
автоматическую классификацию и реферирование текстов. 
Разработанность проблемы. Исследования в области автоматической 
обработки  текстов  в  Европе  и  США  привлекают  внимание  крупнейших 
частных  фирм  и  государственных  организаций  самого  высокого  уровня. 
Европейский Союз уже несколько лет координирует различные программы 
в  области  автоматической  обработки  текстов  (например,  проект IST, 1998-
2001  гг.).  В  США  с 1991 по 1998 гг.  существовал  проект TIPSTER, 
организованный  Департаментом  обороны  совместно  с  Национальным 
институтом  стандартов  и  технологий  и  Центром  военно-воздушных  и 
военно-морских  вооружений.  В  работе  консультативного  совета  этого 
проекта участвовали также ФБР, Национальный научный фонд и некоторые 
другие  организации.  Основной  целью  проекта  было  сравнение  и  оценка 
результатов работы различных поисковых систем и систем реферирования. 
По  результатам  проекта  был  опубликован  подробный  обзор  и  даны 
рекомендации  по  использованию  этих  систем.  В  США  среди  систем 
подобного рода наиболее известной является электронная архивная система 
“Excalibur RetrievalWare” производства  компании Excalibur Technologies. 
Программные  продукты  этой  компании  используются  Госдепартаментом, 
Библиотекой  Конгресса,  ЦРУ,  компаниями Ford Motors, Lockheed, Reynold 
Electrical & Engineering, Maine Yankee Atomic Power. 
Создание систем смыслового анализа текстов до настоящего времени 
происходит  с  минимальным  участием  лингвистов.  Это  обусловлено 

 
7
использованием  для  решения  этой  задачи  в  основном  статистических 
методов.  Области,  в  которых  наиболее  сильны  позиции  профессиональных 
лингвистов, 
это 
в 
первую 
очередь 
лексико-грамматический 
и 
синтаксический  анализ  предложения,  нахождение  имен  собственных  в 
тексте  и  автоматическое  реферирование.  Научный  и  практический  опыт 
лингвистов  получил  широкое  применение  в  системах  автоматического 
перевода и контекстного анализа, при создании тезаурусов и словарей, и т.д. 
Наиболее  известные  лингвистические  программные  продукты  на  рынке 
России: 
•  “Retrans Vista” - система  автоматизированного  перевода  текстов. 
Система  базируется  на  технологии  фразеологического  перевода 
компании  “Виста  Текнолоджиз”,  образованной  специалистами  из 
Всероссийского  института  научной  и  технической  информации 
Российской  Академии  наук  (ВИНИТИ  РАН),  стоящими  у  истоков 
создания  отечественной  компьютерной  лингвистики.  Группа  этих 
специалистов  под  руководством  профессора  Г.Г.  Белоногова  начала 
разрабатывать  основы  технологии  машинного  перевода  более 20 лет 
назад [11]; 
•  “MediaLingua”, “ABBYY Lingvo” - электронные словари; 
•  “PROMT” - системы машинного перевода; 
•  развитые средства контроля орфографии “Microsoft Word”; 
•  в  научно-производственном  центре  “Интелек  Плюс”  ведется 
разработка 
информационно-поисковых 
систем 
(ИПС), 
ориентированных 
на 
естественно-языковое 
общение 
с 
пользователем [92]. 
Современные  системы  смыслового  анализа  текстов,  особенностью 
которых  являются:  предпочтение  скорости  обработки  текстов  точности 
семантического  и  морфологического  анализа,  статистический  частотный 
анализ  словоупотреблений,  автоматическая  классификация  текстов,  расчет 

 
8
релевантности  текстов  поисковому  запросу - можно  выделить  в  отдельный 
класс,  к  которому  относится  и  система,  разработанная  автором  данной 
диссертации. 
В  России  исследования  в  области  информационных  систем  и 
информационного  поиска  были  сосредоточены  главным  образом  в  сети 
органов  научно-технической  информации,  которая  практически  рухнула  в 
результате  событий 1990-х  гг. [5,6,8] В  то  же  время  произошла  смена 
поколений  информационных  систем:  сначала  переход  с  больших  ЭВМ  на 
персональные,  а  затем  распространение  Интернета.  В  результате   в  стране 
практически  исчезли  созданные  в 1980-х  гг.  и  ранее  информационные 
системы, основанные на известных моделях лингвистического обеспечения. 
В настоящее время работы по смысловому анализу текстов главным образом 
ведутся: 
•  в  Институте  программных  систем  РАН.  Разработана  система 
“Кластер”  для  формирования  концептуального  представления 
предметной  области  на  основе  анализа  проблемно-ориентированных 
естественно-языковых текстов [106]; 
•  в  корпорации  “Галактика”.  Разработана  автоматизированная  система 
поиска  и  аналитической  обработки  информации “Galaktika-ZOOM”. 
Это  дорогая  коммерческая  система,  имеющая  клиентов  в  рекламном 
бизнесе, органах управления и средствах массовой информации [74]; 
•  в  компании  “Гарант-Парк-Интернет”.  Разработаны  программные 
продукты  для  анализа  и  классификации  текстов,  автоматического 
реферирования, морфологичеcкого, синтаксического и семантического 
анализа текста, для навигации по большим массивам текстов [72]; 
•  в Научно-производственном инновационном центре "МикроСистемы". 
Разработана  система  “ТекстАналист”.  Система  осуществляет 
построение 
семантической 
сети 
понятий, 
выделенных 
в 

 
9
обрабатываемом тексте, смысловой поиск фрагментов текста с учетом 
скрытых  в  тексте  смысловых  связей  со  словами  запроса, 
автоматически реферирует текст [170]; 
•  в  компании “MediaLingua”. Разработана  интеллектуальная  система 
“СЛЕДОПЫТ”, служащая для быстрого поиска текстовых фрагментов 
документов  в  больших  объемах  информации.  В  качестве  запроса 
могут использоваться фразы на естественном языке [166]; 
•  в  Московском  специализированном  Центре  новых  информационных 
технологий  на  базе  Московской  медицинской  академии  им.  И.М. 
Сеченова.  Разработана  система  “КЛЮЧИ  ОТ  ТЕКСТА” – для 
смыслового  поиска  и  индексирования  текстовой  информации  в 
электронных библиотеках [78]; 
•  в  компании "Yandex". Предлагается  набор  средств  полнотекстовой 
индексации  и  поиска  в  текстовых  данных  с  учетом  морфологии 
русского и английского языков. Средства предназначены для работы с 
большими  объемами  русских  или  английских  текстов  всех  типов  в 
виде  файлов  различных  форматов,  полей  баз  данных  и  страничек 
Интернета. 
Подробные  сведения  об  этих  и  других  распространяемых 
программных 
продуктах 
содержатся 
в 
каталоге, 
составленном 
С.В. Логичевым [http://davidsonyuliya.boom.ru/catalog.htm]. Каталог 
включает  описание  программ,  связанных  с  анализом  текстов  и 
вычислительной  лингвистикой,  а  также  соответствующих  ресурсов, 
доступных в Интернете. 
В  настоящее  время  в  стране  сложилась  ситуация,  когда  системы 
автоматизации  библиотек,  как  правило,  не  поддерживают  технологии 
автоматизированного  смыслового  анализа  текстов,  а  современные  системы 
анализа  текстов  не  адаптированы  к  работе  с  системами  автоматизации 
библиотек,  при  этом  стоимости  тех  и  других  как  коммерческих  продуктов 

 
10
сопоставимы. Это делает целесообразным расширение возможностей систем 
автоматизации  библиотек  за  счет  включения  в  них  средств  смыслового 
анализа текстов. 
Исходя  из  этого,  в  данном  диссертационном  исследовании  была 
сформулирована  цель  работы:  исследование,  разработка  и  научно-
практическое  обоснование  алгоритмов  и  методики  автоматизированной 
смысловой  обработки  текстов  и  внедрение  их  в  технологию  обработки 
электронных фондов библиотек. 
В соответствии с этой целью решались следующие задачи: 
•  разработка  и  обоснование  методики  создания  полнотекстовых  баз 
данных; 
•  разработка  и  обоснование  общей  методики  смыслового  анализа 
текстов; 
•  разработка  и  программная  реализация  автоматизированной  системы 
эвристического анализа числовых данных; 
•  разработка  и  программная  реализация  алгоритмов  классификации 
текстов; 
•  адаптация  автоматизированной  системы  смыслового  анализа  текстов 
для  работы  с  электронными  фондами  библиотеки  в  среде  системы 
автоматизации библиотек ИРБИС. 
Данная  работа  является  синтезом  нескольких  независимых 
исследований,  которые  проводились  автором.  Прежде  всего  автором, 
совместно  с  П.П.  Макагоновым,  была  разработана  система  визуального 
эвристического  анализа  числовых  данных,  названная Visual HCA [114]. 
Данная  система  адресована  эксперту,  которому  необходимо  решить 
слабоформализованную  задачу  классификации  на  основе  создания  и 
структуризации числовой модели. Автором были исследованы потребности 
библиотек,  и  как  разработчик  систем  автоматизации  автор  поставил  цель 
прикладного 
применения Visual HCA для 
создания 
системы 

 
11
полнотекстового  анализа  электронных  фондов  библиотек.  Совместно  с 
П.П. Макагоновым были развиты алгоритмы смыслового анализа текстов на 
основе  идеи  естественно-тематической  классификации  проблемно-
ориентированных  текстов [115,117,121]. Автор  является  одним  из 
разработчиков системы автоматизации библиотек ИРБИС, которая создана в 
ГПНТБ 
России 
коллективом 
специалистов 
под 
руководством 
Я.Л. Шрайберга.  В  соавторстве  с A.И.  Бродовским, H.А.  Мазовым  и 
O.Л. Жижимовым  были  разработаны  формат  хранения  данных  и 
полнофункциональная  библиотека  доступа  к  базам  данных  ИРБИС64, 
позволяющие создавать базы данных большого объема [125]. Завершающим 
этапом  работы  явилось  создание  системы  смыслового  анализа  текстов  и 
интеграция ее в систему автоматизации библиотек ИРБИС [126]. 
Научная новизна данной диссертационной работы состоит в том, что 
исследована  проблема  и  разработан  алгоритм  классификации  текстов  и 
соответствующая методика смыслового анализа текстов. Впервые в качестве 
метода составления поискового образа текста был определен отбор слов на 
основе частотного словаря общеупотребительной лексики. 
Задача  автоматического  определения  тематической  принадлежности 
текстов решена на основе расчета и эвристического анализа меры близости 
текстов к словарю предметной области. 
Предложена концепция применения ряда независимых эвристических 
алгоритмов  для  структуризации  числовых  данных,  что  увеличивает 
достоверность результатов работы системы смыслового анализа. 
На защиту выносятся следующие основные положения
1.  Задачи  смыслового  анализа  и  тематической  классификация  текстов 
относятся  к  слабоформализованным  и  должны  решаться  с  помощью 
эвристических (с участием эксперта) алгоритмов. 
2.  Смысловой  полнотекстовый  анализ  является  необходимой  частью 
современной системы автоматизации библиотек. 

 
12
3.  Разработанные  алгоритмы  позволяют  в  условиях  библиотеки 
автоматизировать  создание  полнотекстовых  баз  данных  (без 
привлечения  сторонних  специалистов)  и  предоставить  читателям 
библиотеки  сервис  в  виде  полнотекстового  поиска  и  смыслового 
поиска текстов, близких к заданному тексту-образцу. 
Теоретическая  значимость  исследования  состоит  в  обобщении 
имеющегося опыта применения математической статистики для смысловой 
обработки  текстов;  в  развитии  и  обогащении  научного  представления  о 
значимости  анализа  текстов  для  информационно-поисковых  систем, 
применяемых в библиотеках. 
Практическая  значимость  состоит  в  том  что,  созданы  и 
опубликованы  в  Интернете  на  сайте  ГПНТБ  России  полнотекстовые  базы 
данных  докладов  конференции  “Крым 2002-2003” и  статей  сборника  НТБ 
ГПНТБ  России.  Общее  число  текстов  в  базах 1300. Время,  затраченное  на 
создание баз данных и тематическую классификацию текстов по методике, 
разработанной  в  диссертационном  исследовании,  составило  один  рабочий 
день,  тогда  как  на  создание  библиографических  описаний  этого  же  объема 
документов пришлось бы потратить не менее 60 дней. 
В 
результате 
диссертационного 
исследования 
разработана 
полнофункциональная  библиотека  доступа  к  базам  данных,  которая 
используется в клиент-серверной версии системы автоматизации библиотек 
ИРБИС - ИРБИС64. 
Разработана  система  визуального  эвристического  анализа  числовых 
данных,  которая  неоднократно  применялась  на  практике  при  решении 
экспертных  задач  в  различных  областях  знаний.  При  этом  на  каждую  из 
задач тратилось от 2 часов до 2 дней. Решение тех же задач традиционными 
методами  требовал  нескольких  месяцев  работы  и  не  всегда  позволял 
выявить те же закономерности в предметной области. В рамках расширения 
возможностей  системы  визуального  эвристического  анализа  разработана 

 
13
программа  “Визуальный  трехмерный  анализ  временных  измерений  на 
плоскости (Visual HCA 3D)”, которая  используется  в  учебном  процессе 
Российской академии государственной службы при Президенте Российской 
Федерации (акт о внедрении прилагается). 
Апробация  результатов  исследований  состояла  в  публикации 
материалов  исследований  в  отечественных  и  зарубежных  периодических 
изданиях,  в  выступлениях  с  докладами  на  отечественных  и  зарубежных 
конференциях и опубликовании текстов этих докладов. 
Основные результаты диссертационной работы были представлены на 
следующих международных конференциях: 
•  “Крым 2000”, “Крым 2001”, “Крым 20002”, “Крым 2003” “Библиотеки 
и ассоциации в меняющемся мире: новые технологии и новые формы 
сотрудничества” (г.Судак, Украина, Автономная республика Крым). 
•  “ЛИБКОМ 2001”, “ЛИБКОМ 2002”, “ЛИБКОМ 2003” 
"Информационные 
технологии, 
компьютерные 
системы 
и 
издательская  продукция  для  библиотек" (Ершово,  Московская 
область). 
•  “Иссык-Куль 2003” “Библиотеки  и  демократизация  общества: 
библиотечно-информационное  обслуживание  в  век  информатизации” 
(г.Чолпан-Ата, Кыргызстан). 
 
 
 
 
 
 
 
 
 

 
14
Глава 1. Автоматизированная  система                               
смысловой обработки текстов 
 
1.1. Обзор существующих программных продуктов анализа текстов 
 
В  настоящее  время  на  коммерческом  рынке  разработка  отдельных 
продуктов  для  полнотекстового  анализа  признана  невыгодным  шагом. 
Поэтому  фирмы  стараются  развивать  алгоритмы  текстового  анализа  как 
расширения  для  серверов  баз  данных.  В  России  существует  ряд  систем 
текстового  анализа  для  поддержки  работы  специалистов  с  большими 
объемами  текстовой  информации.  Принципы  работы  этих  систем  в 
основном  статистические  с  дополнительной  лингвистической  поддержкой. 
Кроме  известных  поисковых  серверов  можно  назвать  системы 
“ТекстАналист” [170] и “Следопыт “(Media Lingva) [166]. 
 
В данном обзоре приводятся описания наиболее продвинутых систем, 
представленных  сегодня  на IT рынке  России.  Существует  большое 
количество 
систем, 
разработанных 
в 
основном 
специалистами 
университетских центров и используемых для своих нужд. В данном обзоре 
они не описываются, так как принципы работы системы смыслового анализа 
текстов  сходны    и  опираются  на  научный  потенциал  разработчиков, 
накопленный  ранее.  
 
В  список  не  включены  системы  анализа  текстов,  разработанные  для 
больших  поисковых  серверов,  таких  как  Яндекс, OZON, Rambler и  т.д.  В 
основном это комплексы,  настроенные на работу в Интернете. 
 
Исключение  в  списке  программных  продуктов  представляет  система 
“Ключи от текста”[78], не являющаяся в строгом смысле слова конкурентно 
способным IT товаром,  но  по  принципу  работы  наиболее  близко 
подходящей к системе смыслового анализа. 

 
15
•  Адаптацией  технологий Oracle к  русскоязычным  полнотекстовым 
базам  данных  занимаются  специалисты  компании  «Гарант-Парк-
Интернет».  Продукт  этой  компании  под  названием Russian Context 
Optimizer (RCO) предназначен  для  совместного  использования  с 
картриджем interMedia Text [72]. 
Лидер  мирового  рынка  СУБД Oracle уже  снабдил  разработчиков 
информационных  систем  рядом  передовых  технологий.  Речь  идет  о 
картридже interMedia Text, входящем в состав СУБД ORACLE8i, при 
использовании  которого  обработка  текста  сочетается  со  всеми 
возможностями, предоставленными пользователю Oracle для работы с 
реляционными  базами  данных.  В  частности,  при  написании 
приложений  стало  возможно  использовать SQL с  развитым  языком 
запросов к полнотекстовой информации.  
Продукт  позволяет  расширить  возможности Microsoft BackOffice 
(MS SharePoint Portal, MS Indexing Service, MS Exchange Server и MS 
SQL Server) при  работе  с  текстами  на  русском  языке,  обеспечивая 
поиск  с  учетом  всех  грамматических  форм  слов  на  основе 
морфологического анализа. 
Серия продуктов, выпускаемых под маркой RCOТМ, предназначена 
для  поддержки  широкого  класса  систем,  использующих  средства 
поиска и  анализа текстовой  информации, таких, как информационно-
поисковые и аналитические  системы,  электронные архивы и системы 
управления  документооборотом.  Продукты  серии RCO задействуют 
передовые  технологии  обработки  текста,  лингвистические  и 
математические  алгоритмы,  которые  могут  быть  использованы  для 
решения  широкого  класса  задач:  от  контекстного  поиска  текстов  с 
учетом  всех  словоформ,  синонимов  и  опечаток  до  создания  систем 

 
16
поддержки  принятия  экспертных  решений  на  основе  анализа 
информационных массивов. 
•  Персональная  система  автоматического  анализа  текста   TextAnalyst 
[170]  разработана  в  качестве  инструмента  для  анализа  содержания 
текстов, смыслового поиска информации, формирования электронных 
архивов,  и  предоставляет  пользователю  следующие  основные 
возможности:  
анализа  содержания  текста  с  автоматическим  формированием 
семантической  сети  с  гиперссылками - получения  смыслового 
портрета  текста  в  терминах  основных  понятий  и  их  смысловых 
связей;   
анализа  содержания  текста  с  автоматическим  формированием 
тематического 
древа 
с 
гиперссылками - выявления 
семантической структуры текста в виде иерархии тем и подтем;   
смыслового  поиска  с  учетом  скрытых  смысловых  связей  слов 
запроса со словами текста;   
автоматического  реферирования  текста - формирования  его 
смыслового  портрета  в  терминах  наиболее  информативных 
фраз;   
кластеризации  информации - анализа  распределения  материала 
текстов по тематическим классам;  
автоматической  индексации  текста  с  преобразованием  в 
гипертекст;   

 
17
ранжирования  всех  видов  информации  о  семантике  текста  по 
«степени 
значимости» 
с 
возможностью 
варьирования 
детальности ее исследования;   
•  Система “Ключи от Текста” [78] - смысловой поиск и индексирование 
текстовой информации в электронных библиотеках. 
Московский  специализированный  (по  медицинским  специальностям)  
Центр 
новых 
информационных 
технологий 
на 
базе  
Московской медицинской академии им. И.М. Сеченова. 
Предлагаемые  алгоритмы  в  ходе  формальной  процедуры  выделяют 
своеобразное  "семиотико--семантическое  поле" - множество  слов, 
наиболее  сильно  связанных  по  смыслу  в  конкретном  анализируемом 
тексте,  на  основании  сопоставления  анализируемого  текста  с 
представительной  для  предметной  области  совокупностью  текстов.  В 
результате внедрения созданных нами методов в работу электронных 
библиотек 
и 
телекоммуникационных 
сетей 
реализуется 
информационная технология интеллектуального смыслового поиска в 
информационных ресурсах на естественных языках без обязательного 
предварительного 
индексирования, 
а 
также, 
автоматическая 
смысловая  индексация,  классификация  и  аннотирование  текстовой 
информации,  как  средства  анализа  и  создания  информационных 
ресурсов для глобальных телекоммуникационных сетей. 
•  Система ВААЛ [132] автор В.А. Шалак, работа над которой ведется с 
1992  года,  позволяет  прогнозировать  эффект  неосознаваемого 
воздействия текстов на массовую аудиторию, анализировать тексты с 
точки  зрения  такого  воздействия,  составлять  тексты  с  заданным 
вектором воздействия, выявлять личностно-психологические качества 
авторов текста и делать многое другое.  
 

 
18
Области возможного применения 
Составление 
текстов 
выступлений 
с 
заранее 
заданными 
характеристиками воздействия на потенциальную аудиторию.  
Активное формирование эмоционального отношения к политическому 
деятелю со стороны различных социальных групп.  
Составление эмоционально окрашенных рекламных статей.  
Поиск наиболее удачных названий и торговых марок.  
Психо- и гипнотерапия.  
Неявное психологическое тестирование и экспресс-диагностика.  
Создание легких в усвоении учебных материалов.  
Научные исследования в области психолингвистики и смежных с нею 
дисциплинах.  
Журналистика  и  другие  сферы  деятельности,  использующие  в 
качестве инструмента СЛОВО.  
Социологические и социолингвистические исследования.  
Информационные войны.  
Контент-анализ текстов.  
Мониторинг СМИ.  
 
Система позволяет: 
Оценивать  неосознаваемое  эмоциональное  воздействие  фонетической 
структуры текстов и отдельных слов на подсознание человека.  

 
19
Генерировать 
слова 
с 
заданными 
фоносемантическими 
характеристиками.  
Задавать  характеристики  желаемого  воздействия  и  целенаправленно 
редактировать тексты для достижения указанных характеристик.  
Корректировать  текст  по  выбранным  параметрам  с  использованием 
словаря синонимов на 5 тыс. синонимических рядов из 25 тыс. слов.  
Настраиваться на различные социальные и профессиональные группы 
людей, которые могут быть выделены по используемой ими лексике.  
Оценивать звуко-цветовые характеристики текстов.  
Самому  пользователю  задавать  дополнительные  фоносемантические 
шкалы, расширяя систему в нужном для него направлении.  
Производить факторный анализ данных с последующей визуализацией 
результатов.  
Осуществлять  полноценный  анализ  текста  по  большому  числу 
специально  составленных  встроенных  категорий  и  категорий, 
задаваемых самим пользователем.  
Производить эмоционально-лексический анализ текстов.  
Осуществлять контекстный анализ текстов.  
Производить автоматическую категоризацию текстов. 
•  Интеллектуальная  система  “СЛЕДОПЫТ” [166] помогает  быстро 
находить текстовые фрагменты документов, и предназначена для тех, 
кто  в  результате  своей  деятельности  имеет  дело  с  большим  объемом 
информации. 
”СЛЕДОПЫТ”  позволяет  оперативно  находить  необходимые 
документы,  и  представляет  полученную  информацию  в  удобном  для 

 
20
пользователя  виде.  Следопыт  ищет  информацию  на  русском  и 
английском  языках. “СЛЕДОПЫТ”  позволяет  в  качестве  запроса 
использовать 
фразы 
на 
естественном 
языке. 
Допускаются 
комбинированные запросы на смешанном русско-английском языке. 
•  В  корпорации  “Галактика” [74] создан  новый  продукт - 
автоматизированная  система  поиска  и  аналитической  обработки 
информации.  Обеспечение  руководителей  высшего  звена  важной  и 
актуальной  для  принятия  решения  аналитической  информацией, 
выделенной  из  массива  текстовых  данных.  Поиск  и  формирование 
информационных  массивов  по  конкретным  аспектам  исследуемой 
проблематики.  Поиск  информации  осуществляется  по  ключевым 
словам с учетом их морфологии. Объемы исходных массивов данных - 
до  сотен  гигабайт.  Доступные  массивы  данных:  сообщения  и  статьи 
СМИ,  отраслевая  печать,  нормативная  документация,  деловая 
переписка  и  материалы  внутреннего  документооборота  предприятия, 
информация  сети  Интернет  и  т.д.  Анализ  объективных  смысловых 
связей 
отобранных 
данных 
Получение  "образа"  проблемы - моментальной  многомерной 
фотографии  в  информационном  потоке  в  форме  ранжированного 
списка  значимых  слов,  употребляемых  совместно  с  темой  проблемы. 
Вскрытие  и  анализ  закономерностей  повторений  словосочетаний  в 
текстовых  массивах  данных  и  последующее  их  ранжирование. 
Сравнение 
нескольких 
состояний 
проблемы, 
выявление 
закономерностей  и  тенденций  (или  частностей  и  случайностей) 
динамики 
развития 
изучаемой 
проблемы  
Отслеживание  "образа"  проблемы  с  определенной  периодичностью  и 
анализ причин его изменения, включая выявление фактов и событий, 
которые обусловили эти изменения.  

 
21
Сферы применения
•  развитие предвыборных технологий и социологических исследований  
в  целях  позиционирования  и  продвижения  интересов  политических 
партий и движений; 
•  поддержка  информационных  подразделений,  службы  маркетинга  и 
службы безопасности крупных предприятий и банков; 
•  поддержка средств массовой информации. 
Тенденцией 
развития 
рынка 
является 
разработка 
модулей 
лингвистического  прикладного  обеспечения  для  разработчиков  систем 
автоматизации.  Так  как  цены  на  данные  программные  продукты 
сопоставимы с ценами на отечественные системы автоматизации библиотек, 
необходимо  расширять  возможности  существующих  систем.  В  настоящее 
время  в  нашей  стране  сложилась  ситуация,  что  системы  автоматизации 
библиотек [26,28] не  поддерживают  технологии  автоматизированного 
смыслового  анализа  текстов,  а  современные  системы  анализа  текстов  не 
адаптированы  к  работе  с  электронными  фондами  библиотеки.  Необходима  
разработка  алгоритмов  и  методики  автоматизированной  смысловой 
обработки    текстов  и  реализация  программно-технического  комплекса    для 
внедрения  смыслового  полнотекстового  анализа  в  технологию  обработки 
электронных фондов библиотеки. 
 
1.2. Смысловая обработка текстов в полнотекстовых базах данных 
 
Данная  работа  ориентирована  на  развитие  системы  автоматизации 
библиотек ИРБИС [19] (подробнее об ИРБИС в главе 4) с целью поддержки 
новых  технологий  при  создании  полнотекстовых  баз  данных  на  основе 

 
22
массива  текстов  электронных  фондов  библиотеки  и,  соответственно, 
развития методик извлечения знаний на основе смыслового анализа текстов. 
Основное  применение  интеллектуальных  технологий  сегодня – это 
обработка  знаний.  Системы,  ядром  которых  является  база  данных  или 
модель  предметной  области,  описанная  на  языке  сверхвысокого  уровня, 
называют  интеллектуальными.  Чаще  всего  интеллектуальные  системы 
применяются для решения сложных задач, где основная сложность решения 
связана  с  использованием  слабоформализованных  знаний.  Наиболее 
распространенным  видом  интеллектуальных  систем  являются  экспертные 
системы [55,153]. Экспертные  системы  ориентированы  на  применение 
обобщенного  опыта  высококвалифицированных  специалистов  в  областях, 
где качество принятия решений традиционно зависит от уровня экспертизы, 
например,  медицина,  юриспруденция,  геология,  экономика  и  т.д.  Принято 
считать,  что  экспертные  системы  эффективны  лишь  в  специфических 
областях знаний, где важен эмпирический опыт специалистов. В настоящее 
время  на  Западе  и  в  России  все  большее  применение  находят  экспертные 
системы  широкого  профиля,  в  которых  находят  применение  различные 
алгоритмы  обработки  информации [4,21,33,154-172]. Эксперт  привлекается 
только  для  формализации  типовой  задачи  до  уровня  прикладного 
представления.  После  становится  возможным  скрытого  применения  опыта 
эксперта пользователями системы.  
Самостоятельным  разделом  настоящей  работы  является  разработка 
системы для структуризации числовой информации, которая рассчитывается 
при  подготовке  полнотекстовой  базы  данных  к  применению  алгоритмов 
смыслового  анализа  текстов.  Данная  система  является  независимым 
программно-техническим  продуктом  и  может  использоваться  в  различных 
областях  знаний,  в  частности  развитые  технологии  структуризации 
позволяют  применять  ее  библиотечным  специалистам  при  создании 

 
23
естественно-тематического 
классификатора 
электронных 
фондов 
библиотеки. 
Мы  будем  рассматривать  ту  часть  электронных  фондов  библиотеки, 
под которой будем понимать все текстовые информационные ресурсы. Это 
могут  быть,  например,  электронные  тексты,  накапливаемые  в  библиотеке 
как результат технологических процессов, например, сканирования текстов 
или 
создания 
электронного 
проблемно-ориентированного 
фонда 
ретроспективных и текстовых документов. 
В целом, предлагаемая система работает с набором текстовых файлов 
и  позволяет  в  оперативном  режиме  установить  среди  этого  набора  группы 
тяготеющих  друг  к  другу  файлов.  Причем,  критерий,  по  которому 
определяется величина “притяжения “, выбирается в диалоговом режиме на 
основании личного опыта и предпочтений. 
 
Предлагаемая  автоматизированная  система  смыслового  анализа 
текстов  имеет  дело  в  общем  случае  с  потоком  текстовой  информации.  Для 
работы системы необходимо и достаточно иметь базу данных типа “мешок 
текстов”. 
Результатом 
работы 
системы 
является 
структуризация 
(классификация) текстов. 
Как следствие могут быть получены следующие результаты – словари, 
которые  характеризуют  данную  группу,  тексты-образцы  для  группы  как 
смысловые  ядра,  числовые  характеристики  и  диаграммы,  описывающие 
взаиморасположение  выбранных  текстов  в  некотором  тематическом 
пространстве,  которое  определяется  пользователем  системы,  фрагменты 
текстов  (автореферат)  и  наборы  фрагментов  текстов  выбранные  по 
заданным критериям.  
При  создании  больших  баз  данных  естественным  образом 
поднимается вопрос не только о быстром информационном поиске, но также 
об  интеллектуальном  смысловом  поиске – извлечении  знаний  и  найденной 
анализе информации с целью накопления опыта. Здесь необходимо  еще раз 

 
24
подчеркнуть  разницу  между  информационным  поиском  и  смысловым 
анализом  найденных  текстов.  Информационный  поиск – это  поиск 
источника  для  дальнейшего  использования,  смысловой  поиск,  в 
рассматриваемом далее смысле  – это часть задачи экспертного анализа для 
выработки  или  подтверждения  некоторой  гипотезы.  Для  информационного 
поиска  вполне  достаточно  иметь  электронный  каталог  с  его  подробными 
вторичными описаниями документов. Для смыслового анализа применяются 
алгоритмы извлечения из массива информации скрытого знания [12,67,113].  
Что такое “скрытое знание”, какие задачи могут решаться с помощью 
предлагаемой  системы?  Основными  применяемыми  алгоритмами  служат 
классификация,  типизация,  фрагментация  и  реферирование  текстов. 
Смысловой  анализ  текстов  может  быть  сведен  в  рамках  статистической 
теории  вероятностей  к  задаче  выдвижения  некоторой  гипотезы  и  оценки 
значимости  этой  гипотезы  в  рамках  существующего  материала.  Иначе 
говоря, данная работа претендует на обоснование того факта, что какая бы 
задача  по  извлечению  знаний  не  ставилась,  разработанный  метод  анализа 
текстов  позволит  найти  некие  формы,  модели  представления  данных, 
которые  удовлетворяют  заранее  заданному  критерию  правдоподобия. 
Одновременно  система  нуждается  в  опыте  и  знаниях  самого  пользователя, 
то  есть  результат,  строго  говоря,  неоднозначен  и  зависит  от 
профессионального  уровня  подготовки  пользователя.  Почему  так 
получается, будет ясно из дальнейшего изложения, здесь достаточно сказать 
что  в  таком  виде  проявляется  факт  не  формальности  задачи.  С  одной 
стороны есть мнение конкретного человека, а с другой накопленный опыт в 
виде  различных  текстов.  И  на  то,  каким  образом  соотносятся  между  собой 
эти  тексты  и  фрагменты  текстов,  влияет  личность  того,  кто  эти  тексты 
читает.  Поэтому  основой  работы  системы  является  человеко-машинный 
диалог,  в  котором  предлагаются  различные  математические  методы 

 
25
обработки данных и результаты либо принимаются, либо отвергаются самим 
пользователем на основании собственного опыта. 
Так  как  в  библиотеке  представителем  основного  информационного 
ресурса  является  электронный  каталог [147], внедрение  новых  технологий 
должно  происходить  в  рамках  существующей  системы  обслуживания.  Это 
значит,  что  новая  услуга - такая  как  предлагаемый  смысловой  поиск  и 
анализ найденных текстов должна стать частью системы информационного 
обслуживания читателей библиотеки.  
Задача  системы  автоматизированного  смыслового  анализа  текстов 
разбивается  на  две  части – подготовка  базы  данных  к  использованию 
алгоритмов смыслового анализа и разработка интерфейса для использования 
этих  алгоритмов  читателем  библиотеки.  Вторая  часть  задачи  может  быть 
решена  в  виде  дополнительного  поискового  сервиса,  но  лучше  всего  эта 
задача    решается  как  специальный  Интернет-сервис.  Об  этом  будет 
рассказано в последней главе диссертации. 
 
Подготовка  базы  данных  к  применению  алгоритмов  смыслового 
анализа  заключается,  прежде  всего,  в  индексации  всех  слов  из  внешних 
текстов. Технология извлечения слов из текстов может рассматриваться как 
стандартная  процедура  подготовки  словаря  базы  данных.  Так  как  при 
корректуре записей ссылка на внешний текст может считаться неизменной, 
при актуализации записи процедура извлечения слов из текста может быть 
опущена. 
  
Далее  происходит формализация  задачи  смыслового  анализа  текстов. 
То  есть  задача  сводится  к  математическому  оперированию  над  числовыми 
матрицами  вида  объект-атрибут.  Для  получения  таких  числовых  матриц 
используется  статистический анализ частоты словоупотреблений в текстах. 
При  этом  программа  опирается  на  заранее  созданный  частотный  ряд 
абсолютных частот для слов естественного языка. Методика создания этого 
ряда и оценка достоверности описываются ниже в отдельном разделе.  

 
26
 
После  формализации  задачи,  перехода  от  набора  слов  к  цифровым 
матрицам,  применяются  специально  разработанные  алгоритмы  решения 
неформальных  эвристических  (с  участием  человека)  проблем.  Результатом 
этой  работы  является  набор  словарей  (списки  слов),  которые 
рассматриваются  как  естественный  классификатор  накопленной  текстовой 
информации.  Смысловой  анализ  текстов  опирается  на  эти  словари,  их 
принято  называть  предметно-ориентированные  словари.  Таким  образом, 
подготовка  базы  данных  разбивается  на  три  этапа:  индексация, 
формализация и классификация. Далее будет подробно описан каждый этап.  
Индексация  слов  включает  в  себя  процедуру  выделения  слов, 
отсечения окончаний и создание ссылки словаря. При этом слово проходит 
проверку  по  стоп  словарю.  Будем  считать,  что  все  тексты  написаны  на 
естественном языке, принятом в научном сообществе, в данной предметной 
области. 
Так 
как 
для 
смыслового 
анализа 
используются 
среднестатистические  методы  выделения  слов,  неординарное  применение 
слова не позволит его использовать, так как на общем фоне такие события 
будут  редки.  Однако,  в  научных  статьях  принято  все  же  использовать 
формальный  технический  язык,  легко  подвергающийся  синхронному 
переводу  и  понятный  специалистам  данной  области.  Этот  факт  следствие 
межнациональных  связей  в  науке  сегодняшнего  дня.  Язык  всех  текстов 
считается  либо  русский,  либо  английский.  Для  того,  чтобы  использовать 
систему  с  другими  языками  (есть  опыт  применения  с  испанским  языком) 
необходимо иметь частотный ряд для данного языка. Методика подготовки 
такого ряда для русского языка описана ниже. 
 
Понятия структуризации информации, как о методе извлечения знаний 
 
 
Ядром  системы  автоматизированного  смыслового  анализа  текстов 
служат  алгоритмы  структуризации  числовой  информации  вида  объект-

 
27
атрибут. В математике такая структуризация носит название кластеризации 
[34],  кластер  это  группа  объектов,  которая  может  быть  выделена  из  общей 
массы  на  основании  каких-либо  критериев.  В  нашем  случае  объектами 
служат  тексты  базы  данных  или  слова  из  текстов.  Группы  текстов    в 
кластере  дают  информацию  о  том,  какие  и  сколько  тем,  пока  еще  не 
сформулированных на естественном языке,  представлены в полнотекстовой 
базе  данных.  Группы  слов  в  кластере  составляют  понятийные  словари  для 
описания этих тем. 
В  данной  работе  рассматривается  классификация  массив  текстов, 
написанных  на  естественном  языке  (иностранные  слова  отбрасываются)  и 
неограниченной  длины  отобранных  не  случайным  образом  из  потока 
информации,  например,  по  ключевому  слову  или  выражению.  Примем  за 
временные  ограничения  отсутствие  синтаксического  анализа,  так  что 
тексты,  написанные  на  заданную  тему  разными  словами,  строго  говоря, 
будут существенно отличаться друг от друга (в случае малой статистической 
выборки).  
В  силу  неоднозначности  и  контекстной  зависимости  естественного 
языка  можем  считать  тексты  слабоструктурированными  объектами,  в  этом 
случае  задача  классификации  будет  считаться  слабоформализованной  в 
ряду: 
неформализованная – слабоформализованная – хорошо 
формализованная – полностью  формализованная  проблема.  Этому  ряду 
соответствует  ряд  алгоритмов  решения:  интуитивные  методы – 
эвристические и, до некоторой степени, спектрально статистические методы 
–  методы  исследования  операций  и  методы  регуляризации  для 
некорректных,  условно  корректных  задач – шаблонные  правила  и 
алгоритмы  принятия  решений.  Считается,  что  при  решении  задач 1-3 
необходимо участие человека (экспертная оценка) [53]. 
С  математической  точки  зрения  задача  смысловой  обработки  текстов 
относится к разряду слабоформализованных задач. Такие задачи отличаются 

 
28
неопределенностью  постановок  и/или  отсутствием    формализованных 
математических  (аналитических)  или  технологических  (алгоритмических) 
процедур  обработки  данных,  связаны  с    нечеткой    и    неоднозначной  
формулировкой    цели,  с  применением  эвристик,  не  допускающих  полной 
формализации,  с отсутствием устойчивой системы понятий и моделей [114]. 
 
Формализация представления данных до вида пригодного для численных и 
графических методов анализа 
 
Для  проведения  кластеризации  исходные  данные  должны  быть 
обработаны  и  подготовлены  каким-либо  математическим  методом.  Иначе 
говоря,  надо  подготовить  пространство  или  систему  координат,  в  которой 
будет  проводиться  кластеризация.  Этот  процесс  и  носит  название 
формализации  задачи.  Здесь  важно  отметить,  что  основные  следствия, 
которые  могут  быть  получены  далее  математическим  путем,  уже 
содержаться  в  результате  формализации,  поэтому  принципы,  на  которые 
опирается система смыслового анализа, отрабатывают именно здесь.  
Базовой числовой информацией для нашей системы является матрица 
вида объект-атрибут, где объектами изучения являются тексты базы данных, 
а  их  атрибутами  относительные  частоты  слов,  которые  система  считает 
значимыми  и  выделяет  из  всей  совокупности  слов,  встречающихся  во  всех 
текстах.  Относительной  частотой  слова  будем  называть  число 
словоупотреблений данного слова во всех текстах базы данных.  
 
Разрабатываемые 
алгоритмы 
автоматической 
классификации 
базируются на числовом анализе частотного распределения ключевых слов, 
выбранных из заданного массива текстов. Известно, что это распределение 
описывается  эмпирическим  законом  Ципфа [173]. Например,  для  выборки 
общеупотребительной  лексики,  использованной  в  работе    абсолютная 

 
29
частота  слов F как  функция    номера  слова N, в  упорядоченном  ряде  по 
убыванию частоты имеет вид: 
Для выборки в 1000000 русских слов общеупотребительной лексики  
 
F= 2263000* N-0.866 
 
В  моно  тематической  выборке  по  превышению  частоты  встречаемости 
слова  над  общеупотребительной  частотой,  можно  сформировать  выборку 
слов  для  подъязыка  данной  тематики  (проблемно-ориентированный 
словарь). 
 
Формализация  представления  данных    заключается  в  построении 
матрицы объект-атрибут, где объектами будут исходные тексты, атрибутами 
–  слова.  Элементом  матрицы  является  число  словоупотреблений  (или  его 
логарифм, причем, при отсутствии слова логарифм считается равным –1).  
Словосочетания  не  анализируются,  хотя  система  сохраняет  номер 
слова  в  тексте  как  рабочий  параметр  базы  данных  для  каждого  слова. 
Надежность  относительной  частоты  слова  как  оценки  резко  падает  с 
уменьшением  абсолютной  частоты  встречаемости  слова.  Опыт  показывает, 
что  абсолютная  частота  слова  может  считаться  значимой,  начиная  с 
достаточно малых величин (2,3). Чтобы уменьшить статистическую ошибку 
абсолютной  частоты  до  приемлемых  с  точки  зрения  теории  вероятности 
значений,  необходимо  иметь  дело  с  большими  выборками  моно 
тематических  текстов,  абсолютный  объем  которых  трудно  прогнозировать. 
Очевидно,  значение  должно  превышать  10 Mb. Таким  образом, 
статистические  оценки  должны  быть  дополнены  дополнительными 
соображениями,  которые  позволят  считать  значимой  ненулевую 
абсолютную  частоту  слова,  то  есть  сам  факт  употребления  слова  должен 
имеет вес, компенсирующий низкую величину абсолютной частоты. 
 

 
30
Естественно-тематическая классификация текстов 
 
Организовать  смысловой  поиск  и  анализ  текстов  можно  опираясь  на 
идею  естественной-тематической  классификации,  которая  основана  на 
тенденции  любой  информации  объединятся  в  группы  «по  интересам» 
[115,117,121]. Это явление просто отражает тот факт, что различные отрасли 
знаний  имеют  свой  подъязык.  Для  того,  чтобы  быть  понятым  другими 
специалистами,  автор  текста  вынужден  в  какой-то  степени  использовать 
формальный  язык  данной  предметной  области.  Статистически  частоты 
словоупотреблений слов данной предметной области, следовательно, будут 
существенно  выше,  чем  их  же  частоты  в  общеупотребительной  лексике. 
Ошибка  в  оценке  частоты  словоупотребления  при  низких  частотах  велика, 
что приведет к расширению списка значимых слов, так как объем выборки 
базы  данных  меньше,  чем  объем  выборки  использованной  для  расчета 
естественной частоты.  
Идея  естественно-тематической  классификации  носит  более  общий 
характер, чем идея анализа частотных словоупотреблений. Эта идея связана 
с проблемами коммуникативных отношений и общими законами построения 
знаков  и  символов [133]. Так  как  данная  работа  лежит  в  технической 
области,  в  сфере  практического,  инженерного  применения  данного 
принципа,  приводимое  ниже  ее  обоснование  должно  рассматриваться  как 
опыт экспериментального наблюдения, полученный на практике в процессе 
отработки  алгоритмов  числовой  автоматизированной  классификации  в 
сфере смыслового анализа текстов.  
При  формальном  построении  текста  специалист  естественным  
образом следует принципу повторения и принципу развития темы. Притом, 
что  сложность  теста  и  другие  особенности  выражения  остаются  в 
творческой  воле  автора,  использование  терминов  подъязыка  некой 
предметной  области  приводит  к  тому,  что  в  среднем  частоты  их 

 
31
словоупотреблений  неизбежно  повышаются.  Число  слов  из  данной 
предметной  области,  задействованных  в  тексте  имеет  нижнюю  и  верхнюю 
границы. Причем, верхняя граница чрезвычайно размыта, так как повторятся 
можно многократно и, обычно, так и происходит, а нижняя граница связана 
с  тем  фактом,  что  употребление  одного  специального  термина  неизбежно 
влечет  за  собой  пояснения  и  как  следствие  употребление  терминов 
окружения.  Набор  слов,  которые  употребляет  специалист,  естественным 
образом, ограничен, и легче использовать слова из существующего набора, 
чем выдумывать каждый раз новые термины. Для частотного выделения не 
важно,  какие  собственно  слова  были  употреблены - специальные  термины 
или обычные. Важен сам факт их употребления. Статистический анализ не 
отражает  тонкостей  выражения  мысли  автором.  Наоборот,  он  использует 
факт  шаблонности  выражений,  позволяя  построить  базовую  основу  для 
дальнейшего анализа.  
Далее перейдем к описанию практической методики подготовки базы 
данных и описанию программных продуктов, используемых при этом. 
 
1.3. Описание работы системы автоматизированного смыслового 
анализа текстов 
 
Автоматизированная система состоит из двух программных модулей: 
1.  Программы  "Администратор"  для  создания,  полнотекстовых  БД,  и 
подготовки  численных 2-мерных  таблиц  для  графических  методов 
анализа с целью классификации текстов. 
2.  Программы Visual HCA для  визуального  эвристического  анализа 2-
мерных числовых таблиц. 
Полнотекстовая  БД  создается  в  программе  "Администратор"  на  основе 
массива  текстов  в WIN кодировке.  В  данной  главе  приводится  краткое  в 
общих  чертах  описание  работы  системы.  Математические  алгоритмы, 

 
32
применяющиеся в системе, требуют отдельного подробного обсуждения – 3 
глава,  без  этого  невозможно  описать  методику  работы  системы  с  текстами 
полностью.  Методика  создания  естественно-тематического  классификатора 
базируется  на  использовании  алгоритмов  визуального  эвристического 
анализа,  на  основе  которых  создана  система Visual HCA. Подробное 
изложение алгоритмов смыслового анализа текстов сделано в главе 3. 
 
Создание базового словаря. Принципы статистического анализа на основе 
словаря общеупотребительной лексики 
 
Необходимо  отметить,  что  процедура  создания  инструментария  для 
смыслового  анализа  текстов  должна  быть  доверена  эксперту  в  области 
лингвистического  обеспечения,  ориентирующемуся  в  тематике  созданной 
базы  данных.  Кроме  того,  этот  эксперт  должен  быть  специалистом  по 
математическим  числовым  методам  классификации,  так  как  предлагаемая 
методика  основывается  на  эвристическом  кластерном  анализе  числовых 
матриц, использующем человеко-машинные диалоговые технологии. 
Базовый  словарь  (БС) - это  набор  слов  из  исходного  массива  текстов, 
относительная  частота  встречаемости  которых  превышает  частоту  в 
общеупотребительной  лексике.  Общеупотребительная  частота  данного 
слова  берется  из  заранее  заготовленного  словаря  общеупотребительной 
лексики  (СОЛ),  созданного  на  основе  большого  массива  газетных  текстов 
(около  миллиарда  слов).  Базовый  словарь  будет  включать  слова  из  всех 
тематических подъязыков, использованных авторами текстов.  
Рекомендуется  ограничить  создаваемую  базу  данных  по  тематике, 
иначе естественно-тематические группы не удастся выделить статистически 
значимо (необходимо иметь очень большое количество текстов). 
Создание словаря общеупотребительной лексики проведено по методике 
создания  репрезентативной  выборки  на  базе  отбора  входящих  в 

 
33
генеральную  совокупность  общеупотребительного  языка  различных 
тематических  выборок  ограниченного  объема.  Для  успешной  работы 
системы достаточно грубо определить абсолютные частоты, потому что при 
отборе  слов  в  базовый  словарь  превышение  частоты  можно  регулировать. 
При  создании  баз  данных  размером  до 100 тысяч  статей  объем  выборки 
будет  существенно  ниже,  чем  объем  выборки,  используемый  при  создании 
СОЛ.  То  есть  величина  частоты  словоупотребления  будет  занижена.  При 
таких  условиях  в  базовый  словарь  попадет  множество  слов  не  точно 
характеризующих  тексты,  случайных  слов  или  мало  информативных  слов, 
таких  как    глаголы,  прилагательные.  Эксперт,  проводящий  отбор,  должен 
вручную  откорректировать  окончательный  список  слов.  Аббревиатуры  и 
другие  слова,  не  содержащиеся  в  словаре  общеупотребительной  лексики, 
сохраняются в дополнительном списке. Частота слов в списке принимается 
равной  наблюдаемой  частоте  с  поправкой  на  коэффициент  отношения 
объема выборки к объему выборки СОЛ (миллиард слов).  
Использование  тезаурусов,  синонимов,  антонимов  и  устойчивых 
словосочетаний  на  этапе  создания  базового  словаря  не  даст  ощутимых 
результатов.  Основной  целью  при  создании  базового  словаря  является 
выборка  всех  слов,  которые  каким-либо  образом  выделяются  на  фоне 
общеупотребительной  лексики.  Если  термин  из  подъязыка  статистически 
выделяется  при  этом,  то  неизбежно  будут  выделены  и  слова  из  его 
окружения. Синонимы для этого термина будут важны только тогда, когда 
частота их применения сравнима с частотой применения данного термина. В 
этом случае синонимы будут выделены статистически независимо. Так же и 
устойчивые  словосочетания  будут  выделены  независимо,  так  как  частоты 
входящих в них терминов будут равны. 
Возможно, 
использование 
дополнительной 
информации, 
предоставляемой  лингвистическим  анализом,  позволит  точнее  проводить 
смысловой анализ  текстов. На данном этапе в руках эксперта  есть готовые 

 
34
списки слов, которые система считает значимыми, и можно вручную внести 
необходимые изменения. 
 
Создание  естественно-тематических предметно-ориентированных 
словарей 
 
На  основе  базового  словаря    создаются  предметно-ориентированные 
словари  - ПОС.  
Предметно-ориентированные  словари  служат  основным  инструментом 
классификации текстов [120,121]. Прежде всего, определяется общий ПОС. 
Все  слова  из  базового  словаря  проходят  через  ряд  критериев  отбора. 
Изменяя  параметры  отбора  слов,  эксперт  имеет  возможность  следить  за 
устойчивостью выбранной модели классификации.  
Таким  образом,  общий  ПОС - это  часть  слов  из  БС,  которые  прошли 
через  заданные  экспертом  критерии  отбора.  По  порядку  применения 
критерии отбора слов располагаются в следующей последовательности: 
•  максимальное число значимых текстов - максимально допустимое число 
текстов, в которых встретилось слово. Этот критерий позволяет выделить 
слова, специфичные только для части текстов; 
•  минимальное  число  значимых  текстов - минимальное  число    текстов,  в 
которых  встретилось  испытуемое  слово  из  кандидатов  в  ПОС.  Этот 
критерий  совпадает  с  нижней  статистической  границей  встречаемости 
слова,  позволяя    отбрасывать  слова,  специфичные  для  малого,  по 
сравнению с исходным, количества текстов. Этот критерий определяется 
представлениями  эксперта  о  минимально  значимом  числе  текстов  в 
одном кластере; 
•  превышение заданной относительной частоты словоупотребления. 
 
Ниже 
приведена 
иллюстрация 
работы 
программного 
модуля 
“Администратор”.  Пользователь  имеет  возможность,  изменяя  параметры, 

 
35
оценивать  объем  получаемых  матриц.  Для  моно  тематических  словарей 
эвристически  определенное  значение  объема  словаря  составляет 50-300 
слов.  Если  слов  меньше,  часть  текстов  выпадает  из  анализа  и  составляет 
белое  пятно,  которое  необходимо  анализировать  отдельно.  Если  объем 
больше  определенность  тематики  падает,  размывается  и  появляется 
тяготение  к  подразделению  на  под  темы.  Предлагаются  различные    виды 
нормализации  матриц,  хотя  наилучшим - из  опыта - является  логарифм 
основанию 2.  
 
Далее рассчитывается числовая матрица текст/слово - TW, элементами 
которой  являются  число  встречаемости  данного  слова  из  общего  ПОС  в 
данном  тексте.  На  основе TW рассчитываются  симметричные  квадратные 
матрицы  слово/слово - WW и  текст/текст - TT. Элементом TT является 
число  употреблений  слов  из  общего  ПОС  в  паре  данных    текстов. 
 
Элементом WW является число текстов, в которых встретилась данная 
пара  слов  из  общего  ПОС.  На  основе WW определяются  частные  ПОС,  на 
основе TT определяются  тематические  группы  текстов  и  тексты-
представители(тематические ядра) для данной группы. 
 
Далее пользователь использует программу эвристического кластерного 
анализа числовых матриц - Visual HCA (Visual Heuristic Cluster Analysis) для 
определения естественно-тематических групп.  
 
Программный  продукт Visual HCA дает  возможности  эксперту 
выдвинуть  некоторую  гипотезу  о  составе  и  структуре  кластеров  и  в 
зависимости  от  проверки  этой  гипотезы  методами,  которые  не 
использовались  при  формировании  модели,  увеличить  степень  своей 
уверенности  в  правдоподобии  принятой  гипотезы  или  получить  результат, 
заставляющий отвергнуть эту гипотезу.  
 
  Итак,  в  итоге,  каждому  тексту  соответствует  один    ПОС,  что 
сохраняется в базе данных в виде некоторого числового кода. 
 


 
36
                
                Рис. 1.   Критерии отбора слов в ПОС.  
 
 
Предметно-ориентированный  словарь  (ПОС)  служит  основным 
инструментом  классификации  текстов.  Изменяя  параметры  отбора  слов  в 
ПОС,  эксперт  имеет  возможность  следить  за  устойчивостью  выбранной 
модели  классификации.  Одновременно  с  созданием  ПОС  программа 
"Администратор"  рассчитывает 2-мерные  числовые  таблицы  для 
визуального  эвристического  анализа  в  программе Visual HCA. Здесь 
процедура  описания  темы  в  виде  ПОС  повторяется  для  каждой 
предварительно определенной темы. Рассчитываются: 
•  Матрица 
текст/слово, 
элементы 
которой 
это 
число 
словоупотреблений для слов из ПОС в каждом тексте БД. 
•  Матрица  текст/текст,  элементы  которой  это  число  слов  из  ПОС, 
встречающихся  в  данной  паре  текстов,  нормированное  на 1 


 
37
Матрица  слово/слово,  элементы  которой  это  число  текстов, 
содержащих данную пару слов, нормированное на 1 
•  Далее  эти  матрицы  анализируются  в  программе Visual HCA с 
целью разбиения текстов БД на естественно-тематические группы. 
В  зависимости  от  размеров  БД  стратегия  классификации  может 
быть  разной.  Если  количество  текстов  сравнительно  невелико 
(меньше  чем  количество  слов  в  ПОС)  следует  анализировать 
матрицу  текст\текст.  В  противном  случае  следует  анализировать 
матрицу слово/слово.  
 
Устойчивые группы, найденные в результате работы программы Visual 
HCA и будут естественно-тематическими группами, к разбиению на 
которые тяготеет данная БД. Если число текстов существенно превышает 
число слов ПОС (объем ПОС 100-200 слов), то следует анализировать 
матрицу слово\слово с тем, чтобы организовать под словари тем (физически 
это списки слов из ПОС) и использовать эти под словари для разбиения 
текстов на рубрики в программе "Администратор" (в режиме 
 
 
Рис. 2. 
Режимы в программе “Администратор” 



 
38
 
"Распределение  текстов  по  рубрикам").  В  данном  режиме  программа 
"Администратор"  создает  матрицу  текст\словарь,  используя  либо  рубрики 
БД (тематические индексы из текстов БД), либо набор словарей, созданных 
программой Visual HCA или заданных экспертом по своему выбору. 
 
После разбиения текстов БД на группы в программе "Администратор" 
необходимо назначить каждой группе текстов поименованную тему, индекс 
которой записывается в БД. После этого для каждой рубрики определяется 
ПОС  по  описанной  выше  методике.  Процедура  разбиения  на  подгруппы 
может  продолжаться,  таким  образом,  далее.  В  результате  тексты 
разбиваются по естественно-тематической иерархии.  
 
Конечно,  исходная  выборка  для  создания  много  тематического 
классификатора должна быть достаточно велика, чтобы быть статистически 
значимой.  Для  исследования  же  структуры  моно  тематического  плана 
(например,  описание  характера  недавно  возникшей  отрасли  знаний, 
определения  групп  докладов  конференций)  достаточно  иметь  несколько 
сотен текстов среднего размера (~32Kb). 
 
 
Рис. 3. 
 Матрицы текст/текст в программе Visual HCA 
 
 
Так  выглядит  в  программе Visual HCA файл  текст/текст  до  и  после 
структуризации  для  БД  созданной  на  основе  массива  текстов 


 
39
социологической  и  экологической  тематики,  хотя  возможны  варианты 
принадлежности отдельных текстов к обеим рубрикам. 
 
После  создания  естественно-тематических  групп  и  ПОС  для  каждой 
группы в системе ИРБИС АРМ “Каталогизатор”  можно искать в базе  
 
 
Рис. 4. 
Результат поиска текстов по образцу 
 
данных тексты, сходные данному, таким образом, сразу определяя, к какой 
теме следует причислить текст из потока новых поступлений.  
 
Величина сходства (релевантность) одного текста другому 
рассчитывается в контексте выбранного ПОС (или нескольких ПОС). Слова 
из данного ПОС ищутся в тексте-образце. Найденные слова образуют 
пространство, в котором тексты из БД могут сравниваться с заданным. 
Релевантность одного текста другому, таким образом, есть корреляция строк 
в матрице текст/слово. Доля слов в предметной области запроса - это 
процент слов из выбранного ПОС, найденных в тексте-образце. Если эта 
величина мала (<10%) можно считать, что данный текст принадлежит 
другой тематической группе. Определить к какой тематической группе 
принадлежит текст-образец можно по списку релевантных ему текстов для 

 
40
основного ПОС. Распределение текстов по рубрикам (ПОС) можно получить 
по списку релевантных текстов, не задавая текст-образец. 
 
Разумеется,  после  добавления  в  БД  значительного  количества  текстов, 
тематика  которых  не  отражена  в  классификаторе,  следует  провести 
повторную  реструктуризацию  БД.  Для  этого  все  вышеописанные  шаги 
повторяются заново.  
 
Для нахождения ядра группы текстов используется матрица текст/текст, 
которая  рассчитывается  при  определении  релевантности  текстов.  Эксперт, 
анализируя  эту  матрицу  в  программе Visual HCA, имеет  возможность 
построить  структуру  типа  дендрит  или,  рассчитав  факторы  изучить 
взаиморасположение  текстов  в  факторном  пространстве.  Технология 
применения Visual HCA описывается в следующей главе. 
 
Фрагментация текстов 
 
 
 
В  программе  “Администратор”  можно  выделить  фрагменты  текстов,  в 
которых встречаются слова ПОС. Критерии выделения фрагментов заранее 
могут быть заданы как: 
•  Максимальное расстояние между словами во фрагменте. 
•  Минимальное число разных слов во фрагменте. 
•  Расстояние между фрагментами, выраженное в словах. 
 
Фрагменты  характеризуются,  в  основном,  числом  слов  из  ПОС. 
Регулируя  эту  величину,  эксперт  добивается  извлечения  из  текста  именно 
тех отрывков, где автор рассуждает на интересующую его тему. Расстояние 
между словами во фрагменте влияет на размер фрагмента, так как если это 
значение  велико,  слова  из  ПОС  из  разных  участков  текста  заставят  их 
слиться  в  один  фрагмент.  Таким  образом,  расстояние  между  словами  во  
фрагменте определяет размер скользящего по тексту окна,  внутри которого  


 
41
 
 
 
Рис. 5. 
Выбор параметров для выделения фрагментов 
 
программа ищет слова из ПОС. 
 
После  того,  как  фрагменты  выделены,  все  они  записываются  в 
отдельный  файл  с  именем  frag.rtf и  создается  числовая  матрица 
фрагмент/фрагмент для выявления групп в массиве различных фрагментов с 
помощью  программы Visual HCA. После  выделения  этих  групп  цветом 
эксперт  имеет  возможность  сохранить  каждую  группу  фрагментов  в  файл 
формата RTF. 
 
Технология накопления информации 
 
Практика  показывает,  что  минимальное  количество  текстов  для 
организации базы данных составляет 10 Мб и размер самого текста должен 
быть  более 1 Kb (автореферат)  и  менее 100 Kb (начинаются  повторения  и 
расширение  тематики – текст  становится  слишком  общим).  В  процессе 
накопления  информации  без  существенного  изменения  тематики  система 
естественным  образом  стремится  к  устойчивому  набору  ПОС,  которые  в 


 
42
свою  очередь  начинают  далее  дробится  по  тематической  иерархии.  
Практика  применения    разработанной  технологии  показывает,  что  на  одну 
страницу нового текста (2 Кб) ПОС добавляется от 2 до 4 слов. Количество 
слов  в  ПОС  определяется  в  какой-то  степени  стремлением  использовать 
эвристические  свойства  визуализации.  Это  означает,  что  объемы 
информации неявно ограничены тем, что полезное для визуального анализа 
число элементов ограничено величиной порядка 200 – 500. 
Необходимый  минимальный  объем  выборки  для  формирования  ПОС 
составляет 4 Mb. Эта  величина  оценивалась  по  тенденции  ПОС  к 
увеличению с ростом объема выборки.  
Для 
моно 
тематической 
выборки 
(искусственно) 
график 
Объем(ПОС)/Объем выборки(размер текста – от 1 до 20 Kb) имеет вид: 
 Рис. 6.   График зависимости объема ПОС от объема выборки 
 
 
Таким  образом,  при  увеличении  моно  тематической  выборки 
самообучение  системы  носит  конечный  характер  и  заключается  в 
формировании набора ПОС.  
 

 
43
Выводы по 1-й главе 
В  данной  главе  проведен  анализ  существующих  программных 
продуктов анализа текстов. Тенденцией развития рынка является разработка 
модулей  лингвистического  прикладного  обеспечения  для  разработчиков 
систем  автоматизации.  Так  как  цены  на  данные  программные  продукты 
сопоставимы с ценами на отечественные системы автоматизации библиотек, 
необходимо расширять возможности существующих систем.  
В данной главе приводится краткое описание разработанных подходов 
к решению задачи смысловой обработки текстов: 
•  Создание полнотекстовой базы данных.  
•  Естественно-тематическая  классификация  текстов,  для  чего  
необходимо выделение значимых терминов предметной области 
по  признаку  превышения  общеупотребительной  частоты 
[115,117].  
•  Для  смыслового  анализа  текстов  необходимо  представление 
информации о распределении слов в текстах в числовом виде и 
структуризация  этой  информации  с  помощью  алгоритмов 
решения слабоформализованных задач [114]. 
 
В  данной  главе  приводится  подробная  методика  работы 
автоматизированной системы по созданию полнотекстовой базы данных из 
массива текстов. Выделены следующие этапы: 
•  Создание  из  массива  текстов  полнотекстовой  базы  данных  и 
индексация слов из текстов. 
•  Выделение  значимых  терминов  по  критерию  превышения 
общеупотребительной частоты. 
•  Создание    естественно-тематических  предметно-ориентированных 
словарей. 

 
44
Предметно-ориентированные  словари  со  словами  с  повышенной 
частотой  встречаемости  по  сравнению  с  общеупотребительной  лексикой 
являются новым поисковым инструментом работы с текстами электронного 
фонда  библиотеки.  Распределение  терминов  предметно-ориентированного 
словаря 
по 
тексту 
является 
поисковым 
образом, 
который 
автоматизированная  система  представляет  в  числовом  виде.  Данное 
представление  является  начальной  точкой  работы  алгоритмов  сравнения  и 
классификации  текстов  системой  визуального  эвристического  анализа  (см. 
Главу 2.). С  ростом  объема  информации  однородной  тематики 
автоматизированная  система  позволяет  сравнивать  тексты,  не  изменяя 
предметно-ориентированных словарей. 
 
Работа  автоматизированной  системы  иллюстрируется  на  примере   
набора статей социологической и экологической тематики.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
45
Глава 2. Система визуального эвристического кластерного 
анализа  
 
В данной главе будет рассмотрена система структуризации числовых 
матриц 
вида 
объект/атрибут, 
представляющая 
собой 
отдельный 
программный продукт[114].  
При  достаточной  сложности  в  использовании  система  обладает 
внутренне  присущей  логикой,  которая  легко  усваивается  специалистами  в 
различных  областях  знаний  благодаря  тому,  что  система  базируется  на 
общенаучных  понятиях  и  представлениях  об  анализе  информации.  Далее  в 
этой главе пользователь системы будет называться эксперт.  
В  приложении 1 описаны  в  общих  чертах  и  в  доступной    форме 
принципы,  заложенные  в  систему.  Специалисты,  не  знакомые  со 
специальными разделами математической статистики, могут ознакомиться с 
работой программы, не вникая в частные детали. 
 
2.1. Экспертные системы и система визуального эвристического 
анализа – сходства и отличия 
 
  Современные  экспертные  системы  это  сложные  программные 
комплексы,  аккумулирующие  знания  специалистов  в  конкретных 
предметных  областях  и  распространяющие  этот  эмпирический  опыт  для 
консультирования  менее  квалифицированных  пользователей [153]. Главное 
отличие  экспертной  системы  от  других  программных  средств  это  наличие 
базы  данных,  в  которой  знания  хранятся  в  форме  понятной  специалистам 
предметной  области  и  могут  быть  изменены  и  дополнены.  С  этой  точки 
зрения  система  визуального  эвристического  анализа  является  основой  для 
построения  экспертной  системы  в  некой  предметной  области,  причем 
предметная 
область 
может 
быть 
любой. 
Система 
визуального 

 
46
эвристического анализа предоставляет математический инструментарий для 
решения  формализованных  задач.  Процесс  отражения  проблемы  в  форму 
числовой  матрицы  и  процесс  обработки  полученных  результатов 
структуризации лежит за рамками системы. 
 Если  тематический  набор  текстов  рассматривать  как  выборку  из 
совокупного  знания,  то  задача  извлечения  скрытого  знания  и  накопления 
опыта  по  его  применению  близка  к  задачам,  которые  ставятся  перед 
экспертными  системами.  Главное  отличие  заключается  в  том,  что  при 
построении  экспертной  системы  опыт  эксперта  используется  прямо,  в 
системе  смыслового  анализа  текстов  опыт  эксперта  используется  скрыто, 
являясь основой для выделения значимых слов и построения тематических 
словарей. Непосредственное знание и опыт эксперта необходимы только на 
этапе построения естественно-тематического классификатора. 
Также  как  и  статистическая  теория  вероятности,  система  не  делает 
никаких предположений о природе полученных данных, об их взаимосвязи 
или  неточности  при  измерении.  Более  того,  система  может  работать  с 
абстрактными  данными,  которые  получены  в  результате  численной 
формализации  качественных  данных.  Применение  системы  в  области 
смыслового  анализа  текстов  стало  возможным  благодаря  построению 
модели естественно-тематических словарей для сравнения текстов. 
Слабоформализованные задачи - это задачи формирования понятий и 
концепций,  связанных с изучением новых объектов [114].  Рассматривается 
граница  между  формализованными  и  неформализованными  задачами.  
Исходные    данные    -    это    многомерные    матрицы  объекты-атрибуты.  
Подход    к    решению    -    структуризация    данных.  Действительно,  после 
выделения  структур  объектов  эксперт  может  выдвигать  гипотезы  о 
концепции,  которая  объединила  объекты  в  структуры,  а  также 
формировать  понятия  для  описания  этих  концепций.  Это  дает 
аксиоматический  базис  для  будущих  выводов.  Методология  решения: 

 
47
применение  неформальных  процедур  классификации  и  формальных 
алгоритмов,  ориентированных  данные,  на  их  специфику,  полноту  и 
точность. 
 
2.2. Возможности системы Visual HCA (Visual Heuristic Cluster Analysis) 
 
Visual HCA - это  система,  которая  специально  ориентирована  на 
помощь  эксперту  в  выработке  понятий  и  концепций.  Система  позволяет 
обрабатывать  матрицы,  содержащие  сотни  объектов  и  атрибутов. 
Последние могут быть количественными и  качественными. Ключевое место 
это графический диалог с экспертом. Он позволяет:  
-  искать  и  выделять  кластеры  в  подпространствах  факторного 
пространства; 
- управлять выделением кластеров на дендрите; 
- проверять устойчивость кластеров.  
Кластеры  могут  быть  одномерными,  многомерными,  сложной 
формы.  На  дендрите  кластеры  могут  размещаться  на  фрагментах, 
образующих  отдельные  деревья.  Искусство  эксперта - обнаружить  их.  При 
кластеризации  можно  привлекать  данные  по  географической  привязке 
объектов на картах. 
Ниже  рассмотрен  пример  генетического  анализа.  Все  примеры 
использовали  реальный  экспериментальный  материал.  В  заключении 
приведено краткое описание программной реализации. 
 
Слабоформализованные задачи. Предмет рассмотрения и концепция 
решения 
Термин  слабоформализованные  задачи  обычно  связывается  с 
задачами,  которые  отличаются  неопределенностью  постановок  и/или 

 
48
отсутствием    формализованных  математических  (аналитических)  или 
технологических (алгоритмических) процедур обработки данных. 
Под    слабоформализованными    задачами  принято    понимать    задачи,  
связанные:  с    нечеткой    и    неоднозначной    формулировкой    цели,  с 
применением  эвристик,  не  допускающих  полной  формализации,  с 
отсутствием устойчивой системы понятий и моделей [114]. 
Такие задачи возникают,  когда исследователь начинает изучать новый 
тип  объектов  или  процессов,  относительно  которых  имеется  количество 
данных,  но нет моделей и аксиоматики,  характеризующих эти объекты или 
процессы.  На этом материале исследователю надо  сформировать понятия и 
концепции  о  модели  объекта.  Ситуация  осложняется  тем,  что  в  наиболее 
интересных случаях, а эти случаи обычно связаны с междисциплинарными 
исследованиями, 
данные 
представляют 
смесь 
количественных 
и 
качественных характеристик. 
В этих  условиях  исследователь  должен  найти способ формализовать 
информацию,  выявить  структуру  данных,  найти  взаимосвязи  между 
объектами  и  их  свойствами,  а  затем  найти  подходящий  математический 
аппарат для описания моделей объектов и процессов, порождающих данные, 
аналогичные собранным. 
Результатом  решения  слабо-формализованной  задачи  является 
перевод этой задачи в разряд хорошо формализованных задач. 
 
Подход к решению 
 
Основной  путь    решения  этих  задач - это  обнаружение  отношений 
между  объектами,  между  их  атрибутами.  На  основе  этих  отношений 
выдвигаются  и  проверяются  гипотезы  о  модели  объектов.  Эти  гипотезы,  
принятые  еще  на  ранних  стадиях  исследований,  создают  аксиоматический 
базис  будущих  выводов  исследователя.  Они  создают  основу  для  более 

 
49
планомерного  и  направленного  поиска  формализованных  математических 
моделей объектов и взаимосвязей между ними. 
Исходные  данные  представляют  собой  матрицы.  Почти  всегда  это 
матрицы  типа  объекты-атрибуты.  Поэтому,  используемый  математический 
аппарат  должен  быть  настроен  на  работу  именно  с  этим  типом  исходных 
данных. 
Получить представление о том,  что представляет собой исследуемый 
материал можно после проведения структуризации данных.  Действительно,  
когда  эксперт  выделил  какие-либо  структуры  объектов,  он  уже    может  
выдвигать    гипотезы    о    концепции,  которая  объединила  объекты  в  эти 
структуры, и формировать понятия для описания этих концепций [34]. 
В  качестве    метода  структуризации  принимается  классификация 
объектов  на  заранее  неопределенное  число  классов,  т.е.  неформальный 
кластер-анализ.  Поскольку  представление  о  том,  каким  должен  быть 
кластер,  заранее неизвестно,  то выделение кластеров естественно поручить 
эксперту.  Он  будет  проводить  кластеризацию  в  режиме  графического 
диалога с системой.  
Эту  работу  нельзя  поручать  машине,  хотя  уже  имеется  достаточно 
много  автоматических  классификаторов.  Среди  них  есть  и  те,  которые 
проводят  классификацию  на  не  заданное  заранее  число  классов.  Во  всех 
этих системах классификация проводится по всему набору атрибутов.  А на 
начальных  стадиях  исследований  информативность  атрибутов  может 
оказаться  резко  различной  и  затрудняющей  исследования.  Кроме  того  для 
автоматической  классификации  должны  быть  заданы  внешние  критерии, 
определяющие предельные отношения близости объектов к точкам своего и 
других  кластеров.  В  общем  случае  на  начальной  стадии  исследований 
неизвестно, как задавать эти критерии. 
Далее. Для проведения кластеризации исходные данные должны быть 
обработаны  и  подготовлены  каким-либо  математическим  методом.  Иначе 

 
50
говоря,  надо  подготовить  пространство  или  систему  координат,  в  которой 
будет проводиться кластеризация. 
При  решении  слабоформализованных  задач  нельзя  проводить 
кластеризацию в пространстве атрибутов, по крайней мере, формально. 
Действительно, выбрав в качестве координат набор атрибутов, мы тем 
самым опираемся на уже сформированную систему понятий, определяемую 
этими  атрибутами!  Именно  поэтому,  методы  подготовки  данных  должны 
быть ориентированы на данные, на их специфику, полноту и точность. И это 
второе  требование  к  системе,  которая  претендует  на  то,  чтобы  решать 
слабоформализованные задачи [114].  
 
2.3. Методы, ориентированные на данные  
 
В 
системе 
используются 
два 
математических 
метода, 
ориентированных на данные: 
Метод естественных ортогональных составляющих 
Этот метод известен давно. Библиографию можно найти, например, в 
[160].  Основа  метода - это  решение  проблемы  собственных  значений  и 
собственных  векторов  матрицы  данных.  Метод  позволяет  перейти  от 
пространства атрибутов (A1,A2,....An), в пространство факторов (F1,F2,...Fl) 
которые  и  являются  этими  ортогональными  составляющими.  Очевидно, 
новые  атрибуты - факторы,  заранее  неизвестны.  Они  полностью 
определяются набором исходных данных. 
Именно  в  этом  пространстве (F1,F2,...) следует  проводить 
кластеризацию.  Кластерами  здесь  будут  группы  объектов,  локализованные 
вручную  экспертом  в  одном  или  нескольких  подпространствах.  Эти 
подпространства строятся на парах векторов (Fi,Fj). 

 
51
Метод построения дендрита 
Дендритом  здесь  называется  граф  типа  дерева.  Вершинами  графа 
являются  объекты,  соединенные  дугами  по  принципу  ближайшего 
соседства.  При этом расстояние определяется в пространстве атрибутов как 
в каком-либо метрическом пространстве [102]. 
Поскольку  при  построении  дендрита  отсутствуют  внешние  критерии 
группировки,  то  процедура  построения  дендрита  тоже  ориентирована  на 
данные.  Здесь  эксперт  также  может  вручную  локализовать  кластеры, 
выделяя  более  тесно  сближенные  между  собой  фрагменты  дерева  или 
разбивая исходный граф на лес и изолированные узлы. 
Этот  метод  и  метод  кластеризации  в  факторных  подпространствах 
взаимно  дополняют  друг  друга.  В  частности,  причинно-следственные 
связи,  обнаруженные  на  дендрите,  проверяются  на    факторах.  Если  
кластеры,  выделенные    разными    методами,  в    основном    совпадают,  то  
это  свидетельствует  об  объективности  их  существования  и  устойчивости 
результата кластеризации. 
 
Назначение 
Система Visual HCA предназначена 
для 
решения 
слабоформализованных  задач  на  основе  человеко-машинных  процедур 
классификации. Исходная информация - матрица объекты-атрибуты. 
Visual HCA предоставляет  эксперту  аппарат,  который  не  требует 
априорной  информации  о  структурных  особенностях  проблемы.  Этот 
аппарат  помогает  эксперту  в  структуризацию  представлений  о  системе,  к 
которой  относятся  данные.  Он  не  заменяет  человека-эксперта,  а  лишь 
усиливает его интеллектуальные возможности в его творчестве. 
 

 
52
Подготовка данных  
Исходные  данные  представляют  собой  матрицу.  Почти  всегда  это  
матрица    типа    объекты-атрибуты.  Атрибуты    могут    представлять    и  
количественные  и  качественные  характеристики  объекта.  Заметим,  что  
количественные    атрибуты    могут    представлять  пространственно-
временные  характеристики  объекта,  а  качественные  атрибуты  могут  быть 
как  бинарными,  так  и  многозначными.  Матрица  может  относиться  к  типу 
объекты-объекты  и  содержать,  например,  числа,  отражающие  отношения 
между объектами. 
Матрица  может  быть  подготовлена  как  в  обычной  текстовой  форме, 
так и в стандартном формате баз данных, работающих с Excel. 
 
Учет качественных данных 
Рассмотренные 
выше 
процедуры 
математической 
обработки 
используют  количественное  представление  атрибутов.  Действительно,  в 
этих  процедурах  существенную  роль  играет  понятие  'расстояние',  понятие  
'больше-меньше'.  Чтобы    проводить    такую    обработку,  качественные 
атрибуты заменяются их порядковыми номерами, т.е. переводятся в разряд 
количественных. 
Если  качественный  атрибут  имеет  только  два  значения,  то 
представление  его  нулем  и  единицей  является  оправданным.  В  данном 
случае эти значения играют роль индикаторов 'отличие' или 'равенство', а не 
значений  расстояния.  Если  качественный  атрибут  имеет  значения  в 
порядковой шкале,  например,  'очень мало',  'мало',  'много',  'очень много',  
то  представление  атрибута  соответствующими  порядковыми  номерами 
оправдано и дает хорошие результаты. Но если качественный атрибут имеет 
несколько значений и эти значения не удовлетворяют отношению порядка, 
то  его  разбивают  на  несколько  бинарных  атрибутов  и  представляют  в 
номинальных шкалах. 


 
53
Описание опций программы   
 
На рисунке показан набор опций задаваемых в программе: 
 
Рис. 7.   Выбор опций в программе Visual HCA 
 
•  Автосохранение векторов – сохранять вектора при расчете в файле. 
•  Автосохранение  форм – сохранять  формы  объектов  при  сохранении 
файла, при чтении файла формы объектов будут прочитаны. 
•  Автосохранение  цветов - сохранять  цвета  объектов  при  сохранении 
файла, при чтении файла цвета объектов будут прочитаны. 
•  Файл  векторов – использовать  существующий  файл  векторов  при 
расчетах факторов. 
•  Файл для карты – указать файл для показа объектов в топо-окне. 

 
54
•  Показать  минимальное  расстояние – рисовать  на  графе  линии, 
отвечающие минимальному расстоянию между объектами при любом 
положении ползунка, показывающего границу видимого расстояния. 
•  Симметричная  матрица – установить  эту  опцию,  если  матрица 
симметричная,  все  процедуры  сортировки  и  удаления  строк  будут 
прилагаться к симметричным столбцам автоматически. 
•  Экспоненциальная  шкала – установить  экспоненциальную  шкалу 
показа минимальных расстояний на графе. 
•  Точность расчета – при расчете факторов. 
•  Шкала для эллипсов – размер эллипсов %. 
 
Поиск кластеров в факторном пространстве  
Предполагается,  что  в  каком-либо  подпространстве (Fi x Fj) удастся 
локализовать  группы  объектов,  т.е.  выделить  кластер.  Однако,  заранее 
неизвестно,  в  какой  паре (Fi x Fj) это  разделение  будет  наиболее  четким. 
Кроме того, заранее неизвестен также характер группировки: это могут быть 
линейные кластеры, кластеры с явно выраженным центром и т.п. 
Поэтому  эксперт  просматривает  различные  подпространства,  
натянутые  на  вектора (Fi,Fj),  и  отыскивает  те  подпространства,  где  это 
разделение  будет  наиболее  четким.  В  обнаруженном  подпространстве 
эксперт  отмечает  точки  выбранных  кластеров  различными  цветами.  В 
Visual HCA имеется  окно  “Факторный  анализ”,  где  представляются 
кластеры в факторных пространствах. Название окна подчеркивает,  что по 
осям откладываются координаты, имеющие смысл весов соответствующего 
фактора. На рис.8 показано окно “Факторный анализ” для факторов (F2,F4). 
Эти  факторы  играют  роль  ортов,  по  осям  которых  отложены  весовые 
коэффициенты. Поэтому оси отмечены здесь как 2 и 4. 
На  этом  же  рисунке  показаны  объекты  в  факторном  пространстве.  
Объекты,  принадлежащие  различным  группам,  окрашены  в  различные 


 
55
цвета. На рисунке 8 видно, что выделяются  4 различные группы объектов. 
Естественно, количество атрибутов для объекта и фактора совпадают. 
Использование  эллипсов  рассеяния  возможно  для  решения  задачи 
опознавания класса объекта на обучающей выборке. На рисунке 8 показаны 
эллипсы рассеяния, рассчитанные на примере генетического анализа. Теперь 
если  есть  результаты  новые  измерений  можно  быстро  распознать  их 
принадлежность  к  одному  из 4 классов  (в  данном  примере  рас  народов 
мира). 
 
 
Рис. 8. 
Эллипсы рассеяния в факторном пространстве 
 
Для более достоверной классификации возможен просмотр объектов в 
трехмерном  факторном  пространстве,  вращающемся  вокруг  начала 
координат  с  помощью  мыши.  Такой  динамический  показ  позволяет  в 
режиме анимации  убедится  в правильности выбранной классификации, так 


 
56
как факторы на плоскости не всегда разносят различные классы объектов на 
максимально возможные видимые расстояния. На нижнем рисунке 9 хорошо 
видны 4 класса объектов, причем становится явной глубина картинки. При 
этом размещение объектов внутри группы более точно идентифицируется. 
 
 
Рис. 9. 
Объекты в 3D факторном пространстве 
 
На следующем рисунке 10 иллюстрируется корреляция и антикорреляция  
факторов и объектов. Видно, что серый объект (Греция) коррелирует со 2  
фактором,  желтый  объект  антикорелирует  с  ним  же.  Такое  поведение 
объектов  и  приводит  к  большому  видимому  разбросу  на  плоскости 
факторного пространства для факторов 2 и 4. 


 
57
На  рисунке 10 можно  видеть  величину  значимости  фактора  (главное 
значение  для  данного  фактора  относительно  максимального) – магнитуду. 
Если  магнитуда  фактора  мала,  влияние  его  незначительно  и  им  можно 
пренебречь.  После  расчета  факторов  они  сортируются  по  значению 
диагонального элемента, таким образом, наиболее значимые факторы ближе  
 
Рис. 10. 
Графики факторов и объектов 
 
к началу нумерации. 
Точность  расчета  факторов  до  определенной  степени  влияет  на 
взаимное  расположение  объектов  в  факторном  пространстве.  При 
достижении  значений  меньших  процента  это  влияние  резко  ослабевает  и 
становится  незначительным.  Величина  точности  расчета  определяет  время 
расчета факторов, пользовать сам может его отрегулировать. 
 
Поиск кластеров на дендрите и графе 
В окне  на рисунке 11 показан дендрит,  построенный по всему  


 
58
множеству объектов. Расстояние между объектами здесь определяется в  
 
Рис. 11. 
Граф-дендрит 
 
пространстве  атрибутов  в  одной  из  метрик - Евклидовой  или 
Манхеттенской,  или  корреляцией  между  объектами.  Если  кластеры  уже 
были выделены в факторном пространстве, то Visual HCA сразу же покажет 
их  цветом.  Но  эксперт  может  вручную  выделять  кластеры  и  отмечать  их 
цветом, как он делал это в факторном пространстве. 
Эксперт  может  управлять  построением  дендрита  двумя  путями:  во-
первых, он может указать предельное значение расстояния между объектами 
и тем самым управлять разбиением дерева на лес. С другой стороны эксперт 
может  выполнять  позиционирование  дендрита,  выбирая  ту  или  иную 
вершину в качестве корневой. 
При построении дендрита используется метод ближайшего соседа, при 
котором первичное объединение объектов в группу - кластер происходит по 
минимальному  расстоянию  между  ними.  Количество  групп  объектов 
(кластеров  далее),  получаемое  при  этом  зависит  от  тесноты  связей  между 
ними.  Дальнейшее  объединение  объектов  в  дендрит  происходит  по 

 
59
минимальному  расстоянию  между  кластерами.  При  этом  фиксируется 
каждый  шаг  этого  объединения,  что  позволяет  управлять  процессом 
объединения,  пользуясь  движком  для  изменения  граничного  учитываемого 
расстояния. В целом процедура построения дендрита полностью совпадает с 
процедурой  построения  графа,  за  исключением  того,  что  при  выделении 
минимального  из  всех  остальных  расстояний  между  объектами  в  кластере, 
другие  отбрасываются,  что  позволяет  рисовать  всегда  только  одну  линию, 
соединяющую соседние объекты. 
Связи между объектами рисуются линиями различного цвета, который 
соответствует  цветовой  шкале  расстояния.  При  этом  минимальные 
расстояния  изображаются  в  любом  случае,  давая  возможность  понять, 
почему  данные  объекты  автоматически  сразу  после  расчета  расстояний 
объединяются в один кластер. Объекты, соединенные хоть одной линией на 
графе,  могут  быть  нарисованы  вместе  в  виде  розетки,  тем  самым,  давая 
возможность  при  изменении  расстояния  при  помощи  движка  цветовой 
шкалы,  быстро  оценить  количество  образованных  кластеров.  Цветовую 
шкалу расстояний можно сделать экспоненциальной, тем самым, регулируя 
скорость  образования  кластеров  при  изменении  граничного  расстояния 
движком.  При  построении  дендрита  или  графа  автоматически  параллельно 
объекты выстраиваются в дерево кластеров, которое показывается в другом 
окне. 
 
Дерево кластеров 
 
 
На нижнем рисунке 12 показаны способы объединения объектов в 
кластеры, предлагаемые в режиме ‘Дерево кластеров’.  
Дерево  кластеров  и  граф  (или  дендрит)  взаимно  отражаются  друг  в 
друга.  При  объединении  объектов  в  кластер  на  графе  можно  перестроить 
дерево, чтобы получить соответствие, тем самым, получая возможность  



 
60
 
быстро окрасить в любой цвет выбранный кластер объектов или конкретный  
 
Рис. 12. 
Объединение объектов в группы 
 
объект из кластера.  
Цвет  является  основным  инструментом  пользователя  системы  для 
выделения объектов в группы. При сортировке числовой матрицы объектов 
по  цвету  происходит  структуризация,  которая  в  виде  блочной  структуры 
наблюдается в цветовом режиме показа матрицы в редакторе. 
Уровень кластеризации показывает число шагов по объединению  
 
Рис. 13. 
Дерево кластеров 

 
61
кластеров по методу ближайшего соседа, которые были сделаны при расчете 
матрицы  расстояний.  Связными  объектами  в  данном  случае  являются 
объекты, соединенные в группу на графе. Число шагов, необходимое чтобы 
объединить  все  объекты  в  один  кластер,  что  возможно  при  наличии 
ненулевых  расстояний  между  любыми  двумя  объектами,  различается  в 
зависимости  от  разницы  между  объектами.  Если  объекты  незначительно 
отличаются  друг  от  друга,  объединение  их  в  различные  кластеры  нелегкая 
задача,  которая  не  решается  в  рамках  модели  ближайшего  соседа,  так  как 
дискретность шага при объединении объектом конечна и может превышать 
среднюю  разницу  между  расстояниями.  Забегая  вперед - при  анализе 
текстов  для  построения  тематических  словарей  рассчитываются  матрицы, 
объектами  и  атрибутами  которых  являются  характеристики  распределения 
слов по текстам базы данных. При этом расстояния между объектами в этих 
матрицах, близки друг другу и теснота связей между объектами велика, так 
что  все  объекты  имеют  тенденцию  сливаться  воедино,  не  разделяясь  на 
отдельные кластеры. Для структуризации матриц данного вида разработана 
более  чувствительная  к  изменениям  расстояния  методика  кластеризации, 
при которой оценивается величина “устойчивости” группы объектов. 
 
Методика выделения устойчивых кластеров 
 
Данная  методика  специально  разработана  для  работы  с  матрицами  с 
большим  числом  объектов  и  атрибутов,  такие  матрицы  возникают  при 
смысловом  анализе  текстов.  В  этих  матрицах  различие  между  объектами, 
обычно,  не  значительно  и  метод  ближайшего  соседа  не  позволяет 
определить устойчивые группы объектов, а расчет факторов затруднителен 
из-за большого  числа атрибутов. 
Первый  шаг - это  определение  первичных  кластеров  с  помощью 
метода ближайшего соседа по минимальному расстоянию между объектами. 
При  движении  ползунка  вверх  граница  максимального  расстояния, 

 
62
учитываемого  при  объединении  первичных  кластеров,  увеличивается 
(проявляются  все  более  тонкие  связи).  В  режиме  'УЧИТЫВАТЬ 
УСТОЙЧИВОСТЬ'  объединение  кластеров  происходит  только  тогда,  когда 
внутренний  потенциал  взаимосвязи  меньше  внешнего  потенциала 
взаимосвязи  ко  всем  другим  кластерам.  То  есть  решение  об  объединении 
принимается  с  учетом  всех  проявившихся  (на  данном  уровне  ползунка) 
связей.  Кластеры  объединяются  по  принципу  максимального  притяжения. 
После каждого акта объединения кластеров происходит полный перерасчет 
потенциалов  взаимосвязи  между  всеми  кластерами.  Далее  процедура 
повторяется, пока число устойчивых кластеров не станет постоянным. 
  
Sij = 1/(1+R(i,j)/maxmin)   
где Sij - ПОТЕНЦИАЛ  ВЗАИМОСВЯЗИ, R(i,j) – расстояние  между 
объектами i и j, Maxmin – граница  максимального  расстояния  (положение 
ползунка). 
 
S = S_in/(Sin+Sout)  
где S - УСТОЙЧИВОСТЬ, S_In - ПОТЕНЦИАЛ ВЗАИМОСВЯЗИ объектов 
кластера  между  собой , S_out - ПОТЕНЦИАЛ  ВЗАИМОСВЯЗИ    объектов 
кластера и остальных объектов. 
 
Регулируя  параметр  'МИНИМАЛЬНАЯ  УСТОЙЧИВОСТЬ',  мы 
изменяем  схемы  объединения  кластеров.  Параметр  'МИНИМАЛЬНОЕ 
ЧИСЛО КЛАСТЕРОВ' служит для определения границы, после достижения 
которой,  движение  назад  (разъединение  кластеров  при  движении  ползунка 
вниз)  происходить не  будет.  Например,  если  число  первичных  кластеров = 
100,  а  'МИНИМАЛЬНОЕ  ЧИСЛО  КЛАСТЕРОВ' = 40 , то  при  движении 
ползунка вверх будет происходить объединение кластеров, но если их число 

 
63
все еще больше 40, то при движении ползунка вниз разъединения кластеров 
происходить не будет. 
 
Проверка устойчивости модели кластеризации 
Программа Visual HCA выполняет  одновременный  выбор  объектов  в 
кластерном  пространстве,  на  дендрите  и  в  топографическом  окне.  Таким 
образом,  выделив  объект  или  группу  объектов  в  одном  окне,  эксперт 
немедленно может увидеть расположение этого объекта в других окнах.  По 
существу,  здесь  реализуется  "метод  меченого  атома",  когда  проверяется 
принадлежность  отмеченного  объекта  одному  и  тому  же  кластеру.  
Устойчивость результатов кластеризации  здесь понимается в двух аспектах. 
Первый аспект состоит в отсутствии изменений в разделении объектов 
на  кластеры  после  удаления  малоинформативных  атрибутов.  Если  этот 
эффект  наблюдается,  то  удаленные  атрибуты  действительно  мало 
информативны. 
Второй  аспект    связан    с    идентичным    разбиением    объектов    на 
кластеры при одновременном наблюдении их и в факторных пространствах 
и на дереве дендрита.  Здесь,  при манипуляции с кластерами и отдельными 
объектами  очень  важную  роль  играет  цвет.  Понятно,  что  окрашивание 
каждого кластера своим цветом резко ускоряет анализ ситуации экспертом! 
При  анализе  матриц  в  системе  смыслового  анализа  для  построения 
словарей 
естественно-тематического 
классификатора 
проблема 
устойчивости  особенно  остро  ощущается,  так  как  при  большом  числе 
близких между собой объектов невозможно строго отдать приоритет при их 
объединении из-за дискретности самого процесса объединения. В результате 
при  работе  алгоритмов  по  выделению  устойчивых  кластеров  наблюдается 
слабая  несогласованность  для  случая  смешения  объектов    с  различными 
амплитудами. Так как в текстах одновременно присутствуют редко и часто 
употребляемые  термины,  система  стремится  к  их  автоматическому 

 
64
разделению  на  внутренне  присущие  этим  объектам  классы – редкие  и 
частые.  Как  следствие  этот  факт  накладывается  на  факторы,  разделяющие 
объекты (термины) в смысловом аспекте и смещают оценки близости при их 
сравнении.  Поэтому  рекомендуется  выделить  первоначальные  группы  и 
провести отдельный анализ для каждой из них. Затем возможно объединить 
результаты. 
 
Методика классификации и кластеризации 
Мы  специально  используем  термин  кластеризация  объектов,  а  не 
классификация  объектов,  чтобы  подчеркнуть  специфику  субъективной 
процедуры  группировки,  связанной  с  участием  эксперта.  Дело  состоит  в 
следующем.  При  классификации  мы  можем  формально  разделить  объекты 
на  классы,  принудительно  задавая  границы  между  классами.  При  этом 
расстояние между двумя объектами соседних классов может быть близко к 
нулевому расстоянию. 
При кластеризации необходимо разделить объекты на несколько групп 
с учетом тонкой специфики их взаиморасположения.  Но такое деление мы 
можем  осуществить  при  условии,  что  нам  удастся  найти  такой  способ 
измерения  расстояния  между  группами  и  внутри  групп,  что  расстояние 
между  группами  будет  превышать  расстояние  между  элементами  в  одной 
группе.  Роль  эксперта  состоит  в  искусстве  ввести  такое  расстояние,  при 
котором эти кластеры можно было бы выделить. 
Например,  пусть  мы  выбрали 2 линейных  кластера,  расположенных 
на  параллельных  наклонных  прямых.  В  этом  случае  расстояние  внутри 
кластера  будет  иметь  единицу  масштаба,  отличную  от  расстояния  в 
гиперплоскости, ортогональной этим прямым.  Рассматривая оба кластера в 
проекции на эту гиперплоскость, мы получим образ каждого из кластеров в 
виде  точки.  Если  бы  расстояния  внутри  кластеров  и  между  кластерами 
измерялись без масштабирования, то в этом примере кластеры оказались бы 

 
65
неразделимыми.  Эксперту  доступно  разделение  кластеров  и  в  более 
сложных  случаях,  например,  когда  кластеры  представляют  собой  две 
одномерные расходящиеся группы объектов и т.п. 
 
Методика работы состоит в организации последовательной процедуры  
с  целью  наилучшей  структуризации  исходных  данных.  Процедура  носит 
эвристический  характер  экспертной  оценки    визуально  представленной 
информации - оценки,  уточняемой  в  интерактивном  режиме,  на  основании 
очевидных предпочтений  выпадающим из   общего ряда группам объектов 
или  признаков.  В  качестве  метода  структуризации  принимается 
классификация  объектов/атрибутов    на  заранее  неопределенное  число 
классов.  Технология  решения  состоит  в  поиске  устойчивых  кластеров  в 
факторном пространстве  и/или на графе. 
 
В  общем  случае  все  атрибуты  могут  быть  разделены  на 3 группы.  К 
первой  группе  относятся  атрибуты,  сопоставимые  по  величине  для  всех 
объектов.  Ко  второй  группе - атрибуты,  существенные  только  для 
значительной части (не менее 10-30%) объектов. К третьей группе относятся 
редкие атрибуты(менее 1-5% объектов).Первая группа атрибутов появляется 
в  связи  с  переходом  от  изучения  системы  в  подсистему.  Эти  атрибуты 
полезно выделить в отдельную совокупность, поскольку по ним все объекты 
выглядят  почти  одинаково.  Решение  проблем,  связанных  с  этими 
атрибутами  лежит  либо  на  верхнем  уровне  подсистемы,  либо  в  системе 
более  высокого  уровня.  Без  выделения  этих  атрибутов  они  будут 
маскировать  специфику  каждого  из  объектов,  затруднять  разбиение  на 
кластеры.  В  этом  плане  должны  быть  удалены  и  редкие  атрибуты.  В 
кластерах они проявляются своим расположением в окрестности нуля почти 
во  всех  факторных  пространствах.  Нулевые  и  малые  значения  редких 
атрибутов  делают  большинство  объектов  неразличимыми  между  собой  в 
подпространстве  этих  атрибутов.  Поэтому  при  решении  задачи 
классификации и типизации, при выделении массовых свойств по которым 

 
66
различаются  объекты,  эти  атрибуты  могут  быть  удалены.  Однако,  при 
рассмотрении ряда  задач выявления редких и новых явлений эти атрибуты 
требуется  сохранять. 
Рекомендуется вначале проанализировать исходные атрибуты с целью 
выявления  редких,  постоянных  и  независимых  атрибутов  для  возможного 
удаления  неинформативных    представителей  (одинаковые  значения 
практически для всех объектов), что позволит снизить размерность матрицы 
объекты/атрибуты    с  целью  минимизировать    фоновые  и  сглаживающие 
эффекты.  Кластеризация  атрибутов  упорядочивает  их  расположение  в 
матрице  объектов/атрибутов.  Затем  аналогичным  образом  проводится 
кластеризация  объектов,  после  чего  упорядочивается  расположения  строк 
матрицы. 
Как  правило,  после  этого  в  режиме  цветового  представления 
становится  заметной  ее  блочная  структура.  То  есть  можно  связать 
характерные  значения  групп  атрибутов  с  группами  объектов.  Усилить  это 
визуальное  представление  взаимосвязей  можно,  снимая  сглаживающие  и 
маскирующие влияния слабо информативных атрибутов и отдельно стоящих 
объектов.  Для  этого  полезно  провести  ручное  упорядочивание  в  режиме 
цветового представления: 
•  Исключая  атрибуты,  имеющие  одинаковое  значение  в 
подавляющем  числе  объектов  для  всех  кластеров.  При  этом 
усиливается  роль  атрибутов  имеющих  близкие  значения  в 
пределах  одного  кластера  и  значительные  вариации  при 
переходе к другим кластерам. 
•  Атрибуты  наиболее  однородные  в  пределах  наиболее 
многочисленных  кластеров  объектов    предпочтительно 
перенести в первые столбцы своего кластера атрибутов. 
Аналогичные  действия  провести  для  строк.  Далее  возможно 
проанализировать граф для объектов  при различных модах расчета матрицы 


 
67
расстояний,  определить  цвет/форму  объектов,  формируя  по  результатам 
анализа кластеры по цвету. Пользователь отмечает при этом одним цветом 
близкие  между  собой  объекты,  образующие  плотную  группу  относительно 
расположения  в  окне  других  объектов,  результаты  окрашивания  объектов 
передаются  в  другие  окна.  Затем  проводится  факторный  анализ    и  анализ 
самих факторов на предмет выбора представительных объектов/атрибутов с 
целью  смысловой  идентификации  факторов.  Анализ  дендрита  и  дерева 
кластеров  полезен  в  плане  представления  исходного  материала    в  виде 
иерархии объектов/атрибутов, построенной по методу ближайшего соседа. В 
целом,  для  проверки  устойчивости  сложившихся  предпочтений  вся 
процедура может быть повторена несколько раз с применением: 
•  различных метрик; 
•  с удалением малоинформативной части атрибутов; 
•  с  удалением    отдельно  стоящих  объектов  (в  основном,  за  счет 
отсутствия  у  них  признаков,  представленных  в  доминирующих 
факторах). 
 
Анализ результатов генетических измерений разных народов мира 
 
 
Рис. 14.  Матрица генетических измерений народов мира 


 
68
На  рисунке 14 показан  цветовой  портрет  матрицы  после  проведения 
структуризации.  Хорошо  видна  блочная  структура  матрицы.  Объекты  в 
факторном  пространстве  и  дендрит  были  приведены  выше  при  описании 
программы. На следующем рисунке показаны все поименованные объекты в 
факторном пространстве 2-4. Видно, что объекты распались на 4 устойчивые 
группы, соответствующие расам народов мира. Анализ этих групп показал, 
что  они  очень  близки  к  схемам,  которые  демонстрирует  история 
происхождения языков народов мира. 
 
 
 
Рис. 15. 
Объекты в топо-окне и в факторном пространстве 
 

 
69
Наблюдение кластеров в топо-окне 
Объекты,  имеющие  топографическую  привязку,  т.е.  координаты  на 
плоскости,  могут быть представлены в окне 'Map'.  
И  здесь  эксперт    также    имеет    возможность    вручную    выделить  
кластеры,  опираясь  на географическую близость объектов друг к другу. 
В  случае    примера  с  генетическим  анализом  крови  народов  мира 
особенно  ясно  видно  преимущество  использования  картографической 
привязки.  В  данном  случае  географическая  близость  народов  обязательно 
должна  коррелировать  с  их  родственной  близостью  по  крови.  Таким 
образом, в данном случае географическое представление объектов является 
действенным  проверочным  фактором  при  отработке  гипотезы  по 
окончательному выделению объектов в кластеры. Географическая привязка 
может использоваться как дополнительный информационный параметр при 
анализе, причем необязательно быть связанной с реальным расположением 
объектов  в  пространстве.  Это  может  быть  условное  распределение  в 
пространстве  неких  устойчивых  факторов,  которые  действуют  независимо 
на все исследуемые объекты. 
В 
некоторых 
из 
рассмотренных 
примеров Visual HCA 
продемонстрировал свои возможности в условиях,  когда уже условия задач 
были  сформулированы  и  когда  имелись  результаты  их  решения.  Это  дает 
возможность  оценить  точность  и  качество  решения.  Но  при  решении 
слабоформализованной задачи исследователь ничего этого не имеет. Что же 
получает пользователь, в результате применения Visual HCA? 
Пользователь 
системы 
получает 
свой 
исходный 
материал, 
сгруппированный  таким  образом,  что  становятся  видимыми  какие  группы 
объектов  и  какие  группы  атрибутов  соответствуют  друг  другу,  и  какая 
между  ними  связь.  Это  является  материалом  для  выдвижения  гипотез  о 
модели исследуемого объекта. 

 
70
Приведенные примеры продемонстрировали возможности Visual HCA, 
как средства решения слабо-формализованных задач. Следует подчеркнуть, 
еще  раз,  что  получение  и  осмысливание  результатов  в  этих  примерах 
потребовало от нескольких часов до 2 дней работы эксперта. Здесь, конечно, 
не учитывается время на сбор и ввод данных. 
В  указанных  выше  примерах  использовался  стандартный  вариант 
Visual HCA. Мы  полагаем,  что  в  подавляющем  большинстве  случаев  этот 
вариант  будет  пригоден  и  для  других  новых  задач  и  других  новых 
приложений. 
Однако,  пользователю    могут  понадобиться  дополнительные 
возможности  при  обработке  материалов.  Например,  необходимость 
доступа  к  графическим  аналоговым  изображениям,  необходимость 
рассчитывать  функциональные  характеристики  объектов  и  выводить  их  на 
экран и т.п. 
Все  эти  модификации,  конечно,  требуют  времени.  Но,  как  уже 
упоминалось выше, в силу реализации Visual HCA в технологии объектно-
ориентированного  программирования,  эти  модификации  можно  сделать 
достаточно быстро. 
 
2.4. Примеры применения 
 
Visual HCA продемонстрировал  свои  возможности  в  различных 
приложениях: 
естественно-научных, 
технических, 
гуманитарных. 
Результаты в этих приложениях были получены в приведенных примерах за 
период от 2 часов до 2 дней. Между тем анализ результатов традиционными 
методами  потребовал  нескольких  месяцев  работы  и  не  всегда  позволял 
выявить те же закономерности в предметной области. 
Применение  разработанного  программного  продукта  и  его 
модификаций дало полезные, практически важные результаты в различных 

 
71
приложениях. В одних задачах использовался только программный продукт 
Visual HCA: 

анализ  потока  жалоб  в  приемной  мэрии  Москвы  и  писем 
граждан в Мэрию; 

анализ 
устойчивого 
развития 
городов 
по 
системе 
качественных и количественных показателей [123]; 

анализ  генетических  связей  между  различными  этносами  по 
генетическим признакам; 

анализ  поименных  голосований  депутатов  Московской 
городской думы.    
В других использовался весь комплекс:  

анализ  и  структурирование  рефератов  докладов  на 
международных конференциях APORS’97 и IFORS’99 [118]; 

анализ экономической части предвыборных программ партий 
на выборах в государственную Думу 1996 и 1999 годов; 

программа  поиска  текстов  по  образцам  в  базе  данных  по 
устойчивому развитию городов [116]. 
 
Выводы по 2-й главе 
 
Во  второй  главе  приводится  описание  методики  работы  с  системой 
визуального  эвристического  кластерного  анализа (Visual Heuristic Cluster 
Analysis),  разработанной  автором  совместно  с  П.П. Макагоновым [114]. 
Visual HCA применяется  в  системе  смыслового  анализа  текстов  для 
тематической классификации текстов. 
Используя  программу  эвристического  кластерного  анализа,  эксперт 
определяет  естественно-тематические  группы  путем  структуризации 
числовых  матриц,  отражающих  распределение  слов  по  текстам.  Такая 
структуризация  носит  название  кластеризации;  кластер - это  группа 

 
72
объектов,  которая  может  быть  выделена  из  общей  массы  на  основании 
каких-либо  критериев.  В  нашем  случае  объектами  служат  тексты  базы 
данных или слова из текстов. Группы текстов в кластере дают информацию 
о том, какие темы, пока еще не сформулированные на естественном языке, 
представлены  в  полнотекстовой  базе  данных.  Группы  слов  в  кластере 
составляют предметно-ориентированные словари для описания этих тем. 
В  главе  показано,  что  в  силу  неоднозначности  и  контекстной 
зависимости  естественного  языка  задача  смысловой  обработки  текстов 
относится  к  разряду  слабоформализованных.  Такие  задачи  отличаются 
неопределенностью 
постановки 
и 
отсутствием 
формализованных 
математических  (аналитических)  или  технологических  (алгоритмических) 
процедур  обработки  данных;  связаны  с  нечеткой,  неоднозначной 
формулировкой  цели  и  отсутствием  устойчивой  системы  понятий  и 
моделей. Такие задачи, не допускающие полной формализации, решаются с 
применением  эвристик.  Иными  словами,  для  решения  задачи  смысловой 
обработки текстов необходимо участие человека (экспертная оценка). 
Система Visual HCA представляет  собой  инструмент,  который 
помогает  эксперту  в  выработке  понятий  и  концепций  при  решении  таких 
слабоформализованных  задач.  Система  позволяет  обрабатывать  матрицы, 
содержащие  сотни  объектов  и  атрибутов.  Последние  могут  быть 
количественными  и  качественными.  Особенностью  системы  является 
графический диалог с экспертом, обеспечивающий наглядность работы. 
Приведенные  в  главе  примеры  демонстрируют  возможности Visual 
HCA как средства решения слабоформализованных задач. В Приложении в 
описаны  основные  принципы,  заложенные  в  систему,  что  позволяет  
экспертам,  не  знакомым  со  специальными  разделами  математической 
статистики, ознакомиться с работой системы, не вникая в частные детали. 
В  главе  показано,  что  программа  визуального  эвристического  анализа 
позволяет  эксперту  в  визуальном  диалоговом  режиме  определить  группы 

 
73
слов,  как  ряд  предметно-ориентированных  словарей.  В  итоге  каждому 
тексту  соответствует  один  или  более  предметно-ориентированный  словарь, 
что  сохраняется  в  базе  данных  в  виде  числового  кода – тематического 
индекса. 
Набор 
предметно-ориентированных 
словарей 
составляет 
естественно-тематический классификатор базы данных. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
74
Глава 3. Описание работы алгоритмов  смысловой обработки 
текстов 
 
3.1. Алгоритм отбора слов в естественно тематический словарь 
 
В  данной  главе  подробно  описывается  процедура  создания 
полнотекстовой  базы  данных  на  основе  набора  текстов  социологической  и 
экологической  тематики.  Этот  пример  может  эффективно  использоваться 
для  обучения  библиотечных  специалистов  работе  с  данной  системой. 
Разбирается  методика  создания  естественно  научного  классификатора 
(набора  словарей  ПОС),  методика  кластеризации  текстов,  работа  с 
программой Visual HCA. Количество  текстов 85 в  данном  случае  много 
меньше  размера  ПОС,  поэтому  методика  работы  с  базой  данных, 
содержащей  более 1000 текстов  будет  несколько  отличаться  от 
приведенной, и эти особенности приводятся в окончании главы. 
 
ВЫБОРКА 
  Общеупотребительная  Тестовая 
    
     Log F                             Log F
    
    
   
 
 
 
 
 
  
 
 
Log I
Log I
 
 
Превышение 
 
частоты F(I)  
 


 
75
  
     Рис. 16.  Выбор слов из текстов в базовый словарь 
По  эмпирическому  закону  Ципфа  номер  слова  в  частотном  списке 
связан  с  частотой  употребления Log F = A – K*Log I, где A,K- константы 
зависящие от языка [173]. 
Первым этапом на пути создания классификатора является выбор тех 
слов,  частота  употребления  которых  выше,  чем  в  общеупотребительной 
лексике.  Этот  список  будем  называть  базовым  словарем – БС.  Словарь 
общеупотребительной  лексики  создан  на  основе  выборки,  объем  которой 
составляет  около  ста  миллиона  слов.  Объем  тестовой  выборки  составляет 
около 300000 слов (3 Mb информации).  Слова  из  низкочастотной  области 
списка  с  абсолютной  частотой  встречаемости  меньше 1000 гарантировано 
войдут в БС. Кроме интересующих нас слов из низкочастотной области в БС 
попадут слова из окружения терминов, которые употребляются как шаблоны 
связи  с  контекстом  и  общеупотребительные  слова,  не  несущие  смысловой 
естественно-тематической нагрузки. Объем базового словаря в тестовой базе  
 
Рис. 17. 
Рост объема базового словаря с ростом объема выборки 
 
данных составил около 5000 слов – это менее 2% от объема выборки.  


 
76
Из графика видно, что насыщение естественно-тематического словаря 
при данном объеме тестовой выборки еще не наступило, но скорость роста 
объема ПОС уже замедлилась. Таким образом, при накоплении информации 
объем ПОС и вместе с ним, естественно, объем БС будет медленно расти, но 
в  отношении  к  общему  объему  выборки  объем  БС  будет  падать.  С  ростом 
объема  выборки  в  БС  будут  попадать  слова  окружения  и 
общеупотребительные слова, с другой стороны, часть общеупотребительных 
слов  с  низкой  частотой  постепенно  уйдут  из  БС.  Следовательно,  по 
структуре  базовый  словарь  все  больше  будет  приближаться  к  естественно-
тематическому  словарю  или,  как  будем  его  называть  дальше,  предметно-
ориентированному  словарю  данной  темы - ПОС.  В  современной  научной 
терминологии  принято  такие  словари  называть DOD – Domain Oriented 
Dictionaries [120]. На    рисунке 18 видно,  что  рост  выборки  существенно 
опережает  рост  объема  базового  словаря  (здесь  объем  БС  пропорционален 
корню  квадратному  из  объема  выборки).  При  дальнейшем  увеличении 
объема  выборки  рост  объема  БС  станет  логарифмическим,  это  связано  с 
накоплением информации по данной теме и тем, что при увеличении объема 
выборки  будет  происходить  процесс  уточнения  информации,  который 
задействует все более низкочастотные слои частотного списка. 
 
Вторым  этапом  на  пути  создания  классификатора  будем  считать 
создание  ПОС.  Критерии  отбора  слов  из  базового  словаря  в  ПОС  были 
приведены выше в главе 1-й (рис. 1), здесь будет показано подробно как эти 
критерии работают на примере тестовой базы данных.    
 
 
На  рисунке 18 показана  зависимость  объема  ПОС  от  величины 
превышения  абсолютной  частоты  слова.  Хорошо  видно,  что  кривая 
практически  совпадает  с  гиперболой.  Этот  факт  есть  следствие  из  закона 
Ципфа  распределения  слов  по  частоте.  Те  слова,  которые  остаются  в  ПОС 
при сильном изменении граничной частоты являются специализированными 
терминами из низкочастотной области частотного списка. Поведение кривой 


 
77
сохраняется  при  изменении  следующих  критериев  отбора,  из  которых 
основным  является  минимальное  количество  значимых  текстов  в % 
отношении к полному числу текстов, то есть текстов, в которых встретилось 
данной слово.  
 
Рис.18. Зависимость объема ПОС от частоты 
 
Этот  критерий  позволяет  выбрать  в  ПОС  такие  слова,  которые 
рассеяны  по  различным  текстам  и  не  являются  поэтому  авторской 
терминологией 
или 
специализированными 
узко 
специфическими 
терминами.  Увеличивая  этот  критерий  мы  резко  сужаем  возможности  для 
слов  попасть  в  ПОС,  так  как  увеличивается  требование  к  средней  частоте 
употребления. 
Редко 
встречающиеся 
слова 
будут 
откидываться. 
Экспериментальный  закон  поведения  кривой  отражающей  зависимость 
уменьшения  объема  ПОС  от  числа  минимально  значимых  текстов  показан 
на следующем рисунке.  
 
Log ПОС ~  MIN   
где ПОС – число слов в ПОС; MIN- значение критерия. 


 
78
Резкое  падение  объема  ПОС  в  начале  графика  (Рис. 19) отражает  то 
факт, что большинство слов в базовом словаре составляют редко  
 
Рис. 19. Объем ПОС при увеличении числа значимых текстов 
 
встречающиеся  слова.  Такие  слова  могут  найтись  в  одном  двух  текстах  и 
отражают  либо  частное  мнение  автора,  либо  являются  узко  научными 
терминами.  Если  есть  некое  эмпирическое  знание  о  том,  что  в  выборку 
входят N групп  по M текстов  с  разной  тематикой,  то  можно  настроить 
критерии минимального и максимального количества значимых текстов так, 
чтобы  ПОС  состоял  из  суммы  независимых  тематических  словарей  для 
каждой группы и общей части, которая включает с общенаучные термины и 
слова  окружения,  смысл  которых  в  естественном  языке  несколько  другой, 
чем рядом с научными терминами.  
Из  поведения  графика  видно,  что  в  ПОС  войдут  слова  существенно 
различным образом распределенные по выборке текстов.  
Часто  потребляемые  шаблонные  термины  и  редкие  слова, 
отражающие специфику текста. И те и другие существенно необходимы для 
выделения естественно-тематических групп текстов, но сравнение их между 
собой затруднительно.  


 
79
Рекомендуется  разделить  эти  слова  на  два  списка  и  дальше 
анализировать отдельно. Об этом будет более подробно сказано ниже. 
Последним  критерием  для  выбора  слов  из  базового  словаря  в  ПОС 
будет  значение  в % к  общему  числу  текстов  максимального  количества 
значимых  текстов.  Этот  критерий  позволяет  выбросить  из  ПОС  общие 
слова,  содержащиеся  в  большинстве  текстов.  Такие  слова  имеют,  как 
правило,  высокую  употребительную  частоту  и  если  в  выборке  есть 
несколько  тематических  групп  они  составят  значительную  часть  ПОС.  Так 
как  именно  эти  слова  для  нас  важны,  тем  не  менее  на  первом  этапе 
структуризации  часть  из  них  должна  быть  отброшена  для  того,  чтобы 
предварительно  выделить  число  тем  в  выборке.  При  создании  ПОС  для 
каждой темы критерий максимального числа текстов будет 100%.  
График  зависимости  числа  слов,  удаленных  из  ПОС  от  значения 
максимального  количества  значимых  текстов  показан  ниже  (Рис. 20). Его 
ход отражает факт наличия некоего приблизительно постоянного набора  
 
Рис. 20. Число слов, удаленных из ПОС 
 
терминов  естественно-  тематического  подъязыка.  Рекомендуемое  значение 
этого критерия на первом этапе обратно пропорционально предполагаемому 

 
80
числу тем в выборке. Для однородной смеси разных тематических выборок - 
в  тестовой  выборке  их 2 – имеем 50%. Прямая  линия  отражает  поведение 
кривой  при  гипотетически  равномерном  распределении  терминов  ПОС  по 
текстам.  
 
3.2. Алгоритм разбиения основного естественно-тематического словаря 
на ряд предметно-ориентированных словарей  
 
После  выбора  надлежащих  критериев  отбора  для  каждого  слова 
подсчитывается  число  словоупотреблений  в  каждом  тексте.  Эти  данные 
организуют  матрицу  текст/слово.  Для  того,  чтобы  подчеркнуть 
информативность наличия хотя бы одного слова в тексте от величины числа 
словоупотреблений  переходим  к  ее  двоичному  логарифму.  В  программе 
можно выбрать различные способы нормировки числа словоупотреблений – 
двоичный  логарифм,  десятичный  логарифм  и  саму  величину  числа 
словоупотреблений.  Эмпирический  опыт  показывает,  что  наиболее 
эффективным является двоичный логарифм, причем при отсутствии данного 
слова в тексте принимается значение равное –1. 
 
Так  как  в  базе  данных  может  быть  значительное  число  текстов, 
работать  с  матрицей  текст/слово  может  быть  затруднительно.  Поэтому 
матрица  текст/слово  служит  только  для  расчета  матрицы  слово/слово. 
Группы  слов,  организованные  темами  в  матрице  текст/слово,  проявятся  в 
матрице  слово/слово  как  блоки,  симметричные  относительно  главной 
диагонали.  Специально  для  работы  с  такими  матрицами  разработан 
алгоритм  поиска  устойчивых  кластеров.  Этот  алгоритм  чрезвычайно 
эффективно  выделяет  в  условиях  большого  числа  связных  объектов 
наиболее устойчивые группы, алгоритм описан в 3-й главе. 
 
Матрица  слово/слово  положительная,  симметричная  и  имеет  по 
диагонали 1. Смысл недиагональных элементов заключается в том, сколько 
раз встретилась данная пара слов во всех текстах. Не смотря на то, что слова 

 
81
уже  прошли  предварительный  отбор  по  выше  описанным  критериям,  есть 
возможность  дополнительно  выделить  пары  слов,  которые  неравномерно 
распределены  по  матрице  и  могут  организовывать  непересекающиеся 
группы.  Для  этого  в  программе Visual HCA используется  критерий 
максимального  значения  числа  векторов  матрицы,  не  включающих 
минимальное  значение.  В  случае  матрицы  слово/слово  этот  критерий 
ограничивает  для  каждого  слова  число  других  слов,  вместе  с  которыми 
данное  слово  встречается  в  текстах.  Эта  операция  существенно 
“прореживает”  матрицу, однако не  совсем  корректна, так как при больших 
значениях 
данного 
критерия 
отбрасываются 
слова, 
прошедшие 
предварительный отбор. Применять этот критерий следует очень осторожно 
и на основании опыта эксперта. 
 
После  того  как  эксперт  выделит  цветом  группы  слов  производится 
сортировка  матрицы  слово/слово  по  цвету  объектов  так  что  объекты  с 
одинаковыми  цветами  располагаются  рядом  с  друг  другом.  Сохранив 
отдельные текстовые файлы слова из различных групп, эксперт анализирует 
полученные  словари  с  целью  возможного  внесения  исправлений  и 
дополнений  в  них.  Для  проверки  правильности  и  работоспособности  в 
алгоритмах  смыслового  анализа  данные  словари  проверяются  как  основа 
для разбиения на группы всех текстов базы данных. Для этого в программе 
Администратор  рассчитывается  матрица  текст/словарь,  элементом  которой 
служит  процент  слов  из  данного  словаря  в  данном  тексте.  Эта  матрица  не 
симметричная  и  имеет  существенно  меньшую  размерность,  чем  матрица 
текст/слово.  Группы  текстов  в  данной  матрице  должны  совпадать  с 
группами  текстов  в  матрице  текст/слово.  В  случае  мало  информативности 
словаря  он  должен  быть  исключен  из  процесса.  Если  число  текстов  в  базе 
данных  очень  велико  можно  взять  случайную  выборку  и  провести 
кластерный  анализ  на  ней.  Основной  задачей  на  этом  этапе  является 
доказательство  верности  выбранного  числа  тематических  словарей  и  их 


 
82
значимости,  то  есть  не  должно  быть  много  текстов  с  низким  процентным 
содержанием слов из построенных словарей. 
 
Рис. 21.   Матрицы слово/слово 
 
Для каждого индекса ПОС может быть построен заново путем отбора 
слов  в  него  только  из  текстов  данной  группы.  Эта  процедура  аналогична 
построению  ПОС  для  всей  базы  данных,  как  часть  текстов  будто 
рассматривается как независимо. Общее число слов в данной группе текстов  
уменьшится и, следовательно, статистическая ошибка определения частоты 
увеличится. По окончании процедуры для каждого текста базы данных 
определяется свой ПОС, индекс которого сохраняется в записи.  
Полученный для каждого индекса ПОС будут более полными, но и  

 
83
будут  иметь  пересечения  общие  слова.  Набор  таких  ПОС  составит 
одноуровневый естественно-тематический классификатор базы данных. 
На  верхней  картинке  (Рис.21)  приведен  пример  изменения  матрицы 
слово/слово при уменьшении критерия максимально значимое число текстов 
для  отбора  слов.  Критерий  составил  последовательно 20,50,100%, число 
слов, отобранных в ПОС соответственно равнялось 172,263,354. 
На картинках видно, как при увеличении критерия расширяется общая 
часть матрицы слово/слово, то есть общие слова, выделенные статистически 
из  всех  текстов,  являются  фоном,  амплитуда  которого  существенно 
превышает  амплитуду  тематических  слов.  Если  рассмотреть  содержание 
словарей  построенных  из  общей  части,  то  в  них  обнаруживаются  часто 
употребляемые  слова  из  общеупотребительной  лексики,  которые  в  данных 
текстах  послужили  словами  окружения  при  употреблении  естественно- 
тематических  слов.  Отсечь  такие  слова  путем  увеличения  границы 
превышения  частоты  можно,  но  это  приведет  к  потере  части  нужных 
терминов,  поэтому  необходимо  воспользоваться  тем  фактом,  что  слова 
окружения  для  различных  терминов  часто  совпадают,  так  как  являются 
частью  привычного  шаблона  принятого  в  научной  среде  при  написании 
статей и, следовательно, присутствуют в большинстве текстов. 
Число  слов  в  ПОС  уменьшается  пропорционально  уменьшению 
критерия  максимального  числа  значимых  текстов.  Общая  тенденция  к 
разделению  на  две  основные  группы  слов  при  этом  сохраняется.  Однако, 
выявляются  более  мелкие  группы  слов  на  основном  фоне,  которые 
описывают частные группы текстов. При использовании этих мелких групп 
для  создания  словарей,  теряется  существенная  часть  значимых  слов, 
которые  описывают  основные  темы  базы  данных.  Поэтому  попытка 
использовать эти мелки словари в процедуре разделения всех текстов базы 
данных  на  группы  делается  неудачной.  Очевидно,  недостаток  информации 

 
84
для  этого  разделения  приводит  к  тому,  что  многие  тексты,  оказывается, 
содержат слова из этих словарей в очень слабой степени. 
На  следующих  картинках  показаны  группы  файлов,  полученные  при 
анализе  матрицы  текст/ПОС,  созданной  для  всех  ПОС  выделенных  при 
различных выше приведенных критериях. В принципе наилучший результат 
показывает критерий максимального числа значимых текстов в 50%, так как 
число  тематических  групп  в  тестовой  базе  данных 2. Если  заранее 
неизвестно  число  тематических  групп,  следует  применять  различные 
критерии  максимального  числа  значимых  текстов  и  после  определить,  при 
котором из них достигаются наилучшие результаты. Этот критерий должен 
быть близок к 100% деленному на число тематических групп в случае если 
число тематических групп не слишком велико. 
Нижний  рисунок 22 иллюстрирует  группы  текстов,  найденные  с 
использованием  словарей,  полученных  в  результате  анализа  матрицы 
слово/слово. На вернем рисунке – устойчивые группы на графе, на среднем 
–  в  факторном  пространстве,  на  нижнем – блочная  структура  матрицы 
текст/ПОС. Из всех трех картинок хорошо видно, что тексты разбиваются на 
две  основные  группы,  одна  из  которых  структурируется  далее  на  три 
взаимно  пересекающиеся  группы.  Тенденция  к  сходимости  к  данному 
результату  наблюдается  при  всех  критериях  максимального  количества 
текстов,  и  наилучший  результат  достигается  вблизи 50-70%.  Таким 
образом,  словари  ПОС  могут  быть  использованы  как  базис  для 
предварительного  определения  естественно-тематических  групп  даже  если 
число  этих  групп  заранее  неизвестно.  Требуется,  меняя  критерии  отбора 
слов в ПОС, получить наиболее четкое, если возможно, разделение текстов 
на группы. Причем, лучше всего одновременно использовать словари ПОС, 
полученные  при  разных  критериях  отбора,  при  создании  матрицы 
текст/ПОС. 


 
85
 
Рис. 22.    Группы текстов в разных окнах Visual HCA 
 
 


 
86
Работа с матрицей текст/текст 
Матрица  текст/текст  симметричная  положительная  и  имеет  по 
диагонали 1 и  недиагональные  элементы  меньше 1, смысл  которых  в  том, 
какой  процент  из  слов  одного  текста  встретился  в  другом  тексте. 
Анализируемые слова взяты из общего ПОС системы. 
На  рисунке 23 показано  изменение  матрицы  текст/текст  при 
увеличении  критерия  максимального  количества  значимых  текстов 
20,50,70,100%. Так как матрицы текст/текст и слово/слово являются  
 
Рис. 23.     Матрицы текст/текст 
 
производными от матрицы текст/слово их поведение в целом совпадают. Так 
как  число текстов в тестовой базе данных 85 меньше, чем объем словарей 
ПОС  во  всех  случаях  для  данного  критерия,  при  больших  значения  числа 
слов  в  ПОС (100%) границы  между  группами  текстов  существенно 

 
87
размываются.  Из  картинок  видно,  что  две  основные  группы  текстов, 
отвечающие  разным  тематикам,  успешно  выделяются  при  средних 
значениях критерия максимального количества значимых текстов. 
Основной  целью  на  первом  предварительном  этапе  подготовки  базы 
данных  к  применению  алгоритмов  смыслового  анализа  текстов  будет 
получение  набора  словарей  ПОС,  в  пространстве  которых  группы  текстов 
будут  совпадать  с  группами  текстов,  полученными  при  анализе  матрицы 
текст/текст.  Количество  ПОС  при  этом  может  быть  существенно  больше, 
чем  число  групп,  хотя  количество  тематических  словарей,  естественно, 
будет  совпадать  с  числом  выделенных  групп  текстов  (тем).  Этот  факт  есть 
следствие  потери  части  информации  при  применении  вышеописанных 
критериев  в  процессе  выделения  значимых  слов,  а  также  следствие  того 
факта,  что  все  слова  в  текстах  являются  взаимосвязанными  тематическим 
смыслом и не могут рассматриваться отдельно друг от друга.  
Задача  выделения  группы  текстов  из  некой  совокупности  текстов  и 
задача выделения группы слов несколько различаются между собой. Тексты 
представляют  для  нас  единицы  смысла,  поэтому  взаимоотношения  текстов 
могут  быть  описаны  и  поняты  экспертом  в  рамках  исследуемой  модели. 
Слова представляют для нас только средство для выделения групп текстов и 
сами  по  себе  не  несут  прямой  смысловой  нагрузки.  Единицей  смысла  в 
пространстве слов является словарь ПОС – набор слов. Так как набор слов 
может  быть  по  разному  переведен  на  естественный  язык  экспертом  в  силу 
многозначности слова как такового и из-за личных предпочтений эксперта, 
набор слов ПОС  может быть поставлен в  соответствие  какому-либо тексту 
только в рамках неформальной логики. То есть еще раз приходим к выводу о 
том, что задача выделения групп текстов – слабоформализована. Это значит, 
что  факт  принадлежности  текста  к  какой-либо  группе  зависит  от  личных 
предпочтений 
эксперта, 
использующего 
эвристический 
алгоритм 
смыслового  анализа.  И  даже  на  уровне  пользователя  система  должна 

 
88
оставить  и  ему  некую  свободу  выбора  при  использовании  данного 
алгоритма,  следую  общей  логике  поведения.  Подробнее  об  этом  будет 
сказано ниже. 
После  того,  как  определены  группы  текстов,  каждому  тексту  из 
заданной  группы  ставится  в  соответствие  числовой  код,  по  которому 
система  определяет  какой  словарь  ПОС  определен  для  данного  текста. 
Набор  этих  словарей  будем  далее  называть  естественно-тематическим 
классификатором базы данных. 
 
3.3. Алгоритм создания естественно-тематического классификатора 
 
 
Словари,  в  пространстве  которых  тексты  четко  разделяются  на 
группы,  определяются  при  анализе  матрицы  слово/слово  при  различных 
критериях  отбора  слов.  Таких  словарей  может  быть  больше,  чем  число 
тематических 
групп 
текстов. 
Сложность 
возникает 
в 
случае 
структурирования  большой  базы  данных,  в  которой  число  текстов  много 
больше  среднего  объема  ПОС.  Если  для  расчета  матрицы  слово/слово 
применяются  битовые  шкалы,  то  одновременно  определить  тематический 
индекс для всех текстов базы данных, если их больше 1000 представляется 
затруднительным из-за требований по выделению больших объемов памяти. 
Поэтому  так  важно  на  первом  этапе  правильно  выбрать  базовый  набор 
словарей ПОС, в пространстве которых значительное большинство текстов 
разделяются  на  тематические  группы.  Рассчитав  факторы  для  базового 
набора  ПОС  можно  последовательно  определить  тематический  индекс  для 
всех  текстов  базы  данных,  пользуясь  эллипсами  рассеяния.  Далее  для 
каждого индекса определяется свой ПОС, критерии выбора слов в который 
существенно отличаются от критериев выбора слов в основной ПОС. Резко 
увеличивается  критерий  минимального  числа  значимых  текстов  с  тем, 
чтобы  выбрать  слова  встречающиеся  как  можно  шире  по  данной  теме. 


 
89
Критерий  максимального  количества  значимых  слов  надо  взять 80-90%, 
чтобы  отсечь  общеупотребительные  слова,  которые  встречаются  во  всех 
текстах  как  шаблоны.  Граничная  частота  может  быть  значительно 
увеличена, так как уменьшение числа слов в группе по сравнению с общим 
объемом  выборки  приведет  к  увеличению  статистической  ошибки 
определения частоты словоупотреблений. 
 
После  того,  как  система  изготовит  тематические  словари  ПОС, 
эксперт должен внимательно изучить полученные списки слов, исключив из 
них несущественные по его мнению слова. Дополнить список эксперт может 
по своему усмотрению, эта операция требует особой осторожности, так как 
зависит  от  личных  предпочтений  эксперта  и  может  сместить  естественную 
оценку, что приведет к неверной работе алгоритмов по извлечению знаний 
из  накопленной  информации.  Лучше  всего,  изменяя  критерии  отбора 
проследить за тем, какие термины удаляются из словаря ПОС и оставить те 
из 
них, 
которые 
представляются 
необходимыми.
 
 
 
Рис. 24. Выбор тематического индекса (здесь рубрика) при создании ПОС 
 
Добавлять  самому  синонимы  и  связные  термины  не  рекомендуется,  так 
как  если  использование  синонима  действительно  принято  в  научной  среде, 
он  неизбежно  попадет  в  ПОС,  если  же  нет - использование  его  ничего  не 
даст  алгоритму  сравнения,  который  опирается  не  на  результат  поиска  по 

 
90
словам  (поиск  по  синонимам  будет  идти  если  они  есть  в  текстах),  а 
опирается  на  группы  слов,  оптимальным  образом  поставленные  в 
соответствие темам базы данных. 
В базе данных электронного каталога ИРБИС естественно-тематический 
классификатор выглядит аналогично многоуровневому рубрикатору ГРНТИ 
[19].  Верхнему  индексу 0 соответствует  словарь  ПОС  “нулевой  рубрики”, 
который создается с использованием всех файлов базы данных на начальном 
этапе  структуризации.  Каждый  словарь  ПОС – это  текстовый  файл  в  виде 
списка  слов  в  директории  базы  данных  с  именем  базы  данных  и  индексом 
темы и с расширением DCT. 
Каждый  ПОС  представляет  для  пользователя  тематический  контекст,  в 
рамках  которого  работают  алгоритмы  смыслового  анализа  текстов.  Как 
следует из вышеприведенных описаний для выделения текстов в группы, а 
значит  и  для  определения  темы  для  данного  текста,  необходимо  выделить 
значимые  слова.  Алгоритм  сравнения  текстов  работает,  в  принципе,  на 
основе  любого  предложенного  списка  слов,  но  достоверность  анализа 
существенно зависит о правильности определения контекста.  
Система не определяет смысл текста как таковой, система находит в базе 
данных  тексты,  тематически  близкие  данному.  Как  использовать 
полученную  информацию  зависит  уже  от  уровня  подготовленности 
пользователя. 
 
3.4. Сравнение текстов в алгоритме смыслового анализа 
 
 
Расположить по порядку применения этапы подготовки к смысловому 
анализу текстов в полнотекстовой базе данных можно следующим образом: 
1.  Поиск текста по вторичному описанию текста. 
2.  Поиск  по  словам  извлеченным  из  текста,  как  дополнение  к 1-му  виду 
поиска. Этот поиск дает возможность уменьшить количество найденных 

 
91
текстов  за  счет  отбора  тех,  в  которых  встречаются  нужные 
узкоспециализированные 
термины. 
Появляется 
возможность 
использовать запрос на естественном языке, что важно для интерфейсов 
находящихся  в  обще  пользовательском  режиме  и  ориентированном  на 
“средне продвинутого” пользователя. 
3.  Сравнение  найденных  текстов  в  выбранном  контексте.  На  этом  этапе 
используется  дополнительная  информация  о  словах,  извлеченных  из 
текстов. Слова делятся на группы значимых и ключевых слов. Значимые 
слова  образуют  предметно-ориентированные  словари  ПОС,  которые  в 
принципе  могут  пересекаться  между  собой,  то  есть  иметь  общие  слова. 
Всему  массиву  текстов  в  целом  ставится  в  соответствие  словарь  ПОС 
“нулевой  рубрики”.  Этот  ПОС    включает  значимые  слова,  которые 
необходимы  для  устойчивого  выделения  различных  естественно-
тематических  групп  текстов.  Каждой  группе  текстов  ставится  в 
соответствие  свой  ПОС,  слова  из  которого  образуют  контекст  данной 
тематической  группы.  Используя  пространство  слов  из  заданного 
контекста,  становится  возможным  сравнение  независимых  текстов  как 
внешних,  так  и  находящихся  в  базе  данных.  Здесь  необходимо 
подчеркнуть, что так как слова, вошедшие в ПОС, выбраны экспертом из 
набора  текстов,  их  совместная  совокупность  в  целом  характеризует 
контекст накопленной информации, абстрактный тематический контекст 
не  является  предметом  рассмотрения.  Этот  факт  очень  выгоден,  так  как 
дает  возможность  отыскать  среди  текстов  максимально  близкий 
заданному  тексту,  если  смотреть  на  образец  с  позиций  естественно-
тематического  контекста,  существующего  в  виде  набора  словарей  ПОС. 
Абстрактное  сравнение  текстов  представляется  бессмысленным,  так  как 
результат  такого  сравнения  очень  сильно  зависит  от  точки  зрения 
эксперта,  поставившего  такую  задачу.  Ставится  задача  использовать 

 
92
скрытое знание, накопленное в базе данных в виде набора значимых слов 
ПОС. 
4.  Нахождение  среди  группы  текстов  ядра.  Эта  задача  носит  экспертный 
характер и необходима при поиске текста, который наилучшим образом 
представляет некий набор текстов в выбранном тематическом контексте. 
Кроме  набора  ПОС  для  решения  этой  задачи  применяются  знания 
эксперта  как  аналитика  в  некой  тематической  области  знаний.  На  базе 
алгоритма сравнения текстов строится числовая матрица вида текст/текст 
и  в  программе Visual HCA осуществляется  классификация  текстов. 
Решить  эту  задачу  автоматически  без  участия  эксперта  представляется 
более  чем  затруднительным,  хотя  для  технологии  Интернет  возможен 
только  такой  режим.  Об  использовании  данной технологии  в  Интернете 
речь пойдет в 4-й главе. 
5.  Автоматизированное  реферирование  и  выделение  фрагментов  из 
найденных  текстов.  Этот  режим  использует  словари  ПОС  и  алгоритм 
скользящего  окна  для  выделения  фрагментов.  Подробно  описывается 
ниже.  Основанием  для  фрагментации  текста  служит  факт  сгущения 
специальных  терминов  в  местах  описания  материала  в  тексте. 
Естественным  образом  автор  делит  текст  на  концептуальные  и  общие 
смысловые  части.  Например,  определения  и  пояснения  к  ним, 
утверждения  и  доказательства,  описательное  вступление  и  специальное 
рассмотрение  и  т.д.  Используя  этот  факт  можно  выделить  из  теста 
фрагменты  и  сравнить  их  аналогично  тому,  как  сравниваются  тексты. 
Результатом  такого  сравнения  служат  группы  фрагментов,  анализируя 
которые эксперт может сделать вывод о взаимосвязи текстов, из которых 
они извлечены. 
Сравнение текстов на предварительном этапе заключается в поиске такой 
тематической группы в базе данных, словарь ПОС которой наиболее широко 
представлен  в  данном  тексте.  Определено,  что  для  текстов  из  данной 


 
93
тематической группы среднее значение в процентом отношении числа слов, 
которые присутствуют в данных текстах, колеблется в широких пределах.  
Будем обозначать данное значение как ПОСi. Конкретное значение ПОСi 
сильно  зависит  от  объема  словаря  ПОС,  чем  больше  слов  в  ПОС,  тем 
меньше среднее значение ПОСi.  
Фактически ПОСi – это словарь, описывающий данный текст в контексте 
тематической  группы  с  индексом i. Такие  словари  принято  называть 
поисковым образом текста. Число слов в ПОСi зависит от суммарного числа 
слов в тексте и если для каждого текста ввести коэффициент отклонения от 
максимального  числа  слов  (или  среднего  по  группе) Wi=Ni/Nmax, то 
коэффициент отношения данного текста к тематической группе с индексом i 
будет равен Ri=ПОСi*Wi. Данное значение будем называть релевантностью 
текста тематической группе с индексом i.  
  
 
Рис. 25. Релевантность в контекстах  разных ПОС 
 
Релевантность,  рассчитанная  с  учетом  числа  слов  в  тексте,  более 
устойчивая  величина  не  только  при  переходе  от  текста  к  тексту  внутри 
тематической  группы,  но  и  вне  ее.  Поэтому  наиболее  достоверной 
характеристикой  принадлежности  текста  к  группе  будем  считать  процент 
ПОС в данном тексте – ПОСi.  


 
94
На  вернем  рисунке 25 показано  изменение  значение  релевантности  и 
релевантности с учетом числа слов в тексте в контекстах  разных ПОС для 
тематической  группы  текстов  с  индексом 1 (экология).  Красная  кривая – 
ПОС1(экология), синяя кривая – ПОС2(социология). Из рисунка видно, что 
значения релевантности для каждого текста значимо отличаются, однако для 
разных текстов значения релевантности могут смещаться.  
На  нижнем  рисунке 26 показано  значение  релевантности  текстов  из 
разных тематических групп заданному тексту-образцу. Файл-образец взят из 
тестовой базы и относится к ПОС1 – экология. 
 
 
  
 
  Рис. 26.   Релевантности текстов из разных тематических групп 
 
Красная верхняя кривая – тексты из тематической группы ПОС1 экология, 
синяя  нижняя  кривая - тексты  из  тематической  группы  ПОС2  социология, 
пунктиром показаны тренды кривых. 
 
При  определении  близости  одного  текста  к  другому  важно  правильно 
определить контекст, то есть выбрать словарь ПОС, слова из которого будут 
выбраны  из  данного  текста  как  значимые  слова.  Однако,  для  выбора 
контекста необходимо знать к какой тематической группе относится данный 

 
95
текст. Для текста, не содержащегося в базе данных, это неизвестно, поэтому 
определяется его релевантность контексту полного словаря базы данных.  
Для  определения  тематической  группы  внешнего  текста,  не 
содержащегося  в  базе  данных,  в  системе  применяются  следующие 
алгоритмы: 
1.  После  сортировки  по  значению  релевантности  можно  получить 
матрицу  вида  текст/текст  для  текстов  с  максимальным  значением 
релевантности  и  в  системе Visual HCA определить  из  какой 
тематической  группы  наиболее  близкие  тексты.  Матрица  текст/текст 
может  быть  рассчитана  на  только  основе  слов,  содержащихся  в 
заданном тексте или на основе всех слов из выбранного контекстного 
словаря.  В  первом  случае  вектор  слов  для  заданного  текста  будет 
единичным  и  система Visual HCA позволит  определить  наиболее 
близкие  к  нему  тексты.  Во  втором  случае  система Visual HCA будет 
рассматривать  близость  заданного  текста  к  тематическим  группам 
базы  данных,  представленным  в  виде  текстов  наиболее  близких  к 
данному.  Так  как  избранные  тексты  не  обязательно  представляют 
правильную  несмещенную  оценку  тематических  групп  базы  данных, 
результат  может  быть  неоднозначен.  Этот  факт  есть  следствие  того, 
что  задача  определения  тематической  группы  и  задача  нахождения 
наиболее близких текстов к заданному тексту, различны, хотя и имеют 
много  общего.  Для  обеих  задач  определяющим  является  выбор 
контекста,  в  любом  случае,  если  в  базе  данных  нет  текстов  на 
заданную  тему,  достоверность  результата  низка  вследствие  большой 
статистической ошибки. 
2.  Используя  базовый  набор  словарей  можно  определить  вектор 
текст/ПОС  и  в  факторном  пространстве  определить  близость 
заданного  текста  к  центрам  различных  тематических  групп  по  
эллипсам  рассеяния,  например.  Таким  образом,  релевантность  может 

 
96
служить  ориентиром  при  определении  тематического  индекса  для 
данного  текста,  однако  ее  абсолютная  величина  условна  и  не 
применима для сравнения разных текстов между собой. Для сравнения 
текстов 
необходимо 
использовать 
вектор, 
описывающий 
распределение слов из ПОС по данному тексту. Используя алгоритмы 
кластеризации  в  системе Visual HCA можно  с  достаточной  долей 
достоверности  произвести  классификацию  текста.  Автоматизировать 
этот  процесс  можно  используя  эллипсы  рассеяния  в  факторном 
пространстве ПОСi, однако если данный текст лежит в тематической 
области  не  имеющей  ПОС  в  базе  данных,  релевантность  может 
служить  единственным  критерием  для  анализа.  Кроме  того, 
релевантность служит удобным инструментом для сортировки текстов 
по близости к заданной тематической области.  
Используя  в  качестве  базовой  величины  значение  ПОСi  для  данного 
текста  можно  рассматривать  другие  тексты  в  контексте  данного  текста, 
который  либо  уточняет  какой-либо  тематический  контекст  либо 
рассматривается  на  фоне  основного  словаря  базы  данных  ПОС0.  В  этом 
случае  релевантность  к  данному  тексту  будет  близка  к  корреляции  между 
векторами  распределения  слов  ПОС  и  может  поэтому  служить  мерой 
близости. 
Естественно, при определении тематической группы часть текстов может 
быть  отнесена  к  ней  с  некоторой  натяжкой  по  разным  причинам.  Обычно 
такие тексты близки по форме к авторефератам статей, имеют малый объем 
и содержат термины в единичном экземпляре.  
 
3.5. Алгоритм расчета близости текстов заданному тексту-образцу 
 
На основании вышеприведенной методики смыслового анализа можно 
описать  основной  алгоритм  определения  наиболее  близких  текстов  базы 
данных к внешнему тексту как следующий список пунктов: 

 
97
1.  Выбор  контекста.  Пользователь  определяет  словарь  или  набор 
словарей  ПОС  из  классификатора  базы  данных,  с  помощью  которых 
проводится  анализ  внешнего  текста.  Если  контекст  не  задан  система 
будет  использовать  основной  словарь,  который  всегда  определяется 
при  создании  базы  данных.  Классификатор  предоставляется 
пользователю  в  виде  иерархического  списка  индексированных 
тематических  глав,  каждой  из  которой  соответствует  свой  словарь 
ПОС. В этом режиме выбора возможно объединение различных ПОС 
в единый контекст. 
2.  Пересечение  контекста  и  внешнего  текста  с  целью  создания 
поискового образа ПОСi в виде списка значимых слов.  
3.  Поиск  текстов,  содержащих  слова  из  поискового  образа  внешнего 
текста  в  заданном  пользователем  минимальном  процентом 
отношении.  Этот  параметр  важен  для  больших  баз  данных,  чтобы 
отсечь случайные, несвязанные с заданным, тексты. 
4.  Расчет  релевантности  всех  найденных  текстов  внешнему  тексту  и 
сортировка по его значению. Отбор в окончательный список текстов с 
релевантностью выше заданной. Этот параметр фактически совпадает 
с предыдущим и служит для окончательного отбора текстов. 
5.  Расчет  для  отобранных  текстов  и  внешнего  текста  векторов 
текст/ПОС, на базе которых создается файл текст/ПОС для анализа в 
системе Visual HCA. Изображение  в  факторном  пространстве 
классификатора  базы  данных  ПОСi  и  на  графе  выбранных  текстов 
позволяет  пользователю  практически  мгновенно  оценить  фактор 
близости внешнего текста к тематическим группам базы данных. 
6.  Если  это  необходимо,  продолжение  анализа  для  получения  более 
детальной информации в системе Visual HCA. 
 
 

 
98
Перспектива развития алгоритма фрагментации текстов 
 
 
Режим  фрагментации  текстов  может  пока  использоваться  только  
администратором системы при проведении структурирования базы данных. 
Для  применения  алгоритма  фрагментации  на  уровне  пользователя  системы 
необходимо  провести  дополнительные  исследования  с  целью  определить 
достоверность получаемых результатов. 
Идея  фрагментации  текстов  заключается  в  том,  чтобы  высечь  из 
текстов те части (фрагменты), где наблюдается сгущение значимых слов из 
ПОС. Размер фрагмента очень важная характеристика, связанная с понятием 
минимального  размера  фразы  для  определения  понятия,  то  есть  фразы 
имеющей смысл. Очевидно, число слов и предложений в такой фразе имеет 
некий  разумный  оптимум.  Заранее  определить  это  значение  невозможно, 
поэтому  для  выделения  фрагментов  предлагается  задать  значение 
максимального расстояния (в словах) между значимыми словами в нем. Это 
расстояние косвенно влияет на размер фрагмента, характеризуя минимально 
возможную  степень  сгущения  значимых  слов.  Другим важным  параметром 
определения фрагмента является минимальное количество значимых слов в 
нем. Этот параметр влияет на размер фрагмента и на его содержательность. 
При  малом  значении  фрагмент  получается  обедненным,  вырванным  из 
контекста.  При  большом  значении  разные  фрагменты  могут  сильно 
отличаться друг от друга по содержанию. 
Для выделения фрагментов используется любой словарь, созданный в 
системе.  Число  слов  в  словаре  является  скрытым  и  очень  важным 
параметром.  При  большом  разнообразии  терминов  в  словаре  из  текстов 
будут выделены различные фрагменты. 
Технология  фрагментации  является  перспективной  в  плане 
применения  ее  пользователем  системы    для  выделения  фрагментов  по 
заданным  словам.  При  формулировке  запроса  на  естественном  языке 

 
99
алгоритм  поиска  близких  текстов  не  даст  большого  эффекта,  если  фраза 
запроса  содержит  мало  значимых  слов  или  не  содержит  их  вовсе. 
Наилучшим  решением  здесь  является  использование  тезауруса  для 
расширения  контекста  запроса  и  выделения  фрагментов  из  найденных 
текстов,  причем  величина  релевантности  фрагментов  запросу  определяется 
числом слов во фрагменте.  
 
Выводы по 3-й главе 
В  третьей  главе  говорится  о  том,  как  система  смыслового  анализа 
текстов  работает  по  запросу  читателя  и  как  производится  оценка  близости 
текстов (релевантность). 
Приводятся подробные описания: 
•  алгоритма отбора слов в естественно-тематический словарь; 
•  алгоритма создания естественно-тематического классификатора; 
•  алгоритма  сравнения  текстов  и  расчета  близости  текстов  заданному 
тексту-образцу. 
На  основе  эмпирического  закона  Ципфа  в  главе  дано  научное 
обоснование  алгоритма  отбора  слов  в  естественно-тематический  словарь, 
определяющий  основной  тематический  контекст  базы  данных,  и  на 
практических примерах демонстрируется достоверность его работы. 
Далее  в  главе  подробно  описывается  алгоритм  создания  естественно-
тематического  классификатора  полнотекстовой  базы  данных,  который 
основан на разбиении основного естественно-тематического словаря на ряд 
предметно-ориентированных 
словарей. 
На 
конкретных 
примерах 
продемонстрирована  методика  работы  и  показано,  как  получить  наиболее 
достоверную тематическую классификацию массива текстов. 
В следующем разделе главы приводится алгоритм сравнения текстов и 
числовой  оценки  их  близости,  заключающийся  в  подборе  такой 
тематической  группы  в  классификаторе  базы  данных,  предметно-

 
100
ориентированный словарь  которой наиболее широко представлен  в данном 
тексте. 
В  главе  показано,  что  среднее  значение  числа  слов  из  предметно-
ориентированного  словаря,  присутствующих  в  текстах  из  данной 
тематической  группы,  колеблется  в  широких  пределах.  Набор  таких  слов 
данного  текста  с  номером i из  предметно-ориентированного  словаря  с 
номером j как ПОСij. Конкретное значение ПОСij сильно зависит от объема 
предметно-ориентированного  словаря.  Фактически  ПОСij – это  словарь, 
описывающий данный текст i в контексте тематической группы с индексом 
j. Такие словари принято называть поисковым образом текста. Число слов в 
ПОСij зависит от суммарного числа слов в тексте, и если для каждого текста 
ввести коэффициент отклонения от максимального числа слов Wi, 
 
Wi = Ni/Nmax 
 
где:   Ni – число слов в тексте с номером i; 
Nmax – максимальное число слов. 
 
то  абсолютный  коэффициент  отношения  данного  текста i к  тематической 
группе с индексом j с учетом размера текста будет равен Kij. 
 
Kij = ПОСij*Wi 
 
При естественно-тематической классификации текста c номером i для 
каждого тематического индекса j рассчитываются значения: R0ij, которое в 
работе  предлагается  называть  релевантностью  текста  с  номером i 
тематической группе с индексом j, и значение Rij – релевантность c учетом 
размера текста. 
 

 
101
Rij = Kij / NNj 
 
R0ij = ПОСij / NNj 
 
где:  ПОСij – число  слов  из  предметно-ориентированного  словаря  с 
индексом j, присутствующих в тексте i; 
NNj – общее  число  слов  в  предметно-ориентированном  словаре  с 
номером j. 
 
При  поиске  близких  текстов  пользователь  системы  (читатель) 
получает  отсортированный  по  значению  релевантности  список  текстов.  В 
диссертационной  работе  показано,  что  учет  размера  текста  делает 
релевантность более устойчивой величиной при переходе от текста к тексту 
внутри  тематической  группы.  На  практических  примерах  показано,  как 
изменяются  значения  релевантности  в  зависимости  от  тематической 
принадлежности текста. 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
102
Глава 4. Перспективы развития ИРБИС в плане применения 
системы смыслового анализа текстов для создания 
полнотекстовых баз данных в современной библиотеке 
 
4.1. Автоматизированная библиотечная система ИРБИС в ГПНТБ 
России 
 
Данная  работа  ориентирована  на  те  библиотеки,  в  которых  уже 
существует  или  планируется  к  внедрению  электронный  каталог  и  развита 
информационная  структура  обслуживания  читателей.  При  внедрении 
информационных  технологий  в  настоящее  время  Россия  ориентируется  на 
Запад.  В  качестве  дополнительного  сервиса  во  многих  библиотеках  Запада 
предлагается полнотекстовый поиск по специализированным базам данных. 
Как  правило,  это  статьи  из  научных  журналов,  аннотации  и  авторефераты 
научных работ [38-40,92].  
Современная  библиотека  включает  в  себя  информацию  на 
традиционных  печатных  носителях,  электронную  информацию  в  широком 
смысле слова – это аудио видео информация, Интернет-ссылки и так далее. 
Сегодня  необходимо  развивать  новые  технологии  извлечения  и  анализа 
текстов,  использовать  электронные  ресурсы,  которые  накапливаются  в 
библиотеке  как  следствие  процессов  обработки  при  обслуживании 
читателей, например, сканирование при электронной доставке документов, а 
также создание электронных фондов ретроспективных документов. 
В  данной  работе  разработана  методика  создания  полнотекстовых  баз 
данных на основе текстов электронных фондов библиотеки с возможностью 
смыслового поиска на базе системы автоматизации библиотек ИРБИС [14]. 
Система  автоматизации  библиотек  ИРБИС    представляет  собой 
типовое  интегрированное  решение  в  области  автоматизации  библиотечных 

 
103
технологий  и  предназначена  для  распространения  и  использования  в 
условиях  библиотек  любого  типа  и  профиля.  Первая  версия  системы 
разработана в ГПНТБ России в 1995 г. За прошедшие годы она претерпела 
существенные  изменения,  пройдя  путь  от  скромной  системы  с 
ограниченными  возможностями,  функционирующей  в  среде MS DOS, до 
подлинно интегрированной системы, работающей в Windows  и отвечающей 
всем  требованиям,  которые  предъявляются  к  современным  библиотечным 
системам. 
 
 Можно  считать,  что  ИРБИС  является  обобщением,  типизацией 
многолетнего  опыта  ГПНТБ  в  области  автоматизации.  С  другой  стороны, 
ИРБИС  является  той  моделью,  на  основе  которой  в  силу  открытости 
системы реализуются новые идеи и концепции.  
 
Система ориентирована на работу в локальных вычислительных сетях 
любого  типа  без  ограничения  количества  пользователей  при  условии,  что 
клиентской  платформой  является MS DOS или Windows и  обеспечивается 
доступ к файл-серверу. 
В  системе  имеются  средства  поддержки  телекоммуникационных 
технологий,  ориентированных  на  конечного  пользователя  (читателя),  а 
именно: Web-ИРБИС – решение,  обеспечивающее  доступ  к  базам  данных 
ИРБИС через WWW-сервер, и сервер баз данных для протокола Z39.50. 
Система  полностью  совместима  с  международными  форматами 
UNIMARC и USMARC на основе средств двухсторонней конверсии данных. 
Система  также  поддерживает  Российский  коммуникативный  формат 
RUSMARC. 
В  системе  реализованы  все  типовые  библиотечные  технологии, 
включая  технологии  комплектования,  систематизации,  каталогизации, 
читательского  поиска,  книговыдачи  и  администрирования,  на  основе 
взаимосвязанного  функционирования  пяти  типов  автоматизированных 

 
104
рабочих  мест  (АРМ): “Комплектатор”, “Каталогизатор”, “Читатель”, 
“Книговыдача”, “Администратор”. 
Система  позволяет  создавать  и  поддерживать  любое  количество  баз 
данных,  составляющих  электронный  каталог  (ЭК)  или  представляющих 
собой проблемно-ориентированные библиографические базы данных (БД). 
Система  предлагает  технологию  автоматического  формирования 
словарей,  на  основе  которых  реализуется  быстрый  поиск  по  любым 
элементам описания и их сочетаниям. 
Средства каталогизации позволяют обрабатывать и описывать любые 
виды  изданий,  включая  нетрадиционные,  такие  как  аудио-  и 
видеоматериалы,  компьютерные  файлы  и  программы,  картографические 
материалы, ноты и т.д. 
Система  поддерживает  традиционные  “бумажные”  технологии, 
предоставляя  возможности  для  получения  широкого  спектра  выходных 
форм:  начиная  с  листов  заказа  и  книги  суммарного  учета  и  кончая 
указателями и всеми видами каталожных карточек. 
Система  включает  технологии,  ориентированные  на  использование 
штрих-кодов на экземплярах изданий и читательских билетах. 
Система 
предлагает 
большой 
набор 
сервисных 
средств, 
обеспечивающих  удобство  и  наглядность  пользовательских  интерфейсов, 
упрощающих  процесс  ввода,  исключающих  ошибки  и  дублирование 
информации. 
Система  обладает  широкими  возможностей  для  адаптации  ее  к 
условиям  работы  конкретной  библиотеки,  т.е.  при  передаче  и  установке 
системы  может  производиться  ее  настройка  в  соответствии  со 
специфическими  требованиями  пользователя - начиная  со  структуры 
библиографического  описания  и  кончая  пользовательскими  режимами 
работы. 

 
105
Система  является  в  достаточной  мере  открытой,  что  позволяет 
пользователю  самостоятельно  вносить  изменения  в  широких  пределах:  от 
изменения  входных  и  выходных  форм  до  разработки  оригинальных 
приложений. 
В  настоящее  время  ИРБИС  является  одной  из  наиболее  динамично 
развивающихся  и  пользующихся  спросом  библиотечных  систем  в  России. 
Наряду с поддержкой традиционных технологий система ИРБИС использует 
современные  информационные  средства  для  развития  инфраструктуры 
библиотечного  обслуживания.  Данная  работа  позволит  библиотекам – 
пользователям  ИРБИС  предоставить  читателям  возможность  смыслового, 
интеллектуального  анализа  найденных  текстов  в  полнотекстовых  базах 
данных библиотеки. 
До  выполнения  настоящей  работы  система  автоматизации  библиотек 
ИРБИС  (ИРБИС32)  использовала  структуру  хранения  данных  пакета 
прикладных  программ CDS\ISIS, которая  специально  ориентирована  на 
хранение  и  поиск  больших  объемов  текстовой  информации.  Особенности 
ИРБИС32  в  сравнении  с  реляционными  СУБД    это - переменная  длина 
полей,  малая  связность  записей  и  текстовый  формат  данных.  Наряду  с 
очевидными достоинствами для своего времени, ИРБИС32 не удовлетворяет 
современным  требованиям  и  имеет  существенные  ограничения.  Такими 
ограничениями  являются - физические  размеры  файлов  баз  данных, 
максимальная  длина  поискового  термина,  размер  ссылки  на  поисковый 
термин  и  ограничение  на  число  записей.  В  основном,  это  следствие 
международных  стандартов  хранения  и  обмена  библиографической 
информации UNIMARC. Наряду  с  очевидными  достоинствами  для  своего 
времени,  в  настоящий  момент  стандарт  ИРБИС32  требует  дальнейшего 
развития с целью снять ограничения, оставшиеся от наследия операционных 
систем  прошлого (DOS). Такими  ограничениями  являются - физические 

 
106
размеры  файлов  баз  данных,  максимальная  длина  поискового  термина, 
размер ссылки на поисковый термин и ограничение на число записей. 
 
В 2001 году  начата  работа  по  созданию  следующего - четвертого 
поколения системы - ИРБИС 64 [125]. 
Можно выделить две основные предпосылки, определившие необходимость 
этой работы: 
•  Снятие  количественных  ограничений  в  физической  структуре  БД, 
касающихся  объема  БД,  длины  записи,  длины  термина  и  др.  Здесь 
следует заметить, что существующие ограничения, кроме длины термина, 
носят  для  большинства  пользователей  системы  ИРБИС  пока  чисто 
теоретический характер. 
•  Перевод системы на клиент-серверную архитектуру. Здесь также следует 
отметить, что к такому переходу нас побудили не реальные недостатки и 
трудности,  связанные  с  нынешней  файл-серверной  архитектурой 
системы,  а  следование  общим  положениям  о  преимуществах  клиент-
серверной технологии. 
Ограничения  ИРБИС32  на  физический  размер  файлов  словаря  не 
позволяют создать достаточно большие базы данных. Далее будет показано, 
каким  образом  размер  накопленной  информации  влияет  на  качество 
смыслового  поиска,  здесь  же  достаточно  сказать,  что  этот  факт  связан  со 
стандартной  статистической  ошибкой  наблюдения  случайных  событий 
(корень  квадратный  из  числа  наблюдаемых  событий).  Еще  одним 
существенным ограничением ИРБИС32 является размер ссылки на запись в 
файле  словаря – 2 байта.  Ссылка  на  запись – это  единица  хранения 
информации,  которая  может  быть  найдена  по  заданному  термину.  Такая 
ссылка  включает  в  себя  номер  записи  в  базе  данных,  номер  поля,  из 
которого извлечен данный термин номер, повторения данного поля и номер 
термина  среди  других  терминов  в  данном  поле.  Дополнительная 
информация, такая как номер предложения, номер абзаца и фрагмента слова 

 
107
оказывается  утерянной.  Это  увеличивает  время,  требуемое  для 
сопоставления  различных  текстов  при  применении  алгоритмов  смыслового 
анализа. 
В  рамках  развития  системы  ИРБИС  был  разработан  новый  стандарт 
хранения  данных  и  полнофункциональная  библиотека  доступа - ИРБИС64 
[125]. 
Параметры ИРБИС32 и ИРБИС64 для сравнения: 
1.  Ограничение на число документов: 16млн ------- 8тлн. записей. 
2.  Ограничение на размер БД:  500 Mb ------- 2 млрд.Gb. 
3.  Ограничение на размер записи:  32Kb ------- 2Gb. 
4.  Ограничение на размер поискового термина:  30--------255 символов. 
Снятие  ограничений  ИРБИС32  позволяет  создать  в  среде  ИРБИС 
полнотекстовые  базы  данных,  организовать  смысловой  поиск  и  анализ 
найденных документов.  
 
4.2.  Разница  между  системой  смыслового  анализа  для  ИРБИС32  и 
ИРБИС64 
 
История создания системы такова: 
1.  В 1998 г.  Создана  система  визуального  эвристического  анализа 
числовых  матриц Visual HCA под  руководством  профессора 
П.П.Макагонова.  Система  отрабатывалась  на  практике  в  Управлении 
Мэра  Москвы  в  различных  областях  естественно-научных  и 
гуманитарных  знаний  (вопросы  управления  и  устойчивого  развития 
города).  Неоднократно  публиковались  доклады  на  конференциях  в 
Мексике  (Китай,  Бельгия)  и  статьи  в  зарубежных  и  отечественных 
журналах.  В 2000 г.  разработана  прикладная  система  визуального 
мониторинга  данных  измерений  загрязнения  Мехико  с  применением 
системы визуального эвристического анализа. 

 
108
2.  В 1999 г.  Создана  система  смыслового  анализа  массива  текстов.  Для 
ежегодной  Московской  конференции  под  эгидой  Юнеско  ООН 
создана  первая  версия  системы  смыслового  анализа  текстов  в  среде 
ИРБИС.  Выпущена  партия  полнотекстовых  баз  данных  с  работами 
ведущих  современных  специалистов  в  области  градостроительтсва  и 
роздана мэрам городов России, принимавшим участие в Конференции. 
Система опиралась на существующую версию ИРБИС-1999. 
3.   1999 – 2002 г. Доработка ИРБИС32 с целью развития системы ИРБИС 
и  разработки  системы  смыслового  анализа  для  больших 
полнотекстовых  хранилищ.  Разработка  СУБД  ИРБИС64  и  сервера 
ИРБИС64. 
4. 2002 – 2003 г.  Разработка  новой  версии  системы  текстового  анализа 
для новой версии ИРБИС64. 
5. 2003  –  г.  Перспективная  разработка  Интернет-версии  системы 
текстового анализа в рамках WEB-ИРБИС64. 
Основные  алгоритмы  системы  смыслового  анализа  отработаны  на 
практическом  материале  при  создании  базы  данных  по  теме  устойчивого 
развития  городов.  По  результатам  работы  стало  очевидной  необходимость 
доработки ИРБИС32 для снятия внутренне присущих ограничений. Большое 
время  было  потрачено  на  создание  клиент-серверной  версии  ИРБИС64.  В 
настоящее время ведется отработка версии системы смыслового анализа для 
ИРБИС64. 
 
4.3. Подготовка специалистов библиотеки для работы с системой 
 
 
Существует  несомненный  интерес  у  пользователей  системы  ИРБИС 
во  многих  библиотеках,  особенно  это  касается  вузовских  библиотек,  к 
использованию системы полнотекстового анализа. Основными трудностями 
на сегодняшний день являются: 

 
109
1.  Отсутствие  технологической  и  правовой  проработки  процессов 
создания электронных текстовых ресурсов. Наблюдается недостаток в 
технических  средствах  хранения  информации  большого  объема  и 
юридическая неполнота в России вопроса об авторских правах. 
2.  Необходимость  серьезной  подготовки  специалистов  библиотеки  к 
работе с системой смыслового анализа, так как ее специфика лежит в 
области  информационной  числовой  обработки  данных,  что 
нестандартно для средней библиотеки. 
Для пользователей системы ИРБИС применение алгоритмов смыслового 
анализа  текстов  станет  существенным  дополнением  к  существующей 
системе. 
 
Возможное соотношение рубрикаторов, применяемых в библиотеке, и 
естественно-тематического классификатора системы 
 
 
Многие  библиотеки  используют  тематические  рубрикаторы  для 
индексации.  Система  ИРБИС  позволяет  использовать  и  дополнять  
рубрикатор  ГРНТИ,  по  аналогии  с  которым  пользователи  ИРБИС  могут 
создать  уникальный  рубрикатор  по  выбранной  тематике.  Естественно-
тематический классификатор по структуре полностью подобен рубрикатору 
ГРНТИ.  Может  быть  сформулирована  задача  создания  полнотекстовых  баз 
данных на основе существующего рубрикатора. Такое решение возможно в 
случае  накопления  текстов  по  как  минимум  основным  тематическим 
рубрикам,  чтобы  система  построила  словари  ПОС  для  соответствующих 
тематических  индексов.  Также  возможно  привлечь  экспертов  для  создания 
таких словарей в отсутствии массива текстов. Как итого, можно сказать, что 
решение  этого  сложного  вопроса  должно  быть  получено  в  режиме 
эксплуатации системы на практике. 
 

 
110
4.4. Последовательность операций при создании и ведении базы данных 
ИРБИС при использовании системы смыслового анализа текстов 
 
1.  Определить  тематическое  наполнение  базы  данных.  Необходимо 
обучить  специалиста  в  области  лингвистики  данной  библиотеки 
работе  с  программами  системы,  так  как  кроме  администратора 
системы  будет  необходим  эксперт  для  настройки  баз  данных.  Если 
используется уже существующий электронный каталог, в котором есть 
режим  показа  полных  текстов,  необходимо  перевести  текстовые 
файлы в формат WINDOWS PLAIN TEXT.  
2.  Набрать 
достаточное 
количество 
текстов 
для 
первичной 
структуризации базы данных и подготовки естественно-тематического 
классификатора. Для начала работы необходимо иметь в базе данных 
как  минимум  несколько  сотен  текстов,  общим  объемом  не  менее 10 
Mb.  Число  тем  на  первом  этапе  необходимо  ограничить,  так  как  это 
позволит  уменьшить  статистическую  ошибку  и    более  достоверно 
определить словари ПОС. 
3.  Произвести  по  описанной  выше  методике  создание  словарей  ПОС  и 
по  результатам  работы  создать  классификатор  базы  данных. 
Определить для каждого текста базы данных индекс классификатора, 
этот  режим  при  большом  числе  документов  в  базе  данных 
производится последовательно. 
4.  Проверить  работоспособность  классификатора  для  достоверной 
работы  алгоритмов,  рассчитав  релевантности  текстов  для  различных 
ПОС.  Удостоверится  в  том,  что  в  пространстве  ПОС  тексты  из 
различных тематических групп могут быть значимо разделены между 
собой. 
5.  При дальнейшем наращивании базы данных текстами необходимо для 
новых текстов определять тематический индекс. Тексты, не имеющие 

 
111
тематического индекса, имеют в системе условный индекс 00, поэтому 
их  легко  найти  и  отобрать  поиском.  Для  определения  тематического 
индекса  используется  инструментарий  системы.  При  накоплении 
значительного  количества  новых  текстов  из  существующих 
тематических групп, или при введении в базу данных текстов из новой 
тематической группы, необходимо проделать всю процедуру создания 
классификатора заново. 
 
4.5. Система смыслового анализа текстов в ИНТЕРНЕТ 
 
Для  поддержки  системы  смыслового  анализа  в  ИРБИС  наиболее 
перспективным  представляется  разработка  Интернет-решения,  в  рамках 
которого  кроме  стандартного  информационного  поиска  по  электронному 
каталогу  читателю  предоставляется  возможность  смыслового  анализа 
найденных  документов.  Мы  будем  рассматривать  две  основные  задачи, 
стоящие  перед  читателем  и  в  зависимости  от  вида  задачи  будем 
идентифицировать читателя как “студента” или как “эксперта”.  
1.  Информационный  поиск    каких-либо  текстов  в  электронном 
каталоге, просмотр текстов в редакторе  и составление реферата на 
их основе. 
2.  Анализ 
найденных 
текстов 
на 
предмет 
выявления 
взаимоотношений  близости  между  ними  в  заданном  смысловом 
контексте,  нахождение  групп  схожих  текстов  и  текстов – 
представителей для каждой группы (ядер). 
Все эти задачи могут быть решены в режиме удаленного доступа. Но 
есть класс задач, которые могут быть решены только при работе на уровне 
Администратора  системы.  Это  подготовка  базы  данных  к  смысловому 
поиску: 

 
112
1.  Построение естественно-тематического классификатора для данной 
БД в виде набора  ПОС. 
2.  Структуризация БД по найденным ПОС. 
Общая схема Интернет-решения представляется в таком виде: 
 
       Клиент - браузер 
              WEB - сервер 
 
 
     Поисковый интерфейс 
CGI – Шлюз для доступа к 
 
базам данных ИРБИС 
 
Текст образец или строка 
 
запроса на естественном 
 
языке 
 
Базы данных ИРБИС с 
 
индексацией по полным 
текстам 
 
Результаты поиска – 
представление найденных 
 
документов в виде списка 
 
форматов; отсылки на полные 
Естественно научный 
 
тексты 
классификатор в виде 
 
списка ПОС; Толковый 
 
Редактор текстов;  
словарь для терминов ПОС
Интерфейс для входа в 
 
естественно научный 
 
классификатор  
 
 
 
 
Visual HCA для анализа 
 
текстов 
 
 
Рис. 27. Блок-схема Интернет-решения 

 
113
В  браузере  клиента  можно  реализовать  все  основные  пункты  списка 
основного  алгоритма  расчета  близости  текстов  заданному,  кроме  работы  в 
системе Visual HCA. Некоторые  алгоритмы  визуального  анализа  можно 
имитировать  с  помощью Java апплета,  однако  целесообразность  этого 
решения  сомнительна.  Для  среднего  пользователя  важно  быстро  найти 
наиболее близкие тексты к тому тексту, который у него есть или который он 
нашел в базе данных. Подробный анализ связей между текстами интересен 
при  решении  экспертных  задач  и  требует  использования  всего 
инструментария  системы  для  возможного  изменения  базовых  словарей 
ПОС.  Такой  режим  работы  доступен  только  с  правом  администратора 
системы. 
 
Выводы по 4-й главе 
В четвертой главе рассматриваются ближайшие перспективы развития 
системы  автоматизации  библиотек  ИРБИС,  связанные  с  включением  в  нее 
системы  смыслового  анализа  текстов  для  создания  полнотекстовых 
хранилищ данных в современной библиотеке.  
До  завершения  настоящего  диссертационного  исследования  система 
автоматизации  библиотек  ИРБИС  (ИРБИС32)  использовала  структуру 
хранения  данных  пакета  прикладных  программ CDS/ISIS, которая 
специально ориентирована на хранение и поиск больших объемов текстовой 
информации.  Особенности  ИРБИС32  в  сравнении  с  реляционными  СУБД 
это - переменная длина полей, малая связность записей и текстовый формат 
данных.  Наряду  с  очевидными  достоинствами,  данная  структура  имеет 
недостатки,  связанные  с  существенными  количественными  ограничениями, 
такими  как - физические  размеры  файлов  баз  данных  и,  в  частности, 
словарей  (что  не  позволяет  создавать  достаточно  большие  полнотекстовые 
базы данных), максимальная длина записи, максимальная длина поискового 
термина. 

 
114
В  связи  с  этим  в  рамках  развития  системы  ИРБИС  и  реализации 
представляемой  системы  смыслового  анализа  текстов  как  расширения 
ИРБИС  был  разработан  новый  формат  хранения  данных  и  оригинальная 
полнофункциональная  библиотека  доступа  к  базам  данных - ИРБИС64. 
Фактически  это  новая  СУБД,  ориентированная  на  работу  в  современных 
операционных  системах,  причем  формат  хранения  обеспечивает 
платформенную  независимость  физических  файлов  базы  данных,  что  на 
сегодняшний  день  является  необходимым  техническим  требованием.  На 
основе ИРБИС64 разработана клиент-серверная версия системы ИРБИС. 
В  главе  показано,  что  ИРБИС64  можно  использовать  в  библиотеках 
для  создания  полнотекстовых  баз  данных,  включающих  массивы  текстов 
электронного фонда. Такие базы данных можно использовать для поиска по 
словам  из  текстов  электронного  фонда,  осуществлять  их  тематическую 
классификацию и смысловой анализ. 
Применение 
смыслового 
анализа 
текстов 
для 
создания 
полнотекстовых  баз  данных  в  современной  библиотеке  рассматривается 
разработчиками  ИРБИС  в  качестве  одного  из  основных  положений 
концепции развития системы. 
 
 
 
 
 
 
 
 
 
 

 
115
Заключение 
 
Электронные  фонды  современной  библиотеки  с  нарастающими 
темпами  накапливают  неструктурированные  текстовые  ресурсы.  Причем 
объем  накопленной  текстовой  информации  может  быть  таким 
значительным,  что  задача  подготовки  их  полного  библиографического 
описания  становится  крайне  затруднительной.  Очевидна  необходимость 
применения  специальных  технических  решений  для  предоставления 
пользователям библиотеки доступа к многообразию электронных текстовых 
массивов.  В  настоящее  время  в  России  и  за  рубежом  активно  развиваются 
автоматизированные 
системы 
смыслового 
анализа 
текстов. 
В 
диссертационном  исследовании  дан  общий  обзор  существующих 
программных продуктов, на основе которого сделан вывод о необходимости 
разработки  системы  смыслового  анализа  текстов,  адаптированной  к 
применению в системах автоматизации библиотек. 
В  диссертационной  работе  предлагается  методика  создания 
полнотекстовых баз данных на основе текстовой информации, накопленной 
в  электронном  виде,  при  этом  любой  массив  электронных  текстов 
рассматривается как электронный фонд. 
В  диссертационном  исследовании  показано,  что  задача  смыслового 
анализа текстов включает следующие основные этапы:  
1.  создание полнотекстовой базы данных; 
2.  классификация текстов по тематической принадлежности; 
3.  числовая оценка меры сходства текстов. 
Для реализации первого этапа – создание полнотекстовой базы данных 
- была использована система автоматизации библиотек ИРБИС. В настоящее 
время  система  ИРБИС,  в  разработке  которой  принимал  участие  и  автор 
настоящей  работы,  применяется  более  чем  в 600-ах  библиотеках  России, 

 
116
СНГ  и  других  стран.  С  целью  включения  в  систему  ИРБИС  алгоритмов 
смысловой  обработки  текстов  была  разработана  новая  структура  хранения 
данных  и  полнофункциональная  библиотека  доступа  к  базам  данных 
ИРБИС64. 
В  рамках  реализации  второго  этапа - классификация  текстов - были 
проведены  теоретические  исследования  и  сделаны  выводы  о  возможности 
применения  методов  математической  статистики  для  решения  этой  задачи. 
В  диссертационном  исследовании  показано,  что  задача  классификации 
текстов относится к слабоформализованным и должна решаться с помощью 
эвристических  (предусматривающих  участие  эксперта)  алгоритмов. 
Специально  для  решения  таких  задач  была  разработана  и  реализована 
система  визуального  эвристического  анализа  числовых  данных,  которая 
доказала  свою  эффективность  при  решении  практических  вопросов  в 
различных научных областях. 
Важным  аспектом  системы  автоматизированного  анализа  текстов 
является  тот  факт,  что  все  специальные  подробности  применения 
математической  статистики  скрыты  от  пользователя  и  для  работы  с 
системой требуется только знание предметной области полнотекстовой базы 
данных.  В  диссертационной  работе  даны  практические  рекомендации  по 
применению  системы  визуального  эвристического  анализа  специалистами 
библиотеки  при  классификации  текстов.  На  конкретных  примерах 
продемонстрированы возможности системы. Для неспециалистов в области 
математической  статистики  в  Приложении  дается  подробное  описание 
принципов работы системы. 
Достоверность  работы  автоматизированной  системы  смыслового 
анализа  текстов  обеспечивается  алгоритмами  числовой  оценки  меры 
близости  текстов,  составляющими  последний,  третий  этап  решения  общей 
задачи.  В  диссертационном  исследовании  показано,  что  основным 
инструментом  смыслового  сравнения  текстов  являются  предметно-

 
117
ориентированные  словари,  содержащие  слова  с  повышенной  частотой 
встречаемости. Набор таких словарей составляет естественно-тематический 
классификатор  полнотекстовой  базы  данных.  Расчеты  и  практические 
оценки  меры  близости  текстов  на  конкретных  примерах  подтверждают 
достоверность  работы  алгоритмов  смыслового  анализа  текстов.  Поставлен 
вопрос  о  соотношении  рубрикаторов,  применяемых  в  библиотеке  при 
создании  библиографических  описаний,  и  естественно-тематического 
классификатора системы. 
В  диссертационном  исследовании  даны  практические  рекомендации 
по применению автоматизированной системы смыслового анализа текстов в 
библиотеках.  Освещены  вопросы  дополнительного  обучения  специалистов 
библиотеки для работы с предлагаемой системой. 
По результатам работы сделаны следующие выводы: 
•  смысловой  полнотекстовый  анализ  является  необходимой  частью 
современной системы автоматизации библиотек; 
•  задачи  смыслового  анализа  и  тематической  классификация  текстов 
относятся  к  слабоформализованным  и  должны  решаться  с  помощью 
эвристических алгоритмов; 
разработанные  алгоритмы  позволяют  автоматизировать  создание 
полнотекстовых  баз  данных  в  условиях  библиотеки  (без  привлечения 
сторонних  специалистов)  и  предоставить  читателям  сервис  в  виде 
полнотекстового поиска и смыслового поиска текстов, близких к заданному 
тексту-образцу. 
 
 
 
 
 
 

 
118
Приложение. Эвристика образного анализа 
 
1. Пояснения работы системы визуального эвристического анализа 
Visual HCA 
 
Пусть заданы   объекты,   которые   являются    предметом начальной 
стадии  анализа  для  решения  какой либо конкретной проблемы в  одной  
из    отраслей      научной,   административной,  социальной  или   
производственной    деятельности.    Изучение объектов обычно  начинается  
с  их  типизации в соответствии с различием или  общностью  свойств  для  
различных  подмножеств исходного множества  объектов.                                             
     Термин  объект    трактуется    здесь    в    самом  широком  смысле  слова - 
любой  предмет  или  явление  из  множества  элементов,  для  каждого  из   
которых    либо    известен    набор    одних    и    тех    же  характеристик,  
выраженных  численно,  либо  известно  о    наличии  или    отсутствии  
фиксированного    набора  атрибутов.  Сведения  о  наличии  конкретного 
атрибута,  признака  или  свойства  должны быть  выражены  в  числовом 
коде.  Термины  атрибут,  признак  и  свойство  здесь  воспринимаются  как 
синонимы. 
 
Программа Visual HCA работает с данными, представляющими собой 
двумерный  массив  чисел    из    m-строк    и    n-столбцов.  В    каждом  столбце 
расположен  один  атрибут  для  всех m объектов.  В  каждой  строке 
расположены все n атрибутов одного объекта. 
 
Программа позволяет    расклассифицировать   объекты   по степени 
их  близости  между  собой    в    пространстве    атрибутов  - рассортировать  
объекты    по    кластерам.  Каждый    кластер – это  группа  наиболее  тесно 
связанных  между  собой    объектов,  таких,  что    расстояние    между  
объектами  внутри  кластера в каком-то смысле  меньше  расстояния  между  
объектами,  находящимися  в разных   кластерах.                                             

 
119
В  качестве  двух  основных  алгоритмов  использованных  в  программе 
выбраны    алгоритм    построения    дендрита    на      объектах      и  алгоритм  
факторного  анализа  или  метод естественных ортогональных   функций. 
Ограничения  на    число    объектов    и  их  атрибутов (1000) связано  в 
первую  очередь  с  удобством  пользования  системой.  К  удобствам 
пользования    мы    относим,  в    первую    очередь  возможность  визуального 
(образного) анализа  на  одном  экране всего материала,    относящегося    к    
множеству      объектов,  воспринимаемых      пользователем      как      единая    
совокупность,  требующая  структуризации.  Опыт  разработчиков 
показывает,  что активное,  но не слишком изощренное использование всего 
экрана позволяет  манипулировать  в  полной мере не более чем с 300 - 400 
объектами при таком же количестве атрибутов.                                                                
 
 Кластеризация на основе построения дендрита 
Связи  между      объектами    по    степени    их    сходства    можно 
представить в виде специального типа графа - дерева, в котором вершины -   
это    объекты,  а    ребра    (или    дуги),  соединяющие  вершины,  способ     
наглядного          изображения          структурных  взаимоотношений  между 
объектами в пространстве свойств.                                                                              
 Для  построения  дендрита  вычисляется  матрица  расстояний  между 
всеми  объектами  и  затем  для  каждого  из    объектов    ищется  ближайший  к 
нему.  Способ  вычисления  расстояний,  меры  близости  объектов    между  
собой  - произволен.  В программе реализовано вычисление  расстояний  в  
манхеттенской  метрике:  расстояние равно   сумме  абсолютных  величин  
разностей  соответствующих координат - численных характеристик свойств 
объектов. 
Начиная  с          минимальных        расстояний        все        объекты 
последовательно  соединяются    ребрами      (или    дугами)  в    цепочки    -  
фрагменты  графа.  Объекты,  попавшие   в цепочку, рассматриваются     при     

 
120
дальнейшем          построении  дендрита  только  в  ее  составе,  т.е.  они  могут 
войти  в  новую  цепочку  только  вместе  с  остальными  объектами  из  своей 
исходной цепочки. После того как каждый из объектов  попал  в  одну  из  
цепочек,  ищется        минимальное        расстояние        между        цепочками,   и 
последовательно все цепочки соединяются в  дендрит,  пока  все объекты не 
окажутся  связанными  между  собой.  Прототип  алгоритма  описан  в  книге 
Плюта [102].  
Последовательно удаляя   ребра   большей   длины,   можно добиться  
того,  что  дендрит  распадется  на  ряд  деревьев и изолированных вершин.  
Вершины,  входящие  в  отделившееся  новое  дерево,  соответствуют 
отдельному изолированному кластеру.                                                                              
 
 Кластеризация на основе факторного анализа 
Относительно  методов          факторного        анализа        имеется  
многочисленная        литература,    описывающая        алгоритм          и 
математическую суть  метода [160].  Поэтому в строгом смысле суть метода 
мы здесь рассматривать не будем, но элементарные  представления  о нем и 
наводящие соображения для тех, кто  не  хочет  влезать  в  математические  
монографии    и  учебники,  изложим    на    бытовом,  разговорном    языке  с 
помощью серии иллюстраций в двух следующих параграфах. 
 
 Выделение  доминирующих  сочетаний  свойств-  факторов.   Переход      от   
описания      объектов      в  пространстве      свойств      к    описанию    в  
пространстве факторов. 
                                                                               
     Пусть имеется   четыре   объекта,   каждый   из   которых описывается 
тремя  свойствами.  О  каждом  свойстве  известно  лишь,  что  оно  есть  или 
отсутствует у данного  объекта  и  этот  факт изображается соответственно 

 
121
единицей 1 или нулем 0. Допустим, эти данные имеют вид, представленный 
в таблице. 
Таблица 1.   
 
 
Номер объекта 
Номер атрибута 
1 2 3 
1 1 1 0 
2 1 1 1 
3 0 0 1 
4 1 0 0 
                                                                              
     В трехмерном  пространстве их можно изобразить как точки, расстояние 
до  которых  от  начала  координат  по    каждой    из    осей  определяется     
числовой     характеристикой    атрибута    с соответствующим номером. 
      Объекты  можно  также  отождествлять    не    с    точками,  а    с  векторами.  
направленными    из    начала  координат O в  эти  точки.  Будем  называть  их  
далее    векторами    объектов.  Расстояние    от  начала  координат  до  точек, 
изображающих  объекты  в  пространстве  признаков,  называется  длиной 
вектора.  Наибольшую длину имеет вектор объекта O2.                                                  
Объекты расположены  не  во всех вершинах куба.  Заметим, что для  
изображения    первых  трех  объектов  достаточно  иметь  не  трехмерное  
пространство    исходных    признаков,   а      двумерное  пространство 
комбинаций  признаков,  называемых  факторами.  Это  пространство - 
плоскость, 
проходящая 
через 
точки 
O1 
O2 
O3 
O.             
В  этом    пространстве    координатами    служит    новый      набор  свойств - 
факторов.  Первый  фактор:  соответствует  наличию  набора  из 1 и 2  
атрибутов    исходной    таблицы.  Наличие    фактора  отображается      в   
плоскости   O1   O2   O3  O  горизонтальной составляющей длиной sqrt(2) 
или приближенно 1.414. 

 
122
Второй  фактор  совпадает  с  прежним  третьим  свойством.  Вернемся  к 
объекту O4.      Для    определения    его   положения    введем    новый  третий 
фактор,   ортогональный      к    первым    двум    факторам,  и  заданный  как 
линейная комбинация 1  и  2  исходных  признаков. Координаты  четвертого  
объекта  в  пространстве  новых  факторов  равны  соответственно: 0.707, 0, 
0.707.  Новые  координаты      -    факторы    представляют    собой    такие 
комбинации прежних координат - атрибутов,  что  первый  фактор вобрал в  
себя  компоненты  векторов,  суммарная длина которых равна 2.5 *  sqrt(2)  =  
3.535,  суммарная    длина    компонентов  по  оси  второго  фактора  равна 2, а 
третьего фактора 1/sqrt(2) = 0.707.  
 
Таблица 
2. 
   
Номер объекта 
Номер атрибута 
1 2 3 
1 1.414 
0 0 
2 1.414 
1 0 
3 0 1 0 
4 0.707 
0 0.707 
                                                                                                                                                 
Тогда таблица 1 в новых координатах станет таблицей 2.      
Из таблицы 2 видно: 
     1-ый фактор  имеет  большую  амплитуду,  чем  другие.  Ее 
называют доминирующим фактором, или доминантой. 
     2-ой фактор  имеет  средние составляющие в характеристике 
объектов. 
     3-й фактор   имеет  меньшее  максимальное  значение,  чем 
другие. 
      Несколько огрубляя  результаты,  можно  пренебречь  этим фактором  и  
описывать    все    объекты    в    пространстве    меньшей  размерности,  в 

 
123
пространстве  главных  доминирующих  факторов.  Тем  самым  можно 
сократить  число  свойств    -    факторов    за    счет    их  комбинирования  и 
выявления скрытых,  но более важных факторов, чем исходные признаки. 
Новые характеристики  оказываются  более  компактными,   более удачными 
для  описаний  объектов.  Это  замечание  станет  еще  более  важным,  если 
объектов  в  этой  плоскости O1,O2,O3,O (совпадающих  с      заданными  
объектами)  будет  много  больше,  а  вне  этой плоскости  число  объектов  
резко   не   возрастет   и   будет пренебрежимо мало по сравнению с числом 
объектов в плоскости.  
Трехмерный  случай    может    быть    не    очень    интересен,  но  только  он 
геометрически  наглядно  позволяет    продемонстрировать  возможности  и  
преимущества    снижения  размерности  пространства  почти  без  потери 
информации. 
В общем   случае  многомерного  (n-мерного)  пространства признаков 
факторный  анализ  позволяет    перейти    к    рассмотрению  объектов    в  
пространстве    той  же  размерности,  заданном  новой  системой  взаимно 
ортогональных  единичных  векторов,  Векторы, составляющие базис нового 
пространства,  это  факторы,  которые  представляют  собой  линейные 
комбинации из исходных  признаков.                                                                               
Факторы  компактнее описывают объекты,  чем исходные признаки. 
Несколько  первых  векторов  нового  базиса  дают  основной  вклад    в 
разложении    характеристик    объектов,  а    проекции    векторов    - 
характеристик   объектов   на   остальные    координаты    для подавляющего   
большинства   объектов  пренебрежимо  малы,  по сравнению  с  проекциями  
на  первые,  доминирующие   базисные векторы. 
Итак,  первое, (но  не  обязательно  самое  главное)  для  чего  можно  
применять    факторный    анализ    это    снижение  размерности  задачи.  
Исходные признаки объектов, удобные для измерения, но многочисленные и 
потому  неудобные  для  анализа  можно  свернуть  в  меньшее        число    

 
124
доминирующих   факторов,   наиболее   ярко характеризующих объекты, и 
во второстепенные факторы, которыми в анализе можно пренебречь. 
        
Элементарные представления о сути метода 
                                                                               
     Рассмотрим применение  факторного  анализа  к   двумерным массивам 
объектов и свойств. 
 
Разложение исходной матрицы по двум системам ортогональных векторов             
     Пусть двумерный  массив - матрица A m,n - имеет вид таблицы 3. 
 
Таблица 
3. 
   
1 0  0  0  0  0 
0 1  1  0  0  0 
0 1  1  0  0  0 
0 0  0  1  1  1 
0 0  0  1  1  1 
0 0  0  1  1  1 
                                                                               
     Ее можно представить в виде суммы трех  матриц  A1+A2+A3, 
каждая   из  которых  может  быть  представлена  произведением 
вектора-столбца G1,  G2 или G3 на вектор-строку F1,  F2 или F3 
соответственно. 
     Каждый элемент   матрицы    ak(i,j)    вычисляется    как 
произведение  i-ой составляющей вектора Gk на j-ю составляющую 
вектора Fk. 
             ak(i,j)=Gk(i) x Fk(j)                                                                               

 
125
     Замечательным свойством  векторов  Fk   и   векторов   Gk является   их   
ортогональность.  Это    значит,  что    скалярные  произведения (Fk,Fl) и 
(Gk,Gl) равны нулю, когда k не равно l. Например, можно проверить, что: 
                                                                               
 (F1,F3) = 0 * 1 + 0 * 0 + 0 * 0 + 0 * 1 + 0 * 1 + 0 * 1 = 0. 
                                                                               
     Если  бы  мы  имели  только 6 свойств,  распределенных    таким  образом 
между 6 объектами,  как  это  имеет  место  в  таблице 3, то  каждая  группа 
объектов  однозначно  бы  характеризовалась  своими  свойствами,   и  
существовали    бы    простые    правила    разделения  объектов  на  группы  или 
классы. 
     Но такой   идеальной   картины   обычно   не   бывает,  а математическое 
представление,  показанное  здесь  на  тривиальном  примере,  с    ростом 
размерности  задачи  и  неоднозначности  связи  конкретных  свойств    с  
конкретными    объектами    становится    все  более  полезным  для  анализа 
обобщенных свойств объектов.                                                                               
     Для тех,  кто не имел удовольствия почувствовать в  своей работе,   что  
такое    проклятие    размерности,  пусть    приведет  таблицу 4 перестановкой 
строк и столбцов к ее исходному  виду. 
     Попробуйте  вообразить,  что  перед  вами  матрица  размером  не 6x6, где 
всего  на  всего  по  три  строки  и  три  столбца,  различающихся  по  своему 
содержанию,  а матрица,  размером  100  x  100.  В  ней заметить сходство 
различных объектов будет труднее.  
 
Таблица 
4. 
   
0 1  0  0  1  0 
1 0  1  0  0  1 
0 1  0  0  1  0 

 
126
0 1  0  0  1  0 
1 0  1  0  0  1 
0 1  0  0  1  0 
 
В  то  же  время,  программа    работает    одинаково    хорошо    как    с 
матрицей,  представленной  в  таблице  4,  так  и  с матрицей, записанной в 
таблице 3.  Разницу чувствует лишь  пользователь, так  как вид матрицы из 
таблицы 3 более удобен для визуального анализа 
 
Содержательная    интерпретация  структуры  данных,  представленных 
компонентами     разложения     в     факторном пространстве 
В  программе  имеется  окно,  в  котором    объекты    могут    быть   
выведены   и   расположены   в соответствии со своими координатами G с 
индексами 1,2,...,m. В  окне  выводятся  объекты  в  подпространстве  двух 
любых    координат Gi,  Gj (i,j= 1,2,3,...m), отображающих  вклад  в 
характеристику  объекта  векторов Fi, Fj с  теми  же  индексами.  Векторы F  
имеют    n    -    компонент    по  числу  свойств  у  объектов  (часть      компонент   
могут      быть      нулевыми).    Векторы        G  перенумерованы    в    порядке  
убывания их длины.  Поэтому первые векторы,  связанные со слагаемыми - 
доминантами, а последние - в основном отображают ошибки наблюдений и 
вычислений.                                                   
                   
 Выявление  содержательной  стороны  факторов,  как  новых  обобщенных 
свойств в предметной области 
 
Как мы  отметили  ранее,  доминирующие  составляющие должны дать 
возможность  представить  объекты  в  новом  пространстве    меньшей  
размерности.   Таким      образом,  первые  доминирующие    факторы    -  это 
характеристики,  которые  дают  нам  обобщенные  свойства  объектов,  и 

 
127
которые    первоначально    могли  быть  не  видны    исследователю,  и    даже  
могло    не    существовать  соответствующих  понятий    для    выражения    этих 
новых обобщенных свойств. 
Для  того,   чтобы      пытаться      выявить    эти    новые    обобщенные 
свойства,  необходимо  выделить  крайние  объекты,  имеющие  вклады 
соответствующего  фактора Fk,  близкие  или  равные  максимальному  и 
минимальному maxGk и minGk,  но  одновременно  имеющие  близкие  к  
нулевым  вклады других факторов.  Тогда эти объекты будут в чистом  виде  
носителями  влияния   только   одного   фактора, расположенного вдоль k-ой 
оси. 
           Исследователь -  специалист    в    своей    предметной  области  может 
изучив основное  отличие  этих  крайних  объектов  между собой,  выявив,  в  
чем  они  противоположны,  попытаться  это отличие  выразить  в  качестве  
нового  свойства.  Для   этого, возможно, придется  ввести  новое  понятие. 
     Аналогичную операцию  по  определению  новых  комплексных свойств -   
факторов      можно      проделать    на    каждой    из    осей  разложения  матрицы 
свойств объектов. 
 
Удаление неинформативных свойств 
 
Характеристики  объектов      страдают      иногда      недостатком 
информации  при    избыточности  числа  свойств,  с  помощью  которых 
описывается  объект. 
     Если  эти  свойства    носят    качественный    характер,  то    их  наличие 
отображается    единицей,    а    отсутствие    нулем. 
Низкая  информативность        качественных      характеристик      может 
трактоваться  в  зависимости  от    целей    исследования.  Если  какое-то    
свойство: 
     - встречается   крайне   редко; 

 
128
     - статистически  равномерно  распределено  в  объектах из 
разных классов; 
     - присутствует  практически  во  всех изучаемых объектах, 
тогда это свойство неинформативно с  точки  зрения  разделения 
объектов   из   заданной   совокупности   на  значительные  по 
количественному составу классы. 
Замечание.  С    точки    зрения  выявления  уникальных  объектов  такая 
трактовка  понятия    информативности    не    подходит.  Редко  встречаемые 
свойства  для этой цели становятся информативными. 
При выявления классификационных  свойств,  редкие  события могут 
быть  полезны  только  в  случае  высокой  степени  вероятности  того,  что  они 
связаны с конкретным, интересующим исследователя кластерами. В случае 
если свойства выражены количественно, то низкая информативность какого 
либо    свойства    (для    целей    разделения  объектов      из      заданной   
совокупности      на    значительные    по  количественному    составу    классы)  
выражается   в   том,   что ненулевые значения: 
     - встречается  крайне  редко  и  не  привязаны  к  одному  классу; 
     - статистически равномерно  по  частоте  встречаемости  и      однотипно 
по  уровням  распределены  в объектах из разных    классов; 
     - присутствует практически во всех изучаемых объектах  с 
     одинаковым законом  распределения  по   всем   выделяемым 
     классам. 
При значительном    количестве    свойств   и   объектов исследования 
может  возникнуть  задача  удаления    неинформативных  свойств  из 
характеристик объектов. 
Эту задачу  лучше  решить  на  начальных  стадиях решения проблемы  
разделения    объектов    на    классы,  поскольку    обилие  неинформативных  
характеристик  делает  объекты похожими между собой.  Различия  на  этом  
фоне  теряются,  затушевываются  и разделение на кластеры затрудняется.               

 
129
     Полезно  перед  разделением  объектов  на  кластеры  провести  с  помощью 
того же алгоритма факторного анализа :  
     -  анализ  самих  свойств,  их  объединения  в  группы  подобных, 
коррелируемых  между собой свойств на всех объектах; 
     -  провести  анализ    информативности    различных    свойств    с  точки   
зрения   их   избыточности,   взаимного  перекрытия  и дополняемости для 
разбиения объектов на группы. 
     Те свойства,  которые были введены в описание объектов до начала сбора 
информации,  или  на  этапе  сбора  информации,  но  не  обнаружены  в 
достаточном  количестве  (или  с  отличной  от  фонового  уровня  амплитудой    
количественно      измеряемых      свойств)   в  изученных  объектах,  дадут 
практически нулевые столбцы исходной матрицы. 
Это  будут  хорошо  коррелируемые  между  собой  векторы - столбцы  и 
они  войдут  в один класс свойств,  поскольку расстояние между ними  будет  
малым.  Тоже  самое  можно  сказать  о  столбцах, практически  полностью  
состоящих    из    единиц    (или  близких  по  амплитуде    количественных  
характеристик).  Они  также   будут хорошо  коррелировать  между собой,  
но их наличие не позволит различать объекты между собой так,  как  если  
бы  это  были нули.               
Наша  задача    выделить    оба  этих  класса  свойств  и  удалить  их  из 
исходной матрицы.  Положительным  результатом  такой  операции будет: 
-  понижение  размерности  задачи  (легко убедиться,  что время работы 
программы  существенным  образом  зависит    от    числа  строк  и 
столбцов исходной матрицы); 
     - более четкое разделение объектов на классы в оставшимся 
подпространстве информативных   свойств. 
     Конечно, говорить   о   более   высокой    информативности оставшихся 
свойств можно лишь условно, поскольку часть свойств может быть хотя  и  

 
130
случайным    образом,  но    более    или    менее  равномерно    распределена  
между всеми объективно существующими различными классами. 
Если  таких  свойств  в  оставшемся  материале  больше,  чем  свойств, 
связанных  с конкретными группами объектов,  то их маскирующее влияние 
также  будет  заметным.  Но    и    с    этим    явлением    можно  бороться    с  
помощью  все того же программного элемента. 
В  качестве  неинформативных  свойств  могут  выступать    редко 
встречающиеся  варианты      ответов    на    вопросы    социологической  анкеты 
или  стандартно  заполняемой    формы    в    истории    болезни,  нормальная 
температура при рассмотрении болезней,  протекающих без ее изменения. 
                                                                               
Выделение кластеров в режиме диалога       
                                                                       
     Допустим с   этой   задачей  -  удаление  неинформативных признаков -  
эксперт справился.  В  этом  случае  если  объекты реально  разделяются на 
классы  по  оставшимся  свойствам,  то  мы  увидим  хотя  бы  на  одном  из 
наборов  характеристик  в  окне  “Факторный  Анализ”  как  объекты 
группируются  в  некоторые  скопления,  расстояние  внутри  которых  между 
объектами    значительно    меньше  расстояния  между  центрами  этих 
скоплений. 
Замечание:  Относительно    расстояний    внутри    скоплений    и  между 
ними  следует  говорить  с    некоторой    осторожностью,  если  взять    два  
скопления    вытянутых  в  каком  либо  направлении,  но  разделенных 
очевидным образом между собой промежутком,  то  мы все равно каждый из 
них  видим  как  отдельное  образование  только  расстояние  внутри  класса 
вдоль  направления    вытянутости    будем  измерять    в  другом  масштабе  по 
сравнению с расстоянием поперек направления вытянутости скопления. 
Мысленные  изменения      масштаба      в    принципе    может    быть 
реализовано  физически,  но  поскольку    исследователь    выполняет 

 
131
разделение   на   классы   "для  себя",  то  важно  только  его собственная 
уверенность в правильности этого разделения.                                                                 
     В качестве   инструментов   разделения   на   кластеры  в пространстве  
вкладов    программа    дает    возможность    применить  окрашивание 
сближенных объектов в один цвет. 
     Для  дальнейшей  демонстрации  технологии  работы  кластерного  анализа  
разделение  объектов  по  их  свойствам  на  классы,  число  которых      заранее   
неизвестно,   предлагается      смоделировать  ситуацию,  которая    была    бы  
прозрачной,  наглядной 
и 
понятной 
будущему 
пользователю 
классификатора Visual HCA. 
Эта  наглядность    выразится    в    такой    упорядоченности  данных  в 
матрице,  которая  в  значительной  степени  должна  быть  предметом  работы 
программы.  Эта  наглядность,  впрочем,  не  будет  замечена  программой.  
Программа  не  отслеживает  те  моменты  в  организации  данных,  которые  
основаны  на  возможностях  образного  анализа  и  параллельного  восприятия  
матрицы  данных,  любого  табличного материала человеком. 
Рассмотрим  для  примера  двенадцать    объектов    с    тридцатью 
свойствами. 
                                                                           
Конструирование модели. Идеальная часть 
 
     Допустим, объекты составляют три группы.  В первую  входят первые  
три  объекта,  во  вторую  - четыре,  в третью - пять. 
Информация  о  свойствах  представляется  единицей  при  их    наличии 
или    нулем    при    их    отсутствии.  Пусть    первые    три  объекта 
характеризуются  наличием  первых  восьми  свойств,  при    отсутствии  их    у 
других объектов. 
Вторая группа  объектов  характеризуется  наличием  свойств  с девятого по 
четырнадцатое  при  отсутствии  их  у  других  объектов,  а    третья    группа  

 
132
характеризуется наличием свойств с 15 по 20 при отсутствии  их  в  объектах  
первой  и  второй  групп  как показано в следующей таблице: 
 
Таблица 5.    
 1 
группа 2 
группа 3 
группа 
1  1  1 1  0  0 0 0 0  0 0 0 0 
2  1  1 1  0  0 0 0 0  0 0 0 0 
3  1  1 1  0  0 0 0 0  0 0 0 0 
4  1  1 1  0  0 0 0 0  0 0 0 0 
5  1  1 1  0  0 0 0 0  0 0 0 0 
6  1  1 1  0  0 0 0 0  0 0 0 0 
7  1  1 1  0  0 0 0 0  0 0 0 0 
8  1  1 1  0  0 0 0 0  0 0 0 0 
9  0  0 0  1  1 1 1 0  0 0 0 0 
10 0  0 0  1  1 1 1 0  0 0 0 0 
11 0  0 0  1  1 1 1 0  0 0 0 0 
12 0  0 0  1  1 1 1 0  0 0 0 0 
13 0  0 0  1  1 1 1 0  0 0 0 0 
14 0  0 0  1  1 1 1 0  0 0 0 0 
15 0  0 0  0  0 0 0 1  1 1 1 1 
16 0  0 0  0  0 0 0 1  1 1 1 1 
17 0  0 0  0  0 0 0 1  1 1 1 1 
18 0  0 0  0  0 0 0 1  1 1 1 1 
19 0  0 0  0  0 0 0 1  1 1 1 1 
20 0  0 0  0  0 0 0 1  1 1 1 1 
 

 
133
     Здесь  мы  намеренно  сохранили  порядок  следования  свойств  и  объектов 
(столбцов и строк),  более  удобный  для  визуального анализа. На практике 
порядок  следования  объектов  и  свойств будет выглядеть произвольным. 
Если бы  мы  имели только 20 свойств распределенных таким образом  
между  12-ю    объектами,  то    каждая    группа    объектов  однозначно        бы   
характеризовалась      своими      свойствами,  и  существовали  бы  простые 
правила разделения объектов на  группы или  классы. 
Более  того,  если    бы    у    каждого    объекта    в    группе    были  бы 
зафиксированы только некоторые из свойств,  характерных только для  этой 
группы,  то правила разделения на классы практически не усложнились бы.               
                                                                              
Введение   в   модель   случайных   усложняющих составляющих 
     Для  того,  чтобы    приблизиться    к    реальной  практике,  мы  должны  бы  
были    в    первую    очередь    добавить    в    нашу    модель  характеристики  
объектов,  встречающиеся    в    различных  группах.  Пусть,  например, 
свойства 21,22,23 распределены  статистически  равномерно  (в  нашем 
примере  просто  равномерно)  между  объектами  каждой  из  трех  групп,  как 
показано в следующей таблице. 
 
Таблица 6.    
21  1  0 1 0 1 0 1 0 1 0 1 0 
22  0  1 0 1 0 1 0 1 0 1 0 1 
23  1  0 1 0 1 0 1 0 1 0 1 0 
                                                                               
     По этим признакам объекты разделятся  на  другие  группы: все нечетные 
попадут  в  одну  группу  со  свойствами 21 и 23,  все  четные - в  другую  со 
свойством 22.  Ясно,  что  добавление  трех  этих      свойств      к    исходной  
таблице    "объекты-свойства"  уже  затрудняет    разбиение    объектов    на  
описанные  три  идеальные группы. 

 
134
     Альтернативной  к          предложенной          модели          является  
нижеприведенная  таблица,  в  которой  единицы  и  нули  распределены  в 
свойстве 23 в том же количестве по каждой из  групп,  что  и для  свойства  
21,  однако объекты ( только по этим свойствам) делятся на большее  число  
групп:  1-я:(1,5,9),  2-я:(2,6,10), 3-я:(3,7,11), 4-я:(4,8,12). 
 
                               Таблица 7.  
21  1  0 1 0 1 0 1 0 1 0 1 0 
22  0  1 0 1 0 1 0 1 0 1 0 1 
23  1  1 0 0 1 1 0 0 1 0 1 0 
                            
                                                                              
    На практике все еще сложнее. А именно,  обычно  существуют  признаки,  
характерные для части групп объектов,  а также признаки не характерные ни  
для одной из групп или характерные для всех объектов в выборке. 
 
Таблица 8.   
23  1  1 0 0 1 1 0 0 1 1 0 0 
                                  
                              
Введение   в   модель   регулярных  усложняющих составляющих                                   
 
     Добавим  в    модель    признаки,  характерные  для  части  групп  объектов  
(например,  для    любых    двух    групп      из      трех)   и  нехарактерные  для 
остальных групп.  Например, наличие признака указывается для всех групп 
объектов,  кроме  одной,  и  мы    получаем  наборы  признаков,  аналогичные  
тем,  которые  представлены  в следующей таблице: 
                                   
 

 
135
Таблица 9.  
24  1  1 1 1 1 1 1 0 0 0 0 0 
25  1  1 1 0 0 0 0 1 1 1 1 1 
26  0  0 0 0 1 1 1 1 1 1 1 1 
 
     В первом случае отсутствие признака можно было бы назвать отдельным  
признаком,  и  тогда  единицы  и   нули   в   строке характеризующей   все  
объекты  поменялись  бы  местами,  и  мы получили   бы   характеристику   
аналогичную   той,    которая соответствует первым десяти признакам. 
     Последняя группа признаков, которую следует упомянуть, это признаки,   
полностью   отсутствующие  во  всех  трех  группах объектов, и признаки, 
присутствующие  во  всех  трех  группах.  Для  большего  соответствия  
практике здесь было бы уместно говорить не о полном,  а о  почти  полном  
отсутствии  или  присутствии свойств.  
 
Таблица 10.  
27  0  0 0 0 0 0 0 0 0 0 0 0 
28  0  0 0 0 0 0 0 0 0 0 0 0 
29  1  1 1 1 1 1 1 1 1 1 1 1 
30  1  1 1 1 1 1 1 1 1 1 1 1 
                                                                               
     Конечно, если    соответствующие    признаки    полностью отсутствуют  
только    в    указанных    трех    группах,  а    в  других  возможных  группах 
объектов они есть,  то эти признаки являются классификационными для всех 
трех группах описываемых групп. 
Но  как    только    мы    ограничиваемся    указанными    тремя  группами 
объектов,  свойства  присутствующие  во  всех    этих    группах    или  свойства   
отсутствующие    во    всех    группах    перестают    носить  классификационный 
характер.                                                    

 
136
                                             
Роль  различных  групп свойств в синтезированной модели исходного               
материала 
 
      Фактически  задача    эксперта,   который      хочет      выявить  неизвестные 
ему,  (но  известные  нам - авторам  и  читателям,  на  чьих  глазах 
синтезировался  модельный  материал,)  указанные    три  группы      объектов,   
включает    в    себя    отыскание    и    удаление  неинформативных  признаков  и 
выявление классов по информативным признакам. 
Мы могли бы считать,  что признаки с 21 по 23, указанные в таблице 
3,  также претендуют на информационную значимость. В отсутствии первых 
20 признаков они позволяют  разбить  объекты на 4 группы:  (1,5,9), (2,6,10), 
(3,7,11) и (4,8,12) .  
Однако,  в  нашем  случае  число  признаков,  объединяющих  объекты  в 
три    группы,  указанные    в  таблице 1,  должны  пересилить  своей 
массовостью    (для    математиков      надо      сказать:   "пересилить 
энергетически")  и  мы  увидим  эти  три  группы,  разделение  которых  будет 
просто  слегка  осложнено  признаками  с  двадцать  первого  по  двадцать  
третий.  Остальные  признаки  с  двадцать  четвертого  по  тридцатый  также 
будут усложнять картину. 
Однако, 24, 25 и 26 признаки  могут  быть 
информационно  значимы,  поскольку    нули    этих    свойств  будут 
коррелировать  с  единицами  первых  двадцати    свойств.  А    признаки    типа  
27-30,  особенно встреченное в большем количестве,  чем в данной таблице, 
могут  массовостью ("энергетически")  подавить    остальные    признаки    и 
сделать    объекты    неразличимыми    между    собой    с    точки  зрения 
принадлежности различным классам (группам). 
                               
 
                                              

 
137
Выводы и рекомендации 
 
     Таким образом,    задача    эксперта    при    работе   с классификатором 
отличается  от  задачи  первичного  накопления материалов.                                          
Если  на первом этапе эксперт обязан привлечь для анализа объектов 
как  можно  больше  свойств,  а  практически  взять  все,  что    доступно  для 
анализа,  то  на  этапе  классификации  он  должен  решить  задачу  выделения 
тех  признаков,  которые  помогают  разделить  объекты  по  групповым 
свойствам  и  удалить  те,  которые  затрудняют    решение      задач   
классификации,   делая   объекты неразличимыми   между   собой. 
Признаки,  которые      приходится      удалить      для      разграничения 
объектов    по    классам,  могут    оказаться    важными      в      случае 
присоединения    новой    совокупности    объектов.   Но   без присоединения 
новой  совокупности    объектов    и    после    удаления  неинформативных  на 
данной  выборке  признаков,  мы,  фактически,  получаем  возможность 
изучать тонкую структуру исходной выборки объектов. 
Присоединение  новой  совокупности  может  заставить  нас  сохранить 
прежде выбрасываемые  свойства,  и  тонкая  структура  исходной группы 
может быть утрачена.                                                                               
Назовем  файл  с  синтезированными  данными  этими  данными  
model005.txt.  (По  крайней  мере,  в  дальнейших  иллюстрациях  его  можно 
распознать под этим именем.) 
     Рекомендуем  для  лучшего  осмысления  дальнейшего  создать  на  своем 
компьютере    такой    же  файл  и  проделать  вместе  с  нами  все  дальнейшие 
действия над ним. 
 
 
                           
                                                     

 
138
2. Иллюстрации    возможностей    программы на 
сформированных модельных данных 
                                                                               
     Не  отвлекаясь    на    технику    манипулирования    с  данными  на  экране, 
рассмотрим  только    методические    приемы    и    результаты  применения  
классификатора  в задачах с известным для нас ответом. 
                                                                               
     1.  Далее  описание  ведется  так,  как  если  бы  мы  составляли  отчет  по 
результатам  компьютерного  анализа  данных:  описываются  особенности, 
наблюдаемые  на  копии  экрана,  полученной  с  помощью  функциональной 
клавиши  Print  Screen  и    графических    средств Windows.  Затем  по 
результатам  анализа  экрана,  или  совместного  анализа  нескольких  экранов 
делаются выводы. 
     2. В факторном пространстве обычно все  факторы,  начиная со   второго,   
имеют  близкие  значения  в  точке  минимума  и максимума, отличающиеся 
между  собой  знаком,  поэтому  координаты  в  факторном    пространстве,  
рассматриваемые  на    базе    от    0    до    1  следует  воспринимать  как 
относительные.  Точная  градуировка  шкалы  по    каждому    из    факторов  
выясняется только  в  окне  текущего вектора,  где указаны максимальное и 
минимальное значения Gk.        
                                                                      
Демонстрация  приемов  работы. Выделение эталонных     объектов     
и/или     эталонных распределений свойств 
 
    Выше  для   выявления   содержательного описания  факторов  как  новых 
обобщенных  свойств  в  предметной  области    пользователя      программного   
продукта      предлагалось  выделить  объекты,  имеющие  вклады 
соответствующего фактора Fk, близкие или равные максимальному вкладу и 



 
139
минимальному maxGk и minGk, но    одновременно    имеющие    близкие    к  
нулевому  вклады  других факторов. 
Тогда  эти  объекты  должны  быть  носителями  влияния  только  одного 
фактора,  расположенного  вдоль k-ой  оси.  Назовем  эти    объекты 
эталонными.  Они    не    должны    быть    (а    в  случае  использования 
номинальных  шкал  и  не  могут  быть)  точной  копией  фактора Fk. Но  они 
должны в рафинированном виде отражать основные черты этого фактора.                  
Кластеризация объектов в иллюстрациях 
На рисунке 28 представлены перемешанные данные. 
 
Рис. 28.  Исходные данные 
На рисунке 29 показаны кластеры, выделенные автоматически в окне 
“Граф”. 
 
Рис. 29. Кластеры на графе 
На рисунке 30 показаны кластеры в факторном пространстве 2 и 3 факторов. 




 
140
 
Рис. 30. Кластеры факторном пространстве 
На рисунке 31 показаны графики факторов. 
2-й фактор  вверху красный с ним антикоррелирует зеленый объект. 
3-й фактор внизу красный с ним коррелирует красный объект. 
 
Рис. 31. Графики факторов 
На рисунке 32 показана матрица данных после пересортировки объектов по 
цвету. 
 
Рис. 32. Данные после пересортировки только объектов 



 
141
На рисунке 33 показана матрица данных после проведения кластеризации 
 
Рис. 33. Данные после пересортировки атрибутов и объектов 
 
атрибутов и пересортировки их по цвету. 
Замечания  о  роли  первой доминанты в кластерном анализе 
На    примере  модельных  данных   проиллюстрирован   тот   факт,   
что        первая        доминирующая  составляющая    на    ненормированных  
данных,  не  меняющих  знака, (только  положительных,  или  только 
отрицательных)  чаще    всего  отражает    характеристику    суммы  амплитуд 
значений  всех  свойств  для  каждого  из  объектов  или  сумму    значений  
каждого  свойства для всех объектов. 
На рисунке 46 показан график 1-го фактора. Фактор принимает только 
положительные значения. 
 
Рис. 34. График 1-го фактора 
 
     До  сих    пор    мы    рассматривали    модель    исходных  данных,  в  которых 
наличие свойства фиксировалось единицей,  а отсутствие -  нулем.  Можно  

 
142
показать,  что    в    ряде  случаев  существенный  эффект  для  работы 
классификатора дает  сдвиг  всех  данных  на постоянную  составляющую.  
Например,  если  мы  все  единицы в таблице кодов признаков  заменим  на  
девятки,  а    нули    -    на  восьмерки,  то    мы    получим    новую 
последовательность  векторов  свойств  и  векторов  коэффициентов - вкладов 
комбинаций  свойств в последовательность характеризуемых ими объектов. 
     В  ситуации    с    количественными    характеристиками    свойств  эффект,  
связанный    с  введением  в  каждое  из  численных  значений  свойств 
аддитивной  постоянной  составляющей  может    представлять  еще  больший 
интерес. Если, например, мы вычтем из всей матрицы "объекты - свойства" 
среднее значение, то тем самым мы повысим частоту  перехода  через  нуль  
по  всем  собственным векторам исходной матрицы. 
Не математики могут пропустить это замечание,  но для эксперта, не  
знакомого  с  математическим  алгоритмом  программы,  заметим,  что  эта 
операция  увеличивает  число  главных  компонент,  а  значит  увеличивает    и  
число  вариантов подпространств,  в которых вклады  различных  факторов  
будут иметь все еще значительный вес. 
    
Различия (особенности) работы с  качественными  и 
количественными признаками 
 
     В случае,   если   свойства   объектов   описываются   на количественном 
уровне  (не  наличие  или  отсутствие    свойства,  а  интенсивность    этого  
свойства  для  данного  объекта) (например,  количество  жалоб  по  данной  
тематике    в    данном    муниципальном  округе),  то    с    этими  
количественными характеристиками нужно работать двумя способами. 
 
 
 

 
143
Первый способ - переход к слабым шкалам 
                                                                               
     Если данные   содержат   как   количественные,   так    и качественные 
характеристики,  и  мы  вынуждены  их  анализировать  их  одновременно,  то   
целесообразно      перевести      количественную  характеристику    в    ряд  
характеристик    -    классов,  каждый    из  которых  отвечает  определенной 
степени интенсивности описанного количественного свойства. 
В  этом    случае    эксперт  до  применения  программы  классификатора 
сам    должен    выделить    критические      значения      количественной 
характеристики,  переход  за  которой  в  ту  или  иную сторону позволяет 
отнести эту характеристику к тому или иному  разряду интенсивности этого 
свойства. 
    Приведем пример. 
     Пусть в   качестве   признака    выступает    температура человеческого 
тела.  Если  мы  измеряем  ее  по  шкале  Цельсия,  то 36.6  с    точки    зрения  
врача    это    норма    или    нуль,  37.4  - повышенная,  а 42.2 это  слишком 
высокая. 
Такого  рода    признаки    позволяют      установить      количественные 
соотношения    между    объектами.  Говорят,  что    они    измерены  в 
количественных шкалах.  В частности,  температура  по  Цельсию измерена  
в    интервальной    шкале.  Ее  можно  перевести  в  другую  интервальную 
шкалу,  например,  в  шкалу  Фаренгейта  линейным преобразованием: 
Однако, если  для   врача   интересен   только   диапазон температур  от  
35C  до  42C,  то    для    анатома    этот  диапазон  оказывается  укороченным 
снизу. Для врача, в принципе 36.7 мало  чем  отличается от 36.5 или 38.2 от 
38.4.  Его представления о температуре без потери информативности можно 
представить в так называемых  слабых  шкалах.   
 

 
144
Ему    можно    было  бы  использовать,  например,  шкалу,  называемую 
порядковой и состоящей  из  семи классов: 
          
1.  очень низкая температура - ниже 35.4; 
2. 2 низкая          -           35.4 - 35.9; 
3. 3 пониженная      -           36.0 - 36.4; 
4. 4 нормальная        -         36.5 - 36.9; 
5. 5 повышенная        -         37.0 - 37.9; 
6. 6 высокая          -          38.0 - 39.0; 
7. 7 очень высокая      -        выше 39. 
          
     Границы  классов    здесь  введены  субъективно  и  определяются  целями 
анализа,  проводимого  экспертами.                                                                              
     Порядковую  шкалу  можно  перевести  в  признаки,  описываемые  в  
номинальных    шкалах,  в    которых    каждая  позиция  порядковой  шкалы 
заменяется  одним  признаком,  который  представляется  своей  номинальной 
шкалой. 
     Однако,  теперь  мы  вместо    одного    свойства    описанного    в  "сильной"  
интервальной шкале,  имеем как бы семь свойств,  из которых только одно 
из  свойств  отличается  от  нуля  для    данного  объекта.  Например,  для  
пациента  с  нормальной  температурой  в  номинальной      шкале      мы   
обозначаем   этот   факт   вектором 0,0,0,1,0,0,0. 
Аналогичная  ситуация  возникает    при    анализе    результатов 
анкетирования,  где  вместо  номера  ответа  на  данный вопрос приходится 
вводить    нули    столько    раз,  сколько    предлагалось  ответов    на    выбор    и  
только    один  из  нулей,  соответствующий  номеру  выбранного  ответа, 
заменить единицей. 
                                                                               
 

 
145
Второй способ – классический 
 
     Если  все      характеристики      свойств      количественные,  то  переход  к 
слабым  шкалам    не    требуется.  Он    может    быть    даже  нежелателен.  
Например,  переход  к  номинальной  шкале  порождает  увеличение 
размерности задачи. 
Необходимо  только      внимательно      рассмотреть  количественные 
характеристики свойств с точки зрения   сопоставимости   их  между  собой  
разных    свойств    (атрибутов).  Ясно,  что    для    сравнения    между    собой   
разных  признаков    количественные    характеристики    по    всем    свойствам 
должны  стать  одной  размерности  (например,  безразмерные)  и/или 
нормированы  одним    и    тем    же    способом,  например,  так  чтобы  вектор 
свойств на всех объектах по модулю был равен единице. 
Если  диапазон  изменения  признаков  неизвестен  заранее,  то 
нормирование следует  выполнить,  например,  делением  каждого значения  
признака    на    его    норму.  Нормой  может  быть – длина  вектора  данного 
свойства  для  всех  объектов  выборки:  квадратный  корень    из  суммы 
квадратов  значений  признака  для  всех  объектов  или    сумма    абсолютных  
величин  значений  признака  для  всех объектов. 
     Но этого  может  быть  мало.   Вернемся   к   примеру   с температурой 
человеческого  тела.  Для  сопоставления  ее  с  другим  свойством,  например  с 
количеством  сахара  в  крови  лучше  выбрать  новую    точку    отсчета    для  
каждого  из  свойств  и  новую  единицу  шкалы  отсчета.  Это  можно  сделать  
так,  чтобы  минимальное  и максимальное  возможные значения оказались в 
пределах  от -1 до +1 или  от 0 до 1.  Если  это  сделать  только  для  данной  
выборки объектов,  то  при  увеличении  объема  выборки новые значения 
могут уйти за пределы (-1,+1). 
     Если  диапазон        изменения        признаков        известен      для  генеральной 
совокупности,  например,  для  всех  людей,  или  для  всех    людей    данного 

 
146
возраста,  если  людей  другого  возрастного  диапазона  исследователь 
рассматривать  не    будет    никогда,  то  трудностей  с  нормированием 
возникнуть не должно.                                                                               
     Лениться и отказываться от нормирования  не  стоит. 
 
Замечания   относительно   нормирования   исходных данных                                       
 
     Мы  уже  говорили  о  том,  что  первая  компонента    факторного  анализа  
фактически  может  отражать распределения объектов по величине  суммы  
вкладов    всех      факторов      в      характеристику  объектов.  В    случае  
количественных    характеристик    это  может  исказить  группирование 
объектов кластера.  
Когда  мы    говорим  о  нормировании  количественных  характеристик, 
это    не    означает    в    обязательном    порядке      деление      каждой 
характеристики   на  норму,  которая  вычисляется  как  корень квадратный 
из суммы квадратов характеристик всех  объектов  по данному признаку. 
Нормирование  может      заключаться,   прежде      всего,   в    делении 
характеристики      на      другую      количественную      характеристику  объекта.  
Например,  некоторые    количественные    фенотипические  показатели  
индивидов    существенно    зависят    от    их    возраста,  особенно,   в    первые  
дни,  месяцы  и  годы  после  рождения.  
Избавиться    от    этой    зависимости    необходимо    для      сравнения 
разновозрастных      индивидов      (особей).   Это    можно    сделать,  нормируя 
показатель,  связанный  с  возрастом,  например,  путем  деления  его  на  вес,  
или  рост,  или  на  другой,  более  уместный  с  точки    зрения    пользователя  
программного  продукта,   весовой коэффициент. 
     Если имеется      какое-либо     свойство,     выраженное количественно, и 
зависящее  от  других  количественных  параметров  этого  же  объекта,  или 
среды,  окружающей  объект,  а  нам  нужно  сопоставить  объекты      по   

 
147
относительному      проявлению      этого  свойства,  то    без    нормирования  
абсолютные    показатели    будут  маскировать  различия,  являющиеся 
предметом анализа. 
 
Работа с цветом для выделения кластеров разных функциональных окнах 
 
     Получив окрашенные  кластеры в одной паре координат G(i), G(j), можно 
проследить  перегруппировку  кластеров  перемешивание  объектов    разного  
цвета    в    других    системах  координат.  Если  разделение    объектов    на  
кластеры      сохраняется,  цвета      не  перемешиваются,   то      мы      имеем  
устойчивую  характеристику объектов, устойчивое их разделение на группы 
каждая из которых обладает  свойствами,  отличными  от  свойств  объектов 
других групп. 
Однако,  как    правило,  природа    не    дает    исследователю      такого 
подарка.   В   этом   случае  необходимо  проследить,  нет  ли устойчивого 
разделения  на  классы  в  окне  “Граф”,  если  классы  эти    получены  в  окне 
“Факторный Анализ” и наоборот,  нет ли такой пары координат - факторов,  
в которых классы, выделенные на  дендрите,  сохраняются  в пространстве 
факторов. 
Если это  обнаружилось  хотя  бы  в одном окне,  то такой факт весьма 
ценен  поскольку  мы    имеем    выделение    одних    и    тех    же  кластеров    в  
алгоритмах    разной  природы.  Нормальной  является  ситуация,  когда  
кластеры,  выделенные  в  окне  “Граф”,  и кластеры,   выделенные   в   окне  
“Факторный  Анализ”  не  совпадают,  а  дополняют  друг  друга  по 
характеристикам,  обращают  внимание    исследователя  на  особенности 
группирования объектов. 
В    окне    “Граф”  мы    имеем    как    бы    обобщенное,   свернутое 
расстояние  между  объектами  в  пространстве  признаков,  а  в  окне 
“Факторный  Анализ”  нам    предъявляется    взаиморасположение  объектов   

 
148
только      в      подпространстве      хотя    и    максимально  сгруппированных,  но 
частных наборов признаков. 
 
Написание      отчета      по      анализу      материала    из  двумерной  матрицы, 
снятие информации из окон                                                                               
 
     Кроме  оперативного  анализа,  пользователю  полезно    бывает  обдумать 
результаты    работы  программы  за  письменным  столом  или  сидя  перед 
экраном дисплея, но не в процессе работы программы, а после  накопления  
результатов  ее  работы  в  виде экранных файлов, сохраненных  одним  из  
способов,  доступных  в  среде Windows. 
Для  этого    полезно    иметь    либо    набор    файлов    с  сохраненными 
экранами,  на    которых    видны    окна    пользователя.  Окна    можно 
расположить  удобным  для  совместного  анализа  образом.  Наиболее 
удачные,  продуктивные  для  анализа  взаимные    расположения    окон 
продемонстрированы на примерах, рассеянных по тексту. 
     Часть  окон    полезно  иметь  в  распечатанном  виде.  Описание  их 
содержимого  полезно  для  осознания    самому    исследователю    - 
пользователю  программным        продуктом.   Распечатки      являются 
свидетельствами объективности   последующих   утверждений    и выводов 
по анализируемому материалу. 
     По результатам  работы программы полезно составить журнал работы и  
отчет.  В    журнале    должны    быть    отображена      такая  информация,  как   
список      признаков      и      список    объектов    с  порядковыми  номерами  их  в 
файлах    исходных    данных.  В    случае  изменения  порядка  следования 
признаков  и  ли  объектов,  а  также  в  случае    сокращения    или    добавления  
их,  порядковые  номера полезно иметь под рукой, а не надеяться на свою 
память. 

 
149
     Изменение  порядка      следования      признаков      или    свойств  помогает   
образному      анализу      данных      в        различных  окнах.  С  точки  зрения 
упорядочивания  по    свойствам    обычный    алфавитный  порядок  свойств  в 
матрице данных является самым случайным.                                                                    
     Отчет полезен  как  первичный  документ  для  дальнейшей подготовки 
материалов к публикации и демонстрации. 
В отчете    рекомендуется   дать   формальное   описание содержимого 
каждого  из  окон,  сохраненных  в  виде  экранных файлов или распечаток с 
выделением интересных  для  предметной области особенностями. 
     Однако  ресурс    Вашего    компьютера    не    безграничен.   При  большом 
числе    файлов    одновременно    находящихся    в    обработке  увеличивается 
время    ожидания    и    затрудняется    ориентация      в  большом  числе    окон  
пользователя.  Поэтому    полезно    наиболее  ценные  результаты  сохранить 
для    совместного    анализа    данных,  полученных  разновременно,  за 
несколько сеансов работы. 
 
Подготовка исходного материала в соответствии  с целью  исследования  и 
для улучшения его образного визуального анализа.   
Первичное  формирование   набора   свойств   и объектов для 
одновременного их анализа. 
                                                                               
     Мы уже  говорили о выборе свойств для описания объектов выше.  Пусть  
шкалирование   данных   произведено. Появилась некая  исходная  выборка.  
Когда  можно приступать к обработке?                                                                              
     Требования к   репрезентативности   исходного   материала минимальны.   
Лишь      бы      исследователь      сам      считал,    что  целесообразно    начать  
анализ.  Допустимо проведение анализа с такой постановкой задачи:  нет ли 
в материале данных,  имеющих тенденцию к группированию.                                       

 
150
Мы  даже    рекомендуем    чаще    проверять    накапливаемые    данные  с 
помощью  системы,  когда  у  исследователя  еще  не  сложилось    четкое 
представление    о    характере    накапливаемого   материала.                                        
Результатом    может    быть    подсказка    о    возможных    тенденциях, 
намечающихся  по  мере  накопления  данных,  о  моделях  исследуемых 
объектов и о гипотетических взаимоотношениях  и  связях  между группами 
свойств и/или группами объектов.                                                                              
     Пользователь может  ставить  задачу  в   форме   проверки гипотезы   о  
принадлежности    конкретных    объектов    конкретным  кластерам.  Сама  
гипотеза,  выдвинутая  им,  выражена  в  его эвристических действиях.  Он 
может  придать  гипотезе  вид  свойства  объекта.  Это  свойство - 
гипотетическая  принадлежность  конкретному  кластеру.  Чаще  всего  это   
принадлежность      конкретному    классу    объектов,  имеющих  собственное 
имя в науке, культуре или в быту. 
     Например,  принадлежность    индивида  (person)  конкретному  генотипу,   
конкретному        кариотипу,    или        принадлежность  какого-либо  
фенотипического  свойства  конкретному  синдрому и т.п. 
     Это свойство - гипотеза  о  принадлежности  классу  может быть спрятана  
пользователем    от      программы,   исключена      из  вводимого  в    ЭВМ  
материала.  Она  может использоваться им как дополнительная информация,  
которую он использует, привлекает и активизирует   вне   массива  данных,  
запускаемых  в  анализ. 
Например,  он  может    окно    Map    использовать    для    присвоения 
координат,  группирующих      данные      в      гипотетические      классы 
пользователя, и устроить,  таким образом, проверку гипотезы по остальному 
материалу. 
Лучше, конечно,  если целью не является проверка  свойств системы Visual 
HCA, включить всю известную информацию в исходный материал. 

 
151
Если  Вы  не  удовлетворены результатом    первого    применения Visual 
HCA,   внимательно  познакомьтесь  с нижеследующими рекомендациями. 
 
Не дифференцируемость данных                                                                             
 
     Допустим,  что,  с  одной  стороны,  пользователь  знает,  что  в  материал,   
запущенный  им  на  обработку,  включены  объекты, которые он сам может 
выделить  из  массы  других  на  эвристическом  уровне,  как  объекты  с 
аномальными  особенностями.  Но,  с  другой  стороны,  допустим,  что  он  не 
может  сформулировать  в    терминологии    свойств    и    признаков,  
представленных  им  в матрице данных, в чем выражаются эти аномальные 
особенности, а Visual HCA, либо не выделяет эти  объекты,  либо делает это 
не слишком ярко.                                                                             
      Не  отчаивайтесь.  Во-первых,  проверьте,  нельзя  ли  все-таки  Вашу 
эвристику оформить в виде  свойства.  
      Во-вторых,  если      это    всего    один    объект,  а    свойство  выражается  в 
одной номинальной шкале в виде единицы или  нуля, то  оно действительно 
может  оказаться  незамеченным Visual HCA,  который    отслеживает      в   
первую      очередь  статистически  значимые  группировки или  отклонения  от 
них. 
Выделите в  таблице  данных  все  строки  и  столбцы,  на пересечении 
которых стоят элементы матрицы,  ответственные, по Вашему мнению,  за 
идентификацию интересующего вас объекта или свойства  и  действительно 
имеющие  отличные  "на  статистическом  уровне  строгости"  от  других 
объектов и/или свойств значения  в своих строках и столбцах. 
Если  выделенное  множество  составляет  долю    элементов    матрицы, 
меньшую сотой части,  то максимум на что можно надеяться,  это выделение 
особенности  в  факторах  с  большими  номерами  и  в    виде  висячих  вершин 
графа на дендрите. 

 
152
Редкие,  отличающиеся      аномальными      свойствами      объекты 
выделяются на  дендрите,  как  правило, висячими вершинами с длинными, 
ребрами  (дугами).  При  первых  же  устранениях  наиболее  длинных  дуг 
(движок  на  цветовой  шкале  в  окне  “Граф”)  эти  вершины  становятся 
изолированными. 
     Если объекты  в  окне  “Факторный Анализ” равномерно распределены в 
подпространствах  доминирующих  факторов    (кроме,  быть  может,  первого 
фактора),  а  дендрита  имеет  вид  сильно  ветвящегося  дерева  изометричной  
формы,  то    это    значит,  что  отобранные    Вами    объекты    и    выбранный  
набор    свойств  для  их  описания  дали  Вам  слабо  дифференцируемую 
совокупность.                                                                                
     При этом  факторы  с большими номерами i,j могут выделять по одному - 
два  объекта,  резко  отделяющихся  в  подпространстве Gi,Gj от    остальных.  
Иногда  различие  столь  резко,  что все объекты лежат в разных половинах 
(верхней  и    нижней,  левой    и  правой)  рабочей  площади  окна  “Факторный 
Анализ”. 
                                                                               
     Причиной может быть: 
     -  отсутствие  реальных  значимых  различий  объектов  в  данном 
пространстве  свойств;  в  этом  случае,  если  различия  желательно  выявить, 
ищите  дополнительные    свойства,  не    включенные    ранее  в  описание 
объектов;                                                                               
     -  недостаточное      количество      объектов      с      подлежащими  выявлению 
особенностями;  в  этом случае необходимо либо (хотя бы временно)  резко  
уменьшить    в    выборке      число      объектов,  заведомо  не  имеющих 
особенностей,  интересующих исследователя, либо  искать  и  наращивать  в  
выборке   число   объектов   с замеченными аномальными особенностями. 
 
 

 
153
Ураганные отклонения в данных 
                                                                               
     В  ряде    случаев    возникает    ситуация,  кода    доминирующие  факторы  с 
малыми  номерами i,j могут  выделять  по  одному    -    два  объекта,   резко   
отделяющихся  в  подпространстве  Gi,Gj  от остальных. 
Иногда  различие    столь    резко,  что  все  объекты  лежат  в  разных 
половинах  (верхней  и  нижней,  левой  и  правой)  рабочей    площади  окна 
“Факторный Анализ”.  Можно сказать,  что в этом случае Вам все ясно.  Это 
объекты    с    ураганным    отклонением    свойств  (даже    часто    одного    из  
количественно  задаваемых  свойств)  от  всех      остальных.   Эти      объекты   
заставляют      другие      быть  неразличимыми    между    собой    по    данному  
свойству  или набору свойств. 
Если  Вам      необходимо      изучить      более        тонкую        структуру 
взаиморасположения нерасчлененной части объектов, то обращения к опции 
Zoom в окне  “Факторный Анализ” может  оказаться недостаточно. 
Без  ущерба      для    дальнейшего    анализа    объекты    с    ураганными 
значениями  свойств ("самородки",  "вундеркинды",  "UFO") могут  быть 
удалены из матрицы данных.  В качестве альтернативы могут быть удалены 
не  объекты,  а  свойства,  резко  выделяющие  объект  из  остальных,  но  не 
работающие для решения других задач. 
     Заметим, что  ураганные отклонения в главных доминирующих факторах 
проявятся,  только  когда  они   представляют   собой:  
     -  количественную      характеристику    на    порядок    и    больше 
отличающуюся у одного - двух объектов от остальных;                                                  
     - значительный    по   численности   набор   качественных характеристик, 
выраженных  в  номинальных    шкалах    у    одного    из  объектов  отличным  
образом  от  остальных объектов. 
При  малой    численности      отличий      соответствующие      ураганные 
отклонения  переместятся  в  факторные  подпространства  с  большими 

 
154
номерами (с "энергетически слабыми" факторами)  и  мы  получим случай,  
описанный  в  разделе  “Не дифференцируемость данных”.  
 
Подмешивание  отдельных  объектов  или  кластеров  с  известными  
свойствами                                                                              
 
     Для наглядности  изложения  в  примерах  и иллюстрациях, приведенных 
в  нашем  описании  системы Visual HCA, даны  либо    задачи    с    известным  
для  читателя  ответом,  (если  мы синтезировали,    смоделировали    некий    
материал),        либо  практические      материалы      вместе      с    гипотезой    о  
характере группирования, отраженной  в  упорядоченности  объектов  и/или 
свойств, и проверяемой у него на  глазах. 
     Если  сведений  или  гипотез    об    упорядоченности    нет,  или 
выдерживается  принцип    упорядочивания    по    времени  поступления 
объектов в распоряжение исследователя, а это - поток случайных событий, 
то   данные   целесообразно   перегруппировать  после первого обращения  к  
системе Visual HCA.                                                                              
Перегруппировка  способствует      большей      наглядности    образов, 
возникающих в различных окнах. 
Об      этом      подробнее      сказано      в      параграфе упорядочение  
свойств и объектов в исходной матрице по результатам кластеризации или в  
соответствии    с    априорной  гипотезой  о  кластерах  свойств  и  кластерах 
объектов.                                                                               
     Достижению  большей    наглядности    материала    во  всех  окнах  может 
способствовать  встраивание  в    исходную    матрицу    данных,  опирающихся 
на  какую  либо априорную информацию пользователя.  
Эта  информация  может  быть  получена,  в  том    числе,  в    результате 
предшествующего анализа данных системой Visual HCA                                          

 
155
     Предлагаемый  прием      напоминает      работу      с        "мечеными  атомами".  
Если  надо  выловить  небольшое множество из нового материала, то можно  
подмешать    в    данные    известный    кластер,  который    является    в  
соответствии  с  гипотезой кандидатом на увеличение числа членов  за  счет  
присоединения  новых малочисленных объектов.                             
     Этот известный  кластер   должен   быть   многочисленным. Например, 
признаки,  которые  четко  могут  быть  использованы  для  идентификации 
принадлежности    объекта    к      интересующему      нас  кластеру,  должны 
составлять  долю,  не  меньшую,  чем  сотая  доля  всех  элементов  исходных 
данных,  поступающих на анализ. Этот эффект можно получить,  подмешав 
один  объект  в  нескольких  экземплярах,  или  размножить  все  объекты  из 
малочисленных,  но интересных кластеров. 
Можно  подмешать      только      один      "меченый    атом".  Этого 
достаточно, если целью его  внедрения  является  идентификация общности 
новых и известных  кластеров.  Тогда  меченый  объект надо  будет  искать  
в  организовавшихся  кластерах,  и  определять  степень  включенности  его  в 
один  из  новых  кластеров.  Но  сам  он  не    будет    влиять    на    процесс  
кластеризации как организующее начало. 
Если  необходимо  изучить    связи    некоторого    свойства    или  объекта  с 
другими,  то  для    этих    целей    нужно    не    только    не  сокращать 
коррелирующие  между  собой  свойства,  а  усиливать  их,  например,   
дублированием.   Это   действие   выглядит   прямо противоположным  тому,  
за которое мы агитировали для борьбы с проклятием большой размерности 
задачи.  
Подчеркиваем,  что      мы      призывали    исключать    неинформативные 
свойства,   зашумляющие      полезную      информацию.   Здесь        мы 
рекомендуем    вводить    данные,  помогающие    выявить  слабые,  но 
интересные пользователю скрытые свойства и связи. 
                                                                               

 
156
Упорядочение  свойств  и  объектов   в   исходной матрице  по  
результатам  кластеризации  или  в соответствии с априорной гипотезой о 
кластерах свойств и кластерах объектов 
 
Мы  уже  отмечали,  что  наглядность  материалов  в    различных  окнах, 
кроме  двух  (наиболее  важных  по  нашему  мнению): “Граф”  и  “Факторный 
Анализ”,  определяется  способом  организации данных в исходной матрице.     
В  общем    случае,  если  данные  не  структурированы  на  этапе 
препроцессинга,  то  информация  в  некоторых    окнах    трудна    для 
визуального  сопоставления.  Привлечение  визуального  анализа данных в  
процессе    анализа    результатов    работы  системы Visual HCA может   
повысить      эффективность      работы  исследователя  и  ускорить  процесс 
осознания предоставляемой ему компьютерной информации.  
Например, если    у    пользователя   есть   относительно какого-либо 
материала  некая  гипотеза   о   группировании   и упорядочении объектов  и  
свойств,  то  эту  гипотезу  желательно  выразить  в  упорядочении  строк  и 
столбцов  исходной  матрицы  в соответствии с этой гипотезой.     
Если  гипотеза    появилась    после      первого      обращения      к  системе 
Visual HCA,     то     полезно структурировать исходную матрицу  так,  чтобы  
информация,  открывшаяся  пользователю    в    результате    анализа,  стала 
более  выпукла  и  наглядна  для  восприятия  остальными  заинтересованными 
лицами.  
Например, нетрудно после разбиения на классы или кластеры свойств 
объектов  и  самих  объектов  переупорядочить строки и столбцы исходной 
матрицы  так,  чтобы  объекты  или    свойства    из  одного  кластера 
располагались 
в 
соседних 
строках 
или 
столбцах.             
В  этом  случае  графики  распределений  компонент  векторов  и  карты 
изолиний  исходной    матрицы    или    ее    составляющих    будут  менее 

 
157
изрезанными  и  лучше  приспособленными  для  образного  визуального 
анализа.  
     Именно поэтому   мы   рекомендуем   начинать   анализ   с построения 
графа  и  проведения      факторного      анализа.  Затем  требуется    осуществить  
выделение    кластеров    цветом.  В  случае  нетривиального    распределения 
данных  в  "географическом"  пространстве  далее  необходимо  провести 
топографический    анализ  окрашенных  в    цвета    своих  кластеров.  Для 
используемых  в  этих  этапах  анализа    порядок    следования    объектов    и   
свойств   в исходной матрице не имеет значения. 
Однако, если  Вам  хочется  точнее   рассмотреть   тонкую структуру 
Ваших  данных  и  результативнее  привлекать  для  анализа  другие  окна,  
перегруппируйте  данные  в  порядке   следования кластеров  и  элементов в 
них (объектов или свойств).                                                                            
Порядок следования объектов или свойств внутри своих  кластеров не столь 
принципиален, как перегруппировка их в соответствии с принадлежностью  
различным  кластерам  свойств   и   объектов.  
Пропустив затем материал через программы заново, Вы можете с  большим  
успехом сделать "истину для себя" "истиной для всех". 
      
 
 
 
 
 
 
 
 
 
 

 
158
Список использованной литературы 
 
1.  Абрамович Н.С. Прикладная статистика. Анализ Данных. 
Многомерная классификация/Н.С. Абрамович.- Минск, 1994. – 39 c.  
2.  Адамьянц А.О. Новый взгляд на современные возможности обучения 
будущих библиотекарей: новые образовательные технологии кафедры 
информационных технологий и электронных библиотек 
МГУКИ/А.О.Адамьянц // Библиотеки и ассоциации в меняющемся 
мире: новые технологии и новые формы сотрудничества: Тр конф.- 
М., 2002.-T.1.-C.122-123. 
3.  Андреев  А.М.  Лингвистический  процессор  для  информационно-
поисковой 
системы/А.М.Андреев, 
Д.В.Березкин, 
А.В.Брик 
//Компьютерная хроника. - 1998.- № 11 - C. 79 - 100.  
4.  Андреев  А.М.  Экспертные  юридические  системы:  миф  или 
реальность/  А.М.Андреев,  Д.В.Березкин,  Ю.А.Кантонистов // Мир 
ПК.- 1998.- №9 – C. 56-64. 
5.  Антопольский  А.  Б.  Электронные  библиотеки/А.Б.Антопольский, 
К.В.Вигурский//Информационные 
ресурсы 
России, 1999. -
[Электронный 
ресурс]. – Режим 
доступа: 
http://www.elbib.ru/index.phtml?page=elbib/rus/journal. 
6.  Антопольский  А.Б.  Разработка  и  внедрение  методов  совместимости 
лингвистического  обеспечения  при  взаимодействии  АИС:  Дис.  на 
соиск. учен. степ. д.т.н. – М., 1990. 
7.  Апраушева Н.Н.  Новый 
подход 
к 
обнаружению 
кластеров/ 
Н.Н.Апраушева. -М., 1993. -65  c.: ил. 

 
159
8.  Армс В. Электронные библиотеки/В. Армс.- М., ПИК ВИНИТИ, 
2001.- 89 c. 
9.  АхоA. 
Теория 
синтаксического 
анализа, 
перевода 
и 
компиляции/А.Ахо,  Дж.Ульман.  Т.1.  Синтаксический  анализ. - М.: 
Мир, 1978. — 612 с.  
10. Байдык Т.Н. Нейронные сети и задачи искусственного интеллекта/ 
Т.Н. Байдык. - Киев: Наукова думка, 2001. - 263  с.: ил. 
11. Белоногов Г.Г. Языковые средства автоматизированных 
информационных систем/Г.Г.Белоногов, Б.А.Кузнецов. - М.: Наука, 
1983. – 187 c. 
12. Бешелев С.Д. Математико-статистические  методы  экспеpтных 
оценок/С.Д. Бешелев, Ф.Г. Гypвич.  - М., 1980.- 263 с. 
13. Богородская Н.А. Статистика. Методы анализа статистической 
информации: Конспект лекций/Н.А. Богородская. – СПб., 1997. -80  с.: 
ил. 
14. Бондаренко М.Ф. Автоматическая обработка информации на 
естественном языке: Учеб. пособие по спец. "Автоматизир. системы 
обраб. информ. и управления" и "Прогр. обеспечение вычисл. техники 
и автоматизир. систем"/ М.Ф.Бондаренко, А.Ф.Осыка. -Киев: УМКВО, 
1991. -142  с. 
15. Боровиков В.П. STATISTICA. Статистический анализ и обработка 
данных в среде Windows/ В.П.Боровиков, И.П.Боровиков. -М.: 
Информ.-издат.Дом “Филинъ”, 1997. -592,УШ с.: ил. 
16. Боровиков В.П. Популярное введение в программу STATISTICA/ 
В.П.Боровиков. -М.: Компьютер-Пресс, 1998. -266  с.: ил. 
17. Боровиков В.П. Statistica. Статистический анализ и обработка данных 

 
160
в среде Windows/ В.П.Боровиков, И.П.Боровиков. –2 изд., стер. -М.: 
Информ.-издат.Дом "Филинь", 1998. -592,8 с.: ил. 
18. Боровиков В.П. Прогнозирование в системе STATISTICA в среде 
Windows. Основы теории и интенсивная практика на компьютере: 
Учеб. пособие для студентов вузов по специальности "Прикл. 
математика"/ В.П.Боровиков, Г.И.Ивченко. -М.: Финансы и 
статистика, 1999. -382  с.: ил. 
19. Бродовcкий А.И. Cиcтема автоматизации библиотек ИРБИC 2000: что 
нового?/А.И. Бродовcкий//Науч. и техн. б-ки. – 2001. – №2. -C. 25–31. 
20. Бродская И.М.  Модель гистоиерархического объектно-
ориентированного справочника для документной информационно-
поисковой системы/ И.М.Бродская, Э.З.Любимский, Л.В.Ухов. -М., 
1994. -19  c.: ил. 
21. Брусакова И.А. Проектирование баз знаний и экспертные системы: 
Учеб.пособие/ И.А.Брусакова, Д.Д.Недосекин, С.В.Прокопчина. –
СПб., 1993. -59   c.: ил. 
22. Буч Г. Объектно-ориентированное проектирование с примерами 
применения/ Г. Буч. - Киев: Диалектика, 1993.-312 c. 
23. Волченская Т.В. Теория графов: Учеб. пособие/ Т.В. Волченская.  -
Пенза, 1998. -67 с.: ил. 
24. Воройcкий Ф.C. Разработка средств организационно-
технологического обеспечения АБИС/ Ф.C. Воройcкий//Науч. и техн. 
б-ки. – 2001. –  №9.- С. 71–86. 
25. Воройский Ф.С. Региональные корпоративные библиотечные системы 
России:  опыт  последних  трёх  лет  глазами  участников  движения/ 

 
161
Ф.С.Воройский, Я.Л.Шрайберг//Науч. и техн. б-ки.- 2003.-№ 3.- С.13-
33. 
26. Воройский Ф.С Корпоративные автоматизированные библиотечно-
информационные системы: состояние, принципы построения и 
перспективы развития. Аналитический обзор/ Ф.С.Воройский, 
Я.Л.Шрайберг .-М.: ГПНТБ России, 2003.— 129 с. 
27. Воройский Ф.С. Основы проектирования автоматизированных 
библиотечно-информационных систем/ Ф.C. Воройский. — М.: 
ФИЗМАТЛИТ, 2002. — 383 с. 
28. Воройский Ф.С. Развитие современных информационных технологий 
в библиотеках России и других стран СНГ в зеркале международных 
конференций "Крым-1994" — "Крым-2000"// Ф.C. Воройский // Науч. 
и техн. б-ки.-2001.-№ 2.- С. 5-14. 
29. Генетические алгоритмы, искусственные нейронные сети и проблемы 
виртуальной реальности/ Г.К.Вороновский, К.В.Махотило, 
С.Н.Петрашев, С.А.Сергеев. -Харьков: Основа, 1997. -111  с. 
30. Гаврилов Г.П. Методы линейной алгебры в теории графов: Учеб. 
пособие для студентов/ Г.П.Гаврилов, Д.С.Романов. -М., 1996. -71 с. 
31. Галиев Ш.И. 
Теория формальных языков: Учеб.пособие/ 
Ш.И.Галиев, Л.Ю.Емалетдинова. -Казань, 1994. -100  c.: ил. 
32. Гендина Н.И. Лингвистические средства автоматизации 
документального поиска/ Н.И. Гендина. - СПб., 1992. -188  с.: ил. 
33. Гинкул Г.П. Игровой подход к формированию баз знаний в 
экспертных системах: Автореф. дис. на соиск. учен. cтеп. канд.физ.-
мат.наук:05.13.11/ Г.П. Гинкул. -М., 1991. -15  с. 

 
162
34. Гитис Л.Х.  Кластерный анализ: основные идеи и методы: Препринт/ 
Л.Х.Гитис. -М., 2000. -61  с.: ил.  
35. Гольдштейн А.Л. Исследование операции: многокритериальные 
задачи: Конспект лекций/ А.Л. Гольдштейн. -Пермь, 1995. -72   c.: ил. 
36. ГОСТ 7.73-96. Поиск и распространение информации. Термины и 
определения.- Взамен ГОСТ 7.27-80; Введ.с 01.01.98. -Минск: 
Межгос.совет по стандартизации,метрологии и сертификации, 1997. -
15  с. 
37. ГОСТ 7.74-96. Информационно-поисковые языки. Термины и 
определения.- Введ.с 01.07.97. -Минск: Межгос.совет по 
стандартизации,метрологии и сертификации, 1997. -34  с. 
38. Гончаров М.В.  Введение в Интернет: Учеб.пособие в 9 ч. Ч. 1. Общие 
сведения / Гончаров М.В.,Шрайберг Я.Л.;Под 
общ.ред.Я.Л.Шрайберга. –М.,2000. -60  с.: ил.  
39. Гончаров М.В.  Введение в Интернет: Учеб.пособие в 9 ч. Ч. 2. 
Создание собственных WWW-страниц / Гончаров М.В.,Шрайберг 
Я.Л.;Под общ.ред.Я.Л.Шрайберга. –М.,2000. -60  с.: ил.  
40. Гончаров М.В.  Введение в Интернет: Учеб.пособие в 9 ч. Ч. 3. 
Интернет для науки, культуры и образования / Гончаров 
М.В.,Шрайберг Я.Л.;Под общ.ред.Я.Л.Шрайберга. –М.,2000. -82  с.: 
ил. 
41. Горбань А.Н. Нейронные сети на персональном компьютере/ 
А.Н.Горбань, Д.А.Россиев. - Новосибирск: Наука: Сиб. изд. фирма 
РАН, 1996. -275  с. 
42. Грачев Н.С. Анализ данных по окружающей среде при помощи 
нейронных сетей с обобщенной регрессией и геостатистики/ 
Н.С.Грачев, В.В.Демьянов, М.Ф.Каневский. - М., 1999. -39  с.: ил. 

 
163
43. Дулин С.К. Программная поддержка определения структуры 
многомерной базы данных для OLAP/ С.К.Дулин, Р.В.Самохвалов. -
М.: ВЦ РАН, 1997. -21  с.: ил.  
44. Евстигнеев В.А. Теория графов: алгоритмы обработки деревьев/ 
В.А.Евстигнеев, В.Н.Касьянов. - Новосибирск: Наука, 1994. -361  c.: 
ил. 
45. Евреинов Э.В. Информациология сред,структур и биокомпьютерных 
систем/ Э.В. Евреинов. -М., 1996. -33 с. 
46. Проектирование и эксплуатация региональных АСНТИ/ Б.С.Елепов, 
Л.К.Бобров, С.Р.Баженов, Н.Е.Каленов. - Новосибирск: Наука. Сиб. 
отд-ние, 1991. -174  c.: ил. 
47. Елтаренко Е.А. Оценка и выбор решений по многим критериям: Учеб. 
пособие/Е.А. Елтаренко. - М., 1995. -111  c.: ил. 
48. Епанешников А.М. Программирование в среде DELPHI 2.0/ 
А.М.Епанешников, В.А.Епанешников. -М.: Диалог-МИФИ Ч. 4. 
Работа с базами данных. Организация справочной системы. -1998. -
400  с.: ил. 
49. Желтов В.П. Теория графов: Конспект лекций/ В.П.Желтов, 
В.И.Музыкантов. -Чебоксары, 1998. -100  с.: ил. 
50. Жижимов О.Л. Введение в Z39.50/ О.Л. Жижимов. - Новосибирск: 
Изд-во НГОНБ, 2000. –196с. 
51. Жук Е.Е.  Устойчивость в кластер-анализе многомерных 
наблюдений/ Е.Е.Жук, Ю.С.Харин. - Минск: БГУ,1998. -239  с.: ил.  
52. Завьялов Ф.Н. Актуальные проблемы теории и истории статистики и 
анализа: Сб. науч. тр/Ф.Н. Завьялов. – Ярославль, 1991. -120  с.: ил. 

 
164
53. Зайченко Ю.П. Исследование операций. Нечеткая оптимизация: Учеб. 
пособие для студентов вузов по спец. "Автоматизированные системы 
обработки  информ.  и  управления"  и  "Прикл.  математика" 
/Ю.П.Зайченко. -Киев: Выща шк., 1991. -191  с.: ил. 
54. Зверев Г.Н. Основания теоретической информатики: Учеб. 
пособие/Г.Н. Зверев. –Уфа,1999. -203  с.: ил. 
55. Интеллектуальные  системы  автоматизированного  проектирования 
БИС и СБИС /В.А.Мищенко, Л.М.Городецкий, Л.И.Гурский и др.; Под 
ред. В.А.Мищенко. - М.: Радио и связь, 1988.- 272 с. 
56. Информационно-поисковый язык на основе ББК для электронного 
каталога: Метод. пособие/ Рос. Гос. б-ка. Отдел автоматизации 
библиотек. -М., 1996. -60 с. 
57. Информационные системы в лингвистике: Сб. ст. -Омск, 2000. -89  с.: 
ил. -(Информатика и лингвистика/ Омский гос. педагог. ун-т; Вып.1). 
58. Искусственный  интеллект.  В 3 кн.  Кн.1.  Системы  общения  и 
экспертные  системы:  Справочник/Под  ред.  Э.В.Попова. - М.:  Наука, 
1990.  
59. Искусственный  интеллект.  В 3 кн.  Кн.2.  Модели  и  методы: 
Справочник/Под ред. Д.А.Поспелова. - М.: Наука, 1990.  
60. Исмагилов Р.С. Графы: Учеб. пособие по курсу "Дискрет. 
математика"/ Р.С.Исмагилов, А.В.Калинкин, В.В.Станцо. - М.: Изд-во 
МГТУ, 1999. -41  с.: ил. 
61. Использование методов математической статистики при анализе 
существенных признаков художественно-конструкторских решений, 

 
165
заявленных в качестве промышленных образцов/ Науч.-произв.об-ние 
"Поиск". -М., 1992. -72  с. 
62. Исследование операций и математическое программирование. -
Кишинев: Штиинца, 1992. -114 с.: ил. 
63. Каленов Н.Е.  Комплексная автоматизация информационно-
библиотечного обеспечения ученых АН СССР в области естественных 
наук: Автореф. дис. на соиск. учен. cтеп. д-ра 
техн.наук:05.25.05/Н.Е.Каленов. -М., 1991. -28  с.: ил. 
64. Касьянов В.Н. Теория графов и ее приложения: Сб.ст./В.Н.Касьянов, 
Науч.ред.В.А.Скоробогатов. -Новосибирск, 1994. -120  c.: ил. 
65.   Катулев А.Н. Исследование операций. Принципы принятия решений 
и обеспечение безопасности: Учеб. пособие для студентов вузов/ 
А.Н.Катулев, Н.А.Северцев. - М.: ФИЗМАТЛИТ, 2000. -318 с. 
66. Каштанов В.А. Исследование операций: Учеб. пособие/ 
В.А.Каштанов, В.М.Хаметов. -М., 1990. -125  с. 
67. Кияшко А.Б. Разработка и исследование логического вывода в базах 
нечетких знаний продукционного типа с целью принятия решений в 
интеллектуальных системах: Автореф. дис. на соиск. учен. степ. канд. 
техн. наук: 05.13.17 /А.Б. Кияшко.-Таганрог, 1998. -16  с. 
68. Когнитивное моделирование : Тр. междунар. конф.,Пущино,17-19 
сент.1999 г. -М.: МИСИС, 2000. -441  с.: ил. 
69. Кобранов Г.П. Элементы математической статистики, 
корреляционного и  регрессивного анализа и надежности: 
Учеб.пособие по курсу "Орг.и планирование эксперимента"/ 

 
166
Г.П.Кобранов, Под ред. В.В.Галактионова. Ч.2.-М.: Изд-во МЭИ,1992. 
-128 с., 2 л. табл.: ил. 
70. Колдаков В.В.   Реализация распределенной базы данных в 
концепции информационного хранилища/ В.В.Колдаков, 
В.В.Марусин, Е.М.Шаталов. - Новосибирск, 1996. -26  с. 
71. Колосов К.А. Особенности реализации системы электронной доставки 
документов на втором этапе разработки корпоративной сети 
публичных библиотек Москвы/К.А. Колосов//Библиотеки и 
ассоциации в меняющемся мире:новые технологии и новые формы 
сотрудничества Тр. конф.-М.,2001. - Т.2. - С.721-723. 
72. Компания “Гарант-Парк-Интернет” [Электронный ресурс]. – Режим 
доступа:  www.rco.ru. 
73. Компьютерный  синтаксический  анализ:  описание  моделей  и 
направлений  разработок/Г.Д.Карпова,  Ю.К.Пирогова,  Т.Ю.Кобзарева, 
Е.В.Микаэлян//  Итоги  науки  и  техники.  Сер. “Вычислительные 
науки”/ ВИНИТИ; Т.6. - М.,1991. – C. 91. 
74. Корпорация “Галактика Galaktika-ZOOM” [Электронный ресурс]. – 
Режим доступа: www.galaktika.ru. 
75. Костров А.В. Системный анализ и принятие решений: Учеб. пособие 
     / А.В.Костров. -Владимир, 1995. -66   c.: ил. 
76. Костромина Н.В. Графы: теория, задачи, алгоритмы: Учеб. пособие/ 
Н.В.Костромина, Б.Л.Истомин. - Йошкар-Ола, 2000. -103  с.: ил. 
77. Кочетыгов А.А. Базы и банки данных: Учеб.пособие/ А.А.Кочетыгов, 
В.В.Моторин. -Тула, 1995. -104 c.: ил. 
78. Крейнес М.Г. Смысловой поиск и индексирование текстовой 
информации в электронных библиотеках: информационная 
технология "ключи от текста"[ Электронный ресурс]/ М.Г. Крейнес 

 
167
//Электронные библиотеки.-2001. – Т.2, вып. 3. Режим доступа: 
http://www.mmascience.ru/ktt/start.htm. 
79. Кричевский М.Л. Введение в искусственные нейронные сети: Учеб. 
пособие/ М.Л. Кричевский. Ч.1.-СПб.,1999. -139  с.: ил. 
80. Кудряшев С.А.  Классификация в системных исследованиях/ 
С.А.Кудряшев. - М., 1995. -38   c.: ил.  
81. Кузьмин Е.И. Государственная информационная политика и 
библиотеки: к проблеме взаимодействия/ Е.И. Кузьмин// Науч. и техн. 
б-ки. – 2001. – №1. -С. 27-46. 
82. Куприенко Н.В. Статистика. Методы анализа распределений: 
Учеб.пособие/ Н.В. Куприенко, О.А.Пономарева. Ч.2. - СПб.: Изд-во 
СПБГТУ, 2000. -128  с.: ил. 
83. Ламерс А. Статистические вычисления: Пер.с нем.:Учеб.пособие для 
студентов всех спец/ А. Ламерс. -М., 1995. -61  c.: ил. 
84. Лекции по теории графов: Учеб. пособие для студентов по 
спец."Математика" и "Приклад.математика"/ В.А.Емеличев, 
О.И.Мельников, В.И.Сарванов, Р.И.Тышкевич. -М.: Наука, 1990. -383  
с.: ил. 
85.   Ловас Л. Прикладные задачи теории графов. Теория паросочетаний в 
математике, физике, химии: Пер с англ./ Л.Ловас, М.Пламмер. -М.: 
Мир, 1998. -653  с.: ил. 
86. Мажаров Л.Г. Разработка методов и средств построения предметно-
ориентированных лингвистических процессоров для 
автоматизированных систем научных исследований: Автореф. дис. на 

 
168
соиск. учен. степ. канд. техн. наук: 05.13.16/ Л.Г. Мажаров. - Самара, 
1997. -18  с.: ил. 
87. Мелихов А.Н. Теория алгоритмов и формальных языков: 
Учеб.пособие/ А.Н.Мелихов, В.И.Кодачигов. -Таганрог, 1983. -69   л.: 
ил. 
88. Методы проектирования баз данных: Сб.докл.Балтийской 
науч.конф.,Рига 8-10 сент.1992. -Б.м. , 1992. -III,184 с.: ил. 
89. Мешалкин В.П. Введение в базы данных: Учеб. пособие/ 
В.П.Мешалкин, В.Н.Фефелов, М.А.Пермяков. -М., 1993. -127  c.: ил. 
90. Микони С.В.  Методы и алгоритмы принятия решений: Учеб. пособие 
     / С.В. Микони. Ч. 1.-СПб., 1995. -55 с.: ил.  
91. Минченко Л.И.  Многозначный анализ и возмущенные задачи 
нелинейного программирования/ Л.И.Минченко, О.Ф.Борисенко, 
С.П.Грицай. -Минск: Навука i тэхнiка, 1993. -167  c. 
92. Михаилян A. Некоторые методы автоматического анализа 
естественного языка, используемые в промышленных 
продуктах[Электронный ресурс]/A.Михаилян. – ИНТЕЛЕК ИЗД-
ВО,2003. 
93. Моклячук М.П. Методы оптимизации: Учеб. пособие. - Киев: УМК 
ВО, 1990.  
94. Нейронные сети и искусственный интеллект в задачах науки, техники 
и экономики. -Ульяновск, 2000. -135  с.: ил. -(Тр. Междунар. конф. 
"Континуальные логико-алгебраические и нейросетевые методы в 
науке и экономике"; Т.2). 
95. Нейроинформатика и ее приложения: Тез.докл. -Красноярск, 1995. -93  
с. 

 
169
96. Нейроинформатика и ее приложения: Тез.докл. -Красноярск, 1999. -
167  с.: ил. 
97. Неклюдов С.Ю.  Интегрированные информационные и программные 
среды. MS-Windows 95, NT, файловая система и стандартные 
приложения: Текст лекций/ С.Ю.Неклюдов, Л.М.Сорокин. – СПб., 
1998. -75  с.: ил. 
98. Обработка информации нейронными сетями: Сб. ст./ Ред. 
А.А.Веденов. -М., 1990. -132  л.: ил. -(Итоги науки и техники. Сер. 
“Физические и математические модели нейронных сетей”/ ВИНИТИ; 
Т.2). 
99. Обработка информации нейросетями: Сб. ст./ Ред. А.А.Веденов. - М., 
1991. -146  л.: ил. 
100.  Организация знаний: лингвистические аспекты:Прогр. и тез. докл. 
конф. -М., 1995. -31   c. 
101. Панов В.А. 
Математические основы теории систем. Методы 
оптимизации: Учеб. пособие/ В.А. Панов. -Пермь, 1999. 76  с.: ил. 
102. Плюта В. А. Сравнительный многомерный анализ в экономических 
исследованиях. Методы таксономии и факторного анализа/В.А.Плюта. 
- М.,1980.-80 c.  
103. Пиотровский Р.Г. Математическая лингвистика/Р.Г.Пиотровский, 
К.Б.Бектаев, А.А.Пиотровская.- М., Наука, 1977. – 254 c.  
104.  Пиотровский Р.Г. Инженерная лингвистика и теория 
языка/Р.Г.Пиотровский.- Л., 1979. – 321 c. 
105. Поиск по рубрикаторам в информационных массивах: Метод. 
рекомендации/ ВИНИТИ. - М., 1992. -8  с. 
106. Пономарева С.М. 
Система формирования концептуального 

 
170
представления предметной области на основе анализа проблемно-
ориентированных естественно-языковых текстов: модели, методы и 
программное обеспечение: Автореф. дис. на соиск. учен. степ. 
канд.техн.наук:05.13.11/ С.М. Пономарева. -Переславль-Залесский, 
1999. -18  с. 
107. Попов Э.В. Общение с ЭВМ на естественном языке/Э.В. Попов. - М.: 
Наука, 1982.-203 c. 
108. Предметный поиск в традиционных и нетрадиционных 
информационно-поисковых системах: Сб.науч.тр./ Сост. В.Сахарный,   
В. П.Суворова; Рос.нац.б-ка. - СПб., 1990. -172  с. 
109. Призмент Э.Л.   Предметизационные системы и аппарат книги: 
(Теория и практика)/ Э.Л. Призмент. -М., 1999. -339  с. 
110. Реализация баз данных Microsoft SQL Server 7.0: 
Учеб.курс:Офиц.пособие Microsoft для самостоят.подготовки:Пер.с 
англ. -М.: Рус.ред., 2000. -483  с.: ил. 
111. Родионов В.В.  Матричные методы отыскания кратчайших 
расстояний и путей на графах/ В.В. Родионов.-М.: ВЦ РАН, 1999. -74  
с.: ил. 
112. Рыков А.С. 
Поисковая оптимизация. Методы деформируемых 
конфигураций/ А.С.Рыков. -М.: ФИЗМАТЛИТ: Наука, 1993. -215  c.: 
ил. 
113. Рубашкин В.Ш. Представление и анализ смысла в интеллектуальных 
информационных системах/ В.Ш. Рубашкин. - М.: Наука, 1989.  
114. Сбойчаков К.О. Интерактивные методы решения слабо-
формализованных задач в гуманитарных и естественно научных 

 
171
приложениях: (Визуальный эвристический кластерный анализ) / К.О. 
Сбойчаков, П.П. Макагонов// Материалы симпозиума по 
компьютерным приложениям CIC’98, Мексиканский Национальный 
Политехнический институт.- Мехико,1998.-C.346-358. - Aнгл. яз. 
115. Сбойчаков К.О. Поиск схожих текстов: подходы к решению задачи/ 
K.O. Сбойчаков, М.А.Александров, П.П.Макагонов//Труды 
Международной академии информатизации ООН (Молдавия). -
Кишинев,2000. - C.215-223. - Aнгл. яз. 
116. Сбойчаков К.О. Демонстрационная версия электронной базы данных 
"Устойчивое развитие городов" // К.О. Сбойчаков, П.П. Макагонов, 
А.И. Бродовский, Л.Н. Очагова.- М.: Знание,1999.-87 c. 
117. Сбойчаков К.О. Поиск схожих текстов в полнотекстовых базах 
данных по заданному образцу/ К.О. Сбойчаков, М.А.Александров, 
П.П.Макагонов// Материалы симпозиума по компьютерным 
приложениям CIC’98. -Мехико,1999.-C.17-29.- Aнгл. яз. 
118. Сбойчаков К.О. Классификация аннотаций докладов конференции/ 
К.О. Сбойчаков , П.П.Макагонов// Материалы симпозиума по 
компьютерным приложениям CIC’99.- Мехико,1999.-C.87.-Aнгл. яз. 
119. Сбойчаков К.О. Методика кластеризации коротких текстов на базе 
набора ключевых слов/ К.О. Сбойчаков, М.А.Александров, 
П.П.Макагонов// Избранные работы исследователей.- Мехико,1999.-
C.32-37.- Aнгл. яз. 
120. Cбойчаков К.О. Методика исследования предметно-
ориентированных словарей при структуризации потока электронных 
документов/ К.О. Сбойчаков, М.А.Александров, 

 
172
П.П.Макагонов//Прикладной анализ данных классификация и 
численные методы.- Б.г.:Шпрингер,2000.- C. 454-456. -Aнгл. яз. 
121. Сбойчаков К.О. Программное обеспечение для создания предметно 
ориентированных словарей и кластеризации документов в 
полнотекстовых базах данных/K.O. Сбойчаков, П.П.Макагонов// 
Компьютерная лингвистика и  интеллектуальная обработка текстов.- 
Б.г.:Шпрингер,2001.- C. 454-456. - Aнгл. яз. 
122. Сбойчаков К.О. Кластеризация документов в факторном 
метрическом пространстве / K.O. Сбойчаков, М.А.Александров, 
П.П.Макагонов// Материалы 7-й конф. междунар. федерации 
сообщества по классификации “Прикладной анализ данных, 
классификация и численные методы”, Бельгия, 2003.-T.1. – 
Амстердам. - C.222-225.- Aнгл. яз. 
123. Сбойчаков К.О.Анализ критериев устойчивого развития городов на 
основе практики их применения в условиях России/ П.П.Макагонов, 
K.O. Сбойчаков, Е. Траилина// Науч. тр. междунар. союза экономистов 
и вольного экономического общества России.- M.,2001.-T.1.-C.22-27. 
124. Сбойчаков К.О. Описание автоматизированной системы 
классификации текстов/ К.О. Сбойчаков// Информационные 
технологии в библиотеках и информационное сообщество.-М.:ГПНТБ 
России, 2001.-С.47-51. 
125. Сбойчаков К.О. О новoй файловой структуре CDS/ISIS/  
А.И. Бродовский, Н.Α.Мазов, О.Л. Жижимов//  Библиотеки и ассоциации 
в меняющемся мире: новые технологии и новые формы сотрудничества: 
Тр конф.- М.,2001.-T.1.-C.92-97. 

 
173
126. Сбойчаков К.О. Перспективы развития ИРБИС в плане применения 
системы смыслового анализа текстов для создания полнотекстовых 
хранилищ знаний современной библиотеке/ К.О. Сбойчаков// 
Библиотеки и ассоциации в меняющемся мире: новые технологии и 
новые формы сотрудничества: Тр конф.- М., 2003.-T.1.-C.122-125. 
127.  Сбойчаков К.О. Интерактивные прикладные методы анализа на 
примере истории социальных проблем Мексики/П.П.Макагонов, K.O. 
Сбойчаков // Материалы конф. по анализу данных и системному 
анализу.- Почука, 2003.-T.1.-C.12-15. - Исп. яз. 
128. Семёнов Ф.  Пока гром не грянет... Организация, технология и 
технические средства сохранения информационных ресурсов АБИС 
/Ф. Семёнов //С компьютером на Ты. - М.:Либерея,2000.- C.10-19. 
129. Семенова С.Ю.  Исследование языковых средств выражения 
параметричсеской информации и алгоритмизация ее поиска в тексте: 
Автореф. дис. на соиск. учен. степ. канд.филос.наук:05.13.17/ 
С.Ю.Семенова. -М., 1994. 
130. Смирнов  Ю.М.  Об  одном  способе  построения  синтаксического 
анализатора 
текстов 
на 
естественном 
языке/Ю.М.Смирнов, 
А.М.Андреев, 
Д.В.Березкин, 
А.В.Брик // Изв. 
вузов. 
Приборостроение.- 1997. - Т. 40, № 5 . -  C. 34-42.  
131. Семиотика и информатика / ВИНИТИ. - М.,1993.- 255  с.: ил. 
132. Система ВААЛ [Электронный ресурс].- Режим 
доступа:http://www.vaal.ru/. 

 
174
133. Совпель И.В. 
Инженерно-лингвистические принципы, методы и 
алгоритмы автоматической переработки текста/ И.В. Совпель. -Минск: 
Вышэйш. шк., 1991. -118  c.: ил. 
134. Создание Корпоративной сети публичных библиотек Москвы: 
Рабочий  проект. T.I. / Науч. рук. д.т.н. Я.Л.Шрайберг, Отв. исп. к.т.н., 
проф. Ф.С.Воройский, А.И.Бродовский, М.В.Гончаров и др.-М.: 
ГПНТБ России, 2001.- 85с.- На правах рукописи. 
135. Соколов А.А.  Лингвистическая система обработки текстов на 
русском языке/ А.А.Соколов, А.М.Башлыков. -М.: 
ФизИнформМатАстрон, 1997. -31  с.: ил. 
136. Степанов В.К. Библиотеки реальные и виртуальные в эру цифровых 
коммуникаций/ В.К. Степанов// Науч. и техн. б-ки. – 2001. – №1. -С. 
71-75. 
137. Столяров Ю.Н. Документный ресурс: Учеб. пособие 
 / 
Ю.Н. Столяров.- М.: Либерея, 2001. -149 с. 
138. Столяров Ю.Н. Сущность информации/ Ю.Н. Столяров. - М.,2000. -
107 с. 
139. Теория графов и ее применения: Сб./ cт. В.А.Скоробогатов; 
Редкол.:Н.Г.Загоруйко (гл.ред.) и др. -Новосибирск, 1996. -106  c.: ил. 
140. Толстова Ю.Н.  Анализ социологических данных. Методология, 
дескриптивная статистика, изучение связей между номинальными 
признаками: Учеб.пособие для студентов кафедр и фак.социологии/ 
Ю.Н. Толстова. -М.: Науч.мир, 2000. -350  с.: ил. 

 
175
141. Филиппов В.А.  Исследование операций: Учеб.пособие для 
экон.спец/ В.А. Филиппов. -М., 2000. -95  с.: ил. 
142. Френкель А.А.  Математико-статистический анализ многолетних 
наблюдений: Учеб. пособие/ А.А.Френкель, Т.А.Андреева. -М., 1990. -
90  с. + Прил. 2 л. табл. 
143. Шемакин Ю.И.  Начала компьютерной лингвистики: Учеб. пособие/ 
Ю.И.Шемакин. -М.: Изд-во Моск. гос. открытого ун-та: АО 
"Росвузнаука", 1992. -114  с.: ил. 
144. Ширяев В.И. 
Исследование операций и численные методы 
оптимизации: Учеб. пособие/ В.И. Ширяев. -Челябинск: Изд-во ЧГТУ, 
1993. -58  c.: ил. 
145. Шрайберг Я.Л. Автоматизированные библиотечно-информационные 
системы 
России: 
состояние, 
выбор, 
внедрение, 
развитие/Я.Л.Шрайберг, Ф.С.Воройский.-М.:Либерея,1996.- 271 с. 
146. Шрайберг Я.Л.  Принципы построения автоматизированных 
библиотечно-информационных систем и сетей: Автореф. дис. на 
соиск. учен. степ. д-ра техн. наук:05.25.05, 05.25.03/ Я.Л. Шрайберг. -
М., 1999. -39  с.: ил.  
147. Шрайберг Я.Л. Библиотека как объект автоматизации: схема 
формального описания, структуризация и моделирование на этапе 
предпроектного исследования: Препринт/ Я.Л. Шрайберг. -М., 1998. -
33  с.: ил.  
148. Шрайберг Я.Л. Интернет - ресурсы и услуги для библиотек: Учеб. 
пособие для вузов культуры и искусств/ Я.Л.Шрайберг, М.В.Гончаров, 
О.В.Шлыкова. - М., 2000. -140  с.: ил.  

 
176
149. Шрайберг Я.Л.  Основные положения и принципы разработки 
автоматизированных библиотечно-информационных систем и сетей. 
Главные тенденции окружения, основные положения и предпосылки, 
базовые принципы/ Я.Л. Шрайберг. -М., 2000. -130  с.: ил.  
150. Шумаков П.В.  Delphi 3 и разработка приложений баз данных/ 
П.В.Шумаков. - М.: Нолидж, 1998. -704  с.: ил. 
151. Щербаков М.А. Искусственные нейронные сети: Конспект лекций/ 
М.А.Щербаков. -Пенза: ПГТУ, 1996. -45  с.: ил. 
152. Христьяновский Д.Г.  Разработка механизмов извлечения моделей из 
баз знаний: Автореф. дис. на соиск. учен. степ. канд.физ.-мат.наук: 
05.13.17/ Д.Г. Христьяновский. -М., 1995. -18  с. 
153. Яшин А.М. Базы знаний и экспертные системы: Учеб. пособие/ 
А.М.Яшин. - Л., 1990. -75  с.: ил. 
154. Computational and Language E-print Archive [Electronic resource]. – 
Режим доступа:  http://xxx.lanl.gov/find/cmp-lg. 
155. Conexor (Functional Dependency Grammar) [Electronic resource]. – 
Режим доступа: http://www.conexor.fi/..  
156. ERGO Linguistic Technologies [Electronic resource]. – Режим доступа: 
http://www.ergo-ling.com/.  
157. Extractor [Electronic resource]. – Режим доступа:  
http://ai.iit.nrc.ca/II_public/extractor.html. 
158. Internet catalog [Electronic resource]. – Режим доступа:  
http://www.rvb.ru/soft/catalogue/catalogue.html. 

 
177
159. Inxight [Electronic resource]. – Режим доступа:  
http://www.inxight.com/. 
160. Joresrog K.G. Statistical estimation in factor analysis. A new technique 
and its foundation. Inaugural dissertation/ K.G. Joresrog. - Uppsala,1978.- 
145 p. 
161. Linda Van Guilder Handout for LING361, Fall 1995 Georgetown 
University [Electronic resource]. – Режим доступа: 
http://www.georgetown.edu/cball/ling361/tagging_overview.html.  
162. Lingsoft (ENGCG) [Electronic resource]. – Режим доступа:  
http://lwww.ingsoft.fi/.  
163. Linguistics Software Catalogue [Electronic resource]. – Режим доступа:     
http://davidsonyuliya.boom.ru/catalog.htm. 
164. Link Grammar Homepage [Electronic resource]. – Режим доступа:  
http://bobo.link.cs.cmu.edu/link.  
165. Human Language Technology Sector of the Information Society 
Technologies (IST) Programme 1998 – 2000 [Electronic resource]. – 
Режим доступа: http://www.linglink.lu/.  
166. Media Lingva “Следопыт“ [Electronic resource]. – Режим доступа: 
http://www.sledopyt.ru. 
167. Prosum Summarizer [Electronic resource]. – Режим доступа:  
http://transend.labs.bt.com/cgi-bin/prosum/prosum.  
168. SPARKLE  Shallow PARsing and Knowledge Extraction for Language 
Engeneering[Electronic resource]. – Режим доступа:  
http://www.ilc.pi.cnr.it/sparkle/sparkle.html.  

 
178
169. Teragram Corporation (OEM POS tagger) [Electronic resource]. – Режим 
доступа: http://www.teragram.com/w3/home.htm.  
170. TextAnalyst [Electronic resource]. – Режим доступа:  
http://www.host.ru/~analyst/. 
171. TIPSTER Text Program archive [Electronic resource]. – Режим доступа: 
http://www.nist.gov/itl/div894/894.02/related_projects/tipster/.  
172. Virtual Reality and Multimedia Conference [Electronic resource]. – 
Режим доступа:  http://www.vsmm.vsl.gifu-u.ac.jp/vsmm98.  
173. Zipf G.K. Human behavior and the principle of least effort/ G.K. Zipf. -  
Cambridge: Univer. Press, 1949. 
 


 

А также другие работы, которые могут Вас заинтересовать

12357. Изучение магнитного поля соленоида с помощью датчика Холла 198.5 KB
  Лабораторная работа № 20 Изучение магнитного поля соленоида с помощью датчика Холла 1. Цель работы: исследование магнитного поля на оси соленоида с использованием датчика Холла. 2. Методика измерений. Сначала получим выражение для расчета индукции магнитного пол
12358. Определение отношения заряда электрона к его массе методом магнетрона 245 KB
  Лабораторная работа № 19 Определение отношения заряда электрона к его массе методом магнетрона 1. Цель работы: измерение удельного заряда |e|/m электрона. 2. Методика измерений Существуют различные методы определения отношения |e|/m в основе которых лежат результа...
12359. Исследование распределения термоэлектронов по скоростям 146 KB
  Лабораторная работа № 18 Исследование распределения термоэлектронов по скоростям 1. Цель работы: экспериментальное исследование распределения Максвелла. 2. Обоснование метода исследования. В замкнутом сосуде наполненном газом при температуре Т устанавливается...
12360. Ремонт стартера 427 KB
  Стартер является основным прибором системы пуска двигателя и представляет собой четырехнолюсный электродвигатель для преобразования электрической энергии аккумуляторной батареи в механическую и передачи ее на маховик с целью прокрутки коленчатого вала двигателя.
12361. Определение характеристик постоянного магнита по измерениям с датчиком Холла 249.5 KB
  Лабораторная работа № 16 Определение характеристик постоянного магнита по измерениям с датчиком Холла 1. Цель работы: Определение характеристик постоянного магнита по измерениям с датчиком Холла. 2. Эффект Холла. Эффект Холла заключается в том что если пропустит...
12362. Исследование характеристик поперечного датчика Холла 266.5 KB
  Лабораторная работа № 15 Исследование характеристик поперечного датчика Холла 1. Цель работы: Исследование характеристик поперечного датчика Холла 2. Эффект Холла. Эффект Холла заключается в том что если пропустить через металлическую или полупроводниковую пла
12363. Исследование характеристик продольного датчика Холла 266.5 KB
  Лабораторная работа № 14 Исследование характеристик продольного датчика Холла. 1. Цель работы: Изучение эффекта Холла. 2. Эффект Холла. Эффект Холла заключается в том что если пропустить через металлическую или полупроводниковую пластину рис.14.1. электрический то
12364. Вихревое электрическое поле 3.2 MB
  3 Лабораторная работа № 13 Вихревое электрическое поле 1. Цель работы. Изучение вихревого электрического поля при изменении магнитного поля в соленоиде. 2. Электромагнитная индукция. Вихревое электрическое поле. Явление электромагнитной индукции...
12365. Изучение явления магнитного гистерезиса 4.23 MB
  17 PAGE 16 Лабораторная работа № 12 Изучение явления магнитного гистерезиса 1. Цель работы. Проведение измерений цикла перемагничивания ферромагнетика. 2. Электронный осциллограф. Прибор предназначен для исследования быстропеременных периодичес