DOI: 10.18413/2518-1092-2026-11-1-0-6

ПОСТРОЕНИЕ МУЛЬТИДОМЕННЫХ СИСТЕМ ЗНАНИЙ НА ОСНОВЕ МНОГОСЛОЙНЫХ ГРАФОВ ЗНАНИЙ

Системы знаний обеспечивают представление и применение структурированной информации для решения самых различных проблем. При разработке и применении современных систем знаний неизбежно возникают условия разнородности обрабатываемых данных, множества заинтересованных сторон или поддержки нескольких целей. Для решения задач в подобных условиях становится актуальна разработка мультидоменных систем знаний, способных согласованно работать с несколькими доменами в рамках единой системы. В данной работе предлагается концепция мультидоменных систем знаний, описывающая системы знаний, работающие в подобных условиях. Рассматриваются различные примеры подходов к построению систем знаний, так или иначе проявляющие мультидоменное поведение. Рассматриваются тематическое моделирование, в частности динамическое тематическое моделирование, в качестве основы для выделения слоев в многослойных графах знаний. Предлагается концепция многослойного динамического графа знаний (МДГЗ), использующего для разбиения на слои дрейфующую динамическую тематическую модель, позволяющую также отслеживать появление новых и угасание старых тем. Предполагается, что такой МДГЗ может применяться для определения релевантности текстовых документов в рамках задачи мониторинга социальных медиа.

Ключевые слова: системы знаний, графы знаний, социальные медиа, релевантность.

Количество просмотров: 61 (смотреть статистику)

Количество скачиваний: 184

Полный текст (PDF)Скачать XML К списку статей

Информация для цитирования:

Пимешков В.К. Построение мультидоменных систем знаний на основе многослойных графов знаний // Научный результат. Информационные технологии. – Т.11, №1, 2026. – С. 54-70. DOI: 10.18413/2518-1092-2026-11-1-0-6

Комментарии
Список литературы

Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

Антон К. Тематическое моделирование текстов на естественном языке / К. Антон, Г. Андрей // Труды Института системного программирования РАН. – 2012. – Т. 23. – С. 215-244.
Формирование многослойных графов знаний на базе тематического моделирования текстов / В.К. Пимешков [и др.] // Труды Кольского Научного Центра Ран. Серия: Технические Науки. – 2024. – Т. 15. – № 3. – С. 50-60.
A topic modeling‐based bibliometric exploration of automatic summarization research / X. Chen [et al.] // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. – 2024. – Т. 14. – № 5. – С. e1540.
Bagul D.V. A novel content-based recommendation approach based on LDA topic modeling for literature recommendation / D.V. Bagul, S. Barve // 2021 6th International Conference on Inventive Computation Technologies (ICICT) 2021 6th International Conference on Inventive Computation Technologies (ICICT). – 2021. – С. 954-961.
Bansal S. Topic Modeling Driven Content Based Jobs Recommendation Engine for Recruitment Industry: 5th International Conference on Information Technology and Quantitative Management, ITQM 2017 / S. Bansal, A. Srivastava, A. Arora // Procedia Computer Science. – 2017. – Т. 122. – С. 865-872.
Benites-Lazaro L.L. Topic modeling method for analyzing social actor discourses on climate change, energy and food security: Special Issue on the Problems of Methods in Climate and Energy Research / L.L. Benites-Lazaro, L. Giatti, A. Giarolla // Energy Research & Social Science. – 2018. – Т. 45. – С. 318-330.
Blei D.M. Dynamic topic models / D.M. Blei, J.D. Lafferty // Proceedings of the 23rd international conference on Machine learning: ICML ’06. – New York, NY, USA: Association for Computing Machinery, 2006. – С. 113-120.
Blei D.M. Latent Dirichlet allocation / D.M. Blei, A.Y. Ng, M.I. Jordan // Journal of machine Learning research. – 2003. – Т. 3. – С. 993-1022.
Brewka G. Equilibria in heterogeneous nonmonotonic multi-context systems / G. Brewka, T. Eiter // Proceedings of the 22nd national conference on Artificial intelligence - Volume 1: AAAI’07. – Vancouver, British Columbia, Canada: AAAI Press, 2007. – С. 385-390.
Chang E. The use of SNOMED CT, 2013-2020: a literature review / E. Chang, J. Mostafa // Journal of the American Medical Informatics Association: JAMIA. – 2021. – Т. 28. – The use of SNOMED CT, 2013-2020. – № 9. – С. 2017-2026.
Dao-Tran M. Streaming Multi-Context Systems / M. Dao-Tran, T. Eiter // Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence. – 2017. – С. 1000-1007.
Davis E. Testing GPT-4 with Wolfram Alpha and Code Interpreter plug-ins on math and science problems / E. Davis, S. Aaronson arXiv:2308.05713 [cs]. – arXiv, 2025.
Garrido-Merchán E.C. GOFAI meets Generative AI: Development of Expert Systems by means of Large Language Models. GOFAI meets Generative AI / E.C. Garrido-Merchán, C. Puente arXiv:2507.13550 [cs]. – arXiv, 2025.
Grootendorst M. BERTopic: Neural topic modeling with a class-based TF-IDF procedure. BERTopic / M. Grootendorst arXiv:2203.05794 [cs]. – arXiv, 2022.
Grover A. node2vec: Scalable Feature Learning for Networks. node2vec / A. Grover, J. Leskovec arXiv:1607.00653 [cs]. – arXiv, 2016.
Hybrid toxicology expert system: architecture and implementation of a multi-domain hybrid expert system for toxicology / G. Gini [et al.] // Chemometrics and Intelligent Laboratory Systems. – 1998. – Т. 43. – Hybrid toxicology expert system. – № 1. – С. 135-145.
Kommineni V.K. From human experts to machines: An LLM supported approach to ontology and knowledge graph construction. From human experts to machines / V.K. Kommineni, B. König-Ries, S. Samuel arXiv:2403.08345 [cs]. – arXiv, 2024.
Landauer T.K. An introduction to latent semantic analysis: Discourse Processes / Landauer T.K., Foltz P.W., Laham D. – 1998. – Т. 25. – № 2-3. – С. 259-284.
LLM-assisted Knowledge Graph Engineering: Experiments with ChatGPT / L.-P. Meyer [et al.] // arXiv:2307.06917 [cs]. – 2024. – LLM-assisted Knowledge Graph Engineering. – С. 103-115.
Managed Multi-Context Systems. / G. Brewka [et al.] journalAbbreviation: IJCAI International Joint Conference on Artificial Intelligence. – 2011. – 786 с.
MDFEND: Multi-domain Fake News Detection / Q. Nan [et al.] // Proceedings of the 30th ACM International Conference on Information & Knowledge Management / arXiv:2201.00987 [cs]. – 2021. – MDFEND. – С. 3343-3347.
Online multiscale dynamic topic models / T. Iwata [et al.] // Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining: KDD ’10. – New York, NY, USA: Association for Computing Machinery, 2010. – С. 663-672.
Ontology summit 2020 communiqué: Knowledge graphs / K. Baclawski [et al.] // Applied Ontology. – 2021. – Т. 16. – Ontology summit 2020 communiqué. – № 2. – С. 229-247.
Poo D. Multi‐domain expert systems / D. Poo, H. Lu // Expert Systems. – 2007. – Т. 8. – С. 67-73.
Public discourse and sentiment during the COVID 19 pandemic: Using Latent Dirichlet Allocation for topic modeling on Twitter / Jia Xue [et al.]. – 2020. – Т. 15. – № 9. – С. e0239441.
Reactive multi-context systems: Heterogeneous reasoning in dynamic environments / G. Brewka [et al.] // Artificial Intelligence. – 2018. – Т. 256. – Reactive multi-context systems. – С. 68-104.
The Hearsay-II Speech-Understanding System: Integrating Knowledge to Resolve Uncertainty / L.D. Erman [et al.] // ACM Comput. Surv. – 1980. – Т. 12. – The Hearsay-II Speech-Understanding System. – № 2. – С. 213-253.
TopicGPT: A Prompt-based Topic Modeling Framework. TopicGPT / C.M. Pham [et al.] arXiv:2311.01449 [cs]. – arXiv, 2024.
Towards leveraging LLMs for Conditional QA / S.-A. Hussain [et al.] arXiv:2312.01143 [cs]. – arXiv, 2023.
Wilson A. Tracking topic birth and death in LDA / A. Wilson, D. Robinson. – 2011.
Belwal R.C. Extractive text summarization using clustering-based topic modeling / R.C. Belwal, S. Rai, A. Gupta // Soft Computing. – 2023. – Vol. 27. – № 7. – P. 3965-3982.
Bikakis A. Alternative Strategies for Conflict Resolution in Multi-Context Systems / A. Bikakis, G. Antoniou, P. Hassapis // Artificial Intelligence Applications and Innovations III / eds. Iliadis [et al.]. – Boston, MA: Springer US, 2009. – P. 31-40.
From Text to Structure: Using Large Language Models to Support the Development of Legal Expert Systems / S. Janatian [et al.] // Legal Knowledge and Information Systems. – IOS Press, 2023. – From Text to Structure. – P. 167-176.
Gonçalves R. Evolving Bridge Rules in Evolving Multi-Context Systems / R. Gonçalves, M. Knorr, J. Leite // Computational Logic in Multi-Agent Systems / eds. N. Bulling [et al.]. – Cham: Springer International Publishing, 2014. – P. 52-69.
Know, Know Where, Knowwheregraph: A Densely Connected, Cross-Domain Knowledge Graph and Geo-Enrichment Service Stack for Applications in Environmental Intelligence / K. Janowicz [et al.] // AI Magazine. – 2022. – Vol. 43. – Know, Know Where, Knowwheregraph. – № 1. – P. 30-39.
Le T. Multi-context Systems with Preferences / T. Le, T.C. Son, E. Pontelli // PRIMA 2015: Principles and Practice of Multi-Agent Systems / eds. Q. Chen [et al.]. – Cham: Springer International Publishing, 2015. – P. 449-466.
Smywiński-Pohl A. Classifying the Wikipedia articles into the OpenCyc taxonomy / A. Smywiński-Pohl. – 2012.
UniProt Consortium. UniProt: the Universal Protein Knowledgebase in 2023 / UniProt Consortium // Nucleic Acids Research. – 2023. – Т. 51. – UniProt. – № D1. – С. D523-D531.
Yi X. A Comparative Study of Utilizing Topic Models for Information Retrieval / X. Yi, J. Allan // Advances in Information Retrieval / eds. M. Boughanem [et al.]. – Berlin, Heidelberg: Springer, 2009. – P. 29-41.

Все журналы

Отправить статью

Научный результат. Информационные технологии включен в научную базу РИНЦ (лицензионный договор № 765-12/2014 от 08.12.2014).

Журнал включен в перечень рецензируемых научных изданий, рекомендуемых ВАК

Журнал индексируется следующими научными базами и платформами

Научный результат. Научный результат. Информационные технологии (ISSN 2518-1092)

The journal materials and website are licensed under Creative Commons «Attribution» 4.0 International.

Учредитель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Издатель: федеральное государственное автономное образовательное учреждение высшего образования «Белгородский государственный национальный исследовательский университет» (НИУ «БелГУ»). Адрес: 308015, Белгородская область, г. Белгород, ул. Победы, 85.

Редакция: главный редактор Черноморец Андрей Алексеевич, e-mail: RR_IT@bsuedu.ru, тел.: +7 (4722) 30-13-92.

Зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор)

Свидетельство о регистрации СМИ

Информационное письмо (русс. яз)

Приказ № 1097-ОД от 15.11.2023 "Об утверждении Регламента издания научных журналов НИУ «БелГУ»"

Приказ № 144-ОД от 16.03.2026 "Об утверждении состава редакционной коллегии журнала «Научный результат. Информационные технологии»"

Приказ № 145-ОД от 16.03.2026 "Об утверждении Устава редакции средства массовой информации научного журнала «Научный результат. Информационные технологии»"

Устав редакции средства массовой информации «Научный результат. Информационные технологии»

Остались вопросы?
Можете написать нам:

✉ Ответственный cекретарь

✉ Администратор сайта

✉ Контент менеджер