МЕТОДИКА ОПРЕДЕЛЕНИЯ И АНАЛИЗА ТЕХНИЧЕСКИХ ХАРАКТЕРИСТИК ТЕХНОЛОГИЧЕСКИХ ТРЕНДОВ
Аннотация
Стремительный рост научных знаний и постоянно растущий объем научных публикаций создают серьезные проблемы для выявления новых тенденций и понимания меняющегося исследо- вательского ландшафта. Формирование технологических трендов необходимо для разработки и построения дорожных карт развития на национальном, отраслевом и корпоративном уровнях. Задача определения технологических трендов является важной проблемой в области анализа дан- ных и машинного обучения. Известные методы анализа, включающие кластеризацию по времен- ному фактору, позволяют сформировать ключевые фразы, но задача формирования трендов, ис- следования их характеристик и динамики их развития не имеют в настоящее время удовлетвори- тельного решения. Решение этой задачи предполагает: – создание методики перехода от ключе- вых фраз к непосредственно названию новых технологических трендов; – определение закономер- ности, развития технологий в заданной предметной области; – определение направления разви- тия будущих исследований. Решение этих задач позволит создать эффективный инструмент поддержки принятия решений, уменьшить время выявления тренда, оценки динамики его разви- тия и построения дорожных карт. В представленной работе предлагается новый подход к фор- мированию технологических трендов. Метод основан на алгоритмах машинного обучения и мето- дах обработки естественного языка и направлен на преодоление некоторых ограничений тради- ционных методов. В частности, методика позволяет выявить сложные взаимосвязи между раз- личными научными концепциями и обеспечивает более точный и всесторонний способ выявления трендов. Проведен анализ методов и способов выявления трендов научно-технологического раз- вития и их развития на основе ключевых слов, выявленных с помощью модели, использующей кла- стеризацию по времени. Предложен алгоритм выявления трендов.
Список литературы
1. Белевцев А.М., Дворецкий В.В. Методы мониторинга конкурентного окружения высокотехноло-
гичного предприятия // Наукоемкие технологии. – 2019. – Т. 20, № 3. – С. 17-23.
2. Анферова М.С., Белевцев А.М., Дворецкий В.В. Методика и структурно-функциональная органи-
зация системы мониторинга научно-технической информации для определения направлений
развития высокотехнологичных предприятий // Матер. Всероссийской научно-технической
конференции с международным участием «КомТех-2024». – С. 302-309.
3. Анферова М.С., Белевцев А.М. Поисковые роботы для автоматизированного мониторинга ин-
формации в сетях общего и специального назначения // 18-я Международная научно-
практическая конференция «Управление качеством». – 2019.
4. Анферова М.С., Белевцев А.М. Общая концепция создания технологии интеллектуального поиска
информации в сетях общего и специального назначения // XXV Всероссийская научно-
техническая конференция с международным участием имени профессора О.Н. Пьявченко “Ком-
пьютерные и информационные технологии в науке, инженерии и управлении” «КомТех-2021».
5. Белевцев А.М., Балыбердин В.А., Белевцев А.А. Методика оценки времени и стоимости реализа-
ции технологических трендов в условиях неопределенности и не полноты информации // Нау-
коемкие технологии. – 2019. – № 5.
6. Анферова М.С., Белевцев А.М. Анализ направлений создания алгоритмов эффективного поиска
информации в сетях общего и специального назначения // Матер. III Всероссийской научно-
технической конференции «Актуальные проблемы современной науки и производства». – Ря-
зань: РГРТУ, 2018.
7. Анферова М.С., Белевцев А.М. Анализ направлений развития технологий мониторинга в условиях
большого объёма неструктурированной информации // XXIV Всероссийская научно-техническая
конференция с международным участием имени профессора О.Н. Пьявченко ”Компьютерные и
информационные технологии в науке, инженерии и управлении” «КомТех-2020».
8. Анферова М.С., Белевцев А.М., Белевцев А.А. Методика формирования технологических трендов
на основе обработки разнородных данных в сетях общего назначения // Известия ЮФУ. Техни-
ческие науки. – 2024.
9. Анферова М.С., Белевцев А.М. Анализ требований и разработка алгоритмов интеллектуальных
сервисов мониторинга // Известия ЮФУ. Технические науки. – 2022. – № 3. – С. 119-129.
10. Анферова М.С., Белевцев А.М., Белевцев А.А. Методика анализа развития зарождающихся техно-
логий и технологических фронтов // Известия ЮФУ. Технические науки. – 2023. – № 4. – С. 87-96.
11. Sakshi Patel, Shivani Sihmar, Aman Jatain. A study of hierarchical clustering algorithms // 2015 2nd
International Conference on Computing for Sustainable Global Development (INDIACom). – 2015.
– P. 537-541.
12. Pilehvar Mohammad Taher. WiC: the Word-in-Context Dataset for Evaluating Context Sensitive
Meaning Representations. – 2019.
13. Deng Z., Liu R., Xu P., Choi K., Zhang W., Tian X., Zhang T., Liang L., Qin B., Wang S. Multi-view
clustering with the cooperation of visible and hidden views // IEEE Trans. Knowl. Data Eng. – 2020.
14. Белевцев А.А, Белевцев А.М, Балыбердин В.А. Методика анализа и оценки приоритетов технологических трендов и технологий // Известия ЮФУ. Технические науки. – 2022. – № 6.
15. Tomas Mikolov et al. Efficient Estimation of Word Representations in Vector Space // International
Conference on Learning Representations. – 2013.
16. Белевцев А.М., Садреев Ф.Г., Белевцев А.А., Балыбердин В.А. Разработка интеллектуальных сер-
висов мониторинга технологических трендов в информационно-аналитических комплексах //
Наукоемкие технологии. – 2019. – Т. 20, № 3. – С. 24-29.
17. Анферова М.С., Белевцев А.М. Разработка алгоритма определения опорных тем для решения
задач стратегического анализа // Сб. докладов: Матер. Всероссийской научно-технической
конференции с международным участием «Компьютерные и информационные технологии в
науке, инженерии и управлении» «КомТех- 2022». – 2022. – С. 132-138.
18. Devlin Jacob. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.
– 2019.
19. Radford Alec., Karthik Narasimhan. Improving Language Understanding by Generative Pre-Training.
– 2018.
20. Sahar Behpour et al. Automatic trend detection: Time-biased document clustering // Knowledge-
Based Systems. – 2021. – 220.