Analyzing and Monitoring the Assignment of Rubrics to Electronic Text Documents
DOI:
https://doi.org/10.24160/1993-6982-2018-4-121-127Keywords:
computer-aided analysis and fuzzy assignment of rubrics to texts, dynamic thesaurus, processing of citizens' appeals, formalization of electronic text documentsAbstract
The article proposes a solution to the problem of analyzing and monitoring the assignment of rubrics to electronic text documents (ETDs) in the systems for analyzing complaints, proposals and appeals of citizens arriving to the bodies of legislative and executive power at different levels, which will help the answers to be prepared with better quality and within a shorter period of time. It is shown that the work on assigning the rubrics to such ETDs and monitoring them is carried out under the conditions of an unsteady thesaurus (i.e., the composition and importance of words). In addition, the way in which this work is carried out depends on the updating of new regulatory documents, which generates the need of using dynamic classification procedures in monitoring the rubrics of ETDs. These circumstances determine the advisability of monitoring and periodically revising the rubric field with subsequently modifying the administrative regulations that define the responsibility of relevant departments for certain rubrics in accordance with the following situations that require dynamic changes to be made in the rubric field: defining additional “interfacing” rubrics; introducing new rubrics; dividing, excluding, and uniting rubrics. To analyze and monitor the assignment of rubrics to electronic text documents, a method is proposed, which includes the following main steps: assigning rubrics to ETDs and defining their totality, checking the consistency of ETDs to their rubrics, and checking the rubric field alteration conditions. Situations requiring alteration of the rubric field are considered, criterial indicators are defined, conditions under which the rubrics can be modified are described, and rules of changing them are proposed. The proposed method for analyzing and monitoring ETDs opens the possibility of updating their rubrics depending on the structure and indicators of text documents under the conditions of an unsteady composition of the thesaurus and importance of key words in the rubrics.
References
2. Аналитическая справка о работе Аппарата Администрации Смоленской области с обращениями граждан [Офиц. сайт] https://www.admin smolensk.ru/obrascheniya_grazhdan/obzori_obrascheniy/news_16096.html (дата обращения 17.06.2017).
3. Обзор обращений граждан Администрации города Санкт-Петербурга [Офиц. сайт] http://gov.spb.ru/gov/obrasheniya–grazhdan/otchet–obrasheniya/?page=1 (дата обращения 25.06.2017).
4. Гимаров В.А., Дли М.И., Круглов В.В. Задачи распознания нестационарных образов // Известия РАН. Серия «Теория и системы управления». 2004. № 3. С. 92—96.
5. Гимаров В.А., Дли М.И. Нейросетевой алгоритм классификации сложных объектов // Программные продукты и системы. 2004. № 4. С. 51—56.
6. Singh. S. Dynamic Pattern Recognition for Temporal Data // Proc. 5 th European Congress on Intelligent Techniques and Soft Computing. Aachen, 1997. V 3. Pр. 1993—1997.
7. Учителев Н.В. Классификация текстовой информации с помощью SVM // Информационные технологии и системы. 2013. № 1. С. 335—340.
8. Заболеева-Зотова А.В., Петровский А.Б., Орлова Ю.А., Шитова Т.А. Автоматизированный анализ тематики текстов новостей // Intern. J. Information Content and Proc. 2016. V. 3. No. 3. Pp. 288—299.
9. Шаграев А.Г., Фальк В.Н. Линейные классификаторы в задаче классификации текстов // Вестник МЭИ. 2013. № 4. C. 204—209.
10. Фальк В.Н., Бочаров И.А., Шаграев А.Г. Трансдуктивное обучение логистической регрессии в задаче классификации текстов // Программные продукты и системы. 2014. № 2. С. 114—117.
11. Козлов П.Ю. Сравнение частотного и весового алгоритмов автоматического анализа документов // Научное обозрение. 2015. № 14. С. 245—250.
12. Протасов С. Грамматика связей Link Grammar. [Электрон. ресурс] http://sz.ru/parser/doc/ (дата обращения 10.07.2017).
13. Борисов В.В., Федулов А.С., Зернов М.М. Основы теории нечетких множеств. М.: Горячая линия–Телеком, 2014.
14. Гимаров В.А. Методы и автоматизированные системы динамической классификации сложных техногенных объектов: автореф. дисс. ... доктора техн. наук. М., 2004.
---
Для цитирования: Борисов В.В., Дли М.И., Козлов П.Ю. Анализ и мониторинг рубрицирования электронных текстовых документов // Вестник МЭИ. 2018. № 4. С. 121—127. DOI: 10.24160/1993-6982-2018-4-121-127.
#
1. Kozlov P.Yu. Metody Avtomatizirovannogo Analiza Korotkih Nestrukturirovannyh Tekstovyh Dokumentov. Programmnye Produkty i Sistemy. 2017;1:100—106. (in Russian).
2. Analiticheskaya Spravka o Rabote Apparata Administratsii Smolenskoy Oblasti s Obrashcheniyami Grazhdan [Ofits. Sayt] https://www.admin smolensk.ru/obrascheniya_grazhdan/obzori_obrascheniy/news_16096.html (Data Obrashcheniya 17.06.2017). (in Russian).
3. Obzor Obrashcheniy Grazhdan Administratsii Goroda Sankt-Peterburga [Ofits. Sayt] http://gov.spb.ru/gov/obrasheniya–grazhdan/otchet–obrasheniya/?page=1 (Data Obrashcheniya 25.06.2017). (in Russian).
4. Gimarov V.A., Dli M.I., Kruglov V.V. Zadachi Raspoznaniya Nestatsionarnyh Obrazov. Izvestiya RAN. Seriya «Teoriya i Sistemy Upravleniya». 2004; 3:92—96. (in Russian).
5. Gimarov V.A., Dli M.I. Neyrosetevoy Algoritm Klassifikatsii Slozhnyh Ob′ektov. Programmnye Produkty i Sistemy. 2004; 4:51—56. (in Russian).
6. Singh S. Dynamic Pattern Recognition for Temporal Data. Proc. 5 th European Congress on Intelligent Techniques and Soft Computing. Aachen, 1997; 3:1993—1997.
7. Uchitelev N.V. Klassifikatsiya Tekstovoy Informatsii s Pomoshch'yu SVM. Informatsionnye Tekhnologii I Sistemy. 2013; 1:335—340. (in Russian).
8. Zaboleeva-Zotova A.V., Petrovskiy A.B., Orlova Yu.A., Shitova T.A. Avtomatizirovannyy Analiz Tematiki Tekstov Novostey. Intern. J. Information Content and Proc. 2016;3;3:288—299. (in Russian).
9. Shagraev A.G., Fal'k V.N. Lineynye Klassifikatory v Zadache Klassifikatsii Tekstov. Vestnik MPEI. 2013; 4:204—209. (in Russian).
10. Fal'k V.N., Bocharov I.A., Shagraev A.G. Transduktivnoe Obuchenie Logisticheskoy Regressii v Zadache Klassifikatsii Tekstov. Programmnye Produkty I Sistemy. 2014; 2:114—117. (in Russian).
11. Kozlov P.Yu. Sravnenie Chastotnogo i Vesovogo Algoritmov Avtomaticheskogo Analiza Dokumentov. Nauchnoe Obozrenie. 2015; 14:245—250. (in Russian).
12. Protasov S. Grammatika Svyazey Link Grammar. [Elektron. Resurs] http://sz.ru/parser/doc/ (Data Obrashcheniya 10.07.2017). (in Russian).
13. Borisov V.V., Fedulov A.S., Zernov M.M. Osnovy Teorii Nechetkih Mnozhestv. M.: Goryachaya Liniya–Telekom, 2014. (in Russian).
14. Gimarov V.A. Metody i Avtomatizirovannye Sistemy Dinamicheskoy Klassifikatsii Slozhnyh Tekhnogennyh Ob′ektov: Avtoref. Diss. ... Doktora Tekhn. Nauk. M., 2004.
---
For citation: Borisov V.V., Dli M.I., Kozlov P.Yu. Analyzing and Monitoring the Assignment of Rubrics to Electronic Text Documents. MPEI Vestnik. 2018;4:121—127. (in Russian). DOI: 10.24160/1993-6982-2018-4-121-127.
