Вы здесь ▸ Экспертиза ▸
Мои публикации
Здесь собраны мои публикации. Точнее, большинство из них. Статьи в журналах и сборниках конференций, доклады, презентации, отчеты, авторские свидетельства и др.
1.
Иванов В.К.
Обучение модели Doc2Vec. Как проверить ее качество? В 2-х частях Электронный ресурс
Сайт «Текстоматика. Исследования и разработки В.К. Иванова» 2025, дата обращения: 26.10.2025.
Аннотация | Ссылки | BibTeX | Метки: autocheck, doc2vec, elib, fSimilarity, gensim, loss, machine learning, векторная модель, документ, искусственный интеллект, качество, машинное обучение, обучение, обучение без учителя, оценка, текст, функция потерь
@online{158_03954381-d669-4b34-a22e-dfdaf9aca5be,
title = {Обучение модели Doc2Vec. Как проверить ее качество? В 2-х частях},
author = {Иванов В.К.},
url = {https://ivkconsulting.ru/качество-обучения-doc2vec},
year = {2025},
date = {2025-02-05},
urldate = {2025-10-26},
publisher = {ivkconsulting.ru},
organization = {Сайт «Текстоматика. Исследования и разработки В.К. Иванова»},
abstract = {<p>Использование модели Doc2Vec для оценки качества резюмирования (или суммаризации, автореферирования) текста дает результаты. Но насколько можно доверять этим результатам? Для того, чтобы проверить это, мы прежде всего должны убедиться в том, что модель обучена так, как надо. Это означает, что мы имеем приемлемые значения показателя качества обучения, которые обеспечиваются наилучшим сочетанием значений гиперпараметров модели. Ниже описываются результаты мини-исследования влияния одного из гиперпараметров – количества итераций (“эпох”) – на качество обучения модели Doc2Vec.</p><p>А для того чтобы проверить качество обученной модели, мы прежде всего должны убедиться в том, что мы имеем приемлемые значения индикатора качества обучения. Описываются результаты исследования эффективности предлагаемого нами индикатора качества обучения — функции потерь при обучении модели.</p>},
keywords = {autocheck, doc2vec, elib, fSimilarity, gensim, loss, machine learning, векторная модель, документ, искусственный интеллект, качество, машинное обучение, обучение, обучение без учителя, оценка, текст, функция потерь},
pubstate = {published},
tppubtype = {online}
}
<p>Использование модели Doc2Vec для оценки качества резюмирования (или суммаризации, автореферирования) текста дает результаты. Но насколько можно доверять этим результатам? Для того, чтобы проверить это, мы прежде всего должны убедиться в том, что модель обучена так, как надо. Это означает, что мы имеем приемлемые значения показателя качества обучения, которые обеспечиваются наилучшим сочетанием значений гиперпараметров модели. Ниже описываются результаты мини-исследования влияния одного из гиперпараметров – количества итераций (“эпох”) – на качество обучения модели Doc2Vec.</p><p>А для того чтобы проверить качество обученной модели, мы прежде всего должны убедиться в том, что мы имеем приемлемые значения индикатора качества обучения. Описываются результаты исследования эффективности предлагаемого нами индикатора качества обучения — функции потерь при обучении модели.</p>
2.
Иванов В.К., Борисов С. Ю.
Совершенствование методов поиска научного знания как фактор развития современной науки Статья в журнале
Источник: Инновации в науке, № 25, С. 52-56, 2013, (Иванов В.К., Борисов С.Ю. Совершенствование методов поиска научного знания как фактор развития современной науки // Инновации в науке. - Новосибирск, 2013. - № 25. - С. 52-56.).
Аннотация | Ссылки | BibTeX | Метки: data centre, document, filtering, genetic algorithm, ranking, relevancy, similarity measure, vector model, векторная модель, генетический алгоритм, документ, качество поиска, метрика близости, ранжирование, релевантность, фильтрация
@article{113_fb400dfa-83a3-4e12-a895-d30a826b1f71,
title = {Совершенствование методов поиска научного знания как фактор развития современной науки},
author = {Иванов В.К. and Борисов С. Ю.},
url = {https://disk.yandex.ru/i/l4somu1n-gj3ww
https://disk.yandex.ru/i/6BXMzZYh7FK6lw},
year = {2013},
date = {2013-12-30},
urldate = {2013-12-30},
journal = {Инновации в науке},
number = {25},
pages = {52-56},
publisher = {Новосибирск: СибАК},
abstract = {<p>В настоящей статье представлены промежуточные результаты патентных исследований в рамках проекта РФФИ «Интеллектуальная распределенная система информационной поддержки инноваций в науке и образовании» (договор № НК13-07-0034213, руководитель проекта – Иванов В.К.). В начале статьи приводится подтверждение актуальности предмета исследования – совершенствования методов поиска и синтеза научного знания, далее делается обзор основных результатов, достигнутых, на данный момент, коллективом исследователей. В конце приводятся основные насущные задачи и перспективы дальнейшего развития исследований.</p><p>This article presents the interim results of patent research in the framework of RFBR "Intelligent Distributed Information Management System for Innovation in Science and Education" (contract number NK13-07-0034213, project manager –Ivanov V.K.). In the beginning of the article is a confirmation of the relevance of the research subject – improving the methods of search and synthesis of scientific knowledge, then reviews the main results achieved by a team of researchers for the moment. At the end there are main pressing challenges and prospects for the further development of research.</p><p> </p>},
note = {Иванов В.К., Борисов С.Ю. Совершенствование методов поиска научного знания как фактор развития современной науки // Инновации в науке. - Новосибирск, 2013. - № 25. - С. 52-56.},
keywords = {data centre, document, filtering, genetic algorithm, ranking, relevancy, similarity measure, vector model, векторная модель, генетический алгоритм, документ, качество поиска, метрика близости, ранжирование, релевантность, фильтрация},
pubstate = {published},
tppubtype = {article}
}
<p>В настоящей статье представлены промежуточные результаты патентных исследований в рамках проекта РФФИ «Интеллектуальная распределенная система информационной поддержки инноваций в науке и образовании» (договор № НК13-07-0034213, руководитель проекта – Иванов В.К.). В начале статьи приводится подтверждение актуальности предмета исследования – совершенствования методов поиска и синтеза научного знания, далее делается обзор основных результатов, достигнутых, на данный момент, коллективом исследователей. В конце приводятся основные насущные задачи и перспективы дальнейшего развития исследований.</p><p>This article presents the interim results of patent research in the framework of RFBR "Intelligent Distributed Information Management System for Innovation in Science and Education" (contract number NK13-07-0034213, project manager –Ivanov V.K.). In the beginning of the article is a confirmation of the relevance of the research subject – improving the methods of search and synthesis of scientific knowledge, then reviews the main results achieved by a team of researchers for the moment. At the end there are main pressing challenges and prospects for the further development of research.</p><p> </p>
3.
Иванов В.К., Виноградова Н.В.
Эвристический алгоритм фильтрации и семантического ранжирования результатов поиска документов Статья в журнале
Источник: Вестник Тверского государственного университета. Серия "Прикладная математика", том 41, № 3, С. 97-106, 2013, (Иванов В.К., Виноградова Н.В. Эвристический алгоритм фильтрации и семантического ранжирования результатов поиска документов // Вестник Тверского государственного университета. Серия "Прикладная математика". № 41. - Тверь, 2013. - № 3. - C. 97-106.).
Аннотация | Ссылки | BibTeX | Метки: algorithm, data centre, document, filtering, fSimilarity, innovation, measure of similarity, ranking, relevancy, search quality, solution search, vector model, алгоритм, векторная модель, качество поиска, метрика близости, поиск решений, ранжирование, релевантность, фильтрация
@article{117_59ef0f13-b24c-4394-85db-28b8d149cf54,
title = {Эвристический алгоритм фильтрации и семантического ранжирования результатов поиска документов},
author = {Иванов В.К. and Виноградова Н.В.},
url = {https://disk.yandex.ru/i/MJVUOFfkdmr7tA},
year = {2013},
date = {2013-09-29},
urldate = {2025-01-25},
journal = {Вестник Тверского государственного университета. Серия "Прикладная математика"},
volume = {41},
number = {3},
pages = {97-106},
publisher = {Тверь: ТвГУ},
abstract = {<p>В статье описываются основные идеи предложенного авторами общего алгоритма для фильтрации и ранжирования результатов поиска, выполненного с помощью доступных поисковых систем. При этом используется вычисление показателей близости документов к эталонным множествам, формируемым в ходе выполнения алгоритма.</p><p>Рассматриваемый алгоритм является одним из элементов архитектуры интеллектуальной системы информационной поддержки инноваций в науке и образовании. Он будет служить основой модуля поиска этой системы (выполнение поискового запроса для каталога инновационных решений) и модуля уточнения запроса (фильтрация и контроль тематики результатов поиска, уточнение термов поискового запроса). Особенности алгоритма: использует результаты поиска, полученные при штатном применении других поисковых систем; может быть применен с разной степенью автоматизации выполнения различных шагов; инвариантен относительно использования любой поисковой системы; не требует переработки алгоритмов ранжирования поисковой системы, а наоборот, использует их. В статье приведены данные об апробации алгоритма в рамках выполнения патентных исследований - реальной задачи поиска и обработки документов по заданной тематике.</p><p>Heuristic algorithm for filtering and semantic ranking of the document search results</p><p>The paper describes the main ideas proposed by the authors of the general algorithm for filtering and ranking search results that are made using the available search engines. It uses the calculation of document similarity indicators to the set of еру standard documents to be formed by the algorithm.</p><p>The considered algorithm is one of the elements of an intelligent system of information support of innovation in science and education. It will the basis for the search module of the system architecture (search for innovative solutions directory), and refine query module (filtering and subjects control in search results, refining the search query terms). Features of the algorithm: it uses the search results that obtained in the regular use of other search engines, can be applied with varying degrees of various steps automation, invariant with respect to the use of any search engine, does not require redevelopment search engine ranking algorithms, but rather uses them. The article presents info on the validation of the algorithm in the patent research that is real task for documents searching and processing on a particular topic.</p>},
note = {Иванов В.К., Виноградова Н.В. Эвристический алгоритм фильтрации и семантического ранжирования результатов поиска документов // Вестник Тверского государственного университета. Серия "Прикладная математика". № 41. - Тверь, 2013. - № 3. - C. 97-106.},
keywords = {algorithm, data centre, document, filtering, fSimilarity, innovation, measure of similarity, ranking, relevancy, search quality, solution search, vector model, алгоритм, векторная модель, качество поиска, метрика близости, поиск решений, ранжирование, релевантность, фильтрация},
pubstate = {published},
tppubtype = {article}
}
<p>В статье описываются основные идеи предложенного авторами общего алгоритма для фильтрации и ранжирования результатов поиска, выполненного с помощью доступных поисковых систем. При этом используется вычисление показателей близости документов к эталонным множествам, формируемым в ходе выполнения алгоритма.</p><p>Рассматриваемый алгоритм является одним из элементов архитектуры интеллектуальной системы информационной поддержки инноваций в науке и образовании. Он будет служить основой модуля поиска этой системы (выполнение поискового запроса для каталога инновационных решений) и модуля уточнения запроса (фильтрация и контроль тематики результатов поиска, уточнение термов поискового запроса). Особенности алгоритма: использует результаты поиска, полученные при штатном применении других поисковых систем; может быть применен с разной степенью автоматизации выполнения различных шагов; инвариантен относительно использования любой поисковой системы; не требует переработки алгоритмов ранжирования поисковой системы, а наоборот, использует их. В статье приведены данные об апробации алгоритма в рамках выполнения патентных исследований - реальной задачи поиска и обработки документов по заданной тематике.</p><p>Heuristic algorithm for filtering and semantic ranking of the document search results</p><p>The paper describes the main ideas proposed by the authors of the general algorithm for filtering and ranking search results that are made using the available search engines. It uses the calculation of document similarity indicators to the set of еру standard documents to be formed by the algorithm.</p><p>The considered algorithm is one of the elements of an intelligent system of information support of innovation in science and education. It will the basis for the search module of the system architecture (search for innovative solutions directory), and refine query module (filtering and subjects control in search results, refining the search query terms). Features of the algorithm: it uses the search results that obtained in the regular use of other search engines, can be applied with varying degrees of various steps automation, invariant with respect to the use of any search engine, does not require redevelopment search engine ranking algorithms, but rather uses them. The article presents info on the validation of the algorithm in the patent research that is real task for documents searching and processing on a particular topic.</p>
Я подготовил довольно много печатных материалов. И, готовя к публикации очередной материал, я каждый раз помнил основное правило — публиковать результаты работы. Не писал текст для того, чтобы написать статью или отчет. Поэтому мне трудно найти свои работу, которая вызывала бы у меня чувство неловкости.
Также отмечу, что писал и сейчас пишу довольно медленно. Для серьезных статей хорошо, если получается одна страница в день. Многократно правлю текст, пытаясь точнее передать свою мысль. Не всегда удаётся, но стараюсь. И, как правило, начинаю с плана предполагаемых структуры и содержания. Помогает.
Результаты см. выше.