Контекстуальная регуляризация признакового пространства слабоструктурированных данных для анализа топологии рисков сложных технических систем

Системный анализ и управление
Авторы:
Шкодырев В.П.Конников Е.А.Поляков П.А.
Аннотация:

В статье рассматривается проблема устранения разреженности и «ложной ортогональности» в коротких, слабо структурированных технических сообщениях, которые затрудняют систематический анализ и моделирование топологии рисков сложных технических систем. Предлагается метод контекстной регуляризации пространства признаков, который рассматривает обогащение векторных представлений как управляемый процесс диффузии на графе совместного появления лемм. Топология контекста задается взвешенной матрицей смежности на основе положительной точечной взаимной информации, а рекурсивный диффузор выполняет итеративное распространение признаков с глубинным затуханием и адаптивным IDF-шлюзом, который подавляет шумовые связи и усиливает диагностически значимые термины. Настройка параметра регуляризации формализуется как задача максимизации целевого функционала качества, сочетающего метрики структурной разделимости и семантической полноты с пороговым штрафом за ухудшение разделимости. Априори демонстрируется ограниченный характер процесса диффузии и доказывается устранение ортогональности терминологически гетерогенных описаний при наличии контекстуального «моста» в графе. Экспериментальное тестирование на корпусе оперативных сообщений NRC демонстрирует значительное увеличение семантической когерентности тем при сохранении геометрической разделимости кластеров. Полученное в результате регуляризованное пространство улучшает интерпретируемость тематической структуры инцидентов и создает основу для последующей самоорганизации таксономии рисковых событий и построения проверяемых контуров поддержки принятия решений.

Финансовые условия:

Исследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках государственного задания «Разработка методологии формирования инструментальной базы анализа и моделирования пространственного социально-экономического развития систем в условиях цифровизации с опорой на внутренние резервы» (FSEG-2023-0008).

Ключевые слова:
слабоструктурированные данныесистемный анализ рисковтематическое моделированиеграф совместной встречаемостидиффузионное обогащение признаковинтерпретируемый ИИтопология аварийных ситуаций
  • Список литературы

    1. Rodionov D.G., Konnikov E.A., Mugutdinov R.M. Sistemnyi analiz konkurentosposobnosti tsifrovogo predpriiatiia v ramkakh informatsionnoi sredy [System analysis of the competitiveness of a digital enterprise within the information environment]. Economic Sciences, 2020, Vol. 193, No. 12, Pp. 394–401. DOI: 10.14451/1.193.394

    2. Makarova E.A. Processing of semi-structured text data for use in data analysis models. Information and mathematical technologies in science and management, 2023, Vol. 29, No. 1, Pp. 178–189. DOI: 10.25729/ESI.2023.29.1.015

    3. Salganik M.J. Bit by Bit: Social Research in the Digital Age. Princeton: Princeton University Press, 2017.

    4. Postiglione A., Monteleone M. Predictive maintenance with linguistic text mining. Mathematics, 2024, Vol. 12, No. 7, Art. no. 1089. DOI: 10.3390/math12071089

    5. Boyd R.L., Schwartz H.A. Natural language analysis and the psychology of verbal behavior: The past, present, and future states of the field. Journal of Language and Social Psychology, 2021, Vol. 40, No. 1, Pp. 21–41. DOI: 10.1177/0261927X20967028

    6. Wang Y., Chung S.-H. Artificial intelligence in safety-critical systems: a systematic review. Industrial Management & Data Systems, 2022, Vol. 122, No. 2, Pp. 442–470. DOI: 10.1108/IMDS-07-2021-0419

    7. Ignatow G., Mihalcea R.F. Text Mining: A Guidebook for the Social Sciences. Los Angeles: SAGE Publications, 2017.

    8. Konnikov E.A., Kryzhko D.A. Two-stage semantic clustering of embeddings as an alternative to LDA for infometric analysis of industry news. Software Systems and Computational Methods, 2025, Vol. 3, Pp. 10–19. DOI: 10.7256/2454-0714.2025.3.75348

    9. Macanovic A., Przepiorka W. A systematic evaluation of text mining methods for short texts: Mapping individuals’ internal states from online posts. Behavior Research Methods, 2024, Vol. 56, Pp. 2782–2803. DOI: 10.3758/s13428-024-02381-9

    10. Sazonov G.V., Lukyanov K.S., Boyarsky S.K., Makarov I.A. Is AI interpretability safe: the relationship between interpretability and security of machine learning models. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS), 2024, Vol. 36, No. 5, Pp. 127–142. DOI: 10.15514/ISPRAS-2024-36(5)-9

    11. Rodionov D.G., Karpenko P.A., Konnikov E.A. Metodika kvantifikatsii sostoianiia trudovykh resursov v kontekste upravleniia razvitiem regional'noi sotsial'no-ekonomicheskoi sistemoi [Methodology for quantifying the state of labor resources in the context of managing the development of the regional socio-economic system]. Economic Sciences, 2021, Vol. 197, No. 4, Pp. 171–179. DOI: 10.14451/1.197.171

    12. Probierz B., Hrabia A., Kozak J. A new method for graph-based representation of text in natural language processing. Electronics, 2023, Vol. 12, No. 13, Art. no. 2846. DOI: 10.3390/electronics12132846

    13. Krasnov F.V., Baskakova E.N., Smaznevich I.S. Assessment of the applied quality of topic models for clustering problems. Tomsk State University Journal of Control and Computer Science, 2021, No. 56, Pp. 100–111. DOI: 10.17223/19988605/56/11

    14. Irkhin I.A., Bulatov V.G., Vorontsov K.V. Additive regularization of topic models with fast text vectorization. Computer Research and Modeling, 2020, Vol. 12, No. 6, Pp. 1515–1528. DOI: 10.20537/2076-7633-2020-12-6-1515-1528

    15. Li P., Fu X., Chen J., Hu J. CoGraphNet for enhanced text classification using word-sentence heterogeneous graph representations and improved interpretability. Scientific Reports, 2025, Vol. 15, Art. no. 356. DOI: 10.1038/s41598-024-83535-9

    16. Hsu M.-F., Chang C., Zeng J.-H. Automated text mining process for corporate risk analysis and management. Risk Management, 2022, Vol. 24, Pp. 386–419. DOI: 10.1057/s41283-022-00099-6

    17. Gelastopoulos G., Keramydas C. A systematic review of text mining analytics for supply chain risk management using online data. Supply Chain Analytics, 2025, Vol. 12, Art. no. 100167. DOI: 10.1016/j.sca.2025.100167

    18. Troxler A., Schelldorfer J. Actuarial applications of natural language processing using transformers: Case studies for using text features in an actuarial context. British Actuarial Journal, 2024, Vol. 29, Art. no. 4. DOI: 10.1017/S1357321724000023

    19. Murshed B.A.H., Mallappa S., Abawajy J., Saif M.A.N., Al-ariki H.D.E., Abdulwahab H.M. Short text topic modeling approaches in the context of big data: taxonomy, survey, and analysis. Artificial Intelligence Review, 2023, Vol. 56, Pp. 5133–5260. DOI: 10.1007/s10462-022-10254-w

    20. Vashchenko V.A. Topic modeling for short texts: comparative analysis of algorithms. Sociology: Methodology, Methods, Mathematical Modeling (Sociology: 4M), 2024, Vol. 56, Pp. 69–112. DOI: 10.19181/4m.2023.32.1.2

    21. Mozaidze E.S. Topic modeling in the stream of short messages in Russian. Russian Technological Journal, 2025, Vol. 13, No. 1, Pp. 38–48. DOI: 10.32362/2500-316X-2025-13-1-38-48

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья