Целью исследования является разработка алгоритма формирования входного набора данных с учетом их разнородности для последующей генерации разноуровневых вариативных связей «исполнитель – задача», как инструмента интеллектуальной поддержки принятия управленческих решений в организационных системах. В качестве новизны разработанного алгоритма выступает установление синтеза между экспертами и методами интеллектуального анализа данных при формировании слабо формализованного входного признакового пространства. Основой для реализации указанного подхода идентификации исполнителя выступают ключевые слова, формирующиеся из разнородной совокупности текстовых данных с применением методов векторизации. Подробно рассмотрена последовательность этапов представленного алгоритма. Также некоторые этапы детализированы на примере формирования входного набора данных для учебной дисциплины в целях решения задачи распределения дисциплин между преподавателями. Представлена возможность применения трехуровневой взвешенной экспертной оценки, необходимой для реализации этапа выбора семантически значимой части или частей исходного документа, а также при проведении очистки данных и формировании словаря исключений. Рассмотрены на примере образовательной организационной структуры результаты формирования облака ключевых слов учебной дисциплины, полученные с применением предложенного алгоритма интеллектуальной поддержки формирования входного набора данных. В отличие от существующих решений представленный алгоритм содержит применение технологий искусственного интеллекта с учетом разнородности входного набора данных и позволяет улучшить качество входного набора данных в целях увеличения точности при последующем установлении разноуровневых связей между исполнителем и задачами в рамках подхода, реализующего интеллектуальную поддержку принятия решения.
As a tool for intellectual support of managerial decision-making in organizational systems, the article presents an algorithm for generating an input data set, taking into account their heterogeneity, for the subsequent generation of multi-level variable performer-task relationships. The novelty of the developed algorithm is the establishment of a synthesis between experts and data mining methods in the formation of a weakly formalized input feature space. The basis for the implementation of this approach to the identification of the performer are keywords formed from a heterogeneous set of text data using vectorization methods. The sequence of stages of the presented algorithm is considered in detail. Also, some stages are detailed using the example of forming an input data set for an academic discipline in order to solve the problem of distributing disciplines among teachers. The possibility of applying a three-level weighted expert assessment is presented, which is necessary to implement the stage of selecting a semantically significant part or parts of the source document, as well as during data purification and the formation of a dictionary of exceptions. Using the example of an educational organizational structure, the results of the formation of a keyword cloud of an academic discipline obtained using the proposed algorithm for intellectual support of the formation of an input data set are considered. Unlike existing solutions, the presented algorithm contains the use of artificial intelligence technologies, taking into account the heterogeneity of the input data set and allows improving the quality of the input data set in order to increase accuracy in the subsequent establishment of multi-level relationships between the performer and the tasks within the framework of an approach that implements intelligent decision support.
1. Смоленцева Т.Е. Технология непрерывной оценки остаточных знаний на примере потоковых дисциплин высших учебных заведений // Современные наукоемкие технологии. 2025. № 1. С. 158-165. URL: https://top-technologies.ru/ru/article/view?id=40292 (дата обращения: 26.06.2025). DOI: 10.17513/snt.40292.
2. Смоленцева Т.Е. Алгоритм модели классификации потоковых дисциплин для разработки рекомендаций по оценке остаточных знаний // Современные проблемы науки и образования. 2025. № 2. С. 46. URL: https://science-education.ru/article/view?id=33972 (дата обращения: 22.07.2025). DOI: 10.17513/spno.33972.
3. Пучкова М.А., Смоленцева Т.Е., Калач Е.В. Концепция формирования инструментария генерации связей «преподаватель–дисциплина» в структуре организаций высшего образования // Вестник Воронежского института ФСИН России. 2024. № 3. С. 93-99. URL: https://vi.fsin.gov.ru/upload/territory/Vi/nauchnaja_dejatelnost/%D0%92%D0%B5%D1%81%D1%82%D0%BD%D0%B8%D0%BA/v_fsin_2024_3.pdf (дата обращения: 03.07.2025).
4. Babina O.I., Zinoveva A.Yu., Nerucheva E.D. Dataset preprocessing effects on Bi-LSTM-based concept tagging of text tokens // Terra Linguistica. 2024. Vol. 15, Is. 3. P. 109-123. URL: https://human.spbstu.ru/userfiles/files/articles/2024/3/109-123.pdf (дата обращения: 30.06.2025). DOI: 10.18721/JHSS.15310.
5. Бова В.В., Кравченко Ю.А., Родзин С.И. Методы и алгоритмы кластеризации текстовых данных (обзор) // Известия ЮФУ. Технические науки. 2022. № 4(228). С. 122-143. URL: https://izn.dev.rdcenter.ru/index.php/izv_tn/article/view/682 (дата обращения: 03.07.2025). DOI: 10.18522/2311-3103-2022-4-122-143.
6. Ефанов С.В., Иванова Е.Н., Чернецкая И.Е. Метод и алгоритм интеллектуальной обработки текстовой информации // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14. № 3. С. 22-35. URL: https://uprinmatus.elpub.ru/jour/article/view/202 (дата обращения: 04.07.2025). DOI: 10.21869/2223-1536-2024-14-3-22-35.
7. Писарева О.М. Задачи и методы оптимизации состава исполнителей программ и проектов в системе стратегического планирования // МИР (Модернизация. Инновации. Развитие). 2022. Т. 13. № 3. С. 385-401. URL: https://www.mir-nayka.com/jour/article/view/1314 (дата обращения: 28.06.2025). DOI: 10.18184/2079-4665.2022.13.3.385-401.
8. Hersianty Meida V., Amalia Larasati E., Puspitasari D., Wibowo Wahyu D. Penerapan algoritma TF-IDF dan Cosine Similarity dalam sistem rekomendasi lowongan pekerjaan // JATI (Jurnal Mahasiswa Teknik Informatika). 2024. Vol. 9. Is. 1. P. 1619-1625. URL: https://www.researchgate.net/publication/388349464_PENERAPAN_ALGORITMA_TF-IDF_DAN_COSINE_SIMILARITY_DALAM_SISTEM_REKOMENDASI_LOWONGAN_PEKERJAAN (дата обращения: 01.07.2025). DOI: 10.36040/jati.v9i1.12406.
9. Vijay R., Singhal D. Predictive Modeling for Fake News Detection Using TF-IDF & Count Vectorizers // International Journal of Electronic Security and Digital Forensics. 2024. Vol. 16. Is. 4. P. 503-519. URL: https://www.inderscience.com/offers.php?id=139672 (дата обращения: 01.07.2025). DOI: 10.1504/IJESDF.2024.139672.
10. Heryawan L., Novitaningrum D., Nastiti K.R., Mahmudah S.N. Medical Record Document Search with TF-IDF and Vector Space Model (VSM) // International Journal on Advanced Science, Engineering and Information Technology. 2024. Vol. 14. Is. 3. P. 847-852. URL: https://ijaseit.insightsociety.org/index.php/ijaseit/article/view/19606 (дата обращения: 01.07.2025). DOI: 10.18517/ijaseit.14.3.19606.
11. Tawil A.Al., Almazaydeh L., Qawasmeh D. [et al.] Comparative Analysis of Machine Learning Algorithms for Email Phishing Detection Using TF-IDF, Word2Vec, and BERT // Computers, Materials and Continua. 2024. Vol. 81. Is. 2. P. 3395-3412. URL: https://www.techscience.com/cmc/v81n2/58675 (дата обращения: 22.07.2025). DOI: 10.32604/cmc.2024.057279.
12. Lan F. Research on Text Similarity Measurement Hybrid Algorithm with Term Semantic Information and TF-IDF Method // Advances in Multimedia. 2022. P. 7923262. URL: https://onlinelibrary.wiley.com/doi/10.1155/2022/7923262 (дата обращения: 01.07.2025). DOI: 10.1155/2022/7923262.
13. Sharma A., Kumar S. Ontology-based semantic retrieval of documents using Word2vec model // Data & Knowledge Engineering. 2023. Vol. 144. P. 102110. URL: https://www.sciencedirect.com/science/article/pii/S0169023X2200101X?via%3 Dihub (дата обращения: 22.07.2025). DOI: 10.1016/j.datak.2022.102110.
14. Ярушкина Н.Г., Мошкин В.С., Константинов А.А. Применение языковых моделей word2vec и bert в задаче сентимент-анализа текстовых сообщений социальных сетей // Автоматизация процессов управления. 2020. № 3(61). С. 60-69. URL: https://www.elibrary.ru/item.asp?id=44130587 (дата обращения: 02.07.2025). DOI: 10.35752/1991-2927-2020-3-61-60-69.
15. Rainio O., Teuho Ja., Klén R. Evaluation metrics and statistical tests for machine learning // Scientific Reports. 2024. Vol. 14. Is. 1. P. 6086. URL: https://www.nature.com/articles/s41598-024-56706-x (дата обращения: 03.07.2025). DOI: 10.1038/s41598-024-56706-x.