News of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesNews of the Kabardino-Balkarian Scientific Center of the Russian Academy of SciencesИзвестия Кабардино-Балкарского научного центра РАН1991-66392949-194029070310.35330/1991-6639-2025-27-1-111-119UJJXRMИнформатика и информационные процессыInformatics and information processesResearch ArticleResearch on main methods of automatic processing, grouping and annotation of informationИсследование основных методов автоматической обработки, группировки и аннотирования информацииhttps://orcid.org/0009-0001-2293-63904195-0317TikhonovDmitry V.ТихоновДмитрий Владимирович
Russian Federation

канд. техн. наук, доцент кафедры «Экономика и финансы», Ярославский филиал

Candidate of Engineering Sciences, Associate Professor of the Department of Economics and Finance, Yaroslavl branch

Dtihonov1987@yandex.ruФинансовый университет при Правительстве Российской ФедерацииFinancial University under the Government of the Russian Federationru1502202520252711111190705202507052025Copyright ©; 2025, Тихонов Д.В.Copyright ©; 2025, Тихонов Д.V.2025Тихонов Д.В.Тихонов Д.V.https://creativecommons.org/licenses/by/4.0https://journals.rcsi.science/1991-6639/article/view/290703

The article examines main methods of automatic processing, grouping and annotation of information. It is shown that methods of automatic analysis of Data Mining are based on the use of certain statistical patterns (classification, regression), search for keywords, but do not use algorithms for linguistic processing of texts. Thus, automatic analysis of text information carried out by modern means of analytical processing is not able to process texts content. To compare two simple sentences by content, the resolution method was used. Studies have shown the unification algorithm does not take into account content of sentences. Because the solution to the problem of comparative analysis of text information by content, a new algorithm for working with logical and linguistic models is proposed. The scientific novelty of the results obtained lies in the method of quickly extracting a set of local descriptors describing all parts of the image, which allows us to significantly speed up the annotation process and form a more complete global visual descriptor of the image.

В статье исследованы основные методы автоматической обработки, группировки и аннотирования информации. Показано, что методы автоматического анализа Data Mining базируются на использовании определенных статистических закономерностей (классификация, регрессия), поиске ключевых слов, однако не используют алгоритмы лингвистической обработки текстов. Таким образом, автоматический анализ текстовой информации, осуществляемый современными средствами аналитической обработки, не способен прорабатывать содержание текстов. Для сравнения двух простых предложений по содержанию был использован метод резолюций. Как показали исследования, при применении алгоритма унификации содержание предложений не учитывается. Поэтому как решение проблемы сравнительного анализа текстовой информации по содержанию были предложены новые алгоритмы работы с логико-лингвистическими моделями. Научная новизна полученных результатов состоит в методе быстрого извлечения набора локальных дескрипторов, описывающих все части изображения, что позволяет существенно ускорить процесс аннотирования и формировать более полный глобальный визуальный дескриптор изображения.

methodsautomatic processinggroupingannotationinformationData Miningresolution methodметодыавтоматическая обработкагруппировкааннотированиеинформацияData Miningметод резолюцийHammar Å. Automatic Information Processing. In: Seel, N.M. (eds). Encyclopedia of the Sciences of Learning. Springer. Boston, MA. 2012. DOI: 10.1007/978-1-4419-1428-6_494Khazaei E., Alimohammadi A. An Automatic User Grouping Model for a Group Recommender System in Location-Based Social Networks. ISPRS Int. J. Geo-Inf. 2018. 7(2):67. DOI: 10.3390/ijgi7020067Yachnaya V.O., Lutsiv V.R., Malashin R.O. Sovremennyye tekhnologii avtomaticheskogo raspoznavaniya sredstv obshcheniya na osnove vizual'nykh dannykh [Modern technologies for automatic recognition of means of communication based on visual data]. KO. 2023. Vol. 47. No. 2. Pp. 287–305. URL: https://cyberleninka.ru/article/n/sovremennye-tehnologii-avtomaticheskogo- raspoznavaniya-sredstv-obscheniya-na-osnove-vizualnyh-dannyh (access date: 02.18.2024). (In Russian)Ячная В. О., Луцив В. Р., Малашин Р. О. Современные технологии автоматического распознавания средств общения на основе визуальных данных // КО. 2023. Т. 47. № 2. С. 287–305. URL: https://cyberleninka.ru/article/n/sovremennye-tehnologii-avtomaticheskogo-raspoznavaniya-sredstv-obscheniya-na-osnove-vizualnyh-dannyh (дата обращения: 18.02.2024)Nazarov T.R., Mamedova N.A. Automated solution to the problem of detecting industrial objects on an orthomosaic using a neural network. Programmnyye produkty i sistemy [Software products and systems]. 2023. Vol. 36. No. 1. Pp. 144–158. URL: https://cyberleninka.ru/ article/n/avtomatizirovannoe-reshenie-zadachi-detektirovaniya-promyshlennyh-obektov-na-ortofotoplane-s-pomoschyu-neuronnoy-seti (date of access: 02.18.2024). (In Russian)Назаров Т. Р., Мамедова Н. А. Автоматизированное решение задачи детектирования промышленных объектов на ортофотоплане с помощью нейронной сети // Программные продукты и системы. 2023. Т. 36. № 1. С. 144–158. URL: https://cyberleninka.ru/ article/n/avtomatizirovannoe-reshenie-zadachi-detektirovaniya-promyshlennyh-obektov-na-ortofotoplane-s-pomoschyu-neyronnoy-seti (дата обращения: 18.02.2024)Vlasov S.O., Gladyshev A.I., Boguslavsky A.A., Sokolov S.M. Solving the problem of object detection using neural network technologies. Preprints of the Keldysh IPM. 2023. No. 16. 27 p. DOI: https://doi.org/10.20948/prepr-2023-16. (In Russian)Власов С. О., Гладышев А. И., Богуславский А. А., Соколов С. М. Решение задачи обнаружения объекта с помощью нейросетевых технологий // Препринты ИПМ им. М. В. Келдыша. 2023. № 16. 27 с. DOI: https://doi.org/10.20948/prepr-2023-16Gaisin A.E. Analysis of existing methods of automatic text analysis. Vestnik nauki [Bulletin of Science]. 2023. No. 6(63). Vol. 4. Pp. 254–258. URL: https://cyberleninka.ru/ article/n/analiz-suschestvuyuschih-metodov-avtomaticheskogo-tekstovogo-analiza (date of access: 02.18.2024). (In Russian)Гайсин А. Э. Анализ существующих методов автоматического текстового анализа // Вестник науки. 2023. № 6(63). Т. 4. С. 254–258. URL: https://cyberleninka.ru/article/n/analiz-suschestvuyuschih-metodov-avtomaticheskogo-tekstovogo-analiza (дата обращения: 18.02.2024)Prigodich N.D., Korobko S.S. Application of software methods for automated processing of sources of personal origin. Istoricheskaya informatika [Historical informatics]. 2023. No. 1(43). Pp. 1–9. URL: https://cyberleninka.ru/article/n/primenenie-programmnyh-metodov-dlya-avtomatizirovannoy-obrabotki-istochnikov-lichnogo-proishozhdeniya (date of access: 02.18.2024). (In Russian)Пригодич Н. Д., Коробко С. С. Применение программных методов для автоматизированной обработки источников личного происхождения // Историческая информатика. 2023. № 1(43). С. 1–9. URL: https://cyberleninka.ru/article/n/primenenie-programmnyh-metodov-dlya-avtomatizirovannoy-obrabotki-istochnikov-lichnogo-proishozhdeniya (дата обращения: 18.02.2024)Li H., Yuan D., Ma X., Cui D., Cao L. Genetic algorithm for the optimization of features and neural networks in ECG signals classification. Scientific Reports. 2017. Vol. 7. No. 1. Pp. 1–12. DOI: 10.1038/srep41011Li H., Yuan D., Ma X., Cui D., Cao L. Genetic algorithm for the optimization of features and neural networks in ECG signals classification // Scientific Reports. 2017. Vol. 7. No. 1. Pp. 1–12. DOI: 10.1038/srep41011He X., Zhao K., Chu X. AutoML: A Survey of the State-of-the-Art. Knowledge-Based Systems. 2021. Vol. 212. P. 106622. DOI: 10.1016/j-.knosys.2020.106622He X., Zhao K., Chu X. AutoML: A Survey of the State-of-the-Art // Knowledge-Based Systems. 2021. Vol. 212. P. 106622. DOI: 10.1016/j-.knosys.2020.106622Jin H., Song Q., Hu X. Auto-keras: An efficient neural architecture search system. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2019. Pp. 1946–1956. DOI: 10.1145/3292500.3330648Jin H., Song Q., Hu X. Auto-keras: An efficient neural architecture search system // Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2019. Pp. 1946–1956. DOI: 10.1145/3292500.3330648Real E., Aggarwal A., Huang Y., Le Q. V. Regularized evolution for image classifier architecture search. Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Vol. 33. Pp. 4780–4789. DOI: 10.1609/aaai.v33i01.33014780Real E., Aggarwal A., Huang Y., Le Q. V. Regularized evolution for image classifier architecture search // Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Vol. 33. Pp. 4780–4789. DOI: 10.1609/aaai.v33i01.33014780