Анализ проблем навигации в мобильном представлении научной информации

Конец XX? началоXXI вв. стали в истории человечества точкой отсчета экспоненциально быстрого роста объемов доступной информации. Сегодня данный факт является общепризнанным и осознается, в том числе и неспециалистами в области информационных технологий. Увеличение объёмов доступной информации сопровождается одновременным увеличением «дисперсии» информации? необходимые пользователю данные размываются в океане сопутствующих, связанных с требуемой информацией сведений. При этом скорость роста «дисперсии» равняется скорости роста объемов информации.

В этой связи даже научная информация, сохраняемая и систематизируемая сотрудниками той или иной научной школы, с течением времени обнаруживает существенное увеличение длительности выполнения поисковых запросов? «диффузионная девальвация». Необходимо отметить, что истоки проблемы экспоненциально быстрого роста информации имманентно присущи современным технологиям работы с информацией. Действительно, в модель основной информационной магистрали (Интернет) изначально заложена идея информационного роста; протокол HTTP — основной транспортный протокол в своём названии содержал идею связности, гипертекста; основной способ адресации данных-URI, содержит идею глобальности данных, а в своей структуре упоминание связности и глобальности (префикс «www.», напоминающий об этом, де-факто является стандартом).

Проблемы оценки качества способов ранжирования и классификации научной информации разрабатываются наукометрией-дисциплиной, изучающей эволюцию науки через измерения научной информации. При этом необходимо отметить, что областью исследований наукометрии является наука, рассматриваемая в качестве некоторой централизованной научной среды. Данный подход, определявший, в свою очередь, выбор методов исследования, используемых в наукометрии, сегодня, в условиях распределённости научных исследований, в известной мере, становится сдерживающим фактором. Здесь, под термином «распределённость» мы понимаем не только и не столько распределение информации по географическому принципу, сколько методологическим, мотивационным, структурным принципам. В качестве примеров подобной распределённости можно привести информационные системыGoogleXLabs[1], KonturLabs[2].

В этой ситуации, с нашей точки зрения, требуется не всеобщий метод ранжирования и классификациинаучной информации, позволяющего провести глобальное сравнение важности каких-либо публикаций, но методика персональной навигации в ней? способ автоматизации выбора направления в графе научных документов, представляющего интерес для конкретного потребителя научной информации.

Предположим, что имеется некоторая сеть N, состоящая из адресов документов. Пусть для каждого адреса документа определено некоторое представление данных документа V (d_x) такое, что оно включает некоторое множество A адресов других документов. Тогда для множества обучающих адресов документов F можно определить функционал навигации n:

.

либо в менее точном виде.

.

Где C — некоторый контекст навигации, R¹-линейно упорядоченное множество.

Задачей исследования является разработка алгоритма расчёта nиз возможных составляющих контекста С алгоритма ранжирования ссылок между документами и выделение ключевых параметров данного алгоритма.

Структура алгоритма Предваряя обсуждение структуры разрабатываемого алгоритма, отметим, что в условиях широкого распространения и повсеместного использования портативных мобильных устройств, имеющих ограниченные вычислительные ресурсы, очевидно, эффективные реализации алгоритма могут быть выполнены только на платформе облачных вычислений [3]. Выбранный подход накладывает ограничения по прозрачности и безопасности сетевого API алгоритма навигации, позволяя реализовать централизованное кэширование результатов и обеспечить обработку достаточно больших объёмов данных.

Работа алгоритма с точки зрения организации сетевого взаимодействия выглядит следующим образом:

• 1. Перед началом работы браузер клиента устанавливает https[4] соединение с навигационным сервером и аутентифицирует клиента. В дальнейшем взаимодействие браузера с навигационным сервером проходит средствами httpтранспорта.
• 2. Браузер по команде пользователя отправляет http [5] запрос на контент-сервер за требуемым документом.
• 3. Браузер информирует навигационный сервер о намерении просмотреть документ по определённому адресу.
• 4. Браузер по завершении загрузки ответа от контент-сервера генерирует хэш-коды параграфов документа и отсылает их на навигационный сервер, асинхронно ожидая ответа.
• 5. Начиная с шага 3 навигационный сервер выполняет httpзапрос на контент-сервер по полученному адресу. Для параграфов, у которых хэш-код на клиенте и сервере совпадает, навигационный сервер генерирует рекомендации по подсветке ссылок в соответствии с уровнем их потенциальной важности для пользователя. Сгенерированная информация отправляется ответом браузеру клиента. Кэширование ответов осуществляется согласно комбинацииETag и Expired заголовка http ответа контент-сервера и идентификатора пользователя.
• 6. Браузер клиента, получив ответ, осуществляет предписанную навигационным сервером визуализацию.

Функционирование навигационного сервера Использование программной реализация описанного выше алгоритма на навигационном сервере, предполагает применение алгоритмов машинного обучения [6]? тренировку классификатора по обучающей выборке. Здесь основным параметром алгоритма является F-набор обучающих документов — статей, заданных пользователем алгоритма, поэтому именно они рассматриваются далее в контексте задачи персональной навигации.

Представление данных документа V технически состоит из двух основных компонентов: выделения текста и выделения ссылок. Выделение текста, по сути, представляет собой очистку электронного документа от html-разметки, что является тривиальной задачей, за исключением случая очистки от html-разметки статей об html-разметке. Выделение ссылок из научной литературы — более сложная техническая задача, так как ссылку, фактически, нужно преобразовать к адресу документа, что не всегда возможно, поэтому данную задачу приходится решать отдельно для каждого крупного online-публикатора (ACM, IEEE). Здесь наиболее тривиальным случаем является http-ссылка.

Для обработки каждой статьи используется выделение терминов и терминоподобных конструкций. Обзор технологий выделения терминов можно найти в [7]. Рассмотрим кратко метод C-value[8], являющийся одним из наиболее простых в реализации. Здесь значение терминологичности для словосочетания рассчитывается по формуле где.

a — кандидат в термины;

|a| - длина словосочетания, измеряемая в количестве слов;

freq (a) — частотность a;

T_a — множество словосочетаний, которые содержат a;

P (T_a) — количество словосочетаний, содержащих a.

Из (1) видно, что метод поощряет словосочетания, не входящие в состав других, более длинных словосочетаний.

Существующие проблемы и направления дальнейших исследований Опыт практической реализация описанного выше алгоритма навигации, однако, позволяет выявить ряд проблем и недостатков описанного выше алгоритма.

• 1) Алгоритм, как минимум, удваивает нагрузку на контент-сервер, но, фактически, фактор повышения нагрузки составляет несколько порядков. (Это является следствием основной идеи навигации — возложение на компьютер обязанностей анализа содержания и отклонения документов, не представляющих для пользователя. Отметим, что в этой ситуации важным становится использование разделяемых межпользовательских кэшей.)
• 2) Навигация становится серьёзной проблемой при генерации документов контент-сервером по сложному алгоритму, так как в случае работы одного навигационного сервера в интересах многих пользователей крупные контент-серверы могут по ошибке или намерено внести его в чёрный список, прекратив тем самым возможность навигации.
• 3) На практике далеко не все контент-сервера следуют рекомендациям по организации URI документов, поэтому достаточно часто в адресе могут оказаться идентификаторы сессии работы пользователя. Как следствие, либо контент-сервер не сможет получить доступ к документам, либо работа с сервером будет потенциально небезопасной с точки зрения перехвата сессии. Таким образом, в любом случае будет нарушена работа межпользовательского fetch-кэша загруженных документов. Кроме того контент-сервер может генерировать сессионно-зависимые фрагменты документа, тогда, навигация по отдельным параграфам не будет осуществляется. Наконец, в самом наихудшем случае, GET-методы могут оказаться не нулипотентными, т. е. будут изменять состояние сервера. (В комбинации с непреднамеренным перехватом сессии, это может привести к тому, что пользователь случайно выберет ссылку «удалить файл», а навигационный сервер захочет узнать интересный ли документ будет в том случае, если ответить «да, я уверен, что хочу удалить файл».)
• 4) Наличие эффекта, известного в информационной навигации как «пузырь фильтров» [10], проявляющийся в том, что фокусировка получаемой информации на определённом круге вопросов создаёт исчерпывающее глубинное понимание узкой области, закрывая от исследователя новые идеи, а также «впечатление того, что наши узкие собственные интересы и есть всё, что существует и окружает нас» [11]. (Здесь, с одной стороны, можно возразить, что навигация, в отличие от ранжирования поисковой машины, не скрывает ни одной ссылки на документ. С другой стороны, при достаточно большой обучающей выборке F и высокой кардинальности графа N, навигационный алгоритм проведёт нас тем путём, на котором окажутся только авторы документов, мыслящие сходно с пользователем.)
• 5) На данный момент нет объективного способа оценки качества работы алгоритма, поскольку не существует объективного критерия оптимизации. (Теоретически можно рассчитать корреляцию между количеством кликов и рейтингом ссылки, присвоенным алгоритмом навигации. Однако этот показатель отражает только доверие пользователя к используемому алгоритму, так как на момент клика мнение пользователя может основываться, исключительно, на названии и реквизитах цитируемого документа.)

Приведённый выше перечень проблем персональной навигации может быть условно разделен на технические, которые представляются вполне разрешимыми, и философские (список проблем, которых, по-видимому, не является окончательным).

Исследование методов оценки качества навигации является предметом дальнейших исследований.

Проведенный анализ проблем навигации в мобильном представлении научной информации на основе статистической классификации позволил получить следующие результаты.

• 1. Обоснована целесообразность применения клиент-серверных облачных технологий при использовании мобильных устройств для навигации и представления научной информации.
• 2. Предложена структурная модель, описывающая взаимодействие браузера пользователя, контент-сервера и навигационного сервера.
• 3. Разработан алгоритм классификации документов по обучающей выборке с наложением контекста навигации и описан возможный состав контекста навигации.
• 5. Выявлены проблемы алгоритма навигации, основной из которых является проблема отсутствия объективных метрик качества навигации.

алгоритм сервер наукометрия сетевой.

• 1. Google X Labs: With Steve Jobs Gone, Could Google Take the Torch in Inventing the Future? [Электронныйресурс] // Режим доступа: http://www.deathandtaxesmag.com/160 133/google-x-labs-with-steve-jobs-gone-could-google-take-the-torch-in-inventing-the-future/(дата доступа 2 октября 2012)
• 2. KonturLabs [Электронный ресурс] // Режим доступа: http://www.skbkontur.ru/press/news/company/2012/2/1412 // (дата доступа 2 октября 2012
• 3. Mell P. The NIST Definition of Cloud Computing / Mell, Peter and Grance, Timothy // Рекомендациинациональногоинститутастандартизациитехнологий, NIST Special Publication 800−145, Gaithersburg, октябрь 2011, -3 c.
• 4. RFCHTTPOverTLS [Электронный ресурс] // Режим доступа: http://tools.ietf.org/html/rfc2818 // (дата доступа 2 октября 2012)
• 5. RFCHypertextTransferProtocol-HTTP/1.1 [Электронный ресурс] // Режим доступа: http://tools.ietf.org/html/rfc2616 // (дата доступа 2 октября 2012)
• 6. Anderson J.R. Machine Learning: An Artificial Intelligence Approach / John Robert Anderson // Tioga Publishing Company, 1994. -572 c.
• 7. Браславский П., Соколов Е. Сравнение пяти методов извлечения терминов произвольной длины // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной Международной конференции «Диалог» (Бекасово, 4−8 июня 2008 г.). Вып. 7 (14). — М.: РГГУ, 2008. — С. 67−74.
• 8. Frantzi K., Ananiadou S., Mima H. Automatic recognition of multi-word terms: the C-value/NC-value method // Int. J. Digit Libr. (2000) 3. — C. 115−130.
• 9. СолтонДж. Динамические библиотечно-поисковыесистемы / Солтон, Джон // М.: — Мир, 1979. -557c.
• 10. Pariser E. The Filter Bubble: What the Internet Is Hiding from You / Pariser, Eli // Penguin Press, New York, 2011, — С. 304
• 11. First Monday: What’s on tap this month on TV and in movies and books: The Filter Bubble by Eli Paraiser / Газетная публикация // USA Today, 29 апреля 2011.