АРХИТЕКТУРА СИСТЕМЫ ФОРМИРОВАНИЯ ЕДИНОЙ БАЗЫ ЗНАНИЙ ПО ФИЗИЧЕСКОЙ ТЕМАТИКЕ Текст научной статьи по специальности «Компьютерные и информационные науки»

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ, КОМПЛЕКСОВ И КОМПЬЮТЕРНЫХ СЕТЕЙ

DOI 10.54398/20741707_2023_1_27 УДК 004.82

АРХИТЕКТУРА СИСТЕМЫ ФОРМИРОВАНИЯ ЕДИНОЙ БАЗЫ ЗНАНИЙ ПО ФИЗИЧЕСКОЙ ТЕМАТИКЕ1

Статья поступила в редакцию 08.11.2022, в окончательном варианте - 09.11.2022.

Козина Светлана Александровна, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,

магистрант, ORCID: 0000-0003-4049-620X, e-mail: ksvetlan54@gmail.com Коробкин Дмитрий Михайлович, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,

кандидат технических наук, доцент, ORCID: 0000-0002-4684-1011, e-mail: dkorobkin80@mail.ru Фоменков Сергей Алексеевич, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,

доктор технических наук, профессор, ORCID: 0000-0001-9907-4488, e-mail: saf@vstu.ru Колесников Сергей Григорьевич, Волгоградский государственный технический университет, 400005, Российская Федерация, г. Волгоград, пр. им. Ленина, 28,

старший научный сотрудник, ORCID: 0000-0002-6910-7151, e-mail: sk375@bk.ru

Опыт использования CAI-систем показывает наличие основной проблемы - поддержанию в актуальном состоянии информационной составляющей процесса синтеза новых технических систем уделяется мало внимания, и этот процесс не автоматизирован. Накопленный к настоящему времени объем знаний в области физики настолько рассредоточен в различных патентах, научных статьях, грантах, монографиях, справочниках и энциклопедиях, что является практически необозримым для специалистов конкретных предметных областей. Требуется создать общую базу электронных источников «первичной» информации. Целью данной работы является разработка алгоритмов парсинга источников, а также описание архитектуры системы формирования единой базы знаний по физической тематике.

Ключевые слова: парсинг, база знаний, патент, журнальная статья, диссертация, физика, извлечение данных, поиск источника

ARCHITECTURE OF THE SYSTEM FOR THE FORMATION OF A UNIFIED KNOWLEDGE BASE ON PHYSICAL TOPICS

The article was received by the editorial board on 08.11.2022, in the final version — 09.11.2022.

Kozina Svetlana A., Volgograd State Technical University, 28 Lenin Ave., Volgograd Russian Federation,

undergraduate student, ORCID: 0000-0003-4049-620X, e-mail: ksvetlan54@gmail.com Korobkin Dmitry M., Volgograd State Technical University, 28 Lenin Ave., Volgograd Russian Federation,

Cand. Sci. (Engineering), Associate Professor, ORCID: 0000-0002-4684-1011, e-mail kin80@mail.ru

Fomenkov Sergey A., Volgograd State Technical University, 28 Lenin Ave., Volgograd Russian Federation,

Doct. Sci. (Engineering), Professor, ORCID: 0000-0001-9907-4488, e-mail: saf@vstu.ru Kolesnikov Sergey G., Volgograd State Technical University, 28 Lenin Ave., Volgograd Russian Federation,

Senior Researcher, ORCID: 0000-0002-6910-7151, e-mail: saf@vstu.ru

The experience of using CAI systems shows the presence of the main problem - little attention is paid to keeping the information component of the synthesis of new technical systems up to date, and this process is not automated. The amount of knowledge accumulated to date in the field of physics is so dispersed in various patents, scientific articles, grants, monographs, reference books and encyclopedias that it is practically boundless for specialists in specific subject

, 400005,

, 400005, : dkorob-, 400005,

, 400005,

1 Исследование выполнено за счет гранта Российского научного фонда № 22-21-20125, https://rscf.ru/project /22-21-20125/, и Администрации Волгоградской области.

areas. It is required to create a common database of electronic sources of "primary" information. The purpose of this work is to develop algorithms for parsing sources, as well as a description of the architecture of the system for forming a unified knowledge base on physical topics.

Keywords: parsing, knowledge base, patent, journal article, dissertation, physics, data extraction, source search

Graphical annotation (Графическая аннотация)

Введение. На сегодняшний день существует много апробированных, хорошо зарекомендовавших себя методов генерации новых технических решений. Это методы морфологического синтеза; теория решения изобретательских задач (ТРИЗ) и ее развитие (метод FAST, функциональный анализ, CECA, MPV); метод функционально-стоимостного анализа; метод синтеза физического принципа действия технических систем, который существует в различных вариациях, описанных в работах А. И. Половинкина и его школы [1], М. Ф. Зарипова и его школы [2], В. Н. Глазунова и др.

Также можно сказать, что сейчас существует много автоматизированных систем, которые помогают изобретать. Это так называемые системы генерации инновационных решений (CAI-системы), такие как Goldfire Innovator, Tech Optimizer, Innovation Workbench, Idea Generator, Pro/Innovator, Knowleadgist, Idea Finder+, Новатор, Интеллект, Сапфит, созданные на основе перечисленных выше подходов. Однако их использование показывает наличие основной проблемы -поддержанию в актуальном состоянии информационной составляющей процесса синтеза новых технических систем уделяется мало внимания, и этот процесс не автоматизирован.

Таким образом, на первый план выходит не выбор конкретного метода синтеза новых технических решений, не вопрос, как именно помочь человеку изобретать, а реализация того, о чем умалчивается в вышеприведенных методах, что не реализовано в указанных системах. Например, как аккумулировать новейшие знания в технике, физике, химии и как их извлекать с помощью методов искусственного интеллекта.

Накопленный к настоящему времени объем знаний в области физики настолько рассредоточен в различных патентах, научных статьях, грантах, монографиях, справочниках и энциклопедиях, что является практически необозримым для специалистов конкретных предметных областей. Требуется создать общую базу электронных источников «первичной» информации.

Целью данной работы является разработка алгоритмов парсинга источников, а также описание архитектуры системы формирования единой базы знаний по физической тематике.

Практическая значимость данной разработки заключается в создании единого источника данных, сформированных по одной предметной области, а также в сокращении времени поиска того или иного документа в области физики.

Формирование единой базы знаний производится на основе патентов Федерального института промышленной собственности (далее ФИПС), Роспатента и United States Patent and Trademark Office (далее USPTO), научных публикаций из журналов физического профиля, реферативных журналов, а также диссертаций и авторефератов по физической тематике.

Формат представления патентных документов. Патентный документ - это официально публикуемый документ, подтверждающий право автора на изобретение или полезную модель. Патентные документы разделяют на первичные и вторичные. Первичные содержат в себе полное описание изобретений, а вторичные - сокращенную информацию, включающую библиографическое, реферативное и обзорное описание.

Часто патентный документ имеет следующую структуру:

• библиографическое описание;

• реферат;

• наименование;

• описание изобретения;

• чертеж.

Спецификация патента начинается с описания к изобретению. Она содержит библиографическую часть, в которой указываются сведения об объекте и области использования изобретения. Для идентификации документа используются специальные коды.

Для русскоязычных патентов указывается номер патента (код - 11), регистрационный номер заявки (21), дата подачи заявки (22), дата публикации (43), индексы международной патентной классификации (51), наименование изобретения (54), имя автора (72), патентообладателя (73).

Для ^РТО - номер патента (код - 10), регистрационный номер заявки (21), дата подачи заявки (23), дата публикации (45), индексы международной патентной классификации (51), наименование изобретения (54), имя автора (76) [3].

В формуле указываются наиболее важные аспекты изобретения. Она может содержать в себе один или несколько пунктов, каждый из которых подразделяется на две части: ограничительную и отличительную. В ограничительную часть входит название изобретения и уже известные признаки развития. Отличительная часть включает в себя новые признаки, составляющие сущность изобретения.

Необязательной частью патента является реферат и чертеж [4].

Структура журнальных статей. Журнальная (научная) статья - это логически законченная работа, содержащая результаты деятельности автора.

Структура журнальной статьи представляет собой реферативную и основную части.

Реферативный раздел содержит основные элементы, используемые для идентификации документа, как правило, включая следующие поля:

• индекс УДК;

• заголовок статьи;

• ФИО автора;

• место работы каждого автора (ссылки);

• аннотация;

• ключевые слова, отражающие содержание текста (4-8 слов).

Индекс УДК является обязательным для оформления статьи и содержит название области науки.

Аннотация представляет краткую характеристику содержания статьи. С ее помощью можно определить основное назначение статьи.

Ключевые слова выражают смысл содержания статьи и используются для ориентации читателя в документе, а также для поиска статей в базах данных.

Основной раздел статьи содержит непосредственно саму работу:

• введение, включающее предмет и задачи, результаты предшествующих работ;

• материалы и методы;

• список литературы;

• результаты и заключение [5].

Структура диссертаций и авторефератов. Структура диссертации, как правило, включает в себя следующие разделы и элементы:

• введение;

• основная часть;

• заключение;

• библиографический список;

• приложения.

Во введении в общем случае описывается актуальность работы, цели и задачи, объект и предмет исследования, научная новизна, практическая значимость работы, апробация и внедрение полученных результатов, список публикаций по теме диссертации.

Основная часть представляет собой описание анализа рассматриваемой проблемы, решений, а также проектирование и разработку.

Заключение содержит в себе выводы и результаты, полученные в ходе выполнения работы.

В зависимости от содержания работы в диссертацию могут быть добавлены приложения [6].

Алгоритм парсинга патентов. Для извлечения элементов описания патентов используется архив с патентными массивами, скачиваемый с сайта ^РТО [7, 8]. В архиве содержатся хт1-доку-менты, имеющие структуру, представленную на рисунке 1.

entity us06834394-20041228-d00000.tif system "us06834394-2q041228-dooooo.tif" ndata tif> <!entity us06834394-2004122b-d00001.tif system "uso6834394-20041223-do0001.tif" ndata tif> <¡entity u506834394-20041228-d00002.tif system "us06834394-20041228-d00002.tif" ndata tif> <;entity USQ6834394-2q041228-do0q03.tif system "us06834394-20o41228-d0q0q3,tif" ndata tif> <!entity us06834394-20041228-d00004.tif system "uso6834394-20041228-do0004.tif" hdata tif> <¡entity us06834394-20041228-d0000e.tif system "us06834394-20041228-d00005.tif" hdata tif>

Рисунок 1 - Структура xml-файла

Необходимая для извлечения информация заключена в теги. Данные, используемые в работе, представлены в таблице 1.

Таблица 1 - Извлекаемая информация из патентов USPTO

Теги Элемент описания патента

<B110>...</B110> Номер патента

<B540>...</B540> Название патента для обработки ШРТО

<B140>...</B140> Дата публикации

<B190>...</B190> Страна, выдавшая патент

<FNM>...</FNM> Имя автора для обработки ШРТО

<B130>...</B130> Класс МПК

<PTEXT>...</PTEXT> Реферат для обработки ШРТО

<BRFSUM> .</BRFSUM> Заявка для обработки ШРТО

<DETDESC >.</DETDESC> Описание для обработки ШРТО

Необходимые источники с описанием русскоязычных патентов [9] также представляют собой xml-документ, структура которого представлена на рисунке 2. При этом одинаковые элементы описания USPTO и русскоязычных патентов могут содержаться в различных тегах.

<?x]til version="l,0" encoding»"1 utf-9"TX^DOCTYPE ru-patent-document SYSTEM Mru-patent-document-vl-3.dtd">

<ru-patent-document lang="ru" dtd-versi.on="ru-patent-document-vl-3" doc-nmriber="0243B282" eauntry="RU" k

Рисунок 2 - Структура файла русскоязычного патента

Таким образом, необходимая для извлечения информация русскоязычных патентов содержится в тегах, представленных в таблице 2.

Таблица 2 - Извлекаемая информация из ру сскоязычных патентов_

Теги Элемент описания патента

<В110>...</В110> Номер патента

<га-Ь542>.. ,</ги-Ь542> Название патента для обработки русскоязычных патентов

<В140>...</В140> Дата публикации

<В190>...</В190> Страна, выдавшая патент

<В721>...</ В721 > Имя автора для обработки русскоязычных патентов

<130>...</Ш> Класс МПК

<abstract>.. ,</аЬз1хас1:> Реферат для обработки русскоязычных патентов

<с1ат-1еХ >...</ claim-text> Заявка для обработки русскоязычных патентов

<description >...</ description> Описание для обработки русскоязычных патентов

Разработанный алгоритм парсинга патентов представлен на рисунках 3-4.

Рисунок 3 - Алгоритм парсинга патентов

r

Прочитать xml

■he

извлечь информацию из указанных тегов

I

Рисунок 4 - Алгоритм извлечения информации из тегов

Алгоритм парсинга журнальных статей. Обработка журнальных статей существенно отличается от обработки патентов ввиду использования разных структур представления документов. Исходные данные для парсинга журнальных статей собираются с сайтов [10, 11]. Для начала извлечения информации из тегов с атрибутами (рис. 5) необходимо отправить запрос на сайт.

►<nav class="cmp breadcrumbs" role="navigation" aria-label="You are here: "> ,.</nav>

<hl> Vol. 20 (2022) </hl> T<div class="obj_ii.i.ue_toc"> ► <div class="heading">...-c/div> T<div class="sections"> T<div class="section"> <h2> Articles </h2> ▼<ul class="cmp_article_list articles"> ► <li>...</li> ► <li>...</li> ▼<li>

::before

T <div class="obj_article_summary"> ::before T<h3 class="title">

T<a id="article-9280" href="https://rajpub.com/index.php/jap/article/view/92

ae">

" A Theory for Galaxy Formation: Innovative Model for Evolution of Galaxies as a Function in the Initial Cloud 2n and 4n Geometry and Acceleration "

</a> </b3>

► <div class="meta">...</div>

►<ul class="galleys_links">...</ul> — $e

Рисунок 5 - Фрагмент кода html-страницы

Для данной работы извлекается информация, представленная в таблице 3.

Таблица 3 - Извлекаемая информация из журнальных статей

Теги и атрибуты Элемент описания патента

'div.art_title' Название русскоязычных статей

'h1 .page_title' Название англоязычных статей

'div.authors' Имя автора для русскоязычных статей

'ul.authors' Имя автора для англоязычных статей

'div.organizations' Организация для русскоязычных статей

'span.affiliation' Организация для англоязычных статей

' div. _date_online' Дата публикации для русскоязычных статей

'div.item published' Дата публикации для англоязычных статей

'div.yw4_tab_0' Абстракт для русскоязычных статей

'section.item abstract' Абстракт для англоязычных статей

'div.art_pdf Ссылка на PDF

Алгоритм иарсиига журнальных статей представлен на рисунках 6-8.

г

Задать путь к

источнику

1

г >

Прочитать html

1

Извлечь информацию

1 г

За гтисать данные в БД

ГШ)

Рисунок 6 - Алгоритм парсинга html-файлов

Рисунок 7 - Поиск по атрибутам

Извлечь информацию из указанных тегов с атрибутами

V

/Ш

9

Рисунок 8 - Извлечение информации по атрибутам

Алгоритм парсинга диссертаций. Процесс обработки диссертаций аналогичен обработке журнальных статей. Исходные данные для парсинга диссертаций собираются с сайта [12]. Для начала проведения парсинга необходимо отправить запрос на сайт с диссертациями. Для определения, из каких тегов необходимо извлечь информацию, открывается структура страницы и выбирается нужное поле. Пример html представлен на рисунке 9.

» < d i v с1a s s ="corte nt" itemscope=" it ens cope " itemtype= " http: // s с hería. o rg/The s i s " >

<p>3.2 Обобщенные уравнения Гинзбурга-Ландау для неоднородной пленки</р> <р>3.2.1 Вывод уравнений Гинзбурга-Лаццау для неоднородной пленкис/pi

Рисунок 9 - Фрагмент html-страницы с диссертациями

Для данной работы извлекается информация из тегов с атрибутами, представленными в таблице 4.

Таблица 4 - Извлекаемая информация из диссертаций

Теги и атрибуты Элемент описания патента

'b.name' Наименование диссертации

'span.author' Автор

'span.inSupportOf Академическая/ученая степень

'div.content' Автореферат

'div.datePublished' Год

Алгоритм парсинга диссертаций представлен на рисунках 6-8.

Архитектура модуля. Система формирования единой базы знаний должна состоять из следующих компонентов:

• модуля парсинга патентов;

• модуля парсинга журнальных статей;

• модуля парсинга диссертаций;

• модуля формализации данных;

• модуля визуализации.

Архитектура системы представлена на рисунке 10.

Рисунок 10 - Архитектура системы: 1, 2 - хт1-файлы патентов; 3 - уникальный идентификатор и извлеченные элементы описания патентов; 4 - Мт1-разметка страницы с журнальный статьями; 5 - уникальный идентификатор и извлеченные элементы описания журнальных статей; 6 - Йт1-разметка страницы с диссертациями; 7 - уникальный идентификатор и извлеченные элементы описания диссертаций; 8 - уникальный идентификатор, извлеченные элементы описания документов и связи; 9 - структура с описанием документов; 10 - совокупность знаний; 11 - структурированная информация

Заключение. В век информационных технологий постоянно увеличивается поток данных в интернете. Рассредоточение необходимых источников влияет на время поиска того или иного документа.

В данной статье был описан первый этап создания системы формирования единой базы знаний по физической тематике: представлены алгоритмы парсинга патентов, журнальных статей и диссертаций, а также разработана архитектура системы формирования единой базы знаний по физической тематике.

Библиографический список

1. Зарипова, В. М. Модель развития средств автоматизации инновационных процессов (Computer Aided Innovation - CAI) / В. М. Зарипова, И. Ю. Петрова // Прикаспийский журнал: управление и высокие технологии. -2012. - № 3. - С. 111-130.

2. Vayngolts, I. The Software and Information Complex Which Uses Structured Physical Knowledge for Technical Systems Design / I. Vayngolts, D. Korobkin, S. Fomenkov, S. Kolesnikov // CIT&DS 2019. - 2019. - Vol. 1084. -P. 42-51.

3. Нечепуренко, Ю. В. Управление интеллектуальной собственностью в Белорусском государственном университете / Ю. В. Нечепуренко // Интеллектуальная собственность в Беларуси. - 2018. - № 2. - С. 13-18.

4. Структура патента на изобретение // Научно-техническая библиотека Кузбасского государственного технического университета имени Т.Ф. Горбачева. - Режим доступа: https://library.kuzstu.ru/index. php?option=com_content&view=article&id=207&Itemid=256, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения: 09.10.2022).

5. Структура научной статьи. - Режим доступа: https://gum.narfu.ru/author/struktura-stati-gum.php, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения: 12.10.2022).

6. Структура диссертации. - Режим доступа: http://firstedu.ru/struktura-dissertacii/, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения: 13.10.2022).

7. Bulk Data Storage System (BDSS) Version 1.1.0 // USPTO. - Режим доступа: https://bulkdata.uspto.gov/, свободный. - Заглавие с экрана. - Яз. англ. (дата обращения: 15.10.2022).

8. USPTO. - Режим доступа: https://www.uspto.gov/, свободный. - Заглавие с экрана. - Яз. англ. (дата обращения: 15.10.2022).

9. Реестр полезных моделей Российской Федерации // Федеральный институт промышленной собственности. - Режим доступа: https://fips.ru/registers-web/action?acName=clickRegister&regName=RUPM, свободный. -Заглавие с экрана. - Яз. рус. (дата обращения: 16.10.2022).

10. Физика твердого тела. - Режим доступа: https://journals.iofFe.ru/issues/2096, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения: 18.10.2022).

11. Journal of Advances in Physics. - Режим доступа: https://rajpub.com/index.php/jap/issue/view/760, свободный. - Заглавие с экрана. - Яз. англ. (дата обращения 19.10.2022).

12. Электронная библиотека диссертаций. - Режим доступа: https://www.dissercat.com/catalog/fiziko-matematicheskie-nauki/fizika, свободный. - Заглавие с экрана. - Яз. рус. (дата обращения: 24.10.2022).

References

1. Zaripova, V. M., Petrova, I. Yu. Model razvitiya sredstv avtomatizatsii innovatsionnykh protsessov [Model of development of automation of innovative processes] (Computer Aided Innovation - CAI). Prikaspiyskiy zhurnal: upravlenie i vysokie tekhnologii [Caspian Journal: Management and High Technologies], 2012, no. 3, pp. 111-130.

2. Vayngolts, I., Korobkin, D., Fomenkov, S., Kolesnikov, S. The Software and Information Complex Which Uses Structured Physical Knowledge for Technical Systems Design. CIT&DS 2019, 2019, vol. 1084, p. 42-51.

3. Nechepurenko, Yu. V. Upravlenie intellektualnoy sobstvennostyu v Belorusskom gosudarstvennom universi-tete [Intellectual Property Management at the Belarusian State University]. Intellektualnaya sobstvennost v Belarusi [Intellectual property in Belarus], 2018, no. 2, pp. 13-18.

4. Struktura patenta na izobretenie [Structure of the patent for the invention]. Nauchno-tekhnicheskaya bibli-oteka Kuzbasskogo gosudarstvennogo tekhnicheskogo universiteta imeni T.F. Gorbacheva [Scientific and Technical Library of T.F. Gorbachev Kuzbass State Technical University]. Available at: https://library.kuzstu.ru/index.php?op-tion=com_content&view=article&id=207&Itemid=256 (accessed 09.10.2022).

5. Struktura nauchnoy stati [Structure of the scientific article]. Available at: https://gum.narfu.ru/au-thor/struktura-stati-gum.php (accessed 12.10.2022).

6. Struktura dissertatsii [The structure of the dissertation]. Available at: http://firstedu.ru/struktura-dissertacii/ (accessed 13.10.2022).

7. Bulk Data Storage System (BDSS) Version 1.1.0. USPTO. Available at: https://bulkdata.uspto.gov/ (accessed 10.10.2022).

8. USPTO. Available at: https://www.uspto.gov/ (accessed 15.10.2022).

9. Reestr poleznykh modeley Rossiyskoy Federatsii [Register of Utility Models of the Russian Federation]. Federalnyy institut promyshlennoy sobstvennosti [Federal Institute of Industrial Property]. Available at: https://fips.ru/registers-web/action?acName=clickRegister&regName=RUPM (accessed 16.10.2022).

10. Fizika tverdogo tela [Solid state physics]. Available at: https://journals.ioffe.ru/issues/2096 (accessed 18.10.2022).

11. Journal of Advances in Physics. Available at: https://rajpub.com/index.php/jap/issue/view/760 (accessed 19.10.2022).

12. Elektronnaya biblioteka dissertastiy [Electronic library of dissertations]. Available at: https://www.disser-cat.com/catalog/fiziko-matematicheskie-nauki/fizika (accessed 24.10.2022).