Coordinate Indexing Algorithms Taking Into Account the Classification Signs-terms in the Subject Area

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Libraries and Internet searchers are becoming increasingly frustrated with topical access results, in part because of the unmanageability of a wide range of search engines. The need to improve accuracy and limit the size of search queries was the main motivation for this study. The purpose of this article is to explore coordinate indexing algorithms taking into account the classification features-terms in the subject area. The study was written using the material modelling method (mathematical): pre-existing models were used, which offer partial coordination as fundamental to confirm their effectiveness in practice. The measurement method was used to analyse the numerical results. In the presented study, the features and characteristics of partial coordination were presented. In addition, the benefits of partial coordination have been studied. The methodology proposed by the authors focuses on the benefits of a “smart” query that can be executed in an OPAC environment without further effort on the part of the user; the user enters their keywords as before, but “smart” keyword coordination in documents avoids unsuitable partial matches. It was concluded that the order of ranking of documents on the subject should be included in the same way with those unverified records lacking partial coordination of partial documents.

About the authors

Darkhan O. Zhaxybayev

L.N. Gumilyov Eurasian National University

Email: zhaxybayev6717-1@murdoch.in
doctoral student at the Department of Information Systems Nur-Sultan, Republic of Kazakhstan

Vladimir B. Barakhnin

Federal Research Center for Information and Computational Technologies; Novosibirsk State University

Email: barakhnin@nanyang-uni.com
Dr. Sci. (Eng.); associate professor at the Laboratory for Digital Twins and Big Data Analysis; associate professor at the Department of Mathematical Modeling of the Faculty of Mechanics and Mathematics Novosibirsk, Russian Federation

References

  1. Armitage J.E., Lynch M.F. Some structural characteristics of articulated subject indexes // Information Storage and Retrieval. 1968. Vol. 4. Pp. 101-111.
  2. Barash Y., Guralnik G., Tau N. et al. Comparison of deep learning models for natural language processing-based classification of non-English head CT reports // Neuroradiology. 2020. Vol. 62. No. 10. Pp. 1247-1256.
  3. Beaulieu M., Borgman C.L. A new era for OPAC research: Introduction to the special topics issue on current research in online public access systems // Journal of the American Society for Information Science. 1996. Vol. 47. No. 7. Pp. 491-492.
  4. Chakraborty A., Pawar A., Jang H. et al. A real-time feature indexing system on live video streams // 44th IEEE Annual Computers, Software, and Applications Conference. Madrid: Institute of Electrical and Electronics Engineers Inc. 2020. Pp. 42-50.
  5. Croft W.B. Approaches to intelligent information retrieval // Information Processing & Management. 1987. Vol. 23. No.4. Pp. 249-254.
  6. Endres T., Kranzdorf L., Schneider V., Renkl A. It matters how to recall - task differences in retrieval practice // Instructional Science. 2020. Vol. 48. No. 6. Pp. 699-728.
  7. Gavit B.K. Web based library services // Library Philosophy and Practice. 2019. Vol. 2019. P. 2931.
  8. Guo J., Fan Y., Pang L. et al. A deep look into neural ranking models for information retrieval // Information Processing and Management. 2020. Vol. 57. No. 6. P. 102067.
  9. Gupta D., Berberich K. Optimizing hyper-phrase queries // 10th International Conference on the Theory of Information Retrieval. New York: Association for Computing Machinery. 2020. Pp. 41-48.
  10. Hosey C., Vujovic L., St. Thomas B. et al. Just give me what I want: How people use and evaluate music search // Conference on Human Factors in Computing Systems. Glasgow: Association for Computing Machinery. 2019. P. 147770.
  11. Ioannakis G., Koutsoudis A., Pratikakis I., Chamzas C. RETRIEVAL - an online performance evaluation tool for information retrieval methods // IEEE Transactions on Multimedia. 2018. Vol. 20. No. 1. Pp. 119-127.
  12. Jiang J., Han R., Meng X., Li K. TSASC: Tree-seed algorithm with sine-cosine enhancement for continuous optimization problems // Soft Computing. 2020. Vol. 24. No. 24. Pp. 18627-18646.
  13. Kalinauskaite D. Detecting information-dense texts: Towards an automated analysis // International Conference on Information Technologies. 2018. Vol. 2145. Pp. 95-98.
  14. Kanev A.I., Terekhov V.I. Evaluation issues of query result ranking for semantic search // 7th International Young Scientists Conference on Information Technology. 2020. Vol. 1694. No. 1. P. 012004.
  15. Kiss A.N., Libaers D., Barr P.S. et al. CEO cognitive flexibility, information search, and organizational ambidexterity // Strategic Management Journal. 2020. Vol. 41. No. 12. Pp. 2200-2233.
  16. Kumar R., Singh J., Singh B., Rana M.K. Usability of OPAC in university libraries // Library Philosophy and Practice. 2018. Vol. 1. Pp. 1-11.
  17. Li W., Zhang S., Qi G. A graph-based approach for resolving incoherent ontology mappings // Web Intelligence. 2018. Vol. 16. No. 1. Pp. 15-35.
  18. Liu C., Huai H. An improved full-text retrieval for elementary education resource database system // Journal of Physics: Conference Series. 2020. Vol. 1693. No. 1. P. 012053.
  19. Luong D.D., Phuong V.Q., Tung H.D.T. A new indexing technique XR+ tree for bio informatics XML data compression // International Journal of Engineering and Advanced Technology. 2019. Vol. 8. No. 5. Pp. 1168-1173.
  20. Mehta K., Foster I., Klasky S. et al. A codesign framework for online data analysis and reduction // The International Conference for High Performance Computing, Networking, Storage and Analysis. Denver: Institute of Electrical and Electronics Engineers Inc, 2019. Pp. 11-20.
  21. Moffat A., Scholer F., Yang Z. Estimating measurement uncertainty for information retrieval effectiveness metrics // Journal of Data and Information Quality. 2018. Vol. 10. No. 3. P. 10.
  22. Murzin F., Perfliev A., Shmanina T. Methods of syntactic analysis and comparison of constructions of a natural language oriented to use in search systems // Bulletin of the Novosibirsk Computing Center, Series: Computer Science. 2010. No. 31. Pp. 91-109.
  23. Nori R., Palmiero M., Giusberti F. et al. Web searching and navigation: Age, intelligence, and familiarity // Journal of the Association for Information Science and Technology. 2020. Vol. 71. No. 8. Pp. 902-915.
  24. Steinberg D., Metz P. User response to and knowledge about an online catalog // College & Research Libraries. 1984. Vol. 45. No. 1. Pp. 66-70.
  25. Thomas P., Billerbeck B., Craswell N., White R.W. Investigating searchers’ mental models to inform search explanations // ACM Transactions on Information Systems. 2019. Vol. 38. No. 1. P. 10.
  26. Yi L., Yuan R., Long S., Xue L. Expert information automatic extraction for IoT knowledge base // Procedia Computer Science. 2019. Vol. 147. Pp. 288-294.
  27. Bakhturina T.A., Sukiasyan E.R. Modern cataloging terminology. Moscow: Moskva, 1992.
  28. Lezin G.V., Tuzov V.A. Semantic analysis of the text in Russian: semantic-syntactic model of the sentence. Economic and Mathematical Research: Mathematical Models and Information Technologies. St. Petersburg: Nauka. 2003. Pp. 282-303.
  29. Nekrestyanov I.S. Thematic-oriented methods of information retrieval. St. Petersburg: Saint Petersburg State University. 2000.
  30. Nozhov I.M. Morphological and syntactic processing of text (models and programs). Moscow: Moskva, 2003.
  31. Shirokov A.V. Development of a model of informational portrait of a user for personalized search. Reports of the Competition of Scientific Projects in the Field of Information Search “Internet Mathematics”. 2017 [Electronic resource]. URL: http://company.yandex.ru/academic/grant/ report2007.xml (data of accesses: 26.12.2020).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».