mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2023-11-3-17-29mireabulletin-694Research ArticleИНФОРМАЦИОННЫЕ СИСТЕМЫ. ИНФОРМАТИКА. ПРОБЛЕМЫ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИINFORMATION SYSTEMS. COMPUTER SCIENCES. ISSUES OF INFORMATION SECURITYДинамика формирования связей в сетях, структурированных на основе прогностических терминовDynamics of link formation in networks structured on the basis of predictive termshttps://orcid.org/0000-0003-3743-6513КрамаровС. О.KramarovS. O.

Крамаров Сергей Олегович – доктор физико-математических наук, профессор, советник президента университета, ФГБОУ ВО «МИРЭА - РТУ» ; главный научный сотрудник, БУ ВО «СурГУ».

119454, Москва, пр-т Вернадского, д. 78; 628408, Сургут, ул. Энергетиков, д. 22

Scopus Author ID 56638328000, ResearcherID E-9333-2016

Sergey O. Kramarov - Dr. Sci. (Phys.-Math.), Professor, Advisor to the President of the University, MIREA - Russian Technological University; Chief Researcher, Surgut State University.

78, Vernadskogo pr., Moscow, 119454; 22, Energetikov ul., Surgut, 628408

Scopus Author ID 56638328000, ResearcherID E-9333-2016

maoovo@yandex.ruhttps://orcid.org/0000-0001-6209-3554ПоповО. Р.PopovO. R.

Попов Олег Русланович – кандидат технических наук, доцент, эксперт-аналитик временной научной группы кафедры технологии и профессионально-педагогического образования.

344006, Ростов-на-Дону, ул. Б. Садовая, д. 105/42

ResearcherID AAT-8018-2021

Oleg R. Popov - Cand. Sci. (Eng.), Associate Professor, Expert-Analyst of the Temporary Scientific Team of the Department of Technology and Professional and Pedagogical Education, Southern Federal University.

105/42, Bolshaya Sadovaya ul., Rostov-on-Don, 344006

ResearcherID AAT-8018-2021,

cs41825@aaanet.ruhttps://orcid.org/0000-0003-4068-1050ДжариевИ. Э.DzharievI. E.

Джариев Исмаил Эльшан оглы - младший научный сотрудник, аспирант кафедры автоматизированных систем обработки информации и управления Политехнического института.

628408, Сургут, ул. Энергетиков, д. 22

Ismail E. Dzhariev - Junior Researcher, Postgraduate Student, Department of Automated Information Processing and Management Systems of the Polytechnic Institute, Surgut State University.

22, Energetikov ul., Surgut, 628408

dzhariev2_ie@edu.surgu.ruhttps://orcid.org/0000-0002-4151-197XПетровЕ. A.PetrovE. A.

Петров Егор Аркадьевич - младший научный сотрудник, аспирант кафедры автоматизированных систем обработки информации и управления.

628408, Сургут, ул. Энергетиков, д. 22

Egor A. Petrov - Junior Researcher, Postgraduate Student, Department of Automated Information Processing and Management Systems of the Polytechnic Institute, Surgut State University.

22, Energetikov ul., Surgut, 628408

petrov2_ea@edu.surgu.ruФГБОУ ВО «МИРЭА - Российский технологический университет»; БУ ВО «Сургутский государственный университет»РоссияMIREA - Russian Technological University; Surgut State UniversityRussian FederationФГАОУ ВО «Южный федеральный университет»РоссияSouthern Federal UniversityRussian FederationБУ ВО «Сургутский государственный университет»РоссияSurgut State UniversityRussian Federation2023020620231131729Copyright © Крамаров С.О., Попов О.Р., Джариев И.Э., Петров Е.A., 20232023Крамаров С.О., Попов О.Р., Джариев И.Э., Петров Е.A.Kramarov S.O., Popov O.R., Dzhariev I.E., Petrov E.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/694Цели

Цели. Для моделирования и анализа информационной проводимости сложных сетей с нерегулярной структурой возможно применение известных в физике твердого тела методов теории перколяции, позволяющих количественно оценить, насколько данная сеть близка к перколяционному переходу, и тем самым сформировать модель прогнозирования. Объектом исследования выступают международные информационные сети, структурированные на основе словарей модельных прогностических терминов, тематически относящихся к перспективным информационным технологиям.

Методы

Методы. Применен алгоритмический подход, согласно которому задается последовательность комбинирования необходимых операций по автоматизированной обработке текстовой информации внутренними алгоритмами специализированных баз данных (БД), программных сред и оболочек, предусматривающих их интеграцию при передаче данных. Данный подход, в частности, включает этапы построения терминологической модели предметной области в библиографической БД Scopus, затем обработку текстов на естественном языке с выводом визуальной карты научного ландшафта предметной области в программе VOSviewer и далее - сбор расширенных данных параметров, характеризующих динамику формирования связей научной терминологической сети в программной среде Pajek.

Результаты

Результаты. Визуальный кластерный анализ, составляющий в динамике 2004-2021 гг. диапазон 645-3364 термов категории «Технологии памяти и хранения данных», интегрированных суммарно в 23 кластера, выявил активное кластерообразование в области терма «quantum memory» (квантовая память), позволяющее делать качественные выводы о локальной динамике научного ландшафта. Проведенный в программном пакете STATISTICA разведочный анализ данных свидетельствует о корреляции поведения введенного интегратора ключевых слов MADSTA с базовыми термами, включая периоды экстремумов, что подтверждает правильность выбора методики детализации исследования по годам.

Выводы

Выводы. Заложена основа для формирования комплекса базовых параметров, необходимых при обширном вычислительном моделировании кластерообразования в семантическом поле научных текстов, особенно в отношении симуляций формирования наибольшего компонента сети и перколяционных переходов.

Objectives

Objectives. In order to model and analyze the information conductivity of complex networks having an irregular structure, it is possible to use percolation theory methods known in solid-state physics to quantify how close the given network is to a percolation transition, and thus to form a prediction model. Thus, the object of the study comprises international information networks structured on the basis of dictionaries of model predictive terms thematically related to cutting-edge information technologies.

Methods

Methods. An algorithmic approach is applied to establish the sequence of combining the necessary operations for automated processing of textual information by the internal algorithms of specialized databases, software environments and shells providing for their integration during data transmission. This approach comprises the stages of constructing a terminological model of the subject area in the Scopus bibliographic database, then processing texts in natural language with the output of a visual map of the scientific landscape of the subject area in the VOSviewer program, and then collecting the extended data of parameters characterizing the dynamics of the formation of links of the scientific terminological network in the Pajek software environment.

Results

Results. Visual cluster analysis of the range of 645-3364 terms in the 2004-2021 dynamics of the memory and data storage technologies category, which are integrated into a total of 23 clusters, revealed active cluster formation in the field of the term quantum memory. On this basis, allowing qualitative conclusions are drawn concerning the local dynamics of the scientific landscape. The exploratory data analysis carried out in the STATISTICA software package indicates the correlation of the behavior of the introduced MADSTA keyword integrator with basic terms including periods of extremes, confirming the correctness of the choice of the methodology for detailing the study by year.

Conclusions

Conclusions. A basis is established for the formation of a set of basic parameters required for an extensive computational modeling of a cluster formation in the semantic field of the scientific texts, especially in relation to simulations of the formation of the largest component of the network and percolation transitions.

информационная сетьалгоритмбаза данныхтерминкластервизуализациякартированиединамикасетевой анализinformation networkalgorithmdatabasetermclustervisualizationmappingdynamicsnetwork analysisReferencesMaltseva D., Batagelj V. Journals publishing social network analysis. Scientometrics. 2021;126(4): 3593-3620. https://doi.org/10.1007/s11192-021-03889-zMaltseva D., Batagelj V. Journals publishing social network analysis. Scientometrics. 2021;126(4): 3593-3620. https://doi.org/10.1007/s11192-021-03889-zЖуков Д.О., Хватова Т.Ю., Зальцман А.Д. Моделирование стохастической динамики изменения состояний узлов и перколяционных переходов в социальных сетях с учетом самоорганизации и наличия памяти. Информатика и ее применения. 2021;15(1):102-110. https://doi.org/10.14357/19922264210114Zhukov D.O., Khvatova T.Yu., Zal'tsman A.D. Modeling of the stochastic dynamics of changes in node states and percolation transitions in social networks with self-organization and memory. Informatika i ее Primeneniya = Informatics and Applications. 2021;15(1):102-110 (in Russ.). https://doi.org/10.14357/19922264210114Chkhartishvili A.G., Gubanov D.A., Novikov D.A. Models of influence in social networks. In: Social Networks: Models of Information Influence, Control and Confrontation. Studies in Systems, Decision and Control. 2019;189:1-40. https://doi.org/10.1007/978-3-030-05429-8_1Chkhartishvili A.G., Gubanov D.A., Novikov D.A. Models of influence in social networks. In: Social Networks: Models of Information Influence, Control and Confrontation. Studies in Systems, Decision and Control. 2019;189:1-40. https://doi.org/10.1007/978-3-030-05429-8_1Newman M.E.J. The structure and function of complex networks. SIAM Rev. 2003;45(2):167-256. https://doi.org/10.1137/S003614450342480Newman M.E.J. The structure and function of complex networks. SIAM Rev. 2003;45(2):167-256. https://doi.org/10.1137/S003614450342480Dashko Yu.V., Kramarov S.O., Zhdanov A.V. Sintering of polycristalline ferroelectrics and the percolation problem in stochastically packed networks. Ferroelectrics. 1996;186(1): 85-88. https://doi.org/10.1080/00150199608218039Dashko Yu.V., Kramarov S.O., Zhdanov A.V. Sintering of polycristalline ferroelectrics and the percolation problem in stochastically packed networks. Ferroelectrics. 1996;186(1):85-88. https://doi.org/10.1080/00150199608218039Broadbent S.R., Hammersley J.M. Percolation processes: I. Crystals and mazes. Math. Proc. Cambridge Philos. Soc. 1957;53(3):629-641. https://doi.org/10.1017/S0305004100032680Broadbent S.R., Hammersley J.M. Percolation processes: I. Crystals and mazes. Math. Proc. Cambridge Philos. Soc. 1957;53(3):629-641. https://doi.org/10.1017/S0305004100032680Li M., Liu R.-R., Lu L., Hu M.-B., Xu S., Zhang Y.-C. Percolation on complex networks: Theory and application. Phys. Rep. 2021;907:1-68. https://doi.org/10.1016/j.physrep.2020.12.003Li M., Liu R.-R., Lu L., Hu M.-B., Xu S., Zhang Y.-C. Percolation on complex networks: Theory and application. Phys. Rep. 2021;907:1-68. https://doi.org/10.1016/j.physrep.2020.12.003Brunk N.E., Twarock R. Percolation theory reveals biophysical properties of virus-like particles. ACS Nano. 2021;15(8):12988-12995. https://doi.org/10.1021/acsnano.1c01882Brunk N.E., Twarock R. Percolation theory reveals biophysical properties of virus-like particles. ACS Nano. 2021;15(8):12988-12995. https://doi.org/10.1021/acsnano.1c01882Shao J., Havlin S., Stanley H.E. Dynamic opinion model and invasion percolation. Phys. Rev. Lett. 2009; 103(1):018701. https://doi.org/10.1103/PhysRevLett.103.018701Shao J., Havlin S., Stanley H.E. Dynamic opinion model and invasion percolation. Phys. Rev. Lett. 2009;103(1):018701. https://doi.org/10.1103/PhysRevLett.103.018701Бодрунов С.Д. Ноономика. М.: Культурная революция; 2018. 432 с. ISBN 978-5-6040343-1-6Bodrunov S.D. Noonomika (Noonomics). Moscow: Kul'turnaya revolyutsiya; 2018. 432 p. (in Russ.). ISBN 978-5-6040343-1-6Wickham H., Grolemund G. R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc.; 2016. 492 p.Wickham H., Grolemund G. R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc.; 2016. 492 p.Попов О.Р., Крамаров С.О. Исследование распространения информации в сетях, структурированных из набора прогностических терминов. Вестник кибернетики. 2022;1(45):38-45. https://doi.org/10.34822/1999-7604-2022-1-38-45Popov O.R., Kramarov S.O. The study of information dissemination in networks arranged from a set of forecasting terms. Vestnik kibernetiki = Proceedings in Cybernetics. 2022;1(45):38-45 (in Russ.). https://doi.org/10.34822/1999-7604-2022-1-38-45Попов О.Р. Адаптация мировых практик к проблеме долгосрочного технологического прогнозирования состояния самоорганизующихся интеллектуальных систем. Интеллектуальные ресурсы - региональному развитию. 2021;2:91-98.Popov O.R. Adaptation of world practices to the problem of long-term technological forecasting of the state of self-organizing intelligent systems. Intellektual'nye resursy - regional'nomu razvitiyu = Intellectual Resources - Regional Development. 2021;2:91-98 (in Russ.).Когай В.Н., Пак В.С. Алгоритмическая модель компьютерной системы выделения ключевых слов из текста на базе онтологий. Проблемы современной науки и образования. 2016;16(58):33-40.Kogai V.N., Pak V.S. Algorithmic model of computer system of keywords extracting from text based on ontology. Problemy sovremennoi nauki i obrazovaniya = Problems of Modern Science and Education. 2016;16(58):33-40 (in Russ.).Панин С.Б. Современные наукометрические системы «WoS» и «Scopus»: издательские проблемы и новые ориентиры для российской вузовской науки. Гуманитарные исследования Центральной России. 2019;3:51-65. https://doi.org/10.24411/2541-9056-2019-11030Panin S.B. Modern scientometric systems “WoS” and “Scopus”: publishing problems and new guidelines for Russian university science. Gumanitarnye issledovaniya Tsentral'noi Rossii = Humanities Researches of the Central Russia. 2019;3:51-65 (in Russ.). https://doi.org/10.24411/2541-9056-2019-11030Thilakaratne M., Falkner K., Atapattu T. A systematic review on literature-based discovery: general overview, methodology, & statistical analysis. ACM Computing Surveys. 2019;52(6):Article 129. https://doi.org/10.1145/3365756Thilakaratne M., Falkner K., Atapattu T. A systematic review on literature-based discovery: general overview, methodology, & statistical analysis. ACM Computing Surveys. 2019;52(6):Article 129. https://doi.org/10.1145/3365756Gerlach M., Peixoto T.P., Altmann E.G. A network approach to topic models. Sci. Adv. 2018;4(7):eaaq1360. https://doi.org/10.1126/sciadv.aaq1360Gerlach M., Peixoto T.P., Altmann E.G. A network approach to topic models. Sci. Adv. 2018;4(7):eaaq1360. https://doi.org/10.1126/sciadv.aaq1360Zelenkov Yu. The topic dynamics in knowledge management research. In: Uden L., Ting I.H., Corchado J. (Eds.). Knowledge Management in Organizations (KMO 2019): Proceedings of the 14th International Conference. 2019 P. 324-335. https://doi.org/10.1007/978-3-030-21451-7_28Zelenkov Yu. The topic dynamics in knowledge management research. In: Uden L., Ting I.H., Corchado J. (Eds.). Knowledge Management in Organizations (KMO 2019): Proceedings of the 14th International Conference. 2019. P. 324-335. https://doi.org/10.1007/978-3-030-21451-7_28Van Eck N.J., Waltman L. Visualizing bibliometric networks. In: Ding Y., Rousseau R., Wolfram D. (Eds.). Measuring Scholarly Impact: Methods and Practice. Springer; 2014. P. 284-321. https://doi.org/10.1007/978-3-319-10377-8_13Van Eck N.J., Waltman L. Visualizing bibliometric networks. In: Ding Y., Rousseau R., Wolfram D. (Eds.). Measuring Scholarly Impact: Methods and Practice. Springer; 2014. P. 284-321. https://doi.org/10.1007/978-3-319-10377-8_13Van Eck N.J., Waltman L. Accuracy of citation data in Web of Science and Scopus. arXiv preprint arXiv:1906.07011. 2019. https://doi.org/10.48550/arXiv.1906.07011Van Eck N.J., Waltman L. Accuracy of citation data in Web of Science and Scopus. arXiv preprint arXiv:1906.07011. 2019. https://doi.org/10.48550/arXiv.1906.07011Erdos P, Renyi A. On random graphs I. Publ. Math. Debrecen. 1959;6:290-297. URL: https://studylib.net/doc/25387956/on-random-graphs--1959--by-p.-erdos-and-a.-renyiErdos P., Renyi A. On random graphs I. Publ. Math. Debrecen. 1959;6:290-297. Available from URL: https://studylib.net/doc/25387956/on-random-graphs--1959--by-p.-erdos-and-a.-renyiDe Nooy W., Mrvar A., Batagelj V. Exploratory social network analysis with Pajek: Revised and expanded edition for updated software. 3rd ed. Series: Structural Analysis in the Social Sciences. Cambridge: Cambridge University Press; 2018. 484 p. https://doi.org/10.1017/9781108565691De Nooy W., Mrvar A., Batagelj V. Exploratory social network analysis with Pajek: Revised and expanded edition for updated software. 3rd ed. Series: Structural Analysis in the Social Sciences. Cambridge: Cambridge University Press; 2018. 484 p. https://doi.org/10.1017/9781108565691Doreian P., Batagelj V., Ferligoj A. (Eds.). Advances in network clustering and blockmodeling. John Wiley & Sons; 2020. 414 p.Doreian P., Batagelj V., Ferligoj A. (Eds.). Advances in network clustering and blockmodeling. John Wiley & Sons; 2020. 414 p.Zuanazzi N.R., de Castilhos Ghisi N., Oliveira E.C. Analysis of global trends and gaps for studies about 2, 4-D herbicide toxicity: A scientometric review. Chemosphere. 2020;241:125016. https://doi.org/10.1016/j.chemosphere.2019.125016Zuanazzi N.R., de Castilhos Ghisi N., Oliveira E.C. Analysis of global trends and gaps for studies about 2, 4-D herbicide toxicity: A scientometric review. Chemosphere. 2020;241:125016. https://doi.org/10.1016/j.chemosphere.2019.125016Сигов А.С., Андрианова Е.Г., Жуков Д.О., Зыков С.В., Тарасов И.Е. Квантовая информатика: обзор основных достижений. Russ. Technol. J. 2019;7(1):5-37. https://doi.org/10.32362/2500-316X-2019-7-1-5-37Sigov A.S., Andrianova E.G., Zhukov D.O., Zykov S.V., Tarasov I.E. Quantum informatics: Overview of the main achievements. Russ. Technol. J. 2019;7(1):5-37 (in Russ.). https://doi.org/10.32362/2500-316X-2019-7-1-5-37

The authors declare that there are no conflicts of interest present.