К.А. Прошунина1, Т.В. Хоменко2, Ю.А. Конышева3

1 Астраханский государственный технический университет (г. Астрахань, Россия)
2,3 МИРЭА – Российский технологический университет (Москва, Россия)
1 kseniialexpro@gmail.com, 2 t_v_khomenko@mail.ru

Постановка проблемы. В рассмотрена реализация алгоритма формирования комплексного критерия оценки проектов благоустройства территорий на основе анализа неструктурированной текстовой информации. Предлагаемый алгоритм позволяет осуществлять формирование комплексного критерия оценки проектов благоустройства территорий на основе анализа неструктурированной текстовой информации нормативных, научных и проектных документов и включает в себя три этапа преобразования данных. Однако анализ существующих инструментов выявил отсутствие решений, охватывающих все этапы алгоритма. Поэтому необходимо разработать алгоритмическое и программное обеспечение, позволяющее достоверно осуществлять формирование критерия для количественной оценки проектов благоустройства территорий для последующего лучшего выбора.

Цель. Показать реализацию алгоритма формирования комплексного критерия оценки проектов благоустройства территорий на основе анализа неструктурированной текстовой информации с обеспечением его верификации и возможностью последующего использования для количественной оценки и выбора лучших проектных решений.

Результаты. Реализован программный модуль с оригинальным алгоритмом токенизации и построением окрестности ключевого слова. Установлено, что экспертная верификация позволила сформировать комплексный критерий из тринадцати показателей, удовлетворяющих свойствам операциональности, измеримости, минимальности, непротиворечивости и полноты. Сформирована база знаний управленческих воздействий для верификации каждого свойства. Отмечено, что программный модуль исключает ручную сборку результатов.

Практическая значимость. Предложенные управленческие воздействия позволяют корректировать состав показателей при обнаружении их неполноты или противоречий, обеспечивая адаптивность критерия к изменяющимся условиям предметной области.

Прошунина К.А., Хоменко Т.В., Конышева Ю.А. Алгоритм формирования комплексного критерия оценки проектов благоустройства территорий // Нелинейный мир. 2026. Т. 24. № 3. С. 58–70. DOI: https://doi.org/10.18127/ j20700970-202603-07

1. Сидорова В.В., Пчельников В.Н., Знайкина В.Г., Стрелкова А.В. Комфортная городская среда в контексте развития рекреационной системы регионов // Строительство и техногенная безопасность. 2024. № 35(87). URL: https://cyberleninka.ru/article/n/komfortnaya-gorodskaya-sreda-v-kontekste-razvitiya-rekreatsionnoy-sistemy-regionov/viewer (дата обращения: 03.04.2026).
2. Вагин В.В., Шаповалова Н.А. Инициативное бюджетирование и смежные практики // Финансовая аналитика: проблемы и решения. 2016. № 38. С. 2–19. URL: https://cyberleninka.ru/article/n/initsiativnoe-byudzhetirovanie-i-smezhnye-praktiki/viewer (дата обращения: 03.04.2026).
3. Зябликов А.В., Максименко А.А., Ахунзянова Ф.Т., Зайцев А.В. Народное голосование как форма онлайн-диалога власти и общества // Право и политика. 2023. № 12. С. 9-26. DOI: 10.7256/2454-0706.2023.12.69332. EDN: RHLGOD. URL: https://cyberleninka.ru/article/n/narodnoe-golosovanie-kak-forma-onlayn-dialoga-vlasti-i-obschestva/viewer (дата обращения: 03.04.2026).
4. Mihalcea R., Tarau P. TextRank: Bringing Order into Texts // Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing (EMNLP 2004). Barcelona, Spain, 2004. URL: https://www.researchgate.net/publication/ 200167751_TextRank_Bringing_Order_into_Texts (дата обращения: 03.04.2026).
5. Шереметьева С.О., Осминин П.Г. Методы и модели автоматического извлечения ключевых слов // Вестник Южно-Уральского государственного университета. Серия: Лингвистика. 2015. Т. 12. № 1. С. 76–81. URL: https:// cyberleninka.ru/article/n/metody-i-modeli-avtomaticheskogo-izvlecheniya-klyuchevyh-slov/viewer (дата обращения: 03.04.2026).
6. Дубов М., Миркин Б., Шаль А. Система автоматической обработки русскоязычных текстов [Электронный ресурс]. URL: https://publications.hse.ru/pubs/share/folder/0by5yydy0u/139637563.pdf (дата обращения: 03.04.2026).
7. Grave E., Bojanowski P., Gupta P., Joulin A., Mikolov T. Learning Word Vectors for 157 Languages // Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018). 2018. URL: https://arxiv.org/ pdf/1802.06893 (дата обращения: 03.04.2026).
8. Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space // Proceedings of the International Conference on Learning Representations (ICLR 2013). 2013. URL: https://info216.wiki.uib.no/images/d/ d1/Mikolov_et_al._-_2013_-_Efficient_Estimation_of_Word_Representations_in_Ve.pdf (дата обращения: 03.04.2026).
9. Blei D.M., McAuliffe J.D. Supervised Topic Models // Advances in Neural Information Processing Systems. 2007. URL: https://arxiv.org/pdf/1003.0783 (дата обращения: 03.04.2026).
10. Blei D.M., Ng A.Y., Jordan M.I. Latent Dirichlet Allocation // Journal of Machine Learning Research. 2003. Vol. 3. P. 993-1022. URL: https://jmlr.org/papers/volume3/blei03a/blei03a.pdf (дата обращения: 03.04.2026).
11. Wei X., Croft W.B. LDA-Based Document Models for Ad-hoc Retrieval // Proceedings of the 29th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. 2006. URL: https://ciir.cs. umass.edu/pubfiles/ir-464.pdf (дата обращения: 03.04.2026).
12. Датьев И.О., Федоров А.М. Аддитивная регуляризация при тематическом моделировании текстов сообществ онлайновых социальных сетей // Онтология проектирования. 2022. Т. 12. № 2(44). С. 186–199. DOI: 10.18287/2223-9537-2022-12-2-186-199. URL: https://cyberleninka.ru/article/n/additivnaya-regulyarizatsiya-pri-tematicheskom-modelirovanii-tekstov-soobschestv-onlaynovyh-sotsialnyh-setey/viewer (дата обращения: 03.04.2026).
13. Адамович И.М., Волков О.И. Технология распределенного автоматизированного анализа исторических текстов // Системы и средства информатики. 2016. Т. 26. № 3. С. 151–158. ISSN: 0869-6527. eISSN: 2311-0325. URL: https://www.elibrary.ru/item.asp?id=27177723 (дата обращения: 03.04.2026).
14. Kuznetsov S.O. Fitting Pattern Structures to Knowledge Discovery in Big Data // Proceedings of the 11th International Conference on Formal Concept Analysis (ICFCA 2013). 2013. P. 254–266. URL: https://economics.hse.ru/data/2014/05/19/ 1322069822/78800254.pdf (дата обращения: 03.04.2026).
15. Mirkin B. Core Concepts in Data Analysis: Summarization, Correlation and Visualisation. London: Springer, 2011. DOI: 10.1007/978-0-85729-287-2. URL: https://www.hse.ru/data/2010/10/14/1223126254/Mirkin_All.pdf (дата обращения: 03.04.2026).
16. Luitel D., Hassani S., Sabetzadeh M. Using Language Models for Enhancing the Completeness of Natural-language Requirements [Электронный ресурс]. 2023. URL: https://arxiv.org/pdf/2302.04792 (дата обращения: 03.04.2026).
17. Luitel D., Hassani S., Sabetzadeh M. A Language-Model-Based Approach for Detecting Incompleteness in Natural-Language Requirements [Электронный ресурс]. URL: https://ruor.uottawa.ca/items/8e15ba28-5dd5-4cdb-965a-07560fe0 cdc3 (дата обращения: 03.04.2026).
18. Jordan M.I., Ghahramani Z., Jaakkola T.S., Saul L.K. An Introduction to Variational Methods for Graphical Models // Machine Learning. 1999. V. 37. P. 183–233. DOI: 10.1023/A:1007665907178. URL: https://people.eecs.berkeley.edu/~jordan/ papers/variational-intro.pdf (дата обращения: 03.04.2026).