Registration Number
0826U005133, PhD dissertation
Status
Доктор філософії
Date
04-09-2026
popup.evolution
o
Title
Model and method for detecting correlation dependencies in ontological systems built on heterogeneous data
Author
ANDRII PYLYPENKO,
popup.head IGOR RUBAN
popup.opponent Oleh V. Barabash
popup.opponent Oleksandr I. Laktionov
popup.review Kyrii Valentyna V.
popup.review Vitalii O. Martovytskyi
popup.rada
Kharkiv National University Of Radio Electronics
Description
Пилипенко А.Г. Модель та метод виявлення кореляційних залежностей у онтологічних системах побудованих на різнорідних даних. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття ступеня доктора філософії за спеціальністю 126 Інформаційні системи та технології – Харківський національний університет радіоелектроніки, Міністерство освіти і науки України, Харків, 2026.
Актуальність теми дослідження визначається сучасними тенденціями розвитку інформаційних систем, для яких характерне постійне збільшення обсягів різнорідних даних, що надходять із великої кількості джерел та мають різну структуру, природу й часову динаміку. У багатьох прикладних сферах, зокрема у фінансовій аналітиці, корпоративному управлінні, моніторингу інформаційного середовища та системах підтримки прийняття рішень, виникає необхідність виявлення прихованих взаємозв’язків між об’єктами та подіями на основі комплексного аналізу структурованої і неструктурованої інформації. Особливого значення при цьому набуває задача встановлення кореляційних залежностей між об’єктами у складних динамічних середовищах, де характер взаємодій може змінюватися під впливом контексту, часу та зовнішніх інформаційних факторів.
Водночас сучасні інформаційні системи дедалі частіше функціонують в умовах високої динамічності та інформаційної невизначеності, де суттєву роль відіграють текстові повідомлення, новинні джерела, аналітичні матеріали та інші види неструктурованих даних. Такі дані можуть містити важливі сигнали щодо зміни стану об’єктів або виникнення нових взаємозалежностей, однак їх використання потребує спеціальних підходів до семантичної інтерпретації та інтеграції з іншими типами інформації. Крім того, значна кількість існуючих моделей орієнтована переважно на підвищення формальних показників точності, не враховуючи достатньою мірою контекстну обґрунтованість отриманих результатів та їх практичну значимість у процесах прийняття рішень.
Перспективним напрямом вирішення зазначених проблем є використання онтологічних систем та графових моделей знань, які дозволяють формалізувати структурні зв’язки між об’єктами, відображати різні типи взаємодій та забезпечувати інтеграцію інформації з багатьох джерел у межах єдиного середовища представлення знань. Разом із цим виникає необхідність розроблення нових методів виявлення кореляційних залежностей, які враховують не лише наявність структурних зв’язків, але й умови їх актуалізації залежно від контексту, часових характеристик та інформаційних сигналів.
Актуальність роботи також пов’язана з потребою підвищення інтерпретованості результатів аналізу та забезпечення можливості формування обґрунтованих рішень у системах, що працюють із різнорідними даними. Використання підходів, заснованих на інтеграції структурного, сигнального та семантичного контексту, дозволяє підвищити узгодженість процесу аналізу та розширити можливості виявлення залежностей, які не можуть бути встановлені за допомогою лише одного типу даних. У зв’язку з цим розроблення моделей, методів та інформаційної технології виявлення кореляційних залежностей в онтологічних системах, побудованих на різнорідних даних, є актуальним науково-практичним завданням.
Метою дисертаційної роботи є підвищення достовірності, контекстної релевантності та економічної ефективності виявлення кореляційних залежностей у онтологічних системах, побудованих на різнорідних даних.
Наукова новизна отриманих результатів полягає у такому.
Удосконалено модель знань для виявлення кореляційних залежностей у корпоративних онтологічних графах на різнорідних даних у вигляді контекстно-зв’язаної бімодальної структури, яка, на відміну від існуючих, базується на принципі структурно-текстового розділення через незмінну проєкційну функцію зв’язку часових текстових спостережень із фіксованим багатореляційним графом, що забезпечує інтеграцію подійного контексту без зміни топології мережі та підвищує точність прогнозування.
Registration Date
2026-09-04
popup.nrat_date
2026-09-04 / 2026-09-24
