Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения

СПИСОК ЛИТЕРАТУРЫ
1. Клячкин В. Н. и др. Применение методов 
машинного обучения при решении задач тех-
нической диагностики // Научный вестник 
УВАУ ГА (И). – 2016. – Т. 8. – С. 158–161.
2. Барахнин В. Б. и др. Автоматизирован-
ная классификация русских поэтических тек-
стов по жанрам и стилям // Вестник Ново-
сибирского государственного университета. 
Серия: Лингвистика и межкультурная ком-
муникация. – 2017. – Т. 15. – № 3. – С. 13–23.
3. Бабуцкий В. А., Сидоров И. Д. Методы и 
средства извлечения ключевых слов в задаче 
автоматической идентификации потенциаль-
но опасных текстов в условиях неопределен-
ности их тематической принадлежности // 
Успехи современной науки. – 2017. – Т. 1. – 
№ 12. – С. 54–59.
4. Yang W., Boyd-Graber J., Resnik P. A dis-
criminative topic model using document net-
work structure //Proceedings of the 54th Annual 
Meeting of the Association for Computational 
Linguistics (Volume 1: Long Papers). – 2016. – 
Т. 1. – С. 686–696.
5. Комарова А. В. и др. Метод автоматизи-
рованного извлечения адресов из неструкту-
рированных текстов //International Journal of 
Open Information Technologies. – 2017. – Т. 5. – 
№ 11. – С. 21–26.
6. Piernik M., Brzezinski D., Morzy T. Clus-
tering XML documents by patterns // Knowl-

---

181
ВЕСТНИК ВГУ, СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, 2018, № 3
Сравнительный анализ методов машинного обучения …
edge and Information Systems. – 2016. – Т. 46. – 
№ 1. – С. 185–212.
7. Tang B. et al. A Bayesian classification ap-
proach using class-specific features for text cat-
egorization // IEEE Transactions on Knowledge 
and Data Engineering. – 2016. – Т. 28. – № 6. – 
С. 1602–1606.
8. Yoo J. Y., Yang D. Classification scheme of 
unstructured text document using TF-IDF and 
naive bayes classifier // Advanced Scienceand 
Technology Letters. – 2015. – Т. 3. – С. 263–266.
9. Feng G. et al. Feature subset selection using 
naive Bayes for text classification //Pattern Rec-
ognition Letters. – 2015. – Т. 65. – С. 109–115.
10. Wang S., Jiang L., Li C. Adapting naive 
Bayes tree for text classification // Knowledge and 
Information Systems. – 2015. – Т. 44. – № 1. – 
С. 77–89.
11. Peng F., Schuurmans D. Combining na-
ive Bayes and n-gram language models for text 
classification // European Conference on Infor-
mation Retrieval. – Springer, Berlin, Heidelberg, 
2003. – С. 335–350.
12. Bijalwan V. et al. KNN based machine 
learning approach for text and document min-
ing // International Journal of Database Theory 
and Application. – 2014. – Т. 7. – № 1. – С. 61–70.
13. Adeniyi D. A., Wei Z., Yongquan Y. Auto-
mated web usage data mining and recommenda-
tion system using K-Nearest Neighbor (KNN) 
classification method // Applied Computing and 
Informatics. – 2016. – Т. 12. – № 1. – С. 90–108.
14. Ingram S., Munzner T. Dimensionality 
reduction for documents with nearest neighbor 
queries // Neurocomputing. – 2015. – Т. 150. – 
С. 557–569.
15. Jun S., Park S. S., Jang D. S. Document 
clustering method using dimension reduc-
tion and support vector clustering to overcome 
sparseness // Expert Systems with Applications. – 
2014. – Т. 41. – № 7. – С. 3204–3212.
16. Lilleberg J., Zhu Y., Zhang Y. Support vec-
tor machines and word2vec for text classification 
with semantic features // Cognitive Informat-
ics & Cognitive Computing (ICCI* CC), 2015 
IEEE 14th International Conference on. – IEEE, 
2015. – С. 136–140.
17. Pliakos K., Geurts P., Vens C. Global mul-
ti-output decision trees for interaction predic-
tion // Machine Learning. – 2018. – С. 1–25.
18. Capannini G. et al. Quality versus effi-
ciency in document scoring with learning-to-
rank models //Information Processing & Man-
agement. – 2016. – Т. 52. – № 6. – С. 1161–1177.
19. Lucchese C. et al. Quickscorer: A fast al-
gorithm to rank documents with additive en-
sembles of regression trees // Proceedings of the 
38th International ACM SIGIR Conference on 
Research and Development in Information Re-
trieval. – ACM, 2015. – С. 73–82.
20. Abadi M. et al. TensorFlow: A System for 
Large-Scale Machine Learning //OSDI. – 2016. – 
Т. 16. – С. 265–283.
21. Dekhtyar A., Fong V. RE Data Challenge: 
Requirements Identification with Word2Vec and 
TensorFlow //Requirements Engineering Confer-
ence (RE), 2017 IEEE 25th International. – IEEE, 
2017. – С. 484–489.
22. Wu X. et al. Top 10 algorithms in data 
mining //Knowledge and information systems. – 
2008. – Т. 14. – № 1. – С. 1–37.
23. Jain A., Mandowara J. Text classification 
by combining text classifiers to improve the ef-
ficiency of classification //International Journal 
of Computer Application (2250-1797). – 2016. – 
Т. 6. – № 2.
24. Canhasi E., Kononenko I. Multi-docu-
ment summarization via archetypal analysis of 
the content-graph joint model //Knowledge and 
information systems. – 2014. – Т. 41. – № 3. – 
С. 821–842.
25. Lan A. S. et al. Mathematical language 
processing: Automatic grading and feedback for 
open response mathematical questions //Pro-
ceedings of the Second (2015) ACM Conference 
on Learning@ Scale. – ACM, 2015. – С. 167–176.
26. Gupta V. et al. A survey of text mining 
techniques and applications //Journal of emerg-
ing technologies in web intelligence. – 2009. – 
Т. 1. – № 1. – С. 60–76.
27. Krasnyanskiy M. N., Ostroukh A. V., 
Karpushkin S. V., Obukhov A. D. Algorithm for 
Structural and Parametric Synthesis of Electronic 
Document Management System of Research and 
Education Institution. Journal of Applied Scienc-
es. – 2016. – Vol. 16, No 7. – P. 332–337. – DOI: 
10.3923/jas.2016
28. Обухов А. Д. Алгоритм структурно-па-
раметрического синтеза системы электронно-

---

182
ВЕСТНИК ВГУ, СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, 2018, № 3
М. Н. Краснянский, А. Д. Обухов, Е. М. Соломатина, А. А. Воякина
го документооборота научно-образователь-
ного учреждения // Вопросы современной 
науки и практики. Ун-т им. В. И. Вернадско-
го. – 2016. – № 1(59). – С. 199–209.
29. Батура Т. В. Методы автоматической 
классификации текстов // Программные про-
дукты и системы. – 2017. – Т. 30. – № 1.
30. Обухов А. Д. Постановка задачи струк-
турно-параметрического синтеза системы 
электронного документооборота научно-об-
разовательного учреждения // Вестник ТГТУ. – 
2016. – № 2. – С. 217–232. – DOI: 10.17277/
vestnik.2016.02.pp.217-232