Поиск научно-технических компетенций с использованием методик интеллектуального анализа текстов для формирования сообщества провайдеров решений в сфере открытых инноваций
В последнее десятилетие появилась новая индустрия поставщиков услуг, которые помогают компаниям в реализации научно-технических проектов с использованием методологии открытых инноваций. Отдельно можно выделить так называемые акселераторы отрытых инноваций (АОИ), которые помогают клиентам получить прибыль путем подключения внешних партнеров (или провайдеров решений) ко всем стадиям инновационного проекта. Деятельность таких специализированных структур основана на совместном применении современных цифровых технологий и методологии краудсорсинга. При этом размер и структура сообщества провайдеров решений АОИ, а также соответствие компетенций его членов задачам проектов, рассматриваются в качестве ключевых параметров, определяющих его эффективность. Авторами предлагается подход к формированию сообщества провайдеров решений, основанный на автоматизации задач поиска научно-технических компетенций персоналий на базе анализа исходной научно-технической задачи с использованием методов семантического анализа данных. Описывается архитектура и функционал программного комплекса, предназначенного для поиска информации и автоматизации бизнес-процессов АОИ
Ключевые слова: открытые инновации, краудсорсинг, семантический анализ данных, провайдер решений, поиск технологической информации
Список использованных источников
1. Daren C. Brabham. Crowdsourcing. MIT, 2013
2. F. Piller, K. Diener. Brokers and Intermediaries for Open Innovation — A Global Market Study. 2013.
3. О. П. Лукша, А. А. Наталенко, Г. Б. Пильнов, А. Э. Яновский, Акселераторы открытых инноваций на основе информационных платформ//Инновации. № 12. 2017.
4. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5362025.
5. https://irevolutions.org/2010/05/05/towards-a-model-forsuccessful-crowdsourcing.
6. О. Манчулянцев. Открытые конкурсы как источник инновационных идей//Открытые инновации для крупных компаний. Сб. статей. М.: Московская школа управления Сколково, 2011.
7. http://www.ninesigma.com/File%20Library/Infographics/SPSurvey_infographic.pdf.
8. A. Rajaraman et al. Mining of Massive Datasets. Cambridge University Press, 2011. P. 1-17.
9. I. Vinnarasi Tharania et al. Improved Correlation Preserved Indexing For Text Mining//IJIRCCE. Vol. 2. Issue 1. 2014. P. 2482-2490.
10. T. Hofmann Thomas. Probabilistic latent semantic indexing//In Proc. of the SIGIR 1999. P. 50-57.
11. D. Zhang. Extensions to Self-Taught Hashing: Kernelisation and Supervision, The SIGIR 2010 Workshop on Feature Generation and Selection for Information Retrieval (FGSIR), 2010.
12. T. K. Landauer. An Introduction to Latent Semantic Analysis//Discourse Processes. Vol. 25. 1998. P. 259-284.
13. K. S. Hasan. Automatic keyphrase extraction: a survey of the state of the art//In: Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics. 2014. P. 1262-1273.
14. M. F. Porte, An algorithm for suffix stripping//Program. Vol. 14. № 3. 1980. P. 130-137.
16. http://rdf4j.org.
19. https://xapian.org.
20. OWL 2 Web Ontology Language, W3C Recommendation, 2012. https://www.w3.org/TR/owl2-overview.
