Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos




Скачать 138.85 Kb.
НазваниеИнтеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos
Дата28.02.2013
Размер138.85 Kb.
ТипДокументы
Интеллектуальное реферирование:
онтологический подход и его реализация в решениях Ontos


П. Г. Кананыкина1, В.Ф. Хорошевский2

1. Введение


Уже общепризнанно, что одной из самых больших проблем современного общества является информационное переполнение. Как отмечается в работе [Tofler, 2006], до 2020 года количество информации и потребности в ней будут расти экспоненциально. И без умения создавать и обрабатывать такие объемы информации ЛПР будущего будут введены в состояние, которое можно назвать «аналитический паралич». На этом фоне особую важность приобретают методы и средства семантического сжатия информации, среди которых особое место занимает интеллектуальное реферирование документов и коллекций документов. Обсуждению вопросов создания системы реферирования под управлением онтологий, разработанной в рамках решений Ontos для Semantic Web, и посвящена настоящая работа.

2. Решения Ontos для Semantic Web

В настоящее время мировым сообществом уже осознано направление главного «удара» в борьбе с информационным взрывом – переход от хранения и обработки данных к накоплению и обработке знаний. А один из подходов, в рамках которого для решения вышеуказанной проблемы сейчас сосредоточиваются значительные научно-технические ресурсы, - переход от классического Интернет к семантическому [Berners-Lee et. al., 2001].

Исследования и разработки в области семантических технологий активно ведутся во всем мире и одним из активных участников этого процесса является проект Ontos, в рамках которого российской компанией «Авикомп Сервисез», Вычислительным центром РАН и швейцарской компанией Ontos AG уже более 5 лет разрабатываются методы, средства и системы семантической обработки информации [Хорошевский, 2004]. В последние 2 года решения Ontos все больше ориентируются на Semantic Web и в настоящее время уже выходят на уровень практического использования в рамках семантических порталов Ontos [Hladky et al., 2007; Hladky, 2008].

Основными принципами, положенными в основу решений Ontos, являются ориентация на семантизацию контента Интернет и Интранет под управлением онтологий путем создания семейства систем извлечения информации из текстов на различных естественных языках [Efimenko et al., 2004], разработку и реализацию семантических хранилищ, построенных на стандартах W3C [Barstow, 2001], а также использование сформированных баз знаний для создания практически значимых систем семантической навигации по информационным ресурсам и сервисов аналитики на знаниях, среди которых заметное место занимают сервисы семантического дайджестирования и реферирования [Ефименко, 2006; Hladky et al., 2007].

О
бщая схема обработки информации в рамках решений Ontos представлена на рис. 1.

Рис. 1. Общая схема обработки информации в рамках решений Ontos

Интеллектуальным ядром решений Ontos является семейство систем OntosMiner [Efimenko et al., 2004; Хорошевский, 2004], обеспечивающих переход от неструктурированной информации к ее семантическому представлению в форматах XML, N3 и OWL, рекомендованных стандартами W3C. Основу среды хранения знаний и обеспечения эффективного доступа к ним составляет платформа Ontos SOA, ключевыми элементами которой являются RDF-хранилище, реализованное на базе СУБД Oracle 11g, и подсистема запросов к этому хранилищу знаний на основе использования языка SPARQL [Prud'hommeaux et al., 2008]. Базисные сервисы в решениях Ontos на данном этапе представлены сервисами семантической навигации, семантического дайджестирования и семантического реферирования. Обсуждение последнего сервиса и составляет оставшуюся часть данной работы.

3. Реферирование документов и коллекций документов

3.1. Состояние исследований и разработок

Работы по автоматическому реферированию ведутся уже больше 40 лет, но последний всплеск интереса к этому направлению наблюдается с конца 90-х годов прошлого века. За это время было исследовано множество подходов и реализованы различные системы данного класса. И хотя разные фирмы уже предлагают полезные инструменты для реферирования, такие, как, например, функция AutoSummarize в Microsoft Office, системы IBM Intelligent Text Miner, Oracle Context, Inxight Summarizer и др., возможности их, как правило, ограничены выбором из исходного документа некоторых значимых фрагментов и соединением их в короткий текст. Однако автоматическая генерация краткого изложения смысла текста требует более глубоких подходов. Вот почему наиболее перспективными в настоящее время являются попытки научить машину при составлении рефератов действовать аналогично человеку – сначала выделить из текста(ов) значимую информацию, а затем, используя определенные модели предметной области и некоторые сценарии, соответствующие запросам пользователя, сгенерировать реферат. Таким образом, общая задача реферирования распадается на две крупные подзадачи: извлечение информации (Information Extraction, IE) и собственно генерацию реферата на естественном языке (Summarization).

Как показывает ретроспективный анализ литературы [Radev et al. 1998; Hahn et al., 2000; Maynard et al. 2002; Nobata et al. 2002; Radev, 2004; Ou et al., 2007], все методы автоматического реферирования опираются на три основных подхода: извлечение предложений (Sentence Extraction), использование шаблонов (Templates Extraction) и извлечение содержания (Content Extraction).

Первые системы автоматического реферирования, как отмечается в обзоре [Radev, 2004], были ориентированы на извлечение предложений. При этом «нужные» предложения отбирались в соответствии с позиционным (местоположение предложения в документе/разделе/абзаце с определением типа выделенного элемента, например, заголовок/вступление/заключение) и/или тематическим (наличие ключевых слов в предложении) подходами. Дальнейшее развитие методов извлечения предложений привело к использованию более «тонких» маркеров, фиксирующих значимость предложений (например, фраз типа “в итоге”, “наше исследование показывает”, “важно” и др,) и ориентации на связность элементов текста (учет близости расположения в тексте, частоты повторов и синонимичности, тождества по референту и т.п.). Во всех таких методах вводятся оценочные функции (Scoring Functions) важности предложений, что позволяет получать достаточно удачные рефераты-выдержки без сколько-нибудь глубокого изучения предметной области, к которой относятся реферируемые тексты.

Основная идея всех методов, основанных на извлечении шаблонов, состоит в том, что тексты в заданной предметной области подчиняются определенным законам своего развития, которые могут быть зафиксированы путем выделения определенных шаблонов-штампов (templates), связанных между собой логикой повествования в соответствии с жанром будущего текста. Так, если специалист по реферированию знает, что перед ним резюме, он ожидает от текста определенной структуры («родился-учился-работал-уволился-работал, ...»). Эти наблюдения породили другой подход к реферированию – подход, основанный на знаниях [Radev,1998]. Реализованные на базе таких методов системы автоматического реферирования базируются на извлечении информации, удовлетворяющей определенным шаблонам, которые выбираются экспертами для заданной предметной области. Так, например, Радев и МакКон разработали систему для реферирования документов, в которых содержалась информация о несчастных случаях, террористических актах и прочих чрезвычайных происшествиях [Radev et al., 1998].

Методы автоматического реферирования, основанные на извлечении содержания [ACE, 2008], по сути своей, являются дальнейшим развитием идеи извлечения шаблонов. При этом нижним уровнем извлечения содержания является извлечение именованных сущностей (Named Entity, NE), а следующим – извлечение семантически значимых отношений между сущностями, что позволяет строить семантические карты текстов с точностью до моделей предметной области, под управлением которых осуществляется извлечение содержания.

Таким образом, как показывает проведенный выше анализ, исследования по проблеме автоматического реферирования текстов на естественном языке находятся в фокусе внимания исследователей и разработчиков во всем мире. При этом, уже исследованы и освоены статистические методы построения аннотаций и ясны их ограничения. Поэтому «горячим топиком» в современных работах является построение интеллектуальных систем реферирования.

3.2. Онтологический подход к реферированию

Общая идея онтологического подхода к реферированию документов и коллекций документов, предлагаемого в данной работе, состоит в

  • выравнивании предметных онтологий, под управлением которых осуществлялось извлечение содержания из текстов на естественных языках, относительно онтологии реферирования;

  • разработке сценариев рефератов различных жанров и стыковке их с онтологией реферирования;

  • разработке методов и средств эффективного доступа к информации, релевантной для создания требуемых рефератов, которая присутствует в базе знаний, и

  • генерации рефератов под управлением нужного сценария.

Для определенности дальнейшего обсуждения будем считать, что база знаний, используемая в процессе построения рефератов, сформирована соответствующими процессорами семейства OntosMiner путем обработки монотематических коллекций документов на русском и английском языках из предметной области «Бизнес и политика», а результаты этой обработки хранятся в RDF-хранилище как множество триплетов вида X-R-Y, где X и Y – семантически значимые объекты, а R – семантически значимое отношение между ними. Будем также предполагать, что основным жанром реферата в нашем случае является пересказ, фокусом которого может быть физическое или юридическое лицо, а также название геообъекта. Таким образом, в нашем случае в качестве рефератов будут генерироваться «портреты» людей, организаций или объектов, связанных с географией.

Выравнивание предметных онтологий относительно онтологии реферирования в нашем случае было проведено следующим образом. На основе анализа онтологий из предметной области «Бизнес и политика» была сформирована мета-онтология реферирования «Summarizer Ontology», где специфицированы объекты и отношения предметных онтологий с той степенью детализации, которая необходима для построения рефератов.

Кроме того, для каждой бизнес-онтологии были разработаны правила отображения ее в мета-онтологию, что обеспечивает возможность извлечения информации из различных хранилищ предметных знаний с приведением ее к единому представлению, соответствующему мета-онтологии реферирования. Так, например, приведенные ниже правила фиксируют отображение объектов типа «ЮрЛицо» и отношений между ними из различных предметных онтологий на онтологию реферирования.

{Organization}  Organization(Title_rus:=@.title; …)

{Joint_Venture}  Organization(Title_rus:=@.title; …)

{Interactions}  CorrelatingInterests(*:=@.*;)

{Personal_and_mediated_contacts}  PersonalContacts(*:=@.*;)

{Buys}  Buy(Price:=@.Price; Seller_lat:=@.Seller;

Seller_rus:=@.Seller; When_lat:=@.When; When_rus:=@.When;)


Заметим, что такой подход позволяет интегрировать информацию из различных баз знаний и знаний, представленных изначально на разных естественных языках, в единое информационное поле для построения рефератов.

Разработка сценариев рефератов различных жанров в нашем случае осуществляется на основе использования идей В. Проппа, выдвинутых им при изучении морфологии волшебных сказок [Пропп, 1928], суть которых сводится к тому, что устойчивыми элементами сказки служат функции действующих лиц, независимо от того, кем и как они выполняются; число функций, известных волшебной сказке, ограничено; последовательность функций всегда одинакова.

Учитывая вышесказанное, будем считать, что типы отношений, выделяемых из текстов системами семейства OntosMiner, являются специальным случаем функций Проппа, а реферат концептуально представляет собой сумму отношений с четко фиксированной последовательностью. В таком случае сценарий это схема следования отношений и совокупность законов их суммирования.

Д
ля рефератов жанра «пресс-портрет ФизЛица» сценарий может быть специфицирован графом, представленным на рис. 2.

Рис. 2. Сценарий реферата «пресс-портрет ФизЛица»

Кроме того, в онтологии реферирования для каждого типа отношения можно ввести атрибут «ранг», который специфицирует важность и псевдохронологию в пределах будущего реферата. Так, например, тип отношения «Получить образование» по рангу выше, чем «Работать», потому что в биографиях и резюме, как правило, располагается раньше и более важен для упоминания. Тогда возможно динамическое формирование сценария реферата на основе той информации об отношениях, которая имеется в базе знаний и перечня релевантных для реферата типов отношений.

В общем случае реферат типа «пересказ» реализуется следующим образом. Сначала из базы знаний извлекаются (на заданной глубине от фокусного объекта реферата) все объекты и отношения между ними. Затем отношения упорядочиваются в соответствии со сценарием или их рангами, образуя блоки. Если какое-либо из отношений характеризуется точной датой, то самая ранняя из них характеризует весь блок. Если же ни одна из функций даты не содержит, группа привязывается к ближайшей для исходного реферируемого текста группе.

Учитывая то, что элементарными единицами сценария являются триплеты-факты, введем следующие содержательные операции над фактами:

  1. Сложение фактов. Если два отношения характеризуют одно и то же событие, будем образовывать псевдофакты. Так, например, из фактов «Larry Page founded Google in 1998» и «Sergey Brin founded Google in 1998», логично сформировать общий факт «Larry Page and Sergey Brin founded Google in 1998».

  2. Уточнение. Поскольку реферат разворачивается вокруг определенного ключевого (фокусного) объекта, часть фактов, имеющих отношение к этому объекту, для удобства восприятия, целесообразно переместить к фокусу и сформировать уточнение. Например, из фактов «Ларри Пейдж работает в Гугле» и «Гугл был основан в 1998 году» можно сформировать обобщенный факт «Ларри Пейдж работает в Гугле, который был основан в 1998 году».

  3. Пересечение фактов. Если какой-то из фактов уже вошел в качестве уточнения в реферат или уже использовался при сложении фактов, он из дальнейшего рассмотрения исключается.

  4. Введение анафорических ссылок. Логические фрагменты генерируемого текста (абзацы и/или множество абзацев) часто связаны с одним объектом. При этом в письменной и устной речи в таких случаях полное название объекта заменяется сокращенным или указателем на объект. Для реализации этой эвристики и используется операция введения анафорических ссылок.

П
рименение вышеуказанных операций на множестве фактов будущего реферата позволяет сформировать дискурсную структуру генерируемого текста, которая в дальнейшем используется в качестве исходных данных для лингвистического этапа формирования реферата. На рис. 3 приведена, для примера, дискурсная структура реферата типа «портрет ФизЛицо».

Рис. 3. Дискурсная структура реферата типа «портрет ФизЛицо»

Как указывалось выше, генерация «гладких» текстов на естественном языке является достаточно сложной задачей и предполагает, в общем случае, использование методов генерации адекватных синтаксических структур по заданной логически-временной структуре реферата, а также генерацию конкретных словоформ с учетом морфологии выходного языка. С учетом трудоемкости реализации перечисленных алгоритмов в данной работе предлагается использовать шаблонный подход, позволяющий преобразовать набор фактов в набор связанных предложений с помощью языка шаблонов SCAPE [Мальковский и др., 2007]. Типичный пример SCAPE-правила, обеспечивающего генерацию английского предложения, соответствующего факту получения образования, приведен ниже.


rule EarnDegreeFrom{

{Person}:S {EarnDegreeFrom}:P {Organization}:O

-> create Sentence[S,O](

Text := (S.FullName_lat == null ? (S._ViewName_lat==null ? "There was mentioned a person, who":S._ViewName_lat): S.FullName_lat) + " has recieved " +

(P.Degree_lat == null ? "a degree" :P.Degree_lat) +

(O.Title_lat == null ? (O._ViewName_lat==null ? "":" from

"+(indexOf(O._ViewName_lat,"groupof")<0?

O._ViewName_lat:"Group of organizations ")) :

(" from "+O.Title_lat)) + (P.When_lat == null ? "" : ("(" + P.When_lat+")")) + ".";

)

}


Если в базе знаний имеется информация о полном имени объекта типа «ФизЛицо», известна полученная им степень, университет и год выпуска, то результат применения вышеприведенного правила будет следующим: «Sergey Brin has recieved Master's degree from Garvard University in 1978.». Если у объекта типа «ФизЛицо» не будет, например, имени, то фрагмент «Sergey Brin» система заменит на фрагмент «There was mentioned a person, who ...». При этом год получения и конкретную степень можно пропустить вместе с предлогами, если информация о них в базе знаний отсутствует.

Таким образом, рассмотренная выше модель поддерживает концептуальное построение рефератов, является достаточно гибкой и позволяет создавать достаточно сложные рефераты в зависимости от запросов пользователя. Необходимо также отметить, что модель (за исключением этапа лингвистической генерации) не зависит от того, на каком языке был представлен исходный текст, сколько текстов составили базу знаний для генерации конкретного реферата и других параметров, к которым чувствительны другие методы автоматического реферирования.

3.3. Система интеллектуального реферирования OntoSummarizer

Предложенный выше онтологический подход был реализован в рамках системы интеллектуального реферирования OntoSummarizer, ориентированной на использование в семантических новостных порталах Ontos. Для повышения производительности в конкретной реализации новостных порталов было решено разделить систему на два модуля – Summarizer-EJB и OntosMiner-Summarizer.

Модуль Summarizer-EJB реализован на базе технологий J2EE, располагается на одном сервере с модулями, обслуживающими хранилище знаний, и обрабатывает множество запросов с новостных порталов на генерацию рефератов для заданных пользователем фокусных объектов.

Второй модуль системы интеллектуального реферирования, OntosMiner-Summarizer, реализован как один из ресурсов семейства OntosMiner. На входе он получает из хранилищ знаний соответствующий запросу пользователя подграф, фокус будущего реферата и выходной язык. Функционал этого модуля состоит в отображении подграфа на мета-онтологию реферирования, концептуальном планировании будущего реферата, генерации его текста и разметки для последующего отображения на портале. На выходе этого модуля формируется XML-файл реферата, к которому затем применяется XSLT-преобразование.

С
емантические новостные порталы Ontos (news.ontos.com и news.ontos.ru) обеспечивают семантизацию контента с различных новостных сайтов за счет обработки его процессорами семейства OntosMiner, поддерживают семантическую навигацию и другие семантические сервисы. Стартовая страница семантического новостного портала news.ontos.ru представлена на рис. 4.

Рис. 4. Новостной портал news.ontos.ru

Система интеллектуального реферирования OntoSummarizer, интегрированная в порталы Ontos, предоставляет по запросам пользователя отчеты-рефераты по объектам из базы знаний портала. Фрагмент такого реферата представлен на рис. 5.

Р
ис. 5. Фрагмент реферата по объекту «Михаил Прохоров»

В настоящее время на порталы ежедневно приходит нескольких сотен посетителей, которые в процессе своих визитов, в частности, обращаются с запросами на построение рефератов. Реализованная архитектура выдерживает такое количество запросов, позволяя создавать рефераты за время от 10 до 60 секунд, в зависимости от объема информации и загруженности хранилища знаний в момент обращения с запросом на генерацию реферата.

4. Заключение

В работе обсуждался онтологический подход к формированию рефератов на основе знаний об онтологии реферирования, сценарии реферирования и запроса пользователя. Предложенная модель генерации рефератов под управлением онтологий расширяема и пригодна для создания системы, позволяющей генерировать различные по сложности рефераты, причем разной длины и уровня подробности.

В дальнейшем планируется, во-первых, заменить лингвистический модуль, реализованный на базе языка шаблонов, на более сложный модуль, который использует полномасштабный механизм генерации текстов на естественном языке, и, во-вторых, расширить систему интеллектуального реферирования до системы класса QA (Question Answering), то есть ответов на ЕЯ-запросы пользователей. Для этого потребуется создание еще одного ресурса OntosMiner, обрабатывающего запросы, которые на заключительном этапе обработки отображаются в SPARQL-запросы.

Литература

[Ефименко, 2006] И.В.Ефименко, Лингвистические аспекты кросс-языкового реферирования: синтез текстов под управлением предметных онтологий, В Сб. Трудов 10-й Конференции по Искусственному Интеллекту, КИИ-2006, Обнинск, 2006.

[Мальковский и др., 2007] М.Г.Мальковский, А.С.Старостин. Система морфо-синтаксического анализа Treeton и мультиагентный синтаксический анализатор Treevial: принцип работы, система правил и штрафов // Интернет-математика 2007: Сб. работ участников конкурса / Екатеринбург: изд-во Уральского ун-та, 2007. С. 135-143.

[Пропп, 1928] В. Пропп Морфология сказки «Academia» Ленинград 1928

[Хорошевский, 2004] Хорошевский В.Ф., “OntosMiner: семейство систем извлечения информации из мультиязычных коллекций документов”, Труды конференции КИИ-2004, Тверь, Россия, 2004.

[ACE, 2008] Automatic Content Extraction, http://projects.ldc.upenn.edu/ace/


[Barstow, 2001] Art Barstow, Survey of RDF/Triple Data Stores, W3C, April 2001

[Berners-Lee, et. al., 2001] Tim Berners-Lee, James Hendler and Ora Lassila, “The Semantic Web”, Scientific American, May 2001.

[Efimenko et al., 2004] I.V. Efimenko, V.F. Khoroshevsky, V.P. Klintsov, “OntosMiner Family: Multilingual IE Systems”, In the Proceedings of International Conference SPECOM-2004, St.-Petersburg, Russia, 2004.

[Hahn et al., 2000] Hahn U., Mani I., The Challenges of Automatic Summarization, IEEE Computer, vol. 33, N 11, 2000

[Hladky et al., 2007] Hladky D., Khoroshevsky V., Semantic Technologies for Real Commercial Applications: Experiences and Lessons based on Digesting and Summarization of Multilingual-Text Collections, In Proc. International Conference “Semantic Technologies 2007” (SemTech-2007), San Jose, USA, 2007.

[Hladky, 2008] Hladky D., “Integration of Semantic Resources for Dusiness Intelligence”, In Proc. International Conference “Semantic Technologies 2008” (SemTech-2008), San Jose, USA, 2008.

[Maynard et al. 2002] D.Maynard, K.Bontcheva, H.Cunningham Toward a semantic extraction of named entities, Proceedings of the AIMSA 2002, Varna, Bulgaria, 2002.

[Nobata et al. 2002] C.Nobata, S.Sekine, H.Isahara, R.Grishman Summarization System Integrated with Named Entity Tagging and IE patterns Discovery, Proc. of the LREC-2002 Conference, May 2002.

[Ou et al., 2007] S. Ou , C. Khoo and D. Goh , Automatic multi-document summarization of research abstracts: design and user evaluation. Journal of the American Society for Information Science & Technology, 58(10) (2007)

[Prud'hommeaux et al., 2008] Eric Prud'hommeaux, Andy Seaborne, SPARQL Query Language for RDF, W3C Recommendation 15 January 2008, http://www.w3.org/TR/2008/REC-rdf-sparql-query-20080115/

[Radev et al., 1998] D.R.Radev, K.R.McKeown Generating natural language summaries from multiple on-line sources Computational Linguistics, 24(3):469-500, September 1998.

[Radev, 2004] D.R.Radev Text summarization. Tutorial ACM SIGIR, Sheffield, UK, July 25 2004 (http://www.summarization.com/)

[Tofler, 2006] Tofler A., “Third Wave”, Bantam Books, 2006, ISBN 0-553-24698-4.

1 ЗАО «Авикомп Сервисез», 119606 Москва, пр-кт Вернадского 84/2

2 Вычислительный центр РАН, 119333 Москва, ул. Вавилова 40

Похожие:

Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconКонспект лекций дисциплины онтологический инжиниринг для профиля «Компьютерные технологии инжиниринга»
Материализация научных знаний в инновационных решениях по созданию информационных технологий 10
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconУчебной дисциплины «Специальный перевод. Реферирование и аннотирование» программы профессиональной переподготовки для получения дополнительной квалификации
Целью дисциплины «Специальный перевод. Реферирование и аннотирование» является формирование компетенции, необходимой для корректного...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconМетодика оценки надежности и защищенности распределенных компьютерных сетей
В работе предложен альтернативный подход к анализу надежности и защищенности компьютерных сетей. Подход основан на теории систем...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconМетодические указания по государственному экзамену по «Менеджменту» для студентов специальностей «Менеджмент организации» 080507. 65 очной и заочной форм обучения Москва 2012 удк 658 012 (073)
...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconУчебно-методический комплекс с пециальности: 071201 «Библиотечно-информационная деятельность»
Аналитико-ситетическая переработка информации. Ч. Анннотирование и реферирование
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconКомпетентностный подход в преподавании английского языка
Изменения в характере образования – в его направленности, целях, содержании – все более явно ориентируют его на «свободное развитие...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos icon«Познание» Цели : развитие у детей познавательных интересов, интеллектуальное развитие детей
Цели: развитие у детей познавательных интересов, интеллектуальное развитие детей через решение следующих задач
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconЛингвометодический аспект обучения аспирантов реферированию научных текстов
В этих условиях популярными и довольно эффективными в методическом плане становятся и такие разновидности компрессии текста, как...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconПрограмма минимум кандидатского экзамена по специальности
...
Интеллектуальное реферирование: онтологический подход и его реализация в решениях Ontos iconЛичностно-оринтированный подход в обучении через формат проектной деятельности
Наибольшую актуальность в формировании такой личности приобретает реализация личностно-ориентированного подхода – создание условий...
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница