Исследование применения признаков терминов железнодорожной отрасли при формировании классификатора

Железнодорожный транспорт является одним из основных транспортных отраслей в Российской Федерации. Так за 2017 год вклад в ВВП РФ составляет 1,4%. На железнодорожном транспорте на текущий момент работают более 730 тысяч человек [1]. Деятельность является важной для многих смежных областей, в том числе промышленной и оборонной. Именно поэтому так важно поддержание высокого уровня информационной безопасности в сфере железнодорожного транспорта. С точки зрения защиты информации на предприятиях этой отрасли, предусмотрены и функционируют необходимые меры организационной, программной и аппаратной составляющей.

Главной и ключевой особенностью сферы железнодорожного транспорта является условная обособленность данной отрасли в Российской Федерации. Примером может служить перечень должностей, которые используются только на данных предприятиях, уникальная нормативная и учебная литература, своя собственная масштабная сеть передачи данных и многое другое. Особое внимание заслуживает терминология, используемая на железнодорожном транспорте. Например, для описания должности поездного диспетчера используется сокращенное наименование ДНЦ. Термин не является какой-либо расшифровкой и имеет свои исторические корни.

Аналогичные сокращения имеют и объекты инфраструктуры на железнодорожном транспорте, например ДЦС или ВЧД. Уникальностью описания обладают и данные, передаваемые в информационных системах. Любой документ, передаваемый по внутренним каналам связи, содержит как минимум телеграфный код причастных дирекций или служб, а также шифр исполнителя данного документа. Все это говорит о том, что предметная область в части железнодорожной терминологии заслуживает большого внимания при работе с текстовыми данными [2].

Например, регулярные выражения могут быть использованы при поиске и анализе следующих специфических элементов в общем тексте:

• -    телеграмма натурный лист грузового поезда (ТГНЛ) - уникальный цифровой код, описывающий содержание вагонов в грузовом поезде;

• -    сообщения системы АСОУП - цифровой код, содержащий уникальные комбинации цифр и иных символов.

Кроме информационных систем, уникальностью и синтаксическими особенностями обладают и сами термины. Первой отличительной чертой железнодорожной терминологии является то, что объекты имеют определенную условную иерархичность (рис. 1).

Рис. 1. Иерархия в описании субъектов Дирекции управления движением

Вторым отличительным признаком является условное наследование. Например, следующее описание должностей Дирекции управления движением:

• -    Д - Дирекции управления движением;

• -    ДС - начальник станции;

• -    ДСП - дежурный по станции;

• -    ДСПГ - дежурный по сортировочной горке;

• -    ДСПГО - оператор при дежурном по сортировочной горке.

Третьей особенностью является именно синтаксический состав и порядок букв в сокращении железнодорожных объектов и субъектов. При анализе выборки терминов, состоящей из 500-600 сокращений, была получена следующая статистика:

• -    общее количество символов в выборке равно 1583;

• -    общее количество согласных букв в выборке 81,81 %;

• -    количество терминов, начинающихся с гласной буквы 19,47 %;

• -    количество терминов, заканчивающихся гласной буквой 15,97 %.

Другими словами, при текстовом анализе данных важно обращать внимание именно на наполнение и расположение в словах (токенах) согласных букв.

С точки зрения вопросов, затрагивающих информационную безопасность, любое распространение текстовых документов, содержащих данную терминологию, влечет за собой определенные последствия для предприятия - как производственные и экономические, так и последствия для имиджа компании. Применение уникальности терминологии сокращенных наименований должностей, структурных предприятий и информационных систем помогает как при ретроспективном анализе, так и при раннем обнаружении текстовых публикаций имеющих, распространение информации ограниченного доступа. Именно поэтому при составлении классификатора, определяющего отношение текста или документа к железнодорожной отрасли стоит обратить внимание на все вышеперечисленные синтаксические особенности.

Главной задачей исследования является формирование классификатора на основе обучения «с учителем» на данных, которые заранее отнесены к классу тематики железнодорожного транспорта с точностью определения более чем 0,7. В конечном итоге должен получиться классификатор, определяющий относится ли текст к данной отрасли или нет, и на сколько важным является применения в классификаторе синтаксических особенностей в документах данной отрасли. Для обучения на первом этапом требуется наполнить корпус соответствующей литературой и получить обучающие множества.

Корпус - это некоторый филологически-компетентный массив языковых данных (чаще всего, множество текстов) [3]:

• -    отобранных в соответствии с некоторой исследовательской задачей;

• -    специально подготовленных, размеченных, структурированных, представленных в унифицированном виде.

Для решения задачи наполнения корпуса железнодорожного текста выбраны наиболее значимые тексты данной тематики [4]:

• -    Транспортный устав железных дорог Российской Федерации.

• -    Правила перевозок грузов.

• -    График движения поездов.

• -    Правила технической эксплуатации железных дорог.

• -    Инструкция по движению поездов.

• -    Инструкция по сигнализации и связи на железнодорожном транспорте.

• -    Технологические процессы работы станций, отделений и подразделений.

• -    Местные инструкции.

Следующим этапом исследования будет формирование множества, на основании которого будет происходить обучение классификатора, определяющего отношение текста к необходимому классу с максимальной степенью точности.