В статье рассматривается метод визуального контроля полноты технической документации, изучаемой в ходе ее приемки. Полнота отчетной документации проверяется по тексту технического задания. Для построения визуального представления используются как цветные точечные диаграммы, так и статистическая информация о степени соответствия текстов, полученная с использованием предлагаемого метода.

Ключевые слова: Проверка документации, автоматическая обработка текстов, визуализация результатов

1. Введение

2. Метод анализа полноты отчетной документации

3. Результаты экспериментов

4. Выводы

Список литературы

1. Введение

Процесс приемки технической документации относится к процессам визуального анализа текстовой информации: эксперт вынужден просматривать поданную документацию и принимать решение о ее пригодности или непригодности. Однако эффективность подобного визуального анализа относительно невелика, эксперт тратит на прочтение, анализ и понимание документации достаточно длительное время. Подобную ситуацию можно объяснить тем, что качественный анализ документации возможен только при подключении всех аналитических способностей эксперта: проверка отдельных фрагментов отчетов, сверка фрагментов между собой, визуальное выделение наиболее значимых фрагментов технического задания и документации, сверка достигнутых результатов с поставленными заданиями.

Заметим, что не всякая документация заслуживает подобного внимания. В некоторых случаях исполнитель пытается сдать документацию «методом последовательных приближений», когда документация последовательно исправляется лишь в тех местах, которые были отмечены экспертом. При этом качество исправлений сохраняет общий низкий уровень отчета, не изменяя ситуацию по сути. Внешние признаки продвижения налицо – текст отчета изменился, но отчет всё еще не дает ответы на те важные вопросы, ради которых он должен был написан. Исполнитель надеется, что после нескольких итераций заказчик сдастся, решив, что проще доработать документацию своими силами, чем тратить время на проверку.

Заметим, что такая ситуация в корне неприемлема при работе в рамках CALS-технологии. CALS-технологии (от английского термина Continuous Acquisition and Lifecycle Support, русский аналог - информационная поддержка процессов жизненного цикла изделий – ИПИ [1, 2]) – это современный подход к проектированию и производству продукции, подразумевающие сквозное применение компьютерной техники на всех стадиях жизненного цикла. За счет этого существенно сокращается время и стоимость проектирования изделий, так как описания всех элементов, механизмов, технологических и прочих процессов хранятся в цифровом формате и могут быть легко найдены и повторно использованы при разработке новых изделий или эксплуатации старых. Это накладывает дополнительные требования к документации, которая должна описывать объект так, чтобы его можно было модифицировать, создать заново или эксплуатировать без дальнейших консультаций с исполнителем по истечении многих лет.

Для того, чтобы помочь эксперту, необходимо создать автоматизированную систему, которая выдавала бы ему предварительную оценку степени соответствия отчетной документации техническому заданию (ТЗ). Указанная система должна разбивать документ на фрагменты и оценивать степень их соответствия, после чего визуализировать результаты своих расчетов. Эксперт оценивает степень соответствия документа требованиям по представленному ему изображению и принимает решение о необходимости дальнейшего анализа (а также о его глубине) тех или иных фрагментов документации. Таким образом, задача эксперта будет сведена к проведению визуального анализа результатов обработки текстовой информации.

Разработка подобной системы требует применения методов анализа текстов на естественном языке. Заметим, что методы определения плагиата [3] или нечетких дублей [4] в данной задаче не могут быть использованы напрямую. Методы определения плагиата основываются на выделении некоторого фрагмента заданного текста и поиске сходных фрагментов в других документах. Сравнение фрагментов может проводиться как простое сравнение строк, либо как нечеткое сравнение, допускающее вставку, удаление или перестановку слов в предложениях. Методы нечетких дублей основаны на вычислении и сравнении значений некоторой функции от текста. При этом степень сходства определяется с некоторой вероятностью. Метод поиска нечетких дублей работает значительно быстрее, однако не подразумевает выделение из текста фрагментов. Указанные метод могут использованы лишь для определения самоцитирования предыдущих отчетов или использовании заимствований из текста других работ. Однако в ряде случаев это может быть разрешенный ход, так как заказчика может интересовать вся доступная информация с минимальными искажениями.

Еще одним направлением, в котором проводятся исследования, является разработка формальных моделей текста документов [5]. Подобные модели предполагают применение различного рода систем представления знаний о предметной области. Примером может служить работа [6], описывающая формализацию выделения спецификаций систем. В ней предлагается на первом этапе построить модель предметной области в виде фреймов. Далее фреймы заполняются на основании автоматического анализа текста, полнота заполнения фреймов характеризует полноту описания. Практика показывает, что для применения подобных методов необходимо наличие разветвленных онтологий предметной области, описывающих понятия предметной области и показывающих связи между ними. Создание подобных онтологий вручную является длительным процессом, в связи с чем онтологии зачастую не доступны разработчикам. В настоящее время проводятся работы по автоматизированному составлению онтологий [7], основанные на кластеризации сходных терминов в семантически связанные группы или анализе существующих толковых словарей (в основном самого крупного на данный момент – Википедии). Но и эти работы могут расцениваться пока лишь как вспомогательные.

В связи с отсутствием готовых наработок, нами был разработан собственный метод оценки полноты отчетной документации, ориентированный на поддержку принятия решения экспертом.

2. Метод анализа полноты отчетной документации

Анализ полноты отчетной документации предлагается проводить в три этапа. На первом этапе из текста технического задания извлекаются значимые фрагменты, содержащие основные термины предметной области. На втором этапе текст отчёта разбивается на фрагменты, после чего определяется их сходство с фрагментами ТЗ. Если во фрагменте отчёта найдены те же термины, что и в тексте технического задания, формально считается, что фрагмент описывает некоторые аспекты постановки задачи. На третьем этапе эксперту показываются результаты расчетов с тем, чтобы он мог оценить степень соответствия отчёта техническому заданию.

Для извлечения терминов предметной области используются различные методики. Одним из таких методов является мера странности [8], суть которой заключается в вычислении отношения частоты встречаемости термина в анализируемом документе к частоте его встречаемости в некоторой коллекции общих текстов (например, беллетристике). Высокое значение меры странности говорит о том, что данное слово или словосочетание специфично для анализируемого документа и скорее всего является термином предметной области [9, 10]. Использование подобной меры является затруднительным, так как с ее помощью будут извлечены не только термины, но и названия организаций, подразделений, другие имена собственные, что приведет к зашумлению результатов сравнения.

Еще одним методом является использование тезаурусов [11], то есть специализированных словарей терминологии. Но подобные словари доступны далеко не всегда, а их разработка является вопросом длительного времени.

В связи с этим нами было принято решение использовать для извлечения синтаксические шаблоны. Подобная методика уже использовалась, например, для извлечения терминов из Википедии [12]. Основой методики служит поиск в тексте ключевых слов или словосочетаний (маркеров), обозначающих введение термина. В нашем случае из текста ТЗ выделяются термины, относящиеся к требованиям.

Предложения, в которых встречается слово-маркер расценивается алгоритмом как значимые. Значимый фрагмент – это несколько предложений, среди которых одно или несколько являются значимыми. В результате экспериментов нами было установлено, что следует рассматривать одно дополнительное предложение вправо и одно влево от предложения с маркером. Если же после найденного значимого предложение идет перечисление, то все объекты перечисления считаются значимыми. Выделенные значимые фрагменты разбиваются на словосочетания установленной длины (коллокации) и заносятся в список. В этот список попадают только стоящие рядом и не разделенные знаками слова. Пример разделения предложения на словосочетания представлен на Рис.1. На нем красным показаны стоп-слова, не составившие коллокаций, а зеленым значимые слова, вошедшие в коллокации.

Рис. 1. Пример разделения текста на коллокации

Для каждого фрагмента создается его собственный независимый список коллокаций. Из полученных списков удаляются все коллокации с частотой встречаемости больше и меньше установленного процента от максимального (в своих экспериментах мы использовали пороги в 85% и 15%). Такое отсечение позволяет избавиться от мусора и заведомо лишней, часто повторяющейся информации. Этот список является ключевым списком атрибутов текста, по которому мы определяем принадлежность отчетности.

На втором этапе отчет разбивается на фрагменты, которые сравниваются со значимыми фрагментами ТЗ по выделенным спискам коллокаций. После сравнения каждому фрагменту отчёта приписывается мера сходства, позволяющая оценить количество полезной информации, содержащейся в абзаце. В качестве меры сходства используется косинусная мера, хорошо зарекомендовавшая себя в области автоматической обработки текстов [13].

Пусть для двух документов вычислены вектора частот встречаемости слов a и b. Вектора определены на множестве всех слов, встречающихся в обоих документах. В этом случае косинусная мера сходства двух документов определяется следующим образом:

.

Фрагменту отчёта также приписывается номер фрагмента ТЗ, на котором был достигнут максимум сходства, и какие коллокации исходного ТЗ были в нем найдены. Эта информация будет визуализирована эксперту для принятия решения о информационной наполненности отчётного документа.

На последнем шаге эксперт получает информацию о покрытии отчета фрагментами ТЗ в виде точечной диаграммы. Так как в работе метода возможны ошибки при выделении свойства или значимого фрагмента, эксперт может получить более подробную информацию о фрагментах отчета и ТЗ: соответствие значимых фрагментов ТЗ, список коллокаций и т.д. В качестве результата эксперт также получает меру схожести фрагментов отчетного документа и технического задания по шкале от 0 до 1.

3. Результаты экспериментов

Для проверки работоспособности метода нами были использованы 6 технических заданий и 9 отчетов. Результаты проверки приведены в табл. 1, где представлены результаты кросс-проверки группы технических заданий и отчетов. ТЗ и отчеты были подобраны следующим образом.

·        ТЗ 1,2,3 имеют близкую тематику.

·        ТЗ 5 и 6 имеют близкую тематику, не связанную с 1,2,3.

·        Отчет 0 не имеет ничего общего ни с одной из тематик 1-6.

·        Отчет 3+ является исправленной по требованию заказчика версией отчета 3, отчет 6+ – исправленной версией отчета 6.

Алгоритм работал с коллокациями по два слова и использовал стандартный набор слов-маркеров. Результаты удачных проверок выделены темным фоном, успешные проверки с другими отчетами показаны светлым фоном, отсутствие сходства показано белым фоном.

Табл. 1. Результаты кросс-проверки для предложенного метода

Как видно из табл. 1, разработанный метод определяет высокое качество отчетов, написанных для технических заданий 1-3 и 6. При этом результат работы системы для отчета 3 и 6 совпал с мнением заказчика. Отчет 0 не показал совпадений ни для одного из ТЗ.

ТЗ 4 и 5 были не предполагали подробного описания результатов работы и требований к ним. В ТЗ 5 требовалось дать рекомендаций по улучшению изделия (без предъявления конкретных требований к результату, а лишь к его качеству), что усложнило поиск соответствия. Отчет 4 содержал информацию по предметной области ТЗ 5, в связи с чем их сходство.

Однако, для пользователя мера схожести представляет из себя лишь цифрой, которая может не давать подробной информации о полноте отчета без какой-либо сравнительной характеристики. Данная мера скорее показывает информационную наполненность отчета, чем степень описания требований. Высокая мера сходства может соответствовать отчету, в котором отсутствует добрая половина необходимых требований заказчика (при том, что вторая половина требований будет описана в других документах). Значение меры около 0,5 может быть получена на отчете, содержащем описание всех требований, но с изложением большого количества лишней информации. В связи с этим необходимо разработать способ отображения результатов проверки отчетов в удобном и понятном для пользователя виде. Пользователь должен быстро понимать, необходимо ли ему проверять отчетный документ и по возможности знать все недостающие части.

Итоговым вариантом визуализации стало представление текста в виде точечной диаграммы, составленной из всего текста документа. Диаграмму читается построчно, каждая точка представляет информацию по 100 символам. Каждая строка содержит 100 точек, следовательно, в каждой строке представлено 10000 символов текста. Таким образом можно скомпоновать большие многостраничные документы в удобные изображнения.  Пример такой диаграммы можно увидеть на Рис. 2

В результате пользователь получает на выходе алгоритма 3 диаграммы:

·        местонахождение слов-маркеров в техническом задании;

·        ключевые коллокации в отчете по всему тексту;

·        местонахождение ключевых коллокаций в отчете по фрагментам.

На Рис. 2 и Рис. 3 представлены два технических задания, которые были разобраны предложенным методом. На данных диаграммах зелеными квадратами отмечены фрагменты текста, в которых были найдены слова-маркеры.

На Рис. 2 представлена диаграмма разбора неудачно (по мнению эксперта, прочитавшего ТЗ) написанного ТЗ, которое содержит большое количество пустой информации. Значимые фрагменты разбросаны по всему тексту. Это можно увидеть на диаграмме: малое количество зеленых точек, разнесенных по всей диаграмме довольно большого текста.

В представленном на Рис. 3 документе все условия аккуратно расписаны в начале документа. Заключительная часть ТЗ относится к срокам разработки, требованиям к рабочим местам, требованиям к интерфейсу. По диаграмме видно плотное скопление точек в начале небольшого документа. Хотя число ключевых фрагментов в первом и втором случае почти одинаково, второй вариант выигрывает в точности выделенных коллокаций из‑за сжатости текста и точно поставленных требований.

Рис. 2. Пример визуализации результатов анализа неудачного ТЗ

Рис. 3. Пример визуализации результатов анализа удачного ТЗ

В случае, когда ТЗ пишут в особом сжатом ключе (техническая записка), где нет ничего кроме перечисления требований, получается диаграмма, представленная на Рис. 4

Рисунок 4. Плотные условия разработки системы

Проверенные нашим методом отчеты представлены на Рис.5 и Рис.6. Данные документы являются годовыми отчетами разработчиков о ходе разработки информационной системы. На данных диаграммах зелеными квадратами отмечены найденные в тексте ключевые коллокации. Блоки из компактно расположенных 5-10 зеленых точек описывают заявленные в ТЗ требования. Отдельно стоящие зеленые квадраты – единичная встреча коллокации в тексте (например, заголовок).

На Рис. 5 видно, что зеленые точки разбросаны по отчету, практически нет блоков больше 5 точек, а значит, в отчете нет полных абзацев, посвященных реализации задач. На более чем 130 000 знаков отчета было найдено лишь 470 коллокаций, относящихся к ТЗ (считая единичные вхождения в заголовках). Максимальная связная длина текста, имеющего отношение к одному из значимых фрагментов ТЗ – 700 символов (менее половины страницы). Такой отчет не содержит ценной информации и должен быть отправлен назад разработчику для дополнения. Проверка текста отчета экспертом подтвердила оценку программы.

На Рис. 6 представлен качественно написанный отчет, в котором ключевые коллокации встречаются везде, за исключением начала (содержание, авторы, введение). При длине отчета более 130 000 знаков найдено более 3500 коллокаций. Максимальная длина текста, имеющего значимые фрагменты ТЗ – 1500 знаков.

Рис. 5. Точечная диаграмма для неудачного отчета

Рис. 6. Точечная диаграмма для качественно написанного отчета

Помимо точечной диаграммы, показывающей наличие или отсутствие коллокаций в тексте, мы применили другой вид диаграммы, отображающей связность фрагментов отчета и ТЗ. Каждому фрагменту текста ТЗ сопоставлен цвет, отображавшийся и в диаграмме отчета для соответствующих фрагментов. На Рис. 5 и 6  показаны новые диаграммы для рассмотренных отчетов. Цвет меняется от синего к зеленому в зависимости от номера фрагмента. Поскольку требования пишутся последовательно и обычно связаны по смыслу, можно предположить, что чем ближе цвет на диаграмме, тем ближе фрагменты текста по значению.

На Рис. 8 хорошо заметны большие блоки близких по цвету квадратов, что говорит о том, что в данном фрагменте текста идет упоминание близко стоящих требований оригинального ТЗ. Предполагая, что идущие друг за другом и находящиеся рядом условия похожи, можно прийти к выводу, что текст про их реализацию должен быть рядом и похож, что и видно на диаграмме.

Рис. 7. Близость фрагментов для неудачного отчета

Рис. 8. Близость фрагментов для качественно написанного отчета

 В случаях, когда разработчик пытается обмануть заказчика искусственно увеличив отчет в надежде, что проверяющий человек не сможет прочитать весь отчет, алгоритм выдает диаграмму, подобную Рис. 9.

Рис.9. Пустой отчет

Используя такое представление информации пользователь легко может понять, какой отчет заслуживает его внимания. Кроме того, эксперту может быть выведен интересующий его фрагмент текста для более тщательного изучения. Совмещая эту информацию со статистикой о пропущенных и не встреченных в отчете фрагменты оригинального ТЗ можно узнать, какие задачи не были выполнены и не описаны в отчете.

4. Выводы

Предложенный метод визуализации позволяет успешно определить, стоит ли полученный отчет внимательного ознакомления, или уже поверхностный, но общий взгляд, обнаружит в нем неполноту и лишнюю информацию.

Заметим, что предложенный метод работает только на отчётах и технических заданиях, описанных в определенном ключе. ТЗ должно содержать в себе требования к составу и содержанию отчётной документации. В случае, когда содержание работ разнится с заданием (как это было показано выше в случае разработки рекомендаций по улучшению объекта, без указания конкретных достигаемых характеристик), метод окажется бессилен и укажет на несоответствие. Также определенную трудность составит обработка цифровых таблиц, формул, рисунков и прочей не текстовой информации, составляющей зачастую основное содержание и значимость отчета.

При работе в заданных ограничениях метод показал свою работоспособность. Эксперт, снабженный оценкой и визуальной информацией, получает возможность проанализировать лишь отдельные фрагменты отчета, чтобы сделать вывод о его непригодности. Заметим, что при работе с хорошим отчетом система не освобождает его от необходимости внимательно ознакомиться с содержимым, а также от ответственности за принятое решение.

Список литературы

1. Норенков И.П. Основы CALS-технологий. Учебное пособие. МГТУ им.  Н.Э.Баумана - http://bigor.bmstu.ru

2. Яблочников Е.И., Молочник В.И., Миронов А.А. ИПИ-технологии в приборостроении: Учебное пособие. — СПб: СПбГУ ИТМО, 2008. 128 с.

3. Романов М.Ю., Житлухин Д.А. Внедрение системы «Антиплагиат» в Российской государственной библиотеке // Сб. трудов 11-й Всероссийской научной конференции RCDL’2009.

4. Зеленков Ю.Г., Сегалович И.В. Сравнительный анализ методов определения нечетких дубликатов для WEB-документов // Сб. трудов 9-й Всероссийской научной конференции RCDL’2007.

5. Тарасенко А.В. Разработка и исследование методов и моделей автоматической проверки текстов на соответствие требованиям технической документации: Автореферат диссертации на соискание учёной степени доктора технических наук по специальности 05.13.17. Таганрог, 2009.

6. Волкова Г.А. Создание «онтологии всего». Проблемы классификации и решения // Сб. трудов научно-практического семинара «Новые информационные технологии в автоматизированных системах». – 2013. – С. 293–300.

7. Заболеева-Зотова А.В., Орлова Ю.А. Автоматизация процедур семантического анализа текста технического задания // Известия Волгоградского гос. технического университета. 2007. Т. 9. № 3. С. 52-55.

8. Ahmad, K.; Gillam, L.; and Tostevin, L. University of surrey participation in trec8: Weirdness indexing for logical document extrapolation and retrieval (wilder). In The Eighth Text Retrieval Conference (TREC-8).

9. Браславский П., Соколов Е. Сравнение четырех методов автоматического извлечения двухсловных терминов из текста // Компьютерная лингвистика и интеллектуальные технологии: Труды Междунар. конф. Диалог'2006. М.: Изд-во РГГУ, 2006. С. 88–94.

10. Клышинский Э.С., Кочеткова Н.А. Метод извлечения технических терминов с использованием меры странности // Сборник трудов научно-практического семинара «Новые информационные технологии в автоматизированных системах-17». М.: ИПМ им. М.В. Келдыша, 2014. С. 365-370.

11. Лукашевич Н.В., Логачев Ю.М. Использование методов машинного обучения для извлечения слов-терминов //В кн.: Одиннадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2010.

12. Бочаров В.В., Пивоварова Л.М. Википедия как ресурс для пополнения онтологии // Сборник трудов научно-практического семинара «Новые информационные технологии в автоматизированных системах-13». М.: МИЭМ, 2010. С. 60-61.

13. Маннинг К.Д., Рагхаван П., Шютце Х. Введение в информационный поиск. – М.: Вильямс, 2011 г., – 528 с.

METHOD FOR VISUAL REPRESENTATION OF TECHNICAL DOCUMENTATION’S COMPLETENESS

Ya.B. Kalachev, E.S. Klyshinsky

Moscow Institute of Electronics and Mathematics of the National Research University “Higher School of Economics”

rusfund@gmail.com

eklyshinsky@hse.ru

Abstract.

The article describes a new method for visual representation of report document’s completeness during their acceptance. Report document’s completeness is being checked according to its original technical documentation (or technical statement). The base of the method is searching of key words (markers), which determine the introduction of a term and define borders of an important fragment. Selected fragments are divided into collocations of fixed size and added to a special list. The report document is also divided into fragments, which are compared with important fragments of technical documentation using selected collocation list. Every fragment of the report gets measure of similarity during the comparison. The measure helps evaluating the amount of the useful data in each paragraph. The compared text is represented as a dot-diagram compiled from the whole document. Besides the dot-diagram, that shows presence or absence of collocations in the text, we used another type of diagram showing links between fragments of report document and technical documentation. Every fragment of the technical documentation is assigned to a unique color that sequentially changes along the technical documentation’s diagram. We used the same color to show the similar fragment of report documentation. Reinforced by this visual information, an expert can easily make decision on the report’s quality. Besides expert can get a required fragment of text for a closer examination. The described method of visualization allows the expert to determine, if the considered report can be either easily rejected because of lack of useful information, or can be used for closer examination. Note, the described method can be applied to documentations and reports written under specific format only. The technical documentation should include the requirements to the form and content of report document, but not to the main concepts that it will be described.

Key words: Document examination, automatic text processing, visualization results

References

1. Norenkov I.P. - Basics of CALS-technologies. Textbook. Bauman MSTU. - http://bigor.bmstu.ru

2. Yablochnikov E.I., Milkman V.I., Mironov A.A. - FDI technology in instrument: Textbook. - St. Petersburg: St. Petersburg State University of Information Technologies, 2008. 128 p.

3. M. Romanov, DA Zhitlukhin - Implementation of "Anti-plagiarism" in the Russian State Library / / Proc. works of the 11th All-Russian Scientific Conference RCDL'2009.

4. Zelenkov Y.G., Segalovich I.V. - Comparative analysis of methods for duplicate detection WEB-documents / / Proc. Transactions of the 9th All-Russian Scientific Conference RCDL'2007.

5. Tarasenko A.V. - Development and research methods and models of automatic check texts for compliance with technical documentation: the dissertation for the degree of doctor of technical sciences, specialty 05.13.17. Taganrog, 2009.

6. Volkova G.A. - Creation of "ontology of everything." Classification problems and solutions / / Proc. works of scientific and practical seminar "New information technologies in automated systems." - 2013. - Pp. 293-300.

7. Zaboleeva-Zotova A.V., Orlova Y. - Automation of semantic text analysis of technical specifications / / Proceedings of the Volgograd State. Technical University. 2007. T. 9. № 3. Pp. 52-55.

8. Ahmad, K.; Gillam, L.; and Tostevin, L. - University of surrey participation in trec8: Weirdness indexing for logical document extrapolation and retrieval (wilder). In The Eighth Text Retrieval Conference (TREC-8).

9. Braslavsky P., Sokolov E. - Comparison of four methods for automatic extraction of two-word terms from the text / / Computational Linguistics and Intellectual Technologies: Proceedings of the Intern. conf. Dialog'2006. Moscow: Russian State Humanitarian University in 2006. Pp. 88-94.

10. Klyshinsky E.S., N.A. Kochetkova - Extraction method of technical terms using a measure of strangeness / / Proceedings of the scientific-practical seminar "New information technologies in automated systems-17." Keldysh them. MV Keldysh, 2014. Pp. 365-370.

11. Lukashevich N.V., Logatchev Y.M. - Using machine learning techniques to extract words, terms / / In.: Eleventh National Conference on Artificial Intelligence with CAI 2010.

12. Bocharov V.V., Pivovarova L.M. - Wikipedia as a resource to supplement the ontology / / Proceedings of the scientific-practical seminar "New information technologies in automated systems-13." M. MIEM 2010. Pp. 60-61.

13. Manning K.D., P. Raghavan, H. Schutze, Introduction to Information Retrieval. - M. Williams, 2011 - 528 p.