6.2 Лексическая близость внутри проекта и между проектами
Лексическое сопоставление выполнено методом TF–IDF с косинусной мерой сходства. Для определения весов использован единый корпус из 137 документов. Тексты приведены к нижнему регистру, буква «ё» заменена на «е», повторные пробелы устранены. В признаки включены отдельные слова и сочетания из двух слов. Максимальный словарь составляет 20 000 признаков. Применены логарифмическое преобразование частоты термина, сглаживание обратной документной частоты и нормирование векторов по евклидовой длине. Служебные слова исключены. Параметры минимальной и максимальной документной частоты составляют 1 документ и 0,98 корпуса соответственно. Указанные параметры позволяют повторить расчёт при сохранении текстов и их состава. [155]
Здесь x и y обозначают взвешенные векторы двух смысловых профилей. Значение s приближается к единице при совпадении используемой лексики и к нулю при отсутствии общих признаков. Коэффициент не измеряет вклад мероприятия в показатель, долю выполненных обязательств или качество управления. Для текстов различной длины и разной предметной специализации даже содержательно связанные документы могут иметь невысокое значение s.
Примечание. Авторский расчёт TF–IDF по единому корпусу из 137 документов. Т – национальный проект, Т1–Т9 – федеральные проекты в порядке таблицы структуры проекта. Диагональ показывает совпадение документа с самим собой.
Открыть иллюстрацию исходного отчёта [156]Наиболее близкими среди разных федеральных проектов оказались развитие опорной сети морских портов и внутренних водных путей: s = 0,416. Национальный паспорт имеет наибольшее сходство с внутренними водными путями, s = 0,393, и аэродромной сетью, s = 0,389. Результаты отражают общий словарь инфраструктуры, опорной сети, реконструкции и мощности. Специализированные формулировки Северного морского пути, кадровой подготовки и цифровых сервисов закономерно расходятся с этим словарём. Само различие терминов не даёт основания считать соответствующее направление недостаточно обоснованным. [157]
Для межпроектного сравнения усреднены нормированные векторы HTML-паспортов внутри каждого национального проекта, затем полученные средние повторно нормированы. Усреднение ограничивает механическое влияние количества документов. Проект «Семья» исключён из этого сопоставления из-за отличающегося жанра доступного материала. Сходство по исходным формам слов проверено дополнительным расчётом с русским алгоритмом Snowball, который сводит родственные словоформы к общей основе. Разница оценок характеризует чувствительность результата к обработке языка.
Примечание. Авторский расчёт по усреднённым нормированным векторам HTML-паспортов. Исходные словоформы сопоставлены со стеммингом Snowball. Название проекта «Экономика данных и цифровая трансформация государства» сокращено для размещения на рисунке. Проект «Семья» исключён из-за различия жанра доступных документов.
Открыть иллюстрацию исходного отчётаНаибольшее сходство получено с «Инфраструктурой для жизни»: 0,228 по исходным словоформам и 0,267 после стемминга. Следует «Экономика данных и цифровая трансформация государства» с оценками 0,150 и 0,160. Положение остальных проектов менее устойчиво. Например, «Экологическое благополучие» имеет оценки 0,120 и 0,136, «Эффективная и конкурентная экономика» – 0,113 и 0,137. Порядок двух последних направлений меняется при языковой нормализации, что исключает содержательное ранжирование по столь небольшому различию.
Особенно показательно сопоставление с проектом «Международная кооперация и экспорт»: 0,071 по исходным формам и 0,110 после стемминга. Лексическая связь сравнительно слабая, хотя правительственная дорожная карта прямо объединяет развитие международных транспортных коридоров с экспортом и формированием грузовой базы. Следовательно, управленческая взаимозависимость может быть сильнее текстового сходства. Экспертная проверка должна опираться на документы о совместных задачах, параметры грузопотоков и согласованность сроков. [158]