МОДЕЛЬ ДИНАМІЧНОЇ АКТИВАЦІЇ КОРЕЛЯЦІЙНИХ ЗВ’ЯЗКІВ В ОНТОЛОГІЧНИХ ГРАФАХ В УМОВАХ ОПРАЦЮВАННЯ РІЗНОРІДНИХ ДАНИХ

Андрій Пилипенко

doi:10.30837/0135-1710.2026.188.069

Автор(и)

Андрій Пилипенко Харківський національний університет радіоелектроніки, Україна https://orcid.org/0009-0008-2861-7906

DOI:

https://doi.org/10.30837/0135-1710.2026.188.069

Ключові слова:

модель активації, граф знань, різнорідні дані, LLM-агенти, інформаційні системи, прийняття рішень

Анотація

Предмет дослідження – процеси інтерпретації структурних залежностей у корпоративних онтологічних графах в умовах опрацювання різнорідних даних (текстових новинних і кількісних технічних сигналів). Описано перехід від статичного трактування графа знань як фіксованого набору зв’язків до динамічної моделі, де структурні відношення є простором потенційних кореляцій. Мета статті полягає у формуванні концептуальної та формалізованої моделі умовної активації залежностей у корпоративних онтологічних графах, що дає змогу відокремити сталі топологічні зв’язки від їх ситуативної впливовості в конкретному часовому контексті. Завдання дослідження: формалізація структурного шару графа як системи потенційних залежностей; визначення критеріїв і функції активації для переходу залежності в активний стан; розроблення механізму інтеграції подієвих сигналів як тригерів активації; алгоритмічна реалізація моделі в інтелектуальних системах підтримки прийняття рішень. Методи дослідження основані на теорії графів, онтологічному моделюванні та семантичному міркуванні (semantic reasoning). Процедурну реалізацію моделі здійснено в межах багатоагентного пайплайну з упровадженням великих мовних моделей (LLM-агентів) для інтерпретації сентименту новин і агрегації різнорідних ознак без параметричного навчання. Результати емпіричної перевірки, проведеної в режимі суворої часової узгодженості (forward-only), підтвердили ефективність моделі. У режимі close→close використання графового контексту забезпечило зростання кумулятивної дохідності з +3.58% до +13.42%, що свідчить про стійкий ефект підсилення сигналу. У режимі close→open досягнуто максимального результату +19.80%, що демонструє домінантну роль новинно-семантичного компонента в нічному режимі за умови коригувального впливу структури графа. Висновки. Запропонована модель дає змогу усунути некоректне ототожнення наявності структурного зв’язку з фактичним впливом. Установлено, що інтеграція формалізованого механізму активації (на основі структурного шляху до 2-hop, релевантного сигналу та часової валідності) забезпечує систематичне покращення якості прогнозів у задачах опрацювання різнорідних даних.

Біографія автора

Андрій Пилипенко, Харківський національний університет радіоелектроніки

кафедри електронних обчислювальних машин

Посилання

Wu, Z., Zhang, H. (2025), "Research on the construction of dynamic knowledge graph and intelligent decision-making for enterprise human resource information based on federated hyper graph neural network", Discover Applied Sciences, Vol. 7, No. 1. DOI: https://doi.org/10.1007/s42452-025-08006-w

Wang, T. (2026), "A causal discovery-based adaptive fusion algorithm for multi-source heterogeneous knowledge graphs", Scientific Reports, Vol. 16. DOI: https://doi.org/10.1038/s41598-025-34507-0

Wang, S., Yang, H., Bai, G. (2025), "Construction of intelligent decision support systems through integration of retrieval-augmented generation and knowledge graphs", Scientific Reports, Vol. 15. DOI: https://doi.org/10.1038/s41598-025-19257-3

Voutsa, V., Van Mieghem, P., Kooij, R. (2021), "Two classes of functional connectivity in dynamical processes in networks", Journal of the Royal Society Interface, Vol. 18, No. 181. DOI: https://doi.org/10.1098/rsif.2021.0486

Zhong, S., Hitchcock, D. (2021), "S&P 500 stock price prediction using technical, fundamental and text data", Statistics, Optimization & Information Computing, Vol. 9, P. 769–788. DOI: https://doi.org/10.19139/soic-2310-5070-1362

Chen, G., Auwal, A., Chen Y., Li, L., Khandaker N., Yongbo L., Khalid E., (2025), "Event Knowledge Graph for a Knowledge-Based Design Process Model for Additive Manufacturing", Machines, Vol. 13. 112. DOI: https://doi.org/10.3390/machines13020112

Napoli, R., Morabito, G., Celesti, A., Villari, M., Fazio, M. (2025), "Knowledge Graphs-Driven Intelligence for Distributed Decision Systems", Proceedings of the 18th IEEE/ACM International Conference on Utility and Cloud Computing (UCC 2025), P. 1–10. DOI: https://doi.org/10.1145/3773274.3774268

Feng, S., Zhou, C., Liu, Q., Ji, X., Huang, M. (2024), "Temporal Knowledge Graph Reasoning Based on Entity Relationship Similarity Perception", Electronics, Vol. 13, No. 12. DOI: https://doi.org/10.3390/electronics13122417

Zeng, Y., Hou, X., Wang, X., Li, J. (2025), "Towards a Unified Temporal and Event Logic Paradigm for Multi-Hop Path Reasoning in Knowledge Graphs", Electronics, Vol. 14, No. 3, P. 516. DOI: https://doi.org/10.3390/electronics14030516

Roman, D., Alexiev, V., Paniagua, J., Elvesæter, B., von Zernichow, B. M., Soylu, A., Simeonov, B., Taggart, C. (2022), "The euBusinessGraph ontology: A lightweight ontology for harmonizing basic company information", Semantic Web, Vol. 13, No. 1, P. 41–68. DOI: https://doi.org/10.3233/SW-210424

Blankenberg, C., Gebel-Sauer, B., Schubert, P. (2022), "Using a graph database for the ontology-based information integration of business objects from heterogenous Business Information Systems", Procedia Computer Science, Vol. 196, P. 314–323. DOI: https://doi.org/10.1016/j.procs.2021.12.019

Dey, L. (2024), "Knowledge graph-driven data processing for business intelligence", WIREs Data Mining and Knowledge Discovery, Vol. 14, e1529. DOI: https://doi.org/10.1002/widm.1529

Shang, Z., Wang, P., Ke, W., Liu, J., Huang, H., Li, G., Wu, C., Liu, J., Chen, X., Li, Y. (2025), "Learning Multi-Granularity and Adaptive Representation for Knowledge Graph Reasoning", IEEE Transactions on Knowledge and Data Engineering, Vol. 37. DOI: https://doi.org/10.1109/TKDE.2025.3579774

Noronha, J., Fan, W., Geerts, F., Lu, J. (2021), "Discovery of Temporal Graph Functional Dependencies", Proceedings of the 30th ACM International Conference on Information and Knowledge Management (CIKM), P. 1366–1375. DOI: https://doi.org/10.1145/3459637.3482087

Cen, W., Su, C., Chen, G., Xie, L. (2025), "Event-driven causal knowledge graphs for bottleneck root cause analysis in manufacturing systems", Expert Systems with Applications, Vol. 259. DOI: https://doi.org/10.1016/j.eswa.2025.129117

Goetz, M., Humm, B. (2025), " Process Anomaly Detection in Cyber–Physical Production Systems Based on Conditional Discrete-Time Dynamic Graphs", Applied Sciences, Vol. 15, No. 21. DOI: https://doi.org/10.3390/app152111354

Fan, W., Wu, Y., Xu, J. (2016), "Functional dependencies for graphs", Proceedings of the 2016 International Conference on Management of Data (SIGMOD), P. 1843–1857. DOI: https://doi.org/10.1145/2882903.2915232

Wenfei, F., Chunming, H., Xueli, L., Ping, L., (2020), "Discovering Graph Functional Dependencies", ACM Transactions on Database Systems, Vol. 45. DOI: https://doi.org/10.1145/3397198