莫斯科国立核能研究大学(MEPhI)科研团队开发了一套用于智能分析异构数据的综合系统，可处理非结构化和半结构化数据，适用对象包括科学论文、专利文本以及社交媒体用户数字档案等。该系统由MEPhI工程科学博士、竞争系统分析系主任阿列克谢·阿纳托利耶维奇·阿尔塔莫诺夫指导开发，相关成果也是其博士论文的基础。
阿尔塔莫诺夫表示，传统数据存储和分析方法在面对来源复杂、持续更新的信息时效率有限。以一篇科学论文为例，它并不只是文字集合，还涉及作者、机构、研究主题、实验结果和参考文献等多重关系。若要从这些数据中提取新的专业知识，而不仅是做统计，就需要采用新的方法。
研究团队由此构建了一个类似“通用数字构造器”的系统，可为专利、论文、帖子等不同类型数据配置相应工具和模型。阿尔塔莫诺夫提出的统一数字对象模型，将各类信息对象用同一套方式描述，包括静态属性、动态属性、计算属性，以及对象之间的关系图。这种结构有助于统一不同来源的数据表达，提高分析结果的准确性和可重复性。
系统还配备了一套源信息转换方法，能够自动从科学论文文本中提取结构化数据，例如转换为国际单位制的物理量、作者机构坐标、关键词、表格内容、图注，以及基于合著者所在国家分析得到的国际合作信息。经过处理后，原始文档可转化为更便于定量和定性研究的知识库。
在可视化方面，团队开发了异构图构建工具，可展示出版物、作者、机构和研究主题之间的联系，帮助识别数据中的聚类和潜在模式。研究人员还提出了科技格局构建方法，通过三维交互式地图呈现研究领域、时间跨度和出版物数量之间的关系，用于比较不同国家和机构在各科学领域的发展动态，识别增长方向，并评估国际合作效果。
MEPhI科学家计划在下一阶段把现代神经网络模型进一步接入该系统。目前，系统主要使用经典机器学习和自然语言处理方法，可完成事实构建、关键词识别和数值规范化等任务。未来，团队希望系统能够开展更复杂的语义分析，例如判断文本中的实验结果是作者原创还是引用他人研究，捕捉社交数据中的情感差异，并发现事件之间不易察觉的关联。该系统目前已在核能、医学和金融安全领域进行测试。
