DSA Faculty
API
← к списку преподавателей

Игнатов Дмитрий Игоревич

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: +7(495) 772-9590 | 27276 | +7(926) 381-8033
Публикаций
0
Языков
2
Наград
14
Конференций
3
Профиль Публикации (31) Курсы (6)

Профессиональные интересы

машинное обучениемашинное обучение и разработка данных (data mining)анализ формальных понятий

Должности

  • Доцент — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта
  • Заведующий лабораторией — Факультет компьютерных наук, Научно-учебная лаборатория моделей и методов вычислительной прагматики

Био

  • · Начал работать в НИУ ВШЭ в 2006 году.
  • · Научно-педагогический стаж: 28 лет.

Образование

  • 2010 · Кандидат наук: Государственный университет – Высшая школа экономики, специальность 05.13.18 «Математическое моделирование, численные методы и комплексы программ», тема диссертации: Модели, алгоритмы и программные средства бикластеризации на основе замкнутых множеств
  • 2008 · Магистратура: Государственный университет – Высшая школа экономики, факультет: Бизнес-информатики, Отделение прикладной математики и информатики, специальность «Прикладная математика и информатика», квалификация «Магистр»
  • 2004 · Специалитет: Коломенский государственный педагогический институт, факультет: Физико-математический, специальность «Физика», квалификация «Учитель физики и математики»

Опыт работы

  • · В разные годы приходилось заниматься разными делами. Краткий, но не официальный перечень ниже. Вожатый (МБОУ СОШ №15 г.), старший вожатый Коломна, ДОЛ "Метеор"), оператор ЭВМ (ВЦ КГПИ), учитель физики и математики (МБОУ СОШ №12 г. Коломна), программист компьютерных игр и приложений автоматизации офиса (FMC Computers), системный администратор (Международные диализные центры) и администратор баз данных ("Новые технологии"), веб-дизайнер (фотостудия "Контраст"), инженер, старший преподаватель, доцент, научный сотрудник, зам. зав. департамента АДиИИ, зав. лаб. ММВП (ГУ-ВШЭ [позднее НИУ ВШЭ]), научный сотрудник ПОМИ РАН, лектор совместной программы SAP & Лаборатории инновации ЭФ МГУ, DataScience фрилансер.

Награды и поощрения

  • · Научная премия им. И. Сегаловича (2019): Лауреат номинации «Научные руководители» за вклад в развитие научного сообщества и подготовку молодых учёных.
  • · Почетная грамота НИУ ВШЭ (январь 2026)
  • · Благодарность Высшей школы экономики (декабрь 2022)
  • · Благодарность проректора НИУ ВШЭ (май 2019)
  • · Благодарность проректора НИУ ВШЭ (апрель 2019)
  • · Благодарность первого проректора НИУ ВШЭ (январь 2018)
  • · Благодарность Факультета компьютерных наук НИУ ВШЭ (август 2017)
  • · Надбавка за академическую работу (2010–2011)
  • · Надбавка за публикацию в журнале из Списка А (и приравненном к нему научном издании) (2025–2026, 2024–2025)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2020–2021, 2019–2020, 2017–2019)
  • · Надбавка за регулярные публикации в международных рецензируемых научных изданиях (2021–2026)
  • · Надбавка за статью в зарубежном рецензируемом журнале (2015–2017, 2013–2015, 2011–2013)
  • · Лучший преподаватель — 2021, 2018, 2016, 2011
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Будущие профессора" (2013–2014)Категория "Новые преподаватели" (2009–2010)

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Конференции (3)

Показать все
  • · 2016: The 13th International Conference on Concept Lattices and Their Applications (CLA2016) (Москва). Доклад: A Lattice-Based Consensus Clustering Algorithm
  • · 2015: 6th International Conference on Knowledge Engineering and Semantic Web, KESW 2015 (Moscow). Доклад: Pattern Mining and Machine Learning for Demographic Sequences.
  • · 2015: 24th International Joint Conference on Artificial Intelligence, IJCAI 2015 (Buenos Aires). Доклад: RAPS: A Recommender Algorithm Based on Pattern Structures.

Идентификаторы исследователя

Публикации (31)

Triadic Formal Concept Analysis and triclustering: searching for optimal patterns

2015 · ARTICLE · en

This paper presents several definitions of “optimal patterns” in triadic data and results of experimental comparison of five triclustering algorithms on real-world and synthetic datasets. The evaluation is carried over such criteria as resource efficiency, noise tolerance and quality scores involving cardinality, density, coverage, and diversity of the patterns. An ideal triadic pattern is a totally dense maximal cuboid (formal triconcept). Relaxations of this notion under consideration are: OAC-triclusters; triclusters optimal with respect to the least-square criterion; and graph partitions obtained by using spectral clustering. We show that searching for an optimal tricluster cover is an NP-complete problem, whereas determining the number of such covers is #P-complete. Our extensive computational experiments lead us to a clear strategy for choosing a solution at a given dataset guided by the principle of Pareto-optimality according to the proposed criteria.

DOI ↗ PDF ↗

Fuzzy and rough formal concept analysis: a survey

2014 · ARTICLE · en

Formal Concept Analysis (FCA) is a mathematical technique that has been extensively applied to Boolean data in knowledge discovery, information retrieval, web mining, etc. applications. During the past years, the research on extending FCA theory to cope with imprecise and incomplete information made significant progress. In this paper, we give a systematic overview of the more than 120 papers published between 2003 and 2011 on FCA with fuzzy attributes and rough FCA. We applied traditional FCA as a text-mining instrument to 1072 papers mentioning FCA in the abstract. These papers were formatted in pdf files and using a thesaurus with terms referring to research topics, we transformed them into concept lattices. These lattices were used to analyze and explore the most prominent research topics within the FCA with fuzzy attributes and rough FCA research communities. FCA turned out to be an ideal metatechnique for representing large volumes of unstructured texts.

DOI ↗ PDF ↗

Online Recommender System for Radio Station Hosting: Experimental Results Revisited

2014 · CHAPTER · en

We present a new recommender system developed for the Russian interactive radio network FMhost based on a previously proposed model. The underlying model combines a collaborative user-based approach with information from tags of listened tracks in order to match user and radio station profiles. It follows an adaptive online learning strategy based on the user history. We compare the proposed algorithms and an industry standard technique based on singular value decomposition (SVD) in terms of precision, recall, and NDCG measures; experiments show that in our case the fusion-based approach shows the best results.

PDF ↗

Improving Quality Of Service For Radio Station Hosting: An Online Recommender System Based On Information Fusion

2014 · PREPRINT · en

We present a new recommender system developed for the Russian interactive radio network FMhost. The system aims to improve the quality of this service; it is designed specifically to deal with small datasets, overcoming the shortage of data on observed user behavior. The underlying model combines a collaborative user-based approach with information from tags of listened tracks in order to match user and radio station profiles. It follows an adaptive online learning strategy based on both user history and implicit feedback. We compare the proposed algorithms with industry standard methods based on Singular Value Decomposition (SVD) in terms of precision, recall, and Normalized Discounted Cumulative Gain (NDCG) measures; experiments show that in our case the fusion-based approach produces the best results.

PDF ↗

A New Recommender System for the Interactive Radionetwork FMHost

2012 · CHAPTER · en

We describe a new recommender system for the Russian interactive radio network FMhost. The new recommender model combines collaborative and user-based approaches. The system extracts information from tags of listened tracks for matching user and radio station profiles and follows an adaptive online learning strategy based on user history. We also provide some basic examples and describe the quality of service evaluation methodology.

PDF ↗

Новые программные средства разработки данных, поддерживающие методологию Cordiet

2012 · CHAPTER · ru

Рассматривается реализация оригинального программного средства разработки данных (Data Mining), основанного на методологии итеративного исследования сложно структурированных данных (включая тексты на естественном языке) под управлением онтологий. Описывается архитектура, проектные решения и опыт применения прототипа системы «Cordiet DMS».

PDF ↗

Экспериментальное сравнение некоторых алгоритмов трикластеризации

2012 · CHAPTER · ru

В статье приводится экспериментальное сравнение пяти алгоритмов трикластеризации на реальных и синтетических данных по ресурсной эффективности, 4 мерам качества.

PDF ↗

Модель рекомендательной системы для интерактивного радиосервиса FMhost

2012 · CHAPTER · ru

Представлена модель новой рекомендательной системы для интерактивного радиосервиса FMhost. Новая рекомендательная модель сочетает коллаборативный и основанный на поведении пользователя подходы. Приводятся результаты предварительного анализа данных и описывается методика оценивания качества.

PDF ↗

Online Recommender System for Radio Station Hosting

2012 · CHAPTER · en

Представлена модель новой рекомендательной системы для интерактивного радиосервиса FMhost. Новая рекомендательная модель сочетает коллаборативный и основанный на поведении пользователя подходы. Приводятся результаты предварительного анализа данных и описывается методика оценивания качества.

PDF ↗

Concept Relation Discovery and Innovation Enabling Technology (CORDIET)

2011 · CHAPTER · en

Concept Relation Discovery and Innovation Enabling Technology (CORDIET), is a toolbox for gaining new knowledge from unstructured text data. At the core of CORDIET is the C-K theory which captures the essential elements of innovation. The tool uses Formal Concept Analysis (FCA), Emergent Self Organizing Maps (ESOM) and Hidden Markov Models (HMM) as main artifacts in the analysis process. The user can define temporal, text mining and compound attributes. The text mining attributes are used to analyze the unstructured text in documents, the temporal attributes use these document’s timestamps for analysis. The compound attributes are XML rules based on text mining and temporal attributes. The user can cluster objects with object-cluster rules and can chop the data in pieces with segmentation rules. The artifacts are optimized for efficient data analysis; object labels in the FCA lattice and ESOM map contain an URL on which the user can click to open the selected document.

PDF ↗

Курсы (6)