нефтегаз

Снабдить своих партнеров нефтепродуктами в необходимом количестве в рамках заключенных договоров компании позволили привлеченные инвестиции.

Топливная компания транспортирует ГСМ в регионах Сибири и Москве ключевым представителям нефтегазового сектора. Ранее сообщалось о продлении контракта с «Роснефтью», предусматривающего поставку до заправочных станций Новосибирской области и Алтайского края, и «Татнефтью». Новым клиентом транспортного направления стало дочернее предприятие СИБУРа «Томскнефтехим».

Обслуживать дополнительный объем перевозок в Москве и Сибири будут 45 бензовозов, которые партнеры компании в настоящее время приобретают по лизинговой программе. Часть автопоездов уже поставлены и запущены на линию. «Нафтатранс плюс» совестно с «АЗС-Люкс», «Энергией топлива» и «Нафтатранс-М» образует эффективную бизнес-цепочку, обеспечивающую хранение, транспортировку и розничную продажу топлива, а также перевозку жидких пищевых продуктов, в частности молока. С 2019 года в рамках расширения автопарка под транспортировку пищевых продуктов запущен пилотный проект по покупке тягачей российского производства «КАМАЗ NEO».

Топливная компания выплатила владельцам ценных бумаг серии БО-01 (RU000A100303) свыше 1,3 млн рублей. Дата выполнения обязательств перенесена с 8 на 11 марта в связи с праздничными выходными.

Напомним, месяц назад «Нафтатранс плюс» разместил 12 тыс. облигаций номиналом 10 тыс. рублей каждая. Ставка на первые 2 года обращения выпуска — 13,5% годовых. Выпуск будет погашен через 5 лет, в 1800-й день с даты начала размещения. Организатором размещения выступил «Юнисервис Капитал», андеррайтером — «Банк Акцепт», поручителем — «АЗС-Люкс», управляющая заправками «Лукойл» в Новосибирске.

Ранее «Нафтатранс плюс» сообщал о заключении договоров на транспортировку ГСМ с «Роснефтью», «Татнефтью» и «Томскнефтехимом».

Предлагаю вашему вниманию новый пост о применении data mining к текстам, спарсенным из блогов Смартлаба.

Идея исследования: ежемесячно парсить все посты со Смартлаба и применять к ним метод из класса методов тематического моделирования.

В прошлый раз был применён метод BigARTM из класса методов тематического моделирования. Ряд темы оказались не вполне интерпретируемы. Кроме того этот метод — несмотря на всю его прогрессивность (детальное описание: Воронцов К.В. Вероятностное тематическое моделирование: обзор моделей и аддитивная регуляризация) по сравнению со, скажем, методом LDA - не лишён существенных недостатков. Так, он не позволяет юзеру автоматически выбирать число тем, а также не предлагает метрики для выяснения, какую долю исходной информации позволяет сохранить модель в целом и отдельные темы — в частности

Поэтому моя команда разработала собственный оригинальный метод тематического моделирования. Он позволяет группировать слова («термы», «токены») из множества документов по темам. При этом — в отличие от большинства аналогов — он позволяет автоматически выбирать число тем, а также включает простые и понятные метрики, которые позволяют выяснить, какую долю исходной информации позволяет сохранить модель в целом и отдельные темы — в частности.