Выработка рекомендаций с использованием знаний о предметной области
Автор: Куренных Алексей Евгеньевич, Судаков Владимир Анатольевич
Журнал: Бюллетень науки и практики @bulletennauki
Рубрика: Технические науки
Статья в выпуске: 11 т.8, 2022 года.
Бесплатный доступ
В статье рассматривается актуальная научно-техническая задача разработки рекомендательной системы, использующей знания о предметной области для более полного и точного анализа проблемной ситуации. В предлагаемом авторами подходе знания о предметной области выражаются компьютерной моделью, которая при определенных параметрах возвращает вектор оценки результатов моделирования. Оба вектора значений являются значимыми критериями, на основе которых осуществляется выработка рекомендаций. Особый подход к архитектуре информационного пространства, в котором реализуется взаимодействие рекомендательной и моделирующей систем дает широкие возможности к применению такого подхода в широком классе задач.
Рекомендательные системы, компьютерное моделирование, обмен данными
Короткий адрес: https://sciup.org/14125984
IDR: 14125984 | DOI: 10.33619/2414-2948/84/45
Текст научной статьи Выработка рекомендаций с использованием знаний о предметной области
Бюллетень науки и практики / Bulletin of Science and Practice
УДК 004.021
Рекомендательные системы являются одним из трендов в развитии информационных технологий. Их применение наблюдается в самых различных областях современного рынка: в сфере проката фильмов, музыкальных сервисов, новостных подборках, а также в интернет-магазинах и контекстной рекламе.
Принцип действия рекомендательных систем основывается на различных подходах, обладающих определенными преимуществами и недостатками. Первый тип рекомендательных систем строится на основе коллаборативной фильтрации, что характеризуется достаточно высокой точностью при наличии достаточного количества информации, хорошо применимы при поиске фильмов [1] и музыкальных композиций [2], есть попытки их использования есть в здравоохранении [3]. Второй тип рекомендательных систем базируется на контенте – данных собранных о каждом объекте и других объектах, которыми уже был заинтересован субъект. Такой подход успешно применяется в текстовых рекомендациях [4] и новостных лентах [5]. Эти системы достаточно эффективны, однако их эффективность значительно зависит от области применения. Следующий тип рекомендательных систем основан на знаниях о предметной области, такие рекомендации имеют высокую точность, позволяют учитывать большое количество разнородных факторов, а также сложные взаимосвязи между объектами. Например, такие системы применяются в сфере финансовых фондов [6], корпораций [7]. Ядром такой системы является база знаний о предметной области, которая может быть эффективно представлена в виде графа знаний или компьютерной модели [8]. Последним типом рекомендательных систем являются гибридные. Они основаны на комбинациях вышеперечисленных подходов, что позволяет достигать качественных результатов, а также нивелировать недостатки каждого типа рекомендательных систем. Основной недостаток таких систем – высокая сложность разработки.
Материал и методы исследования
Основной задачей в данном исследовании является разработка архитектуры информационного пространства, в котором будут использоваться две самостоятельные системы: система компьютерного моделирования, а также рекомендательная систем. Кроме того, важной частью данной работы является выбор эффективного и быстрого способа обмена данными между указанными системами. Основной упор делается на разработку инвариантного по отношению к предметной области и моделирующей системе способа передачи данных из нее в рекомендательную систему.
Известно, что многие современные научно-технические задачи описываются сотнями, а иногда и тысячами критериев, что делает их анализ невозможным для человека. В таких ситуациях принято использовать специальное программное обеспечение, которое автоматизирует процесс обработки значительного объема данных, снижая воздействие человеческого фактора. Также, многие процессы и системы достаточно трудоемко описать аналитически, из-за чего основным способом их анализа являются компьютерные модели. Применительно к процессу выработки рекомендаций, компьютерная модель является источником знаний о предметной области, что позволяет наиболее полно и всесторонне изучить альтернативные варианты решения задачи.
Формализовать задачу применения компьютерных моделей можно следующим образом. Пусть имеется следующее множество объектов т = {tj, i = M – множество задач выработки рекомендаций
Ai = {fly}, i = 1л, j = 1,771 – множество объектов, соответствующих задаче
Mi = {^ijb 1 = l,n, j = I,*71 – множество компьютерных моделей, соответствующих объектам
?ij = ^ij^ij\Kij *“ ^^-ij C К – множества оценок результатов моделирования и параметров моделей соответственно, тогда для их использования в задачах многокритериального анализа альтернатив необходимо реализовать между ними следующие отношения:
Vt,3Aj(t; G T, i = l,n)
Vo';j-3/ziJ(o'!; 6 А,,д,7 G M,, i = l,n, j = l,m)
Уа,7Эк17ЛУа,7Э^у(а17 € A^i = l,n, j = 1,ти).
Реализация данных соотношений достигается за счет интеграции двух информационных систем, одна из которых выполняет прогон моделей, а вторая – их оценку и выработку рекомендаций.
Реализация интеграции информационных систем
В настоящее время известны различные способы реализации обмена данными между информационными системами. Были рассмотрены два наиболее современных и актуальных подхода, выявлены их преимущества и недостатки, что позволило сделать вывод о том, какой из них лучше подходит для решения поставленной задачи. В общем виде информационное взаимодействие двух систем может быть представлено на Рисунке 1, где показано, что одна из систем является источником данных, а вторая — приемником. При этом их связывает промежуточная среда обработки данных.

Рисунок 1. Общая схема информационного обмена
Первый способ обмена данными построен на технологии связанных серверов, который заключается в том, что данные передаются напрямую из одной базы данных в другую. Его схема представлена на Рисунке 2.
Сравнительный анализ данных способов обмена данными позволил выявить, что:
-
- технология связанных серверов значительно превосходит брокера сообщений по быстродействию, что особенно значимо на больших объемах данных;
-
- технология связанных серверов более проста в настройке и развертывании, однако более сложна в дальнейшей поддержке программных продуктов.
Второй актуальный способ обмена данными заключается в использовании брокеров сообщений, его схема представлена на Рисунке 3.
Заключение (Выводы)
В данном исследовании было проведено сравнение двух наиболее современных подходов к интеграции информационных систем, а также их тестирование в информационном ландшафте одного из ведущих предприятий ракетно-космической отрасли Российской федерации. По результатам апробации были выявлены преимущества и недостатки каждого подхода, на основании чего было сформировано архитектурное решение для реализации рекомендательных систем на основе знаний о предметной области, реализуемых средствами компьютерного моделирования.

Рисунок 2. Обмен данными посредством связанных серверов

Рисунок 3. Использование брокера сообщений
Финансирование: Работа выполнена при финансовой поддержке РФФИ, проект 20-3190043.
Список литературы Выработка рекомендаций с использованием знаний о предметной области
- Hu Y., Xiong F., Lu D., Wang X., Xiong X., Chen H. Movie collaborative filtering with multiplex implicit feedbacks // Neurocomputing. 2020. V. 398. P. 485-494.
- Sánchez-Moreno D., González A. B. G., Vicente M. D. M., Batista V. F. L., García M. N. M. A collaborative filtering method for music recommendation using playing coefficients for artists and users // Expert Systems with Applications. 2016. V. 66. P. 234-244.
- Mustaqeem A., Anwar S. M., Majid M. A modular cluster based collaborative recommender system for cardiac patients // Artificial intelligence in medicine. 2020. V. 102. P. 101761.
- Wang D., Liang Y., Xu D., Feng X., Guan R. A content-based recommender system for computer science publications // Knowledge-Based Systems. 2018. V. 157. P. 1-9.
- Li J., Xu H. Suggest what to tag: Recommending more precise hashtags based on users' dynamic interests and streaming tweet content // Knowledge-based systems. 2016. V. 106. P. 196-205.
- Tejeda-Lorente Á., Bernabé-Moreno J., Herce-Zelaya J., Porcel C., Herrera-Viedma E. A risk-aware fuzzy linguistic knowledge-based recommender system for hedge funds // Procedia Computer Science. 2019. V. 162. P. 916-923.
- Zhen L., Huang G. Q., Jiang Z. An inner-enterprise knowledge recommender system // Expert Systems with Applications. 2010. V. 37. №2. P. 1703-1712.
- Lully V., Laublet P., Stankovic M., Radulovic F. Enhancing explanations in recommender systems with knowledge graphs // Procedia Computer Science. 2018. V. 137. P. 211-222.