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/z_iJ(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.