Методы персонализации процессов взаимодействия сторон в электронной коммерции на основе кластеризации Текст научной статьи по специальности «Компьютерные и информационные науки»

4. При комбинации этих отношений в дру гих сочетаниях реализуется более слабый вариант - Ш7.

Композиции отношений. Аппарат матриц М(Ш) был использован для построения композиций отношений на событиях с общими атрибутами. Рассматривались цепочки вида: О О О

Б] 82 83

Для них были получены следующие результаты:

1. Поскольку для транзитивных отношений верно вложение Ш2сШ, степень любого транзитивного отношения Ш1 - Ш4 вложена в это отношение. Для рефлексивных отношений вложение превращается в равенство:

Ш1 ° Ш1 = Ш1; Ш2 ° Ш2 с Ш2; Ш3 ° Ш3 с Ш3; Ш4 ° Ш4 с Ш4.

2. Для любой композиции двух различных транзитивных отношений результирующее отношение может быть получено в явном виде (то есть, является отношением Ш1 - Ш4). В общем случае, операция " ° " некоммутативна. Но воз:

a) Ш1 ° Шк = Шк ° Ш1 = Шк для любого Шк;

b) Ш4 ° Шк = Шк ° Ш4 = Ш4 для любого транзитивного Шк.

3. Для композиций транзитивных отноше ний с нетранзитивными не всегда можно получить результирующее отношение явным образом, хотя существует достаточно много равенств: Ш10 ° Ш4 = Шю ;

Ш7 ° Шз = Шз ° Ш7 = Ш7; К-5 ° Шз = Шз ° Ш5=Ш7 и т.д.

4. Для ком позиций, которые нельзя выразить одним отношением, получены вложения вида: Ш ° Ш8 □ Ш8.

5. Степени и композиции не транзите ных отношений, которые, как правило, все являются модальными лишь уменьшают вероятность наличия какого либо отношения между исходным и целевым событием. Такие композиции невозможно выразить в терминах отношений Ш1- Ш11.

ЛИТЕРАТУРА

1. Осипов Г.С. Приобретение знаний интеллектуальными системами - М.: Наука - Физ-матлит, 1997.

2. Жилякова Л.Ю. Алгебраические свойства отношений в неоднородных семантических сетях // Интеллектуальное управление: новые интеллектуальные технологии в задачах управления. Труды международной конференции. - М.: Наука - Физматлит, 1999.

519.14

А.А. Целых

МЕТОДЫ ПЕРСОНАЛИЗАЦИИ ПРОЦЕССОВ ВЗАИМОДЕЙСТВИЯ СТОРОН В ЭЛЕКТРОННОЙ КОММЕРЦИИ НА ОСНОВЕ КЛАСТЕРИЗАЦИИ

Развитие электронной коммерции открыло продавцам, работающим в глобальной компьютерной Сети, новые возможности по поиску покупателей. Обработка данных о поведении клиента в Интернете способствует персонализации процесса взаимодействия с ним с целью подведения клиента к совершению покупки.

В данной работе рассмотрены подходы к предсказанию с определенной степенью точности возможных предпочтений пользователя для последующего предложения ему

Материалы Международной конференции

"Интеллектуальные САПР"

положительно воспринимаемой информации. Добывание данных ведется на основе анализа процесса взаимодействия пользователя с ресурсами сети Интернет, регистрируемого в виде записей в протоколах веб-сервера.

Обязательный процесс подготовки данных к обработке на предварительном этапе включает в себя удаление дублирующих друг друга элементов в протоколах, формирование множества содержательных транзакций и множества уникальных веб-адресов.

Наличие большого числа элементов в исследуемых множествах определяет целесообразность применения нечетких методов кластеризации транзакций и кластеризации обращений [1].

Метод кластеризации транзакций основан на разбиении множества транзакций, представленного векторами веб-адресов в многомерном пространстве, на группы элементов по степени близости на основе их совместного вызова.

Каждая транзакция t может быть представлена в виде вектора

- I t t Л t 11, если ит11 е t

= \МЬ и2,..., ип/, где ut = Л .

\ / [0, в другом случае

Мерой близости транзакций t1 и ^ выступает нормализованный косинус угла между двумя векторами:

V п 12\ Б 12)= 11 21

м-

и\-V 2 |

На основе формируемой матрицы близости проведем кластеризацию транзакций,

применяя алгоритм инвариантных к-значений [2]. Полученное множество состоит из , -

ным характером взаимодействия с веб-ресурсами.

Установим в соответствие каждому кластеру транзакций свой кластер веб-адресов. Для этого, сопоставляя кластеру е^ вектор т^ , элементы которого показывают отношение числа упоминаний веб-адреса в кластере к числу транзакций в кластере, исключим из рассмотрения незначительные веб-адреса с весами, меньшими установленного порогового значения и.

Полученные пары кластеров транзакций и веб-адресов выступают основой для выдачи рекомендаций пользователям, включенным в тот или иной кластер транзакций.

Метод кластеризации обращений заключается в формировании кластеров веб-адресов на основе анализа частоты вызова пользователями определенного набора веб-адресов при связанных между собой транзакциях.

Алгоритм кластеризации обращений основан на применении ассоциативного правила разбиения гиперграфа на кластеры [3].

Вершинами рассматриваемого гиперграфа Н выступают элементы множества веб-адресов и, ребрами - элементы множества групп веб-адресов I. Множество групп

веб-адресов представляет собой совместно вызываемые при транзакциях наборы веб,

еТ : 11 сV}

* 1г ) = ^-^-1

Т

Веса ребер гиперграфа рассчитываются как степени достоверности для ассоциативных правил включения элементов в определенную группу веб-адресов.

Накладывая необходимые в конкретной ситуации ограничения на характер формирования групп веб-адресов, разбиваем гиперграф H на множество кластеров

, ,

.

Полученный в итоге гиперграф содержит кластеры веб-адресов, вызываемых совместно при схожих и связанных между собой транзакциях. На их основе происходит выдача рекомендаций пользователям.

Выбор метода кластеризации - транзакции или обращений - зависит от сферы торговой деятельности продавца, структуры веб-сайта и поставленных задач.

1. Cooley, R., Srivastava, J., Mobasher, B. Automatic personalization based on web usage mining // TR99-10, Department of Computer Science, Depaul University, 1999.

2. Anderberg, M.R. Cluster Analysis for Applications // New York: Academic Press, Inc., 1973.

3. Han, E.-H., Karypis, G., Kumar, V., Mobasher, B. Clustering based on association rule hyper-graphs // Proceedings of SIGMOD'97 Workshop on Research Issues in Data Mining and Knowledge Discovery, May, 1997.

УДК 658.512

СМ. Ковалев, A.H. Шабельников

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ УПРАВЛЕНИЯ ЗАМЕДЛИТЕЛЯМИ НА ОСНОВЕ КОМПОЗИЦИОННЫХ ЦЕПОЧЕК НЕЧЕТКОГО ВЫВОДА

Сортировочная горка является одним из наиболее сложных объектов автоматизации среди современных транспортных систем. Это вызвано рядом причин, главной из которых является высокая степень ответственности и сложности процессов управления замедлителями на тормозных позициях (Т.П.).

В работе предпринята попытка формализации действий горочного оператора

в виде нечеткой моделирующей системы с целью выявления решающих правил для

. -

венного использования классической схемы нечеткого регулятора в силу существенной нелинейности системы и изменчивости ее параметров во времени.

Основным критерием работы регулятора является такое "вытормаживание" отцепа в тормозной позиции замедлителем, при котором он свободно "докатывается" до ближайшего отцепа на пути следования при допустимой скорости соударения. Главными факторами, влияющими на процесс торможения, являются: скорость входа в ТП, длина отцепа, вес отцепа, расстояние между соседними отцепа.

путем последовательного включения одной из допустимых ступеней замедлителя,

С ={ ^е2,•••, еní, каждый элемент которого представляет собой набор совместно вызываемых веб-адресов.

Связность вершин в кластере определяем как

ЛИТЕРАТУРА