НЕЙРОСЕТЕВОЙ МЕТОД АДАПТАЦИИ ПАРАМЕТРОВ ИНТЕРФЕЙСА ИНФОРМАЦИОННЫХ СИСТЕМ Текст научной статьи по специальности «Компьютерные и информационные науки»

DOI 10.36622/VSTU.2020.16.5.004 УДК 004.89, 004.9

НЕЙРОСЕТЕВОЙ МЕТОД АДАПТАЦИИ ПАРАМЕТРОВ ИНТЕРФЕЙСА ИНФОРМАЦИОННЫХ СИСТЕМ

А.Д. Обухов, М.Н. Краснянский, М.С. Николюкин

Тамбовский государственный технический университет, г. Тамбов, Россия

Аннотация: рассматривается проблема выбора оптимальных параметров интерфейса в информационных системах с целью его персонализации под предпочтения пользователя и возможности его оборудования. В настоящее время для ее решения используется алгоритмическое обеспечение и статистическая обработка предпочтений пользователей, что не обеспечивает достаточной гибкости и точности. Поэтому в данной работе предлагается применение разработанного метода адаптации параметров интерфейса, основанного на анализе и обработке пользовательской информации с помощью нейронных сетей. Научная новизна метода заключается в автоматизации сбора, анализа данных и настройки интерфейса за счет использования и интеграции нейронных сетей в информационную систему. Рассмотрена практическая реализация предлагаемого метода на Python. Экспертная оценка адаптивности интерфейса тестовой информационной системы после внедрения разработанного метода показала его перспективность и эффективность. Разработанный метод показывает лучшую точность и низкую сложность программной реализации относительно классического алгоритмического подхода. Полученные результаты могут использоваться для автоматизации процесса выбора компонентов интерфейса различных информационных систем. Дальнейшие исследования заключаются в развитии и интеграции разработанного метода в рамках фреймворка адаптации информационных систем

Ключевые слова: адаптация интерфейса, персонализация, машинное обучение, искусственные нейронные сети, электронный документооборот

Благодарности: исследование выполнено при финансовой поддержке гранта Президента Российской Федерации для государственной поддержки молодых ученых МК-74.2020.9

Введение

Важной задачей в области проектирования современного программного обеспечения является реализация не только эффективных и качественных информационных систем, но и их адаптация под индивидуальные потребности пользователя, что позволит обеспечить удобство использования, путем оптимизации системы под его конкретное аппаратное и программное обеспечение. В рамках данной статьи будут рассмотрены подходы к реализации адаптивности интерфейса информационных систем на основе методов машинного обучения. Для решения этой задачи предлагается нейросетевой метод адаптации и полученные на его основе программные средства.

Проблема разработки удобных и адаптированных под требования пользователей интерфейсов существует достаточно давно, так как в данном вопросе имеются противоречия между взглядом разработчиков и субъективными пожеланиями конечных пользователей [1]. Бизнес-процессы организаций находятся в постоянном развитии, что требует соответствующей модификации информационной системы, в том

© Обухов А.Д., Краснянский М.Н., Николюкин М.С., 2020

числе и интерфейса. Автоматизация данного процесса позволила бы значительно сократить временные и материальные затраты в процессе разработки и модернизации информационной системы. При решении задачи адаптации интерфейса был проведен анализ существующих подходов к оценке и автоматизации настройки интерфейса.

Большой интерес представляет математическая модель стратегии построения адаптивного интерфейса, авторами которой представлен алгоритм адаптивного человеко-машинного интерфейса, включающий критерии оценки интерфейса (функциональность, гибкость, защищенность, доступность и так далее) [2]. При их формировании использовался набор эргономических критериев для оценки интерфейсов, рассмотренный в [3]. Использование данных критериев при экспертной оценке позволяет повысить ее объективность и точность.

Перспективным направлением в области адаптации интерфейса под индивидуальные особенности пользователя является использование методов машинного обучения. Например, в работе [4] авторами успешна решена задача выбора компонентов интерфейса на основе рекомендательной системы, с применением методов машинного обучения. Задача динамической

адаптации интерфейса в зависимости от местоположения человека рассмотрена в работе [5] на примере информационной системы для определения местоположения медперсонала.

Таким образом, при реализации нейросете-вого метода адаптации интерфейса будут учитываться существующие результаты в области оценки интерфейса, а также передовые разработки и методы машинного обучения.

Нейросетевой метод адаптации параметров интерфейса

Рассмотрим формализованное представление нейросетевого метода адаптации параметров интерфейса, основанное на теоретико-множественном представлении. В общем виде нейросетевой метод осуществляет следующее преобразование:

NN (и) = 1Р, (1)

где NN - многослойная плотная нейронная сеть;

и - множество характеристик пользователя;

1Р - множество параметров интерфейса: разметка интерфейса, качество визуализации, размер шрифта, тип интерфейса (обычный, расширенный, специализированный под категорию пользователей).

Нейронная сеть реализует преобразование и ^ 1Р , возможность такого преобразования обоснована доказательством теорем Хехт-Нильсена и Колмогорова-Арнольда [6]: всегда существует трехслойная нейронная сеть, для любого множества пар {(А,В)} осуществляющая отображение А ^ В.

Множество характеристик пользователя и стоит разделить на три подмножества:

и = ир и иш и инш, (2)

где ир - множество личностных характеристик

пользователя: пол, возраст образование, опыт работы, квалификация и т.д.;

иш - множество программных характеристик терминала пользователя: операционная система, браузер (для Web-систем), параметры окружения (размер окна, масштабирование), язык системы, и т.д.;

инш - множество аппаратных характеристик терминала пользователя: тип оборудования (компьютер, мобильное устройство, планшет и т.д.), мощность процессора (количество ядер, частота), скорость подключения к серверу, наличие графического процессора и т.д.

Таким образом, нейронная сеть после успешного обучения сможет определять индивидуальные параметры интерфейса для каждого пользователя по уникальным исходным данным.

Формализуем основные этапы метода адаптации интерфейса.

1. Анализ структуры информационной системы и варьируемых параметров интерфейса. В ходе данного этапа выделяется множество изменяемых параметров интерфейса 1Р для конкретной информационной системы.

2. Анализ характеристик пользователей. Осуществляется выбор элементов характеристик для каждого подмножества и, определение области значений каждого элемента.

3. Выбор критерия оценки адаптивности информационной системы. При решении задачи адаптации параметров интерфейса необходимо осуществить оценку исходной системы и полученного решения, а также положительный эффект от применения того или иного инструмента или метода. Тогда в качестве целевой функции выберем критерий адаптивности интерфейса информационной системы RA, определяемый следующей формулой:

(3)

где Х1 - весовой коэффициент i -й оценки (варьируется от 0 до 1, при нуле оценка игнорируется); NR - количество оценок; г - оценка адаптивности, определяемая экспертным подходом, основанная на перечне эргономических критериев [3] и оценок адаптивности [2], изменяющаяся от 0 до 1.

4. Формирование набора исходных данных (X, Y) для обучения нейронной сети. Набор входных данных X содержит обработанный и нормированный вектор характеристик пользователя, выходных данных Y - значения параметров интерфейсов. Для данных, если они представлены перечнем элементов множества, рекомендуется переход к бинарным матрицам, так как это способно повысить точность обучения нейронной сети.

5. Формирование структуры нейронной сети. В рамках данной задачи достаточно многослойной плотной сети, однако, для ряда задач возможно использование рекуррентных (LSTM) сетей. Данный этап имеет большое значение и не всегда структура входных, скрытых и выходных слоев сети может быть выбрана за один подход правильно. Поэтому в про-

цессе нахождения оптимальной конфигурации нейронной сети первый этап может выполняться многократно с учетом полученных корректив.

6. Обучение нейронной сети, достижение необходимой точности и сохранение модели сети для последующего использования.

7. Подготовка API (прикладных программных интерфейсов) адаптации параметров интерфейса. На данном этапе осуществляется разработка программных интерфейсов на основе архитектуры REST и обученной модели нейронной сети с сохраненными весовыми коэффициентами. Это позволяет отправить запрос из любого приложения к API и получить необходимый ответ. В запросе будут храниться данные для входного слоя - характеристики пользователя, а в ответ на него будут возвращаться значения выходного слоя (параметры интерфейса). Это позволит использовать программную реализацию метода адаптации для различных архитектур, платформ, модулей и информационных систем.

8. Интеграция API в информационную систему. На данном этапе необходимо реализовать сбор и отправку пользовательских данных из информационной системы в API адаптации, а также прием информации о настройках интерфейса и их автоматическое применение.

9. Адаптация интерфейса информационной системы. При первом входе в систему и регистрации пользователь вносит необходимые данные, система собирает сведения о его программном и аппаратном обеспечении, а также личные данные, после чего набор данных через REST API передается в программный модуль адаптации. Полученные в ответ значения выходного слоя нейронной сети устанавливаются в качестве текущих настроек интерфейса для данного пользователя. Значения настроек записываются в базу данных и при повторном входе в систему выставляются автоматически.

10. Оценка адаптивности интерфейса и сравнение полученного значения критерия с исходным (до применения метода). В случае, если значение оценки адаптивности не удовлетворяет установленному порогу, принимается решение о проведение дополнительных исследований.

Таким образом, представленный нейросе-тевой метод позволит успешно решать задачу адаптации параметров интерфейса информационной системы, применяя методы машинного обучения.

Практическая реализация

Для проверки адекватности разработанного метода проведен ряд практических исследований. Для тестирования метода адаптации использовалась реализованная на базе фреймворка Laravel информационная система, включающая регистрацию пользователей и работу с электронным архивом документом. Формирование структуры адаптивной информационной системы осуществлено на основе оригинальной концепции нейросетевой архитектуры, изложенной в статье [7]. Данная архитектура следует из шаблона проектирования MVC, однако сущность пользователя в ней занимает ключевое положение, оказывающее влияние на все остальные компоненты.

Поставлена следующая задача: для тестовой системы реализовать необходимое программное обеспечение в соответствии с предложенным методом. Анализ информационной системы позволил сформировать перечень входных характеристик и выходных параметров интерфейса:

- входные параметры Х: роль пользователя; пол пользователя; возраст пользователя; образование пользователя; опыт работы за компьютером; ширина окна браузера; высота окна браузера; тип клиента; браузер; язык браузера; количество ядер процессора; скорость подключения; наличие графического процессора;

- выходные параметры Y: функциональный тип шаблона; размер шрифта; разметка интерфейса; качество элементов интерфейса.

Сбор параметров осуществляется при регистрации и в процессе работы с помощью встроенных в информационную систему средств мониторинга.

Подготовив и обучив нейронную сеть, на следующем этапе осуществлена разработка API на основе REST API языка Python, которое позволяет принимать извне входные параметры Х и отправлять спрогнозированные нейронной сетью выходные параметры Y обратно в формате JSON. Данный формат является стандартом при передаче данных, что позволит использовать разработанное API с различными информационными системами. API реализовано на базе web-фреймворка Flask, который может быть установлен на отдельном сервере.

Для тестирования разработанного программного обеспечения использовалась следующая схема эксперимента:

1. Пользователь регистрируется в тестовой СЭД, вводя свои личные данные. Осталь-

ные входные параметры считываются самой системой средствами библиотек JavaScript.

2. Данные компонуются в JSON-объект и отправляются на сервер через API адаптации.

3. Данные преобразуются в массив из формата JSON и поступают как входные параметры в загруженную обученную нейронную сеть.

4. Полученные выходные параметры компонуются в JSON-объект и отправляются обратно в тестовую СЭД.

5. JSON-объект распаковывается, значения выходных параметров устанавливаются в качестве рекомендованных параметров интерфейса и записываются в базу данных. Параметры обрабатываются шаблонизатором (например, в фреймворке Laravel используется Blade).

6. Пользователь входит в адаптированную под него тестовую СЭД.

7. При повторном заходе в систему параметры интерфейса загружаются из базы данных.

8. Если пользователь переключается между компьютером и мобильным устройством, параметр «разметка интерфейса» проверяется каждый раз, когда страница обновляется и изменяется независимо от настроек, сохраненных в базе данных.

Результат применения нейросетевого метода адаптации параметров интерфейса представлен на рис. 1.

Перед началом практических исследований была собрана экспертная группа, осуществившая оценку исходной информационной системы по критерию адаптивности. После применения метода адаптации была проведена повторная оценка системы по формуле (3). Результаты представлены в таблице.

Далее была проведена оценка точности (рис. 2) и сложности программной реализации (рис. 3) разработанного нейросетевого метода и его сравнение с классическим подходом, основанном на алгоритмах статического анализа и обработки информации.

Эффект от применения нейросетевого метода адаптации

Критерий Исходная После приме-

система нения нейросетевого метода

Время доступа к системе 0,9 0,95

Функциональность 0,9 0,95

Гибкость 0,5 0,8

Стабильность 0,9 0,9

Доступность 0,7 0,9

Качество поддержки 0,8 0,8

Общая оценка Я4 0,78 0,88

I

Скорость подключения 1 Mb/s \

I

Браузер Safari

i

GPU отсутствует

ОЗУ Роль

1 Гб i Гость 1

Глмкая Ас**а

Заголовок документа #1

Loretn ipsum dolor sit amet, consectelur adjptscirtq efct sed do etusmod tempor incididunt ut labore et dokHe magra aliqua. Ut «nim ad minim veniam, quis noitnjd t*«rcrtation ullamco laborn nw ut aliqglp ei «a tommodo consequit Duit aute Irim* dolor ín rcpxíhondírit in voluptat» welit km cilhjm dolor« cu fugiat nullj pariatur. Eutpiaui lint occaecat cupidalat non prodont sunt m

'Loíeni ipsum dolor sit aniel consecte'.ur atfipiscincj etit sed dú eiusmod lempoi iricididunt ut labore eC dokxe magna aliqua. Ut

roprrhrrylerii íri voluptat» velil rsv» cílKim dolor« cu fugial nuil* pariaiur, Emtplffur »int occaecat cu|»dal«t non prodcnt. mnt in culpa qul offiria dM«unt mollit aním id esl laborum.

"lofíir ipwm M »m«. cons«C№lur Ad¡p«song «til. «d do eksmod Tempor incidícMH ut laíxue «I dolor* magna aiiqu». Ut «ni m ad mcnim vsnlam, quii nontud utrcitatio n ulljmí o labom n¡»¡ ut aliquip ex tu commodo mwqusi Duit ouXr l>>« dolor Ir» reprehenden! in voluptate velil km cillum dolor« «u KigUil nulla pariatur. Evce pleur sint occ-aecat cupüitjt non proident, sunt in culpa qui oflicia des eru nt mollit anim id est laborum.

Скорость подключения 100 Mb/s

I

Браузер

GPU

I I

ОЗУ Роль

Chrome присутствует 8 Гб Администратор

i I

I клипая Избраним» Арлии

Заголовок документа #1

Loren ipium dolor jit am«. con«<î»ttrr ad i pi scio g »l-t. sed do nirnnod ttmpor .nc«tdunt ut iabc-e « ddoe magna jiiqu* Ut «iim ad minim wniam. qyis nostnjd «xercitation uHamco laborH niji ut aiiqinp ** м commodo conwquat, CXiis au» iur« dolor in

culpa qui officia diserunt mollit wim id est laborum.

•Lorem ipfljm dolor fit a mil, conMcwturadipiwng fit. s»d do ««jsmod tcmpor incidklunt ui labor« « dolor« magna »'¡qua ut

reprehenderá in voluptate vefit esse cillum dolore eu fugiat nulla pariatur. Ексерсеиг sint occa«cat cupidatat non proident, sum in culpa qui officie desemnt mollit anim ¡d «t laborum.

Column 1

Cell i

Column?

Cell ¿

"Lorem «sum dolor sit amel. coraectetur adrpiscing elit. sed do etusrnod tempo« incididunt ui labor? et dolore magna aliqua. Ut enim ad minim venwm. quis nostrud exercitation uPamcO laboris nisi ut aliquip ex ea Commodo conseqoat. Duis aute iiure dolor in repretanderit in voluptat«- vfGt Hit ciflum dolor« oy fugiat nulla psriatur. EnCfpttu' sint o«MCjt cupidsat nor> prC"d<wt, sunt in culpa qu< ©ffica dwemnt mollit anim id est labomm.

Рис. 1. Результаты эксперимента по адаптации информационных систем

Рис. 2. Сравнение точности классического и нейросетевого методов

Циклометрическая сложность (СС) и метрики сложности программного кода Холстеда (HAL) и Джилба (J) нейросетевого метода показывают лучшие значения относительно классического подхода, что обусловлено меньшим количеством операторов и более простой структурой программного кода. Большой эффект оказывает тот факт, что разработчику не требуется анализировать исходные данные, так как эту работу выполняют нейронные сети.

80,00

70,00 -67¡00

СС HAL J

■ Нейросетевой метод ■ Классический метод

Рис. 3. Сравнение сложности реализации классического и нейросетевого методов

Таким образом, подтверждена как работоспособность предложенного метода адаптации параметров интерфейса, так и положительный эффект от его применения на общую адаптивность информационной системы.

Заключение

На основе проведенного анализа выявлены подходы к оценке адаптивности интерфейса информационных систем и возможность применения методов машинного обучения для автоматизации выбора определенных настроек для каждого пользователя.

Изложенный в работе нейросетевой метод адаптации направлен на решение персонализа-

ции параметров интерфейса информационных систем с использованием методов машинного обучения. Метод представлен в нотации теории множеств и заключается в интеграции нейронных сетей в информационную систему для автоматизации сбора, анализа данных и настройки интерфейса. Проведенная апробация метода в рамках тестовой информационной системы показала его перспективность и эффективность. Нейросетевой метод показывает большую точность и меньшую сложность программной реализации.

Дальнейшие исследования, связанные с адаптивными системами, предполагают развитие концепции нейросетевой архитектуры информационных систем, разработку фреймворка для построения адаптивных систем на основе веб-технологий. Это позволит реализовать компонентный подход React и ORM для адаптации к любой СУБД с минимальным вмешательством разработчиков. Применение методов машинного обучения при решении таких задач позволит автоматизировать анализ и обработку данных, процесс принятия решений разработчиком.

Литература

1. Бубарева О.А., Вайцель Н.С. Подход к проектированию пользовательского интерфейса в системах реального времени на базе онтологий // Южно-Сибирский научный вестник. 2018. № 1. С. 82-86.

2. Яковлев Ю.С., Курзанцева Л.И. О развитии адаптивного человеко-машинного интерфейса и критериях его оценки в учебных системах // Образовательные технологии и общество. 2013. Т. 16. № 1. C. 547-563.

3. Bastien J. M. C., Scapin D. L. Evaluating a user interface with ergonomic criteria // International Journal of Human Computer Interaction, 1995. Т. 7. № 2. P. 105-121.

4. Fernández-García A.J., Iribarne L., Corral A., Criado J., Wang J.Z. A recommender system for component-based applications using machine learning techniques // Knowledge-Based Systems, 2019. Т. 164. P. 68-84.

5. Ham N., Dirin A., Laine T. H. Machine learning and dynamic user interfaces in a context aware nurse application environment // Journal of Ambient Intelligence and Humanized Computing, 2017. Т. 8. № 2. P. 259-271.

6. Вершков Н.А., Кучуков В.А., Кучукова Н.Н. Теоретический подход к поиску глобального экстремума при обучении нейронных сетей // Труды Института системного программирования РАН. 2019. Т. 31. № 2. С. 4152.

7. Обухов А.Д., Краснянский М.Н. Нейросетевая архитектура информационных систем // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки, 2019. Т. 29. № 3. С. 438-455.

Поступила 08.09.2020; принята к публикации 20.10.2020

Информация об авторах

Обухов Артем Дмитриевич - канд. техн. наук, доцент кафедры «Системы автоматизированной поддержки принятия решений», Тамбовский государственный технический университет (392000, Россия, г. Тамбов, ул. Советская, 106), e-mail: [email protected], ORCID: https://orcid.org/0000-0002-3450-5213

Краснянский Михаил Николаевич - д-р техн. наук, профессор, ректор, Тамбовский государственный технический университет (392000, Россия, г. Тамбов, ул. Советская, 10б), e-mail: [email protected], ORCID: https://orcid.org/0000-0002-8751-7445 Николюкин Максим Сергеевич - аспирант, Тамбовский государственный технический университет (392000, Россия, г. Тамбов, ул. Советская, 106), e-mail: [email protected]

NEURAL NETWORK METHOD OF ADAPTING THE PARAMETERS OF THE INFORMATION

SYSTEMS INTERFACE

A.D. Obukhov, M.N. Krasnyanskiy, M.S. Nikolyukin

Tambov State Technical University, Tambov, Russia

Abstract: here we consider the problem of choosing the optimal parameters of the interface in information systems with the aim of personalizing it for the preferences of the user and the capabilities of his equipment. Currently, algorithmic support and statistical processing of user preferences are used to solve it, which does not provide sufficient flexibility and accuracy. Therefore, in this work, we propose the application of the developed method for adapting interface parameters based on the analysis and processing of user information using neural networks. The scientific novelty of the method is to automate the collection, analysis of data and interface settings through the use and integration of neural networks in the information system. We consider the practical implementation of the proposed method in Python. An expert assessment of the adaptability of the interface of the test information system after the implementation of the developed method showed its availability and efficiency. The developed method shows the best accuracy and low complexity of software implementation relative to the classical algorithmic approach. The results obtained can be used to automate the selection of interface components for various information systems. Further research consists in the development and integration of the developed method within the framework of the information systems adaptation framework

Key words: interface adaptation, personalization, machine learning, artificial neural networks, electronic document management

Acknowledgments: the study was supported by the grant from the President of the Russian Federation for state support of young scientists MK-74.2020.9

References

1. Bubareva O.A., Vaytsel' N.S. "An approach to designing the user interface in real-time systems based on ontologies", Yu-zhno-Siberian Scientific Bulletin (Yuzhno-Sibirskij nauchnyj vestnik), 2018, no. 1, pp. 82-86.

2. Yakovlev Yu. S., Kurzantseva L.I. "On the development of an adaptive human-machine interface and the criteria for its assessment in educational systems", Educational Technologies and Society (Obrazovatel'nye tekhnologii i obshchestvo), 2013, vol. 16, no. 1, pp. 547-563.

3. Bastien J.M.C., Scapin D.L. "Evaluating a user interface with ergonomic criteria", International Journal of HumanComputer Interaction, 1995, vol. 7. no. 2, pp. 105-121.

4. Fernández-García A.J., Iribarne L., Corral A., Criado J., Wang J.Z. "A recommender system for component-based applications using machine learning techniques", Knowledge-Based Systems, 2019, vol. 164, pp. 68-84.

5. Ham N., Dirin A., Laine T. H. "Machine learning and dynamic user interfaces in a context aware nurse application environment", Journal of Ambient Intelligence and Humanized Computing, 2017, vol. 8. no. 2, pp. 259-271.

6. Vershkov N.A., Kuchukov V.A., Kuchukova N.N. "Theoretical approach to the search for a global extremum in training neural networks", Proc. of the Institute for System Programming of the Russian Academy of Sciences (Trudy Instituta sistemnogo programmirovaniya RAN), 2019, vol. 31, no. 2, pp. 41-52.

7. Obukhov A.D., Krasnyansky M.N. "Neural network architecture of information systems", Bulletin of Udmurtia University. Maths. Mechanics. Computer Science (Vestnik Udmurtskogo universiteta. Matematika. Mekhanika. Komp'yuternye nauki), 2019, vol. 29. no. 3, pp. 438-455.

Submitted 08.09.2020; revised 20.10.2020 Information about the authors

Artem D. Obukhov, Cand. Sc. (Technical), Associate Professor, Tambov State Technical University (106 Sovetskaya st., Tambov 392000, Russia), e-mail: [email protected]. https://orcid.org/0000-0002-3450-5213

Mikhail N. Krasnyanskiy, Dr. Sc. (Technical), Professor, Rector of Tambov State Technical University (106 Sovetskaya st., Tambov 392000, Russia), e-mail: [email protected]. https://orcid.org/0000-0002-8751-7445

Maksim S. Nikolyukin, Graduate student, Tambov State Technical University (106 Sovetskaya st., Tambov 392000, Russia), e-mail: [email protected]