CC BY
10
Мартиросов Михаил Иванович, канд. техн. наук, доцент, [email protected], Россия, Москва, Московский авиационный институт (национальный исследовательский университет)
NUMERICAL COMPARISON OF STRENGTH CHARACTERISTICS OF FABRIC POLYMER
COMPOSITE MATERIALS
S.E. Bogoslovskii, M.I. Martirosov
In the present article was make overview of a world market prepreg manufacturers from polymer composite materials (PCM). In article we studied fabric PCM, which created by technology of autoclave forming. We make a comparison of strength characteristics of specimens from most popular PCM in mechanical engineering. Numerical solution carried out after finite-element modelling of different specimens. Finite-element model (FEM) of different specimens, which worked on tension / compression (form is band with central hole) was created in pre-post-processor MSC.Software Patran 2019. Analysis carried out in MSC.Nastran 2019.0 solver. As the results of analysis were obtained the factors of safety for all studying specimens from different prepreg manufacturers.
Key words: polymer composite material, autoclave forming, finite-element method, numerical modelling.
Bogoslovskii Stanislav Evgenyevich, principal engineer-designer, [email protected], Russia, Moscow, JSC «Ural Works of Civil Aviation» (UWCA),
Martirosov Michail Ivanovich, candidate of technical science, docent, [email protected], Russia, Moscow, Moscow aviation institute (national research university)
УДК 004.891
DOI: 10.24412/2071-6168-2022-8-188-194
РАЗРАБОТКА МОДУЛЯ «РЕКОМЕНДАЦИИ СЛЕДУЮЩЕЙ СТАТЬИ» НОВОСТНОЙ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ
Ю.С. Белов, В.И. Колебцев, С.С. Гришунов
В статье описывается общая архитектурная абстракция рекомендательных систем (мета-архитектура). Приводится обзор разработанного модуля «Рекомендация следующей статьи» (РСС) новостной рекомендательной системы, основанной на описанной общей архитектурной абстракции, главная цель которого заключается в предоставлении контекстноза-висимого ранжированного списка новостных статей пользователям в рамках сеанса. Приводится описание трех подмодулей модуля РСС: подмодуля «Контекстуальное представление статьи», отвечающего за объединение входных данных для модуля РСС, подмодуля «Представление сессий», отвечающего за моделирование краткосрочных предпочтений пользователей на основе последовательности действий в сеансе при помощи UNRNN, и подмодуля «Ранжирование рекомендаций», отвечающего за рекомендации статей для конкретного сеанса пользователя. В статье описывается расчет метрики MRR@10 и описывается эксперимент, позволяющий оценить эффективность алгоритмов рекомендаций на основе сеансов, используя открытый набор данных SmartMedia Adressa и вышеуказанную метрику. Приводится сравнение эффективности разработанного модуля с модулями, основанными на различных общепринятых алгоритмах рекомендаций на основе сеансов, а именно Sequential Rules, Item-kNN, CoOccurrence, Co-Occurrence, SR-GNN, Vector Multiplication Session-Based kNN, Recently Popular, GRU4Rec, Content-Based, а также обзор преимуществ разработанного модуля.
Ключевые слова: рекомендация новостей, персонализированная рекомендация новостей, рекуррентная нейронная сеть, ранжированный список, MRR@n.
Введение. Современное общество генерирует огромное количество информации, которое необходимо фильтровать поисковой рекомендательной системе перед доставкой к конкретным пользователям, выбирая максимально подходящую текущему пользователю.
Рассмотрим архитектурную абстракцию (мета-архитектуру) [1-3], которая содержит ряд общих строительных блоков для новостных рекомендательных систем, и которая может быть реализована различными способами, в зависимости от особенностей конкретной постановки задачи. По своей сути мета-архитектура состоит из двух взаимодополняющих модулей с независимыми жизненными циклами для обучения и вывода результата (рис. 1):
1. Модуль представления содержимого статьи (ПСС), используемый для изучения распределенного представления содержимого статьи;
2. Модуль рекомендации следующей статье (РСС), ответственный за генерацию рекомендаций следующей статьи для текущих сеансов пользователя.
Рекомендательноя система
ПРЕйСГТНЬПЕНиЕ СЙЬрХНИ сгтшъи 11111) Прей ншАлншн ГШСНИСш [)|рЬРКIII||Г|
[Качение по сойериигащ контента
Рис. 1. Абстрактная архитектура
Мета-архитектура предоставляет контекстные рекомендации для пользователей в зависимости от их местоположения, времени, используемого устройства, и других параметров, характеризующих пользователя, например, метрики посещения различных ресурсов: мета-архитектура структурирована для поддержки изменений, действующих на уровне входов, выходов, модулей, подмодулей и способах их взаимодействий. Модули и подмодули могут быть созданы различными образами по мере их развития. Такая модульная структура также делает простой оценку их компонентов.
Модуль «Рекомендация следующей статьи» (РСС). В данной статье будет рассмотрена реализация модуля «Рекомендация следующей статьи», так как именно в него заложена функциональность предоставления ранжированного списка новостей.
Модуль РСС (рис. 2), предоставляющий рекомендации для активных сессий, разработан как гибридная рекомендательная система, учитывающая как записанные взаимодействия пользователей, так и содержание новостных статей. Он также контекстно-зависим в том смысле, что использует информацию о контексте использования, например, местоположение, устройство, предыдущие клики в сеансе и контекст статьи — популярность и новизна — которые быстро «затухают» с течением времени. Как правило, учет этих дополнительных факторов может иметь решающее значение для эффективности рекомендаций, основанных на сеансах [4]. Все эти входные данные необходимы для создания так называемого персонализированного пользовательского контекста внедряемой статьи.
Модуль РСС состоит из трех подмодулей: контекстуальное представление статьи, представление сессий и ранжирование рекомендаций.
Подмодуль «Контекстуальное представление статьи» отвечает за объединение входных данных для модуля РСС:
1. Содержимое статьи;
2. Свойства статьи (популярность и новизна);
3. Пользовательский контекст (например, время, местоположение, устройство и URL-заголовки).
Такая контекстуальная информация ценна в экстремальном сценарии холодного запуска в области рекомендаций новостей.
Подмодуль «Контекстуальное представление статьи» выводит персонализированное пользователем контекстное содержимое статьи, представления которого могут отличаться для одной и той же статьи в зависимости от контекста пользователя и текущего контекста статьи (популярность и новизна) [5].
Подмодуль «Представление сессий» отвечает за моделирование краткосрочных предпочтений пользователей на основе последовательности действий (чтение новостей) в активном сеансе пользователя [6].
Рекомендации следуощеи статьи (РСС! Контекстуальна предстабшие статьи
ПрейстоОление сессии »
РанжироОоние рекомендации
Входными данными для подмодуля «Представление сессий» является последовательность чтения новостных статей пользователем в активном сеансе, представленная в виде персонализированных контекстных статей. Такой подход был разработан для того, чтобы использовать как содержание, так и контекст элемента и иметь возможность рекомендовать свежие статьи.
Подмодуль «Представление сессий» выводит прогнозируемые статьи для последующего чтение, т. е. ожидаемый новостной контент, который пользователь хотел бы прочитать следующим в активном сеансе.
Подмодуль использует RNN (Recurrent Neural Network) для моделирования последовательности взаимодействий пользователей. Была выбрана UGRNN (Update Gate RNN), так как она показала лучшие результаты точности, чем GRU (Gated Recurrent Unit) и LSTM (Long Short Term Memory). Архитектура UGRNN представляет собой компромисс между LSTM, GRU и стандартной RNN [7]. В этой архитектуре один дополнительный слой, определяющий следует ли обновлять или переносить скрытое состояние без изменений. За ним следуют два полносвязных слоя с обратной связью, с функциями активации Leaky ReLU и tanh, результатом чего является прогнозирование следующей статьи.
РекаменЭувмыЕ
0
Мерками статьи
Контекста статьи
Попу л= рн: :гг=
WttfluiHQ
Контекст пользователя
Устрпйсггйп
РекомЕнйация слейующей статьи [РШ
Кпнтекстуальное предстбленив статьи
__
Персонализированный кантекст статьи
Иктибный сеанс пользоЬотеля
ПаслеЗниз
прачлгашае
статьи
Дкпигёная сттья
—QOOO-
КонЗиЗот но Dieüyomijo
Ш1ПГПаВ
ПреЗстпВпение сессий
Прогнозирование слейующей статьи
Ранжирование рекоменЭаций <
МйВучь ПпЭипЗуль Em'Iüje 3d i lie dal bje
Ыершмпе Amnuöpu Реппзитщш rinHHk i
Рис. 2. Структура модуля «Рекомендация следующей статьи»
Подмодуль «ранжирование рекомендаций» отвечает за рекомендации статей для конкретного сеанса пользователя.
Большинство архитектур глубокого обучения, предлагаемых для сеансовых рекомендательных систем, моделируются как задача классификации, в которой каждый доступный элемент имеет выходной нейрон, то есть нейронная сеть выводит вектор, размерность которого равна числу доступных элементов.
Такой подход может сработать для систем, где количество элементов более стабильно, например, фильмов и книг. Хотя, в динамическом сценарии новостных рекомендаций, где тысячи новостных сюжетов добавляются и удаляются ежедневно, такой подход потребовал бы включения дополнительных выходных нейронов для вновь опубликованных статей и, в конечном счете, полного переобучения сети.
По этой причине, целью оптимизации модуля РСС является максимизация подобия между прогнозируемой следующей статьей и персонализированным контекстом статьи, соответствующим прочитанной статье в текущей сессии (положительная проба), минимизируя ее подобие с отрицательной пробой (статья, которая не была прочитана пользователем в текущей сессии).
Анализ результатов работы спроектированной системы. Для апробации предложенной модели рассматривается открытый набор данных SmartMedia Adressa [8], который содержит около 2 миллионов посещений страниц норвежского новостного портала. В эксперименте использовалась облегченная версия набора, которая содержит информацию за интервал времени - 1 неделя.
Рекомендательная система постоянно обучалась на сессиях пользователей, упорядоченных по времени и сгруппированных по часам. Каждые пять часов рекомендации оцениваются в течение следующего часа. С этим интервалом в пять часов можно было выбрать разные часы дня в наборе данных для оценки. После того, как оценка следующего часа была сделана, этот час также рассматривается для обучения, пока не будет охвачен весь набор данных.
Для каждого сеанса в оценочном наборе рекомендательной системе постепенно «выдавался» один клик пользователя, записанный в логах, за другим.
Для каждого прогнозируемого клика создавался случайный набор, содержащий 50 рекомендуемых статей, которые не были просмотрены пользователем в течение сеанса (отрицательные образцы), плюс настоящая просмотренная статья (положительный образец). Затем алгоритм ранжировал список из 51 элемента.
Учитывая эти ранжированные списки, можно вычислить стандартные показатели поиска информации.
Для реалистичной оценки важно, чтобы выбранные отрицательные образцы состояли из статей, которые могли бы представлять определенный интерес для читателей и которые также были доступны для рекомендации на новостном портале в определенный момент времени. Поэтому для целей этого исследования в качестве рекомендуемых статей выбирались те, которые получили хотя бы один щелчок любым пользователем за предыдущий час.
Для оценки точности рекомендаций статей была выбрана метрика MRR@10. Эта метрика является общепринятой при оценке алгоритмов рекомендации на основе сеанса [9, 10].
Средний взаимный ранг (MRR@10) - это показатель ранжирования, который чувствителен к положению истинного следующего элемента (релевантного элемента) в списке. Как показано в уравнении, это среднее значение обратных рангов для выборки из списка рекомендаций - Q:
1
, если rankj < n,
1 Q
MRR@ n = - ^ Qi=1
ranki
0, в других случаях
где гапк^ относится к ранговому положению релевантного элемента для 7-ого списка рекомендаций. Если гапк7 больше п, эта рекомендация оценивается как 0.
Другими словами, эта метрика пытается измерить «Где находится первый релевантный пункт?». Предположим, у нас есть три списка рекомендаций для трех пользователей. Мы можем вычислить ранг каждого пользователя, найдя ранг первого релевантного элемента для каждого списка. Затем мы делаем простое усреднение по всем пользователям (графическое представление расчета данной метрики представлено на рис. 3).
1/гапк
1/3
1/2
MRR
(1/3 + 1/2 t 1) / 3 = 0,61
I—I нереле&антная I—*| релеЬантная 1 = 1 статья 1 = 1 статья
пользователь
Рис. 3. Графическое представление расчета MRR
191
Порог отсечения был принят в качестве N = 10 составляет около 20% от списка, содержащего 51 выборку статей (1 положительная выборка и 50 отрицательных проб).
Для сравнения использовались реализации других общепринятых алгоритмов рекомендаций на основе сеансов: Sequential Rules, Item-kNN, Co-Occurrence, SR-GNN, Vector Multiplication Session-Based kNN, Recently Popular, GRU4Rec, Content-Based. Результаты работы алгоритмов представлены на рис. 4, в таблице приведены усредненные точности работы алгоритмов.
0.5
0А5 W 0.35 0.3
| 0.25 Ё 02 ОМ 0.1 0.05 0
Motti
---Исслейуемпя моЗеи -Sequential Rules -Item-kNN
-Со-Оссиггепсе -V-SkNN -— SR-OW
--Recently Foputor -GRUiRec -iontenl-Bcsed
Рис. 4. Анализ точности (метрика MRR@10)
Анализ точности
Алгоритм MRR@10
Исследуемая модель 0.3473
Sequential Rules 0.3092
Item-kNN 0.2923
Co-Occurrence 0.2911
SR-GNN 0.3043
Vector Multiplication Session-Based kNN 0.2901
Recently Popular 0.2502
GRU4Rec 0.2186
Content-Based 0.1362
Заключение. В этом сравнении полученная модель превосходит другие базовые алгоритмы по показателю точности. Метод Content-Based является наименее точным, так как этот алгоритм не ориентируется на популярность статей, а только на сходство содержимого.
Можно заметить, что нейронные подходы, такие как SR-GNN и GRU4Rec, не смогли обеспечить лучшую точность, чем алгоритмы рекомендация на основе сеанса без нейронных моделей. Одна из причин заключается в том, что в реальном сценарии, который эмулируется в данном эксперименте, нейронные модели (включая и исследуемую модель) не могут обновляться так часто из-за проблем асинхронного обучения модели и частого развертывания.
Кроме того, исследуемая модель учитывает «свежесть» статьи и рекомендует даже те статьи, которые не были обработаны во время обучения. SR-GNN и GRU4Rec, напротив, не могут давать рекомендации по элементам, с которыми не сталкивались во время обучения, что ограничивает их точность в реалистичном сценарии. В наборе данных, который используется в данной работе около 4% кликов по статьям за каждый час оценки приходился на новые статьи, т.е. те статьи, которые не были замечены в предыдущие часы обучения.
Список литературы
1. Saranya K.G., Sadasivam G.S. Personalized news article recommendation with novelty using collaborative filtering based rough set theory // Mobile Netw. Appl. 2017. vol. 22. no. 4. P. 719 - 729.
2. Fortuna B., Moore P., Grobelnik M. Interpreting news recommendation models // Proc. 24th Int. Conf. World Wide Web (WWW Companion). 2015. P. 891 - 892.
101
12!
HI
161
3. Колебцев В.И., Белов Ю.С., Козина А.В. Архитектура системы рекомендации новостей, основанная на принципе профилирования // Научное обозрение. Технические науки. 2021. № 1. С. 11 - 15.
4. Ghafati S.M., Beheshti A., Joshi A., Paris C., Mahmood A., Yakhchi S., Orgun M.A. A Survey on Trust Prediction in Online Social Networks // IEEE Access. July 2020. [Электронный ресурс] URL: https://ieeexplore.ieee.org/document/9142365 (дата обращения: 10.05.2022).
5. Колебцев В.И., Белов Ю.С. Метрики, необходимые для составления ранжированного списка новостей для рекомендательной системы // Научное обозрение. Технические науки. 2021. № 5. С. 10 - 14.
6. Крюкова Я.Э., Белов Ю.С Прогнозирование поведения пользователей, основанное на машинном обучении // Актуальные вопросы науки. 2019. № 50. С. 165-167.
7. Collins. J., Sohl-Dickstein. J., Sussillo. D. Capacity and trainability in recurrent neural networks. // Proceedings of the 5th International Conference on Learning Representations (ICLR'17). 2017.
8. SmartMedia Adressa News Dataset. [Электронный ресурс] URL: https://reclab.idi.ntnu.no/dataset (дата обращения: 10.05.2022).
9. McFee B., Lanckriet G. Metric learning to rank // ICML. 2010. P. 775 - 782.
10. Wu Y., Mukunoki M., Funatomi T., Minoh M., Lao S. Optimizing Mean Reciprocal Rank for person re-identification // 2011 8th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). 2011. P. 497 - 510.
Белов Юрий Сергеевич, канд. физ.-мат. наук, доцент, [email protected], Россия, Калуга, Калужский филлиал Московского государственного технического университета им. Н.Э. Баумана,
Колебцев Владислав Игоревич, студент, [email protected], Россия, Калуга, Калужский филлиал Московского государственного технического университета им. Н.Э. Баумана,
Гришунов Степан Сергеевич, старший преподаватель, stepangrishunov@bmstu. ru, Россия, Калуга, Калужский филлиал Московского государственного технического университета им. Н. Э. Баумана
DEVELOPMENT OF THE NEXT ARTICLE RECOMMENDATION MODULE OF THE NEWS
RECOMMENDER SYSTEM
Yu.S. Belov, V.I. Kolebtsev, S.S. Grishunov
The article describes the general architectural abstraction of recommender systems (meta-architecture). An overview of the developed Next Article Recommendation (NAR) module of a news recommender system based on the described general architectural abstraction is given, the main goal of which is to provide a context-sensitive ranked list of news articles to users within a session. Three submodules of the NAR module are described: the "Contextual Article Representation" submodule, which is responsible for combining input data for the NAR module, the "Session Representation" submodule, which is responsible for modeling short-term user preferences based on the sequence of actions in a session using UNRNN, and the "Recommendation Ranking" submodule ", which is responsible for recommending articles for a specific user session. The article describes the calculation of the MRR@10 metric and describes an experiment to evaluate the performance of session-based recommendation algorithms using the SmartMedia Adressa open dataset and the above metric. The effectiveness of the developed module is compared with modules based on various generally accepted session-based recommendation algorithms, namely Sequential Rules, Item-kNN, Co-Occurrence, CoOccurrence, SR-GNN, Vector Multiplication Session-Based kNN, Recently Popular, GRU4Rec , Content-Based, as well as an overview of the advantages of the developed module.
Key words: news recommendation, personalized news recommendation, recurrent neural network, ranked list, MRR@n.
Belov Yury Sergeevich, candidate of physical and mathematical sciences, docent, [email protected], Russia, Kaluga, Kaluga branch of the Moscow State Technical University named after N.E. Baumana,
Kolebtsev Vladislav Igorevich, student, [email protected], Russia, Kaluga, Kaluga branch of the Moscow State Technical University named after N.E. Baumana,
Grishunov Stepan Sergeevich, senior lecturer, [email protected], Kaluga branch of the Moscow State Technical University named after N.E. Baumana
УДК 004.94:624
DOI: 10.24412/2071-6168-2022-8-194-197
ИМИТАЦИОННОЕ КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ ДВИЖЕНИЯ ВОЗДУШНЫХ МАСС В ТОННЕЛЕ И ИХ СРАВНИТЕЛЬНЫЙ АНАЛИЗ
ЯК. Исаева
Программное обеспечение в настоящее время дает широкий инструментарий для решения различного рода задач и изучения тех или иных процессов. Большинство таких программ основано на численном расчете некоторых формул, а другие основаны на создании полноценных имитационных моделей. Последний вариант получил широкое распространение среди различного рода инженеров и исследователей, и находит свое применение во многих отраслях, включая строительство подземных сооружений, где особое внимание уделяется разработке и совершенствованию вентиляционных систем, что связано в первую очередь с высокой ответственностью таких систем. Поэтому в настоящей статье проводится имитационное моделирование движения воздушных масс в тоннеле и приводятся его результаты с анализом полученной информации. Проводится сравнение естественного обновления воздуха в тоннеле и искусственного с применением различного числа вентиляторов с помощью математического моделирования и анализа данных в программе Ansys. Проводится сравнение по давлению и скорости воздуха. Даются рекомендации по выбору вентиляционной системы на основании полученных моделированием данных.
Ключевые слова: компьютерное моделирование, тоннель, имитационное моделирование, сравнительный анализ, подземное строительство, воздушные массы, скорость.
Информационные технологии, статистика и обработка компьютерных данных сейчас позволяют решать широкий спектр задач. Одним из наиболее популярных на данный момент методом является компьютерное имитационное моделирование, которое в свою очередь один из способов аналитического исследования и обработки информации. Имитационное моделирование используется в самых разнообразных сферах, начиная от машиностроения и заканчивая строительством и горными работами [1-10]. Так с помощью этого метода возможно решение задачи в сфере строительства подземных сооружений, а именно в оборудовании подземных тоннелей для циркуляции и возобновлении воздушных масс в области тоннеля. Такая задача является очень важной и связана с тем, что от ее решения зависит здоровье людей, так как тоннель является зоной повышенной опасности и из-за недостатка кислорода может произойти последствия в виде потерь сознания, ухудшения самочувствия и т.д. Так обычно эту проблему решают с помощью установки вентиляторов, однако необходимо учитывать необходимое их число, а также вероятность того, что в тоннеле воздух будет обновляться самостоятельно, например, от ветра или потоков движущихся автомобилей (или железнодорожного транспорта).
Поэтому в данной работе было проведено исследование потоков воздуха в тоннеле (рис. 1) и определены скоростные характеристики.
Исследование проводилось с помощью имитационного компьютерного моделирования, которое считается одним из наиболее передовых для решения различного рода задач. Программный комплекс, в котором проводилось моделирование был выбран Ansys, который позволяет решить поставленную задачу.
Помимо поставленной задачи, компьютерные моделирования позволяют еще и натолкнуться на непредвиденные факторы. Так при компьютерном моделировании можно натолкнуться на объекты и явления, которые не были предусмотрены при решении конкретной задачи, и впоследствии может привести к расширению круга исследуемых задач, а также найти неожиданное решение проблемы. Все это возможно, однако выявляется только после моделирования и обработки полученных этим способом данных.
194
