CC BY
282. Гусев А. В. и др. Медицинские информационные системы; Российская академия медицинских наук; Северо-Западное отделение Российской академии медицинских наук. Петрозаводск: Изд-во Петрозаводского ун-та, 2005. 404 с.
3. Зингерман Б. В. Электронная история болезни - новый подход / Б. В. Зингерман, М. А. Шифрин, Н. Е. Шкловский-Корди // Терапевтический архив, 2008. № 7. С. 5-8.
4. Емелин И. В., Лебидько Л. М.Стандартизация представления электронных медицинских документов. [Электронный ресурс]. Режим доступа: http://emag.iis.ru/arc/infosoc/emag.nsf/BPA./ (дата обращения: 05.10.2009).
5. Вендров А. М. CASE-технологии. Современные методы и средства проектирования информационных систем.
6. Рогозов Ю. И., Свиридов А. С. Проектирование АСОИУ. Учеб. пособие. Таганрог, изд-во ТТИ ЮФУ, 2007.
7. Проблемы интеграции информационных систем лечебных учреждений РАН. Часть 1.
8. Журнал «Информационно-измерительные и управляющие системы». № 12. Т. 8, 2010. С. 18-24.
9. Буч Г., Рамбо Д., Джекобсон А. Язык UML. Руководство пользователя. (Перевод с английского). Москва: ДМК Пресс, 2001.
10. Абдикеев Н. М., Данько Т. П., Ильдеменов С. В., Киселв А. Д.Реинжиниринг бизнес-процессов. М.: Изд-во Эксмо, 2005. MBA. С. 256-263.
РЕКОМЕНДАТЕЛЬНАЯ СИСТЕМА ДЛЯ АФИШ Мовчан Д. В.
Мовчан Дмитрий Валерьевич - магистрант, кафедра компьютерных систем и сетей, факультет информатики и систем управления, Московский государственный технический университет им. Н. Э. Баумана, г. Москва
Аннотация: для сокращения времени на поиск нужной информации или для помощи отображения функций, которыми человек вероятнее всего захочет воспользоваться, существуют рекомендательные системы. Рекомендательные системы — это программы, которые пытаются предсказать, какие объекты (фильмы, музыка, книги, новости, веб-сайты) будут интересны пользователю, имея определенную информацию о его профиле. Такие системы успели себя зарекомендовать и на сегодняшний день используются повсеместно. В данной статье будут описаны объекты в системе афиш, с помощью которых можно выявить закономерности и предоставить пользователю рекомендации.
Ключевые слова: рекомендательная система, фильтрация, коллаборативная, контекстная.
Основные стратегии при подборе рекомендаций пользователю это фильтрация на основе содержания и коллаборативная фильтрация [1]. При фильтрации на основе содержания, пользователю при начале работы с системой необходимо ответить на ряд простых вопросов, относящихся к предпочтениям пользователя, по завершению опроса система будет готова выдать свои первые рекомендации. При коллаборативной фильтрации пользователю сначала необходимо поставить оценки (добавить в избранное и т. д.) различным событиям которые существуют в системе, а со временем система будет подыскивать пользователей со схожими оценками и предлагать понравившиеся события начальному пользователю.
Ниже на рисунке 1 приведен пример работы коллаборативной фильтрации.
Театр Опера Балет
'1 - 5 4
1 1 5
31 7 1 5
41 7 5 7
Рис. 1. Пример коллаборативной фильтрации
На рисунке введены следующие обозначения: в виде строк представлены четыре пользователя, а в виде колонок представлены события, связанные с театром, оперой и балетом соответственно. Пользователи поставили некоторые оценки событиям по 5ти бальной шкале. Также имеется несколько непроставленных оценок у пользователей под номерами 1, 3 и 4.
Предположим системе необходимо узнать, понравится ли пользователю под номером 3 мероприятие, связанное с театром, при этом пользователь уже успел оценить мероприятия связанные с оперой и балетом. Система попытается проверить, а не оценил ли кто-либо из других пользователей также те же самые мероприятия, и система найдет пользователя под номером 2, у которого такие же оценки, но оценено мероприятия связанное с театром. На основании данной оценки система может предположить, что пользователю под номером 3 вероятнее всего не понравится мероприятие, связанное с театром. Если бы системе было необходимо привести рекомендации для пользователя под номером 4, то по схожим оценкам был бы найден пользователь под номером 1, однако у данного пользователя нет оценок мероприятию, связанному с театром, однако есть оценка для мероприятия связанного с балетом. Таким образом, система предположит, что пользователь под номером 4 вероятнее всего хорошо оценит мероприятие, связанное с балетом.
Еще одной достаточно крупной стратегией является контекстная фильтрация [2]. Данная стратегия основывается на том, что система запоминает действия пользователя при просмотре афиш: поисковые запросы, просмотры конкретных мероприятий, поиск мероприятий по дате и так далее. Такая стратегия более сложна в реализации, нежели коллаборативная, однако имеет большое преимущество - система имеет значительно больше выборок по предпочтениям пользователя, включая даты, когда человек хотел бы посетить, то или иное мероприятие.
Подводя итог, следует дать оценку трем стратегиям фильтрации для выдачи рекомендаций. Фильтрация на основе содержания самая простая в реализации и не требует присутствия в системе других пользователей для выдачи рекомендаций, однако в ней есть и свои минусы - пользователю необходимо задавать вопросы и отвлекать его при первом посещении портала с афишей, что может отпугнуть его от пользования ею. Более сложная коллаборативная фильтрация позволяет давать пользователю рекомендации, основываясь на предпочтении тех пользователей,
13
которые уже успели оценить различные мероприятия. В этом есть свой минус - в системе должно быть достаточно пользователей и данных об их оценках мероприятий, а также должна быть какая-то мотивация для проставления данных оценок, ведь пользователи часто не видят смысла в проставлении оценки мероприятию. Последняя фильтрация, освещенная в данной статье - контекстная фильтрация, является самой сложной в реализации, однако также её можно назвать и самой эффективной. Данная фильтрация способна работать в системах, где пользовательская база совсем небольшая, а также позволяет не отвлекать пользователя, задавая различные вопросы о его предпочтениях. Контекстная фильтрация анализирует то, как пользователь ведет себя на портале с афишей, и на основании полученных данных система может давать различные рекомендации.
Литература
1. Парамонов С. Пишем простую систему рекомендаций на примере Хабра. [Электронный ресурс]. 18.07.2014. Режим доступа: https://habrahabr.ru/post/230155/ (дата обращения: 23.01.2017).
2. Тим Джонс М. Рекомендательные системы: Часть 1. Введение в подходы и алгоритмы. [Электронный ресурс]. 29.04.2014. Режим доступа: https://www.ibm.com/developerworks/ruЛibrary/os-recommender1/ (дата обращения: 23.01.2017).
МЕТОДЫ ОЦЕНКИ СТЕПЕНИ ЗАРЯЖЕННОСТИ
АККУМУЛЯТОРНЫХ БАТАРЕЙ 1 2 Васенин А. С. , Шумков А. Г.
1Васенин Александр Сергеевич - магистрант;
2Шумков Арсений Геннадьевич - магистрант, кафедра автомобилей и технологических машин, автодорожный факультет, Пермский национальный исследовательский политехнический университет, г. Пермь
Аннотация: оперативная проверка степени заряженности аккумуляторных батарей является перспективным направлением развития системы бортовой диагностики автомобиля. Она позволит контролировать состояние батареи во время каждого запуска и своевременно определить критическое значение заряда, при котором двигатель может не запуститься при низкой температуре окружающего воздуха. Вместе с тем контроль степени заряженности аккумуляторной батареи можно осуществить разными методами, которые рассмотрены в нижеприведенной статье.
Ключевые слова: разряд аккумулятора, напряжение разомкнутой цепи, ареометр.
Первый метод проверки степени заряженности аккумуляторной батареи автомобиля - измерение времени разряда аккумуляторной батареи при постоянной, максимально допустимой для данного источника тока, нагрузке. Метод основан на измерении разрядного тока и времени, за которое осуществляется разряд до предельно допустимого значения тока, характеризующего полный разряд данной аккумуляторной батареи.
Основным достоинством является отражение самой сути параметра «номинальная емкость аккумуляторной батареи» - величина отдаваемого заряда при 20-часовом режиме разряда до минимально допустимого напряжения, при котором не происходит сульфатации пластин.
