CC BY
3Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
УДК 004.021 https://doi.org/10.33619/2414-2948/84/45
ВЫРАБОТКА РЕКОМЕНДАЦИЙ С ИСПОЛЬЗОВАНИЕМ ЗНАНИЙ О ПРЕДМЕТНОЙ ОБЛАСТИ
©Куренных А. Е., ORCID: 0000-0001-5200-1775, SPIN-код: 3277-7985, Московский авиационный институт (национальный исследовательский университет), г. Москва, Россия, alexey.kurennykh@gmail.com
©Судаков В. А., SPIN-код: 1614-4760, ORCID: 0000-0002-1658-1941, д-р техн. наук, Институт прикладной математики им. М.В. Келдыша РАН, г. Москва, Россия, sudakov@ws-dss.com
RECOMMENDER SYSTEM BASED ON KNOWLEDGES
©Kurennykh A., ORCID: 0000-0001-5200-1775, SPIN-code: 3277-7985, Moscow Aviation Institute (National Research University), Moscow, Russia, alexey.kurennykh@gmail.com ©Sudakov V., ORCID: 0000-0002-1658-1941, SPIN-code: 1614-4760, Sc.D. (technical sciences),
Keldysh Institute of Applied Mathematics (RAS), Moscow, Russia, sudakov@ws-dss.com
Аннотация. В статье рассматривается актуальная научно-техническая задача разработки рекомендательной системы, использующей знания о предметной области для более полного и точного анализа проблемной ситуации. В предлагаемом авторами подходе знания о предметной области выражаются компьютерной моделью, которая при определенных параметрах возвращает вектор оценки результатов моделирования. Оба вектора значений являются значимыми критериями, на основе которых осуществляется выработка рекомендаций. Особый подход к архитектуре информационного пространства, в котором реализуется взаимодействие рекомендательной и моделирующей систем дает широкие возможности к применению такого подхода в широком классе задач.
Abstract. The article deals with the actual scientific and technical task of developing a recommender system that uses knowledge about the subject area for a more complete and accurate analysis of the problem situation. In the approach proposed by the authors, knowledge about the subject area is expressed by a computer model, which, under certain parameters, returns a vector of the simulation results. Both vectors of values are significant criteria on the basis of which recommendations are made. A special approach to the architecture of the information space, in which the interaction of recommender and modeling systems is implemented, provides ample opportunities for applying this approach in a wide class of problems.
Ключевые слова: рекомендательные системы, компьютерное моделирование, обмен данными.
Keywords: recommender systems, computer simulation, data transfer.
Введение
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.
Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
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 = }, 1 = 1,п- множество задач выработки рекомендаций
А; = ! ; = 1 ; = 1. - множество объектов, соответствующих задаче
- множество компьютерных моделей, соответствующих
объектам
- множества оценок результатов моделирования и
параметров моделей соответственно, тогда для их использования в задачах многокритериального анализа альтернатив необходимо реализовать между ними следующие отношения:
Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
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.
Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
Рисунок 2. Обмен данными посредством связанных серверов
Рисунок 3. Использование брокера сообщений
® I
Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
Финансирование: Работа выполнена при финансовой поддержке РФФИ, проект 20-3190043.
Список литературы:
1. Hu Y., Xiong F., Lu D., Wang X., Xiong X., Chen H. Movie collaborative filtering with multiplex implicit feedbacks // Neurocomputing. 2020. V. 398. P. 485-494. https://doi.org/10.1016/j.neucom.2019.03.098
2. Sánchez-Moreno D., González A. B. G., Vicente M. D. M., Batista V. F. L., García M. N. M. A collaborative filtering method for music recommendation using playing coefficients for artists and users // Expert Systems with Applications. 2016. V. 66. P. 234-244. https://doi.org/10.1016/j.eswa.2016.09.019
3. Mustaqeem A., Anwar S. M., Majid M. A modular cluster based collaborative recommender system for cardiac patients // Artificial intelligence in medicine. 2020. V. 102. P. 101761. https://doi.org/10.1016/j.artmed.2019.101761
4. Wang D., Liang Y., Xu D., Feng X., Guan R. A content-based recommender system for computer science publications // Knowledge-Based Systems. 2018. V. 157. P. 1-9. https://doi.org/10.1016/j.knosys.2018.05.001
5. Li J., Xu H. Suggest what to tag: Recommending more precise hashtags based on users' dynamic interests and streaming tweet content // Knowledge-based systems. 2016. V. 106. P. 196205. https://doi.org/10.1016/j.knosys.2016.05.047
6. Tejeda-Lorente Á., Bernabé-Moreno J., Herce-Zelaya J., Porcel C., Herrera-Viedma E. A risk-aware fuzzy linguistic knowledge-based recommender system for hedge funds // Procedia Computer Science. 2019. V. 162. P. 916-923. https://doi.org/10.1016Zj.procs.2019.12.068.
7. Zhen L., Huang G. Q., Jiang Z. An inner-enterprise knowledge recommender system // Expert Systems with Applications. 2010. V. 37. №2. P. 1703-1712. https://doi.org/10.1016/j.eswa.2009.06.057
8. Lully V., Laublet P., Stankovic M., Radulovic F. Enhancing explanations in recommender systems with knowledge graphs // Procedia Computer Science. 2018. V. 137. P. 211-222. https://doi.org/10.1016/j.procs.2018.09.020
References:
1. Hu, Y., Xiong, F., Lu, D., Wang, X., Xiong, X., & Chen, H. (2020). Movie collaborative filtering with multiplex implicit feedbacks. Neurocomputing, 398, 485-494. https://doi.org/10.1016Zj.neucom.2019.03.098
2. Sánchez-Moreno, D., González, A. B. G., Vicente, M. D. M., Batista, V. F. L., & García, M. N. M. (2016). A collaborative filtering method for music recommendation using playing coefficients for artists and users. Expert Systems with Applications, 66, 234-244. https://doi.org/10.10167j.eswa.2016.09.019
3. Mustaqeem, A., Anwar, S. M., & Majid, M. (2020). A modular cluster based collaborative recommender system for cardiac patients. Artificial intelligence in medicine, 102, 101761. https://doi.org/10.1016/j.artmed.2019.101761
4. Wang, D., Liang, Y., Xu, D., Feng, X., & Guan, R. (2018). A content-based recommender system for computer science publications. Knowledge-Based Systems, 157, 1-9. https://doi.org/10.1016/j.knosys.2018.05.001
5. Li, J., & Xu, H. (2016). Suggest what to tag: Recommending more precise hashtags based on users' dynamic interests and streaming tweet content. Knowledge-based systems, 106, 196-205. https://doi.org/10.1016/j.knosys.2016.05.047
Бюллетень науки и практики / Bulletin of Science and Practice Т. 8. №11. 2022
https ://www.bulletennauki.ru https://doi.org/10.33619/2414-2948/84
6. Tejeda-Lorente, Á., Bernabé-Moreno, J., Herce-Zelaya, J., Porcel, C., & Herrera-Viedma, E. (2019). A risk-aware fuzzy linguistic knowledge-based recommender system for hedge funds. Procedía Computer Science, 162, 916-923. https://doi.org/10.1016/j.procs.2019.12.068
7. Zhen, L., Huang, G. Q., & Jiang, Z. (2010). An inner-enterprise knowledge recommender system. Expert Systems with Applications, 37(2), 1703-1712. https://doi.org/10.1016/j.eswa.2009.06.057
8. Lully, V., Laublet, P., Stankovic, M., & Radulovic, F. (2018). Enhancing explanations in recommender systems with knowledge graphs. Procedia Computer Science, 137, 211-222. https://doi.org/10.1016Zj.procs.2018.09.020
Работа поступила Принята к публикации
в редакцию 29.09.2022 г. 12.10.2022 г.
Ссылка для цитирования:
Куренных А. Е., Судаков В. А. Выработка рекомендаций с использованием знаний о предметной области // Бюллетень науки и практики. 2022. Т. 8. №11. С. 372-377. https://doi.org/10.33619/2414-2948/84/45
Cite as (APA):
Kurennykh, A., & Sudakov, V. (2022). Recommender System Based on Knowledges. Bulletin of Science and Practice, 5(11), 372-377. (in Russian). https://doi.org/10.33619/2414-2948/84/45
