ПРОГНОЗИРОВАНИЕ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ-АССИСТЕНТАХ НА ОСНОВЕ АЛГОРИТМА ПОИСКА КОСЯКОМ РЫБ
Аннотация
Работа связана с решением проблемы персонализации ресурсов Интернет для повы-шения эффективности организации и сопровождения психологически-безопасного поведе-ния пользователей в интернет-пространстве. Особую актуальность данная проблема приобретает для сферы интернет-обучения в условиях непрерывного роста числа образовательных Интернет-ресурсов и сервисов, развития контента, несущего виктимное воз-действие на морально-нравственные аспекты личности обучающегося. Среди наиболее перспективных подходов к ее решению в настоящее время выделяется подход, который базируется на прогнозировании предпочтений пользователей для формирования контента, соответствующего их интересам и ожиданиям. С целью эффективного извлечения и обработки данных, а также выявления закономерностей, позволяющих сделать выводы (прогнозы) о конкретных предпочтениях пользователей применяются методы интеллектуального анализа данных и машинного обучения. В статье предложен метод прогнозирования предпочтений субъекта обучения в интеллектуальных системах-ассистентах для генерации рекомендаций и персонализации образовательного контента и услуг. Принципиальным отличием предложенного метода является переход от персональ-ных рекомендаций к групповым на основе методов коллаборативной фильтрации пользо-вателей со схожими предпочтениями. Для формирования рекомендаций разработана мо-дель оценки предпочтений, основанная на совместном использовании методов Item-Item CF и User-User CF, что позволит решить проблему «холодного старта» и повысить качество рекомендаций для пользователей со схожими интересами и характеристиками поведения. Оценка прогнозирования связана с большой размерностью параметров модели обучения. Для снижения размерности пространства поиска предпочтений из неявных данных боль-шого объема об активности пользователя и повышения точности прогноза разработан биоинспирированный алгоритм поиска косяком рыб, отличающийся масштабируемостью и способностью обрабатывать разреженные данные. Экспериментальные исследования эффективности работы алгоритма были проведены на тестовых данных MovieLens и подтвердили высокую обобщающую способность и точность прогноза предпочтений.
Литература
2. Tingting Z., Chen L.Y., Liang-Hsien T. Understanding user motivation for evaluating online content: a self-determination theory perspective // Behaviour and Information Technology. – 2015. – No. 34. – P. 479-491.
3. Wilson P.M., Mack D.E., Grattan K.P. Understanding motivation for exercise: A self-determination theory perspective // Canadian Psychology. – 2008. – No. 49. – P. 250-256.
4. Lin H.F. Examining of cognitive absorption influencing the intention to use a virtual commu-nity // Behaviour and Information Technology. – 2009. – No. 28 (5). – P. 421-431.
5. Войскунский А., Евдокименко А., Федунина Н. Сетевая и реальная идентичность: сравни-тельное исследование // Психология. Журнал Вышей школы экономики. – 2013. – Т. 10, № 2. – P. 98-121.
6. Родзин С.И., Родзина Л.С. M-learning - управление контентом в контекстно-зависимой мобильной системе обучения // Информатика, вычислительная техника и инженерное образование. – 2014. – № 1 (16). – С. 53-61.
7. Кравченко Ю.А. Задачи семантического поиска, классификации, структуризации и инте-грации информации в контексте проблем управления знаниями // Известия ЮФУ. Тех-нические науки. – 2016. – № 7 (180). – С. 5-18.
8. Курейчик В.М., Картиев С.Б. Выбор алгоритма прогнозирования для разработки аналитиче-ского программного обеспечения // Инженерный вестник Дона. – 2017. – № 4 (47). – С. 128.
9. Guo G., Zhang J., Thalmann D. Merging trust in collaborative filtering to alleviate data sparsity and cold start // Knowledge-Based Systems. – 2014. – No. 57. – P. 57-68.
10. Kartiev S.B., Kureychick V.M. Algorithm for building recommendations for intelligent systems // Advances in Intelligent Systems and Computing. – 2018. – Vol. 680. – P. 76-83.
11. Su Z., Yan J., Ling., Che H. Research on personalized recommendation algorithm based on ontological user interest model // Journal of Computational Information Systems. – 2012. – No. 8 (1). – P. 169-181.
12. Кулиев Э.В., Лежебоков А.А., Лещанов Д.В., Шкаленко Б.И. Механизмы роевого интел-лекта и эволюционной адаптации на основе виртуального набора популяций для реше-ния задач управления проблемно-ориентированными знаниями // Информатика, вычис-лительная техника и инженерное образование. – 2017. – № 1 (29). – С. 34-45.
13. Wedyan S. Review and Comparison of Associative Classification Data Mining Approaches // International Journal of Computer, Information, Systems and Control Engineering. – 2014. – No. 8. – P. 34-45.
14. Логинов О.А., Лежебоков А.А., Бова В.В., Щеглов С.Н. Интеллектуальный анализ дан-ных на основе биоинспирированного подхода // Информатизация и связь. – 2018. – № 4. – С. 67-70.
15. Pan W., Ming Z. Collaborative Recommendation with Multiclass Preference Context // IEEE Intelligent Systems. – 2016. – No. 32 (2). – P. 45-51.
16. Курейчик В.М., Каланчук С.А. Обзор и состояние проблемы роевых методов оптимиза-ции // Информатика, вычислительная техника и инженерное образование. – 2016. – № 1 (25). – С. 1-13.
17. Monteiro R. P., Verçosa L. F. V., Bastos-Filho C. J. A. Improving the Performance of the Fish School Search Algorithm // International Journal of Swarm Intelligence Research (IJSIR). – 2018. – № 9 (4). – P. 21-46.
18. Bastos-Filho C.J.A., Lima-Neto F.B., Lins Sousa M.F.C., Pontes M.R. On the influence of the swimming operators in the fish school search algorithm // IEEE International Conference on Systems Man and Cybernetics. – 2009. – P. 5012-5017.
19. Lima Neto F.B.D., Lacerda M.G. Weight based fish school search // IEEE International Con-ference Systems, Man and Cybernetics (SMC). – 2014. – P. 270-277.
20. Частикова В.А., Дружинина М.А., Кекало А.С. Исследование эффективности алгоритма поиска косяком рыб в задаче глобальной оптимизации // Современные проблемы науки и образования. – 2014. – № 4. – URL: http://science-education.ru/ru/article/view?id=14142 (дата обращения: 04.06.2019).
