МЕТОДИКА ПОСТРОЕНИЯ И ОЦЕНКИ ОНТОЛОГИЧЕСКОГО ПРОФИЛЯ ДЛЯ СИСТЕМ ПЕРСОНАЛИЗАЦИИ КОНТЕНТА
Аннотация
Данная статья посвящена разработке и апробации методики построения онтологического профиля, предназначенного для использования в системах персонализации контента. В работе детально описана модульная архитектура веб-системы персонализации, иллюстрирующая методы и алгоритмы обработки и анализа текста на каждом этапе, а также представлен пошаговый алгоритм создания онтологии. Методика включает первичную обработку данных: извлечение ключевых слов и словосочетаний, их иерархическую кластеризацию для выявления семантической структуры предметной области. Далее следует этап определения пороговых значений для отсева малозначимых связей, извлечения и формализации взаимосвязей между концептами с использованием методов обработки естественного языка, таких, как разрешение лексической неоднозначности и извлечение связей на основе семантического сходства. Для реализации этого процесса был разработан интегрированный конвейер (pipeline), объединяющий усовершенствованные алгоритмы, предложенные автором в предыдущих исследованиях, а именно: алгоритм извлечения ключевых фраз из отдельного текста на основе семантического сходства и модифицированный алгоритм разрешения лексической многозначности слов. В рамках данного конвейера также были оптимально интегрированы все необходимые инструменты обработки естественного языка, обеспечивающие эффективную работу указанных методов в процессе автоматического построения онтологии из текста. Особое внимание в исследовании уделяется комплексной оценке полученной онтологии с использованием специализированного набора критериев, позволяющих объективно оценить качество, полноту и непротиворечивость построенного профиля. Важной частью работы является проведение вычислительного эксперимента, который наглядно демонстрирует влияние каждого из этапов обработки данных на итоговое качество и эффективность онтологии. Показано, что предложенная методика позволяет построить практичную, масштабируемую и релевантную онтологию, готовую к промышленному внедрению и интеграции в системы персонализации для повышения их точности и адаптивности.
Список литературы
1. Garrigós I., Gomez J., Houben G.-J. Specification of personalization in web application design, Infor-mation Software Technology, 2010, Vol. 52, No. 9, pp. 991-1010.
2. Mertekhin A.A. Internet-zavisimoe povedenie i peregruzka informatsiey [Internet-dependent behavior and information overload], Severo-Kavkazskiy psikhologicheskiy vestnik [North Caucasian Psychological Bulletin], 2012, Vol. 10, No. 3, pp. 24-27.
3. Meister F., Shin D., Andrews L. “Getting to know you”: What’s new in personalization technologies, E-Doc, 2002, Vol. 16, No. 2, pp. 8-8.
4. Pressman R.S., Lowe D. Web engineering, Software Engineering: A Practitioner’s Perspective, 2000, pp. 769-798.
5. Ginige A., Murugesan S. Web Engineering: A Holistic, Disciplined Approach to Web-Based System Development, 12 th International World Wide Web Conference, 2003, Vol. 3. Web Engineering.
6. Tao X., Li Y., Zhong N. A personalized ontology model for web information gathering, IEEE transac-tions on knowledge data engineering, 2010, Vol. 23, No. 4, pp. 496-511.
7. Guo Q., Chen W., Wan H. AOL4PS: A large-scale data set for personalized search, Data Intelligence, 2021, Vol. 3, AOL4PS, No. 4, pp. 548-567.
8. Farid M., Elgohary R., Moawad I., Roushdy M. User profiling approaches, modeling, and personaliza-tion, Proceedings of the 11th international conference on informatics & systems (INFOS 2018), 2018.
9. Mobasher B. Data mining for web personalization, The adaptive web. Springer, 2007, pp. 90-135.
10. Gauch S., Speretta M., Chandramouli A., Micarelli A. User profiles for personalized information access, The adaptive web, 2007, pp. 54-89.
11. Cantador I., Bellogín A., Castells P. Ontology-based personalised and context-aware recommendations of news items, 2008 IEEE/WIC/ACM international conference on web intelligence and intelligent agent technology. IEEE, 2008, Vol. 1, pp. 562-565.
12. Leung K.W.-T., Lee D.L. Deriving concept-based user profiles from search engine logs, IEEE Transac-tions on knowledge and data engineering, 2009, Vol. 22, No. 7, pp. 969-982.
13. Liu F., Yu C., Meng W. Personalized web search by mapping user queries to categories, Proceedings of the eleventh international conference on Information and knowledge management CIKM02: Eleventh ACM International Conference on Information and Knowledge Management. McLean Virginia USA: ACM, 2002, pp. 558-565.
14. Penas P., Del Hoyo R., Vea-Murguía J., González C., Mayo S. Collective knowledge ontology user profiling for Twitter–automatic user profiling, 2013 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT). IEEE, 2013, Vol. 1, pp. 439-444.
15. Gauch S., Chaffee J., Pretschner A. Ontology-based personalized search and browsing, Web Intelligence and Agent Systems: An international Journal, 2003, Vol. 1, No. 3-4, pp. 219-234.
16. Xu Y., Wang K., Zhang B., Chen Z. Privacy-enhancing personalized web search, Proceedings of the 16th international conference on World Wide Web WWW’07: 16th International World Wide Web Confer-ence. Banff Alberta Canada: ACM, 2007, pp. 591-600.
17. Abián D., Guerra F., Martínez-Romanos J., Trillo-Lado R. Wikidata and DBpedia: A Comparative Study, Semantic Keyword-Based Search on Structured Data Sources: Lecture Notes in Computer Sci-ence, eds. J. Szymański, Y. Velegrakis. Cham: Springer International Publishing, 2018, Vol. 10546. Wikidata and DBpedia, pp. 142-154. ISBN 978-3-319-74496-4.
18. Lehmann J., Isele R., Jakob M., Jentzsch A., Kontokostas D., Mendes P.N., Hellmann S.,. Morsey M, Van Kleef P., Auer S. Dbpedia–a large-scale, multilingual knowledge base extracted from Wikipedia, Semantic web, 2015, Vol. 6, No. 2, pp. 167-195.
19. Eke C.I., Norman A.A., Shuib L., Nweke H.F. A survey of user profiling: State-of-the-art, challenges, and solutions, IEEE Access, 2019, Vol. 7, pp. 144907-144924.
20. Purificato E., Boratto L., De Luca User E.W. Modeling and User Profiling: A Comprehensive Survey, arXiv preprint arXiv:2402.09660, 2024.
21. Bird S. NLTK: the natural language toolkit, Proceedings of the COLING/ACL 2006 Interactive Presen-tation Sessions, 2006, pp. 69-72.
22. Miller G.A. WordNet: a lexical database for English, C. A., 1995, Vol. 38, pp. 39-41.
23. Vasiliev Y. Natural language processing with Python and spaCy: A practical introduction. No Starch Press, 2020. ISBN 1-71850-052-1.
24. Lops P., De Gemmis M., Semeraro G. Content-based recommender systems: State of the art and trends, Recommender systems handbook, 2011, pp. 73-105.
25. Poelmans J., Ignatov D.I., Kuznetsov S.O., Dedene G. Formal concept analysis in knowledge pro-cessing: A survey on applications, Expert Systems with Applications, 2013, Vol. 40, No. 16, pp. 6538-6560.
26. Poelmans J., Ignatov D.I., Viaene S., Dedene G., Kuznetsov S.O. Text mining scientific papers: a survey on FCA-based information retrieval research, Advances in Data Mining. Applications and Theoretical Aspects: 12th Industrial Conference, ICDM 2012, Berlin, Germany, July 13-20, 2012. Proceedings 12. Springer, 2012, pp. 273-287.
27. Manning K.D., Ragkhavan P., Shyuttse Kh. Vvedenie v informatsionnyy poisk [Introduction to infor-mation retrieva], 2011.
28. Gruber T. What is an Ontology, 1993.
29. Mokhammad Zh.Kh. Mansur A.M., Kravchenko Yu.A., Bova V.V. Metod izvlecheniya klyuchevykh fraz na osnove novoy funktsii ranzhirovaniya [Method for extracting key phrases based on a new ranking function], Informatsionnye tekhnologii [Information Technologies], 2022, Vol. 9, No. 28, pp. 465-474.
30. Kravchenko Yu.A., Mansur A.M., Khussayn M.Zh. Modifitsirovannyy metod ustraneniya neodnoz-nachnosti smysla slov, osnovannyy na metodakh raspredelennogo predstavleniya [Modified method for disambiguating the meaning of words based on distributed representation methods], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 3.
31. Mokhammad Zh.Kh., Mansur A.M., Kravchenko Yu.A., Kravchenko D.Yu. Metod avtomaticheskogo izvlecheniya klyuchevykh slov [Method of automatic extraction of keywords], Mezhdunarodnyy nauch-no-tekhnicheskiy kongress «Intellektual'nye sistemy i informatsionnye tekhnologii – 2022» [International Scientific and Technical Congress "Intelligent Systems and Information Technologies - 2022"], 2022, pp. 91-97.
32. Wang X., Xu Y. An improved index for clustering validation based on Silhouette index and Calinski-Harabasz index, IOP Conference Series: Materials Science and Engineering. IOP Publishing, 2019, Vol. 569, pp. 052024.
33. Mokhammad Zh.Kh., Mansur A.M., Kravchenko Yu.A. Perspektivy primeneniya metoda izvlecheniya klyuchevykh fraz FBKE v zadachakh personalizatsii veb-kontenta [Prospects for applying the FBKE keyword extraction method in web content personalization tasks], ХX Vserossiyskaya nauchnaya konfer-entsiya molodykh uchenykh, aspirantov i studentov «Informatsionnye tekhnologii, sistemnyy analiz i up-ravlenie (ITSAU-2022) [XX All-Russian scientific conference of young scientists, graduate students and students "Information technology, systems analysis and management (ITSAU-2022)], Taganrog, 2022, pp. 206.
34. Mokhammad Zh.Kh., Mansur A.M., Kravchenko Yu.A. Modifitsirovannyy metod ustraneniya neodnoz-nachnosti smysla slov, osnovannyy na metodakh raspredelennogo predstavleniya [A modified method for disambiguating word meanings based on distributed representation methods], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2021, No. 3 (220), pp. 92-101.
35. Mokhammad Zh.Kh., Mansur A. Modifitsirovannyy metod ustraneniya semanticheskoy neodnoz-nachnosti slov [A modified method for disambiguating semantic words]. Taganrog, 2022.
