Найти

Результаты поиска

• МЕТОД ПОИСКА ПОСЛЕДОВАТЕЛЬНЫХ ПАТТЕРНОВ ПОВЕДЕНИЯ ПОЛЬЗОВАТЕЛЕЙ В ИНТЕРНЕТ-ПРОСТРАНСТВЕ

  В.В. Курейчик, В.В. Бова, Ю.А. Кравченко

  2020-11-22

  Аннотация ▼

  Одной из важных задач интеллектуального анализа данных является выделение зако-
  номерностей и обнаружение связанных событий в последовательных данных на основе
  анализа последовательных паттернов. В статье исследуются возможность применения
  последовательных паттернов для анализа событий поисково-познавательной деятельно-
  сти пользователей при взаимодействии с Интернет-ресурсами открытой информационно-
  образовательной среды. Поиск последовательных паттернов является сложной вычисли-
  тельной задачей, цель которой состоит в извлечении всех частых последовательностей,
  отражающих потенциальные связи внутри элементов из транзакционной базы данных
  последовательностей событий поисковой активности при заданной минимальной под-
  держке. Для ее решения в статье предлагается метод поиска закономерностей в последо-
  вательностях событий для обнаружения скрытых закономерностей, указывающих с воз-
  можные уровни уязвимости при выполнении задач информационного поиска в Интернет-
  пространстве. Описана математическая модель поведения пользователей в поисковой
  сессии, основанная на теории последовательных паттернов. Для повышения вычислитель-
  ной эффективности метода разработан модифицированный алгоритм генерации последо-
  вательных паттернов, на первом этапе которого выполняется AprioriAll, формирующий
  частые последовательности-кандидаты всевозможных длин, а на втором - генетический
  алгоритм оптимизации входных параметров признакового пространства сгенерированного
  множества для поиска максимальных паттернов. Проведены серии вычислительных экс-
  периментов на тестовых данных корпуса MSNBC, библиотеки интеллектуального анализа
  данных с открытым исходным кодом SPMF. Сравнительной анализ проводился с алгорит-
  мами VMSP и GSP. Результаты исследований подтвердили эффективность поиска макси-
  мальных последовательных паттернов предложенным алгоритмом с точки зрения времени
  выполнения и количества извлеченных паттернов. Результаты проведенных эксперимен-
  тальных исследований метода показали, что для увеличения стабильности и точности
  работы размер выборки, полученной в результате работы ГА, позволит сократить необ-
  ходимое число сканирований базы данных паттернов, обеспечивая приемлемые вычисли-
  тельные затраты, сопоставимые с алгоритмом VMSP и превосходящий по времени поиска
  последовательных паттернов алгоритм GSP в среднем более чем на 150%.

• РАЗРАБОТКА АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОГО СЕРВИСА ПОИСКА И МОНИТОРИНГА ИНФОРМАЦИИ

  М. С. Анферова, А.М. Белевцев

  2021-08-11

  Аннотация ▼

  Описана проблема стратегического анализа и выбора направлений развития инноваци-
  онного предприятия в условиях перехода к 6 технологическому укладу и индустрии 4.0. В дан-
  ных условиях поисково-аналитическая обработка информации не может быть полноценно
  выполнена без применения автоматизированных информационно-аналитических систем, в
  том числе и на базе искусственного интеллекта. В ходе анализа были определены основные
  приоритетные функции, которые должны обеспечивать разрабатываемые сервисы. Обо-
  значены основные трудности при разработке данных сервисов, такие как: предварительная
  обработка данных и автоматизированная проверка актуальности баз данных. Для эффек-
  тивного решения поставленных задач сервис интеллектуального мониторинга и поиска ин-
  формации должен использовать комплексный подход с учетом эффективности применения
  методов для отдельных подзадач, обеспечивать высокую эффективность реализации всех
  этапов процедуры интеллектуального мониторинга. В связи с этим в данной работе описы-
  вается не только разработка общего интеллектуального поискового алгоритма, но и от-
  дельные блок-алгоритмы, необходимые для обеспечения приоритетных функций разрабаты-
  ваемого сервиса. В работе представлены следующие алгоритмы: алгоритм информационного
  поиска, необходимый для решения задачи полнотекстового поиска документов в пределах
  базы информационных ресурсов информационно-аналитического комплекса; алгоритм про-
  цедуры внесения новых документов; алгоритм предварительной обработки данных, выклю-
  чающий в себя стемминг и удаление знаков препинания для последующего анализа текста;
  алгоритм оценки ранжирования и релевантности информации, включающий в себя вектори-
  зацию документов; алгоритм кластеризации результатов поиска информации на основе ней-
  ронной сети Кохонена; алгоритм проверки актуальности информации -проверка соответст-
  вия локальной копии документа актуальной версии на веб-ресурсе источника. Предложен и
  обоснован язык программирования Python для реализации представленного алгоритма. Сис-
  тема обеспечивает автоматизированный непрерывный мониторинг с высокой периодично-
  стью отправки запроса без участия оператора, что повысит качество и эффективность
  информационного поиска в условиях большого объёма неструктурированной информации

• АНАЛИЗ ТРЕБОВАНИЙ И РАЗРАБОТКА АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНЫХ СЕРВИСОВ МОНИТОРИНГА

  М.С. Анферова , А.М. Белевцев

  2022-08-09

  Аннотация ▼

  Рассмотрены проблемы стратегического анализа и выбора направлений развития инно-
  вационных предприятий в условиях перехода к 6 технологическому укладу и индустрии 4.0. Оп-
  ределены основные уровни анализа. Обозначены цели стратегического анализа исходя из мас-
  штаба проводимого исследования. Выделены задачи анализа, решение которых позволит дос-
  тичь поставленных целей. Показана сложность решения задач глобального мониторинга, ко-
  торые обусловлены большим объемом разнородной и неструктурированной информации.
  В этих условиях тематический поиск и аналитическая обработка информации не могут быть
  выполнены без применения автоматизированных информационно-аналитических систем и соз-
  дания поисковых сервисов на базе искусственного интеллекта. Предложена общая процедура
  мониторинга. Определены основные этапы мониторинга технологических трендов, показаны
  задачи, решаемые в рамках конкретного этапа и планируемый результат. На основе общей
  процедуры мониторинга определены основные приоритетные функции, которыми должны
  обладать разрабатываемые сервисы. А также проблемы их разработки и структуризация
  полученной информации в виде информационных объектов и кластеризация документов. В от-
  личие от известных систем глобального мониторинга, в которых поиск основан на индикато-
  рах: рост использования ключевых слов, увеличение численности новых авторов, цитирование
  работ из смежных областей. Предложены алгоритмы, обеспечивающие определение опорных
  тем, оценку ранжирования и релевантности информации. Дано описание работы алгоритмов
  на примере создания сводной информационной таблицы, с помощью которой происходит фор-
  мирование взаимосвязей документов научно-технологического развития по заданному направ-
  лению мониторинга и поиск конкретных документов в базе данных. Построение поисковых
  сервисов на основе представленных алгоритмов обеспечит выделение опорных тем докумен-
  тов, предоставит более достоверные результаты кластеризации неструктурированной ин-
  формации и формирования научно-технологических трендов, в информационно-аналитических
  комплексах. Для реализации алгоритма предлагается использовать язык программирования
  Python. Внедрение данных алгоритмов повысит качество и эффективность информационного
  поиска в условиях большого объёма неструктурированной информации.

• ЭВОЛЮЦИОННЫЙ ПОПУЛЯЦИОННЫЙ МЕТОД РЕШЕНИЯ ТРАНСПОРТНОЙ ЗАДАЧИ

  Б.К. Лебедев , О.Б. Лебедев , Е.О. Лебедева

  2022-11-01

  Аннотация ▼

  Рассматривается эволюционный популяционный метод решения транспортной за-
  дачи на основе метаэвристики кристаллизации россыпи альтернатив. Исследуется за-
  крытая (или сбалансированная) модель транспортной задачи: сумма груза у поставщиков
  равно общей сумме потребностей в пунктах назначения. Цель оптимизации – минимизация
  стоимости (достижение минимума затрат на перевозку) или расстояний и критерий вре-
  мени (затрачивается минимум времени на перевозку). В основу метаэвристики кристалли-
  зации россыпи альтернатив положена стратегия, основанная на запоминании и повторе-
  нии прошлых успехов. Стратегия делает упор на «коллективную память», под которой
  подразумевается любой вид информации, которая отражает прошлую историю развития
  и хранится независимо от индивидуумов. В качестве кода решения транспортной задачи
  рассматривается упорядоченная последовательность Dk маршрутов. Объектами являют-
  ся маршруты, альтернативами – множество позиций P в списке, где np – число позиций в
  списке Dк. Множество объектов Dк соответствует множеству всех маршрутов. Множе-
  ство альтернативных состояний P объекта соответствует множеству альтернативных
  вариантов размещения объекта списке Dк. Работа популяционного эволюционного алго-
  ритма кристаллизации россыпи альтернатив опирается на коллективную эволюционную
  память, называемую россыпью альтернатив. Под россыпью альтернатив решения в рабо-
  те называется структура данных, используемая в качестве коллективной эволюционной
  памяти, несущая информацию о решении, включающую сведения о реализованных альтер-
  нативах агентов в данном решении и о полезности решения. Разработан конструктивный
  алгоритм формирования опорного плана путем декодирования списка Dк. На каждом шаге
  t решается задача выбора очередного в последовательности Dк маршрута и определения
  количества груза, перевозимого из пункта отправления Ai в пункт назначения Bj по этому
  маршруту. Разработанный алгоритм является популяционным, реализующим стратегию
  случайного направленного поиска. Каждый агент является кодом некоторого решения
  транспортной задачи. На первом этапе каждой итерации l конструктивным алгоритмом
  на базе интегральной россыпи альтернатив формируется nk кодов решений
  Dk.Формирование каждого кода решения Dk выполняется последовательно по шагам путем
  последовательного выбора объекта и позиции. Для построенного кода решения Dk рассчи-
  тывается оценка решения ξk и оценка полезности δk. Формируется индивидуальная рос-
  сыпь альтернатив Rk и переход к построению следующего кода решения.
  На втором этапе итерации производится суммирования интегральной россыпи альтерна-
  тив, сформированной на предыдущих итерациях от l до (l-1), cо всеми индивидуальными
  россыпями альтернатив, сформированных на итерации l. На третьем этапе итерации l
  производится снижение всех интегральных оценок полезности r*αβ интегральной россыпи
  альтернатив R*(l) на величину δ*. Алгоритм решения транспортной задачи был реализован
  на языке С++ в среде Windows. Сравнение значений критерия, на тестовых примерах, сизвестным оптимумом показало, что у 90% примеров полученное решение было оптималь-
  ным, у 2% примеров решения были на 5% хуже, а у 8% примеров решения отличались ме-
  нее, чем на 2%. Временная сложность алгоритма, полученная экспериментальным путем,
  лежит в пределах О(n2).