Анализ и разработка моделей и алгоритмов адаптации и управления навигационной структурой интернет-ресурсов

• Автор: Соколов, Сергей Николаевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Москва
• Количество страниц: 133 с. : ил.

СОДЕРЖАНИЕ

Используемые сокращения

Введение

Глава 1. Исследование проблем и особенностей адаптации Интернет-ресурсов (ИР)

1.1. Классификация и обобщенная структура ИР

1.2. Показатели эффективности использования ИР

1.3. Проблемы использования неадаптивных ИР

1.4. Обзор существующих методов и математического аппарата адаптации ИР

1.5. Постановка задачи диссертационного исследования

Выводы по главе

Глава 2. Анализ и разработка алгоритма адаптации ИР

2.1. Анализ и формализация процесса адаптации ИР
2.2. Разработка математической модели пользователя ИР
2.3. Разработка математической модели процесса адаптации ИР
2.4. Определение показателей эффективности алгоритма адаптации ИР
2.5. Алгоритмизация процесса адаптации ИР
Выводы по главе
Глава 3. Исследование и оценка эффективности алгоритма адаптации ИР
3.1. Выбор методики моделирования поведения пользователей ИР
3.2. Разработка методики оценки алгоритма адаптации ИР
3.3. Верификация алгоритма моделирования поведения пользователей
3.4. Анализ и оценка эффективности работы алгоритма рекомендации
3.5. Исследование ограничений алгоритма адаптации ИР и методика их устранения
Выводы по главе

Глава 4. Программная реализация и верификация алгоритма адаптации ИР
4.1. Структура программных модулей, реализующих алгоритма адаптации ИР
4.2. Определение параметров и планирование экспериментов для оценки эффективности работы алгоритма адаптации ИР
4.3. Экспериментальное исследование алгоритма адаптации ИР
4.4. Анализ результатов экспериментального исследования алгоритма адаптации ИР
Выводы по главе
Заключение
Литература
Приложение 1. Акты внедрения результатов диссертационной работы
Приложение 2. Фрагменты листинга программ некоторых модулей
разработанной системы
Приложение 3. Результаты исследования прогностической силы
алгоритма рекомендации

Используемые сокращения
Сокращение Пояснение
CS-метрики Compact, separated - группа метрик оценки качества кластеризации на основе определения внутренней компактности и удаленности кластеров друг от друга
ЕМ-алгоритм Expectation maximization - алгоритм нахождения оценок максимального правдоподобия
ER-диаграмма Entity-Relationship - диаграмма сущность-связь
HTML HyperText Markup Language - язык разметки гипертекста
IDE Integrated Development Environment - интегрированная среда разработки программного обеспечения
MCS Maximum Common Subgraph - максимальный общий подграф
ROC-анализ Receiver operating characteristic — анализ операционных характеристик приемника
SOAP Simple Object Access Protocol — Протокол обмена сообщениями в распределенной вычислительной среде
UML-диаграмма Unified Modeling Language — диаграмма, созданная при помощи унифицированного языка моделирования
URI Uniform Resource Identifier — единообразный идентификатор ресурса
БД База данных
ЖЦ Жизненный цикл
ИР Интернет-ресурс
ИТ Информационная технология
КАИР Комплекс адаптации Интернет-ресурсов
ПС Программное средство
СУБД Система управления базами данных
ЭВМ Электронная вычислительная машина

методы, основанные на сетях Байеса [54, 55], нечеткой логике и теории Демпстера-Шаффера [56].
Индуктивные методы — это методы, основанные на самообучении. В случае индуктивных методов модель пользователя представляет собой не иерархическую, а плоскую структуру, которая прежде всего должна отражать предпочтения и интересы пользователя. Модель пользователя для этого типа анализа часто именуют профилем интересов пользователя [47]. На основе данных профиля производят различного рода рекомендации или фильтрацию.
Приведем пример использования подобного профиля. Пусть
пользователь электронной библиотеки технической литературы может указывать в настройках своей учетной записи интересующие его дисциплины. Тогда разумно предположить, что книги, которые
соответствуют данным дисциплинам, являются более интересными для
пользователя, чем другие. Поэтому, производя сравнение по всем дисциплинам для всех книг библиотеки, можно создать рейтинг
релевантности книг для каждого пользователя.
Существует несколько способов работы с профилями интересов. На ранних этапах широко использовались методы, основанные на применении нейронных сетей. Например, в [57] нейронная сеть использовалась для рекомендации пользователям новостных статей. Во время периода тренировки нейронной сети пользователь маркировал статью, как интересную или неинтересную для него. Для каждого значимого слова статьи, появлявшегося как минимум два раза, создавался узел в нейронной сети. Между узлами сети, представляющими слова одной статьи, устанавливались связи. Весам связей между узлами присваивались значения, соответствующие частоте появления каждой пары слов в рамках статьи. После завершения тренировки в нейронную сеть подавали новую статью для анализа и измерялись выходные значения сети. На основе выходных значений делался вывод, интересна ли будет статья пользователю или нет.