Інформаційна технологія рекомендаційної підтримки прийняття рішень

Abstract

Купрін О.М. Інформаційна технологія рекомендаційної підтримки прийняття рішень. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 «Комп'ютерні науки» – Інститут телекомунікацій і глобального інформаційного простору Національна академія наук України, Київ, 2023. Дисертаційна робота присвячена розробці моделей та методів рекомендаційної підтримки прийняття рішень для збору і обробки інформації із різнорідних джерел з метою створення рекомендації на основі вивчення уподобань споживача. У вступі обґрунтовано актуальність теми, розглянуто зв'язок роботи з науковими темами та актуальним напрямком наукових досліджень, сформульовані мета та задачі дослідження, розкрито наукову новизну та практичну цінність. У першому розділі проведено огляд моделей методів та підходів, що використовуються при розробці інформаційних технологій рекомендаційної підтримки рішень. Виконано загальний огляд рекомендаційних систем та їх видів, включаючи аналіз вмісту, колаборативне фільтрування, гібридні та методи на основі популярності. На цій основі поглиблено досліджені Content-based алгоритми та алгоритми колаборативної фільтрації. Це дозволило краще розуміти принципи формування нових підходів до створення моделей рекомендаційних механізмів та їх алгоритмізацію. В результаті дослідження було зроблено висновок щодо необхідності розробки алгоритму, який комбінуватиме моделі різних типів в рекомендаційних системах гібридного типу на основі вмісту та колаборативного фільтрування. В процесі теоретичного дослідження наукових джерел було виявлено проблему нестабільної продуктивності впроваджених моделей рекомендаційних систем. На основі цього було запропоновано варіанти вирішення цієї проблеми шляхом використання певних визначних факторів, що приваблюють користувача при виборі якогось продукту, але при тому можуть не бути визначальними, щоб остаточно здійснити покупку. У підсумку аналізу теоретичних джерел були запропоновані варіанти вирішення проблем нестабільної продуктивності та вдосконалення роботи неоднорідних моделей відкрили шляхи для подальших досліджень та розвитку в цій області, а також дозволили обрати та довести методику дослідження, що відповідає поставленим задачам, вибрати підходи, методи та засади для вирішення поставлених у роботі задач. У другому розділі проведено дослідження особливостей структурування процесів рекомендаційної підтримки, що базуються на маркерах користувача. Під маркером користувача розуміються певний визначні фактори, які є пріоритетними при виборі окремого продукту споживачем на визначеному відрізку часу. Користувач при виборі продукту має свій особистий інтерес та вирішує певну проблему, яка може бути виражена, як послідовність взаємопов'язаних кроків. Користувач при цьому дбає не стільки про формулювання кінцевого рішення, скільки про те, що пов'язане з цим процесом і у підсумку з нього випливає. Для вирішення проблеми потрібно мати вибір варіантів рішення. Якщо виходити з визначення рекомендаційної системи, то подібні системи є підкласом систем фільтрації інформації, що дозволяють побудувати певний рейтинг за запитами чи уподобаннями. Аналізуючи процеси підтримки прийняття рішень, можна зрозуміти, що в основу покладено наукові методи оцінки результатів праці, поведінки, успішності та ранжування за рядом показників. І саме це є основою для побудови алгоритмів системи рекомендацій. Коли користувач багато працює в мережі Інтернет і переглядає занадто великі обсяги інформації, створюється система з обмеженнями за знаннями і часом. Якщо при цьому приходиться вирішувати велику кількість завдань, то формулюється велика кількість альтернатив, що може призвести до невірного вибору і виникнення критичної ситуації. Тобто, замість пошуку найкращого можливого рішення користувачі повинні перебирати альтернативи тільки до тих пір, поки не виявиться така, яка задовольнить певному прийнятому мінімальному стандарту. Тому на практиці, найчастіше, замість пошуку оптимального рішення користувачі вибирають рішення, яке дозволить зняти проблему. Для виконання задач роботи проведене структурування процесів рекомендаційної системи при різних інтересах користувачів з використанням n-мірних матриць з метою подальшої реалізації алгоритмів за допомогою опенсорсної бібліотеки TensorFlow. Враховано, що алгоритми повинні передбачати реалізацію ситуації за певними маркерами користувача, тобто, ключових ознаках для користувача за якими він приймає рішення, з врахуванням різноманітних змін, обмежень та персональних дій користувача на визначений момент часу. За підсумками викладеного розроблена лінійна модель рекомендацій за декількома маркерами користувача, при якій створено перехід від вирішення задачі за допомогою теорії ігор до алгоритмізації процесів за допомогою оціночної моделі. Проведений розрахунок довів адекватність моделі, побудованої за двома визначеними маркерами користувача. В роботі була досліджена система із стаціонарним станом – технічна систему великих торгівельних майданчиків на Інтернет-платформах (Розетка, Prom, OLX; книжкові магазини: Книгарня «Є», YAKABOO, КСД та інші). Особливістю цих торгівельних майданчиків є те, що за умови реєстрації або ID користувача формується база попередніх переглядів, на основі чого рекомендуються аналогічні або супутні товари. У цьому випадку за матрицею інтенсивності переходів користувача формується вибірка за ключовими ознаками стосовно товару, який цікавив користувача раніше. Тобто, у даному випадку, технічна система має n можливих станів, що реалізуються за матрицею інтенсивностей переходів користувача. Було поставлене завдання знаходження значення деяких змінних, які характеризуватимуть стан системи у певному проміжку часу. На практиці це може проявлятися рекомендацією відвідувачу системи щодо пропозицій товарів та послуг, аналогічних переглянутим раніше. Подібну задачу вирішено методом Рунге-Кутти 4-го порядку для систем диференціальних рівнянь, у яких права частина не залежить від часу. Необхідно чисельно знайти у момент часу t значення перемінних х1, х2,...,хn, що задовольняють деякій системі диференціальних рівнянь при початкових умовах: хi(t=0) = ai (I=1,2,…,n). На цій основі була створена модель та реалізовані алгоритми для побудови переходів при формуванні вибору за маркерами користувача для систем, що знаходяться у стаціонарному стані та таких систем, де рекомендація виступає випадковою подією. Також була представлена методологія розробки алгоритму формування рекомендацій за маркерами користувача, у випадку, коли користувач переглядає занадто великі обсяги інформації і важко визначити пріоритетність маркерів. У такому випадку виникає велика кількість альтернатив, що у підсумку може призвести до помилки. Запропонований підхід до мінімізації такої помилки. У третьому розділі роботи наведені розроблені моделі надання рекомендацій за допомогою правил комп'ютерної логіки. При реалізації інформаційної технології рекомендаційної підтримки прийняття рішень можна розділити процес на окремі кроки: на першому кроці за маркерами користувача збирається і систематизується інформація, на другому кроці формується рекомендація на основі отриманих вибірок щодо уподобань користувача. Тобто, у цьому випадку можна говорити про дискретний алгоритм, що складається з декількох актів, виконання яких не викликає сумніву. А враховуючи те, що такий підхід реалізує принцип створення управляючого пристрою, коли за діями користувача рішення може приймати лише два значення – одиничне (на основі отриманих маркерів користувачу можна надати рекомендацію) та нульове (маркери не орієнтують, що даний продукт може зацікавити користувача, тобто, рекомендацію щодо пропозиції товару чи послуги надати неможливо), наведене можна описати комбінаційною схемою за допомогою правил комп'ютерної логіки. Орієнтуючись на підходи до реалізації задач у вебпрограмуванні, технологію рекомендаційної підтримки, яка на вході має інформацію з різнорідних джерел стосовно поведінки користувача, а на виході – інформацію з рекомендаціями, можна представити у вигляді моделі В.М. Глушкова – сукупності керуючого та операційного автоматів. Можна розглянути поведінку користувача через матрицю, тобто, навести множини продуктів, що будуть суміжними з кожним користувачем та множину користувачів, що суміжні з якимось конкретним продуктом. У цьому випадку поведінку користувача можна розглядати через множини вхідних сигналів, станів, з врахуванням початкового стану та функції переходів між станами, і виходів, які надають результат. Іншими словами, функція переходів показує, що автомат S, перебуваючи в деякому стані аjА, при появі вхідного сигналу хjХ переходить у якийсь стан арА. На цьому базисі розроблено механізм представлення переходів користувача з метою відбору параметрів для надання рекомендацій. Прийнято, що розглядаються кроки у дискретному середовищі, коли за діями користувача рішення може приймати лише два значення – одиничне (на основі отриманих маркерів користувачу можна надати рекомендацію) та нульове (маркери не орієнтують, що даний продукт може зацікавити користувача, тобто, рекомендацію щодо пропозиції товару чи послуги надати неможливо). Деталізовано моделі переходів в рекомендаціях в залежності від зміни уподобань за допомогою створення графів переходів за різними вхідними параметрами, що характеризують дії користувача та використання еквівалентних станів уподобань при формуванні матриць переходів рекомендацій за зміни окремих ознак. Рекомендаційна система, що пропонується до реалізації, має в основі синтез цифрових автоматів. На цій основі розроблено механізм рекомендацій за ознакою структурної повноти. Розроблено механізм формування тригерів для створення рекомендацій за зміни маркерів користувача. Під тригером у дані роботі прийнято стійкий стан рекомендації до зміни ключових ознак на вході системи – маркерів користувача. У підсумку, за наведеним математичним базисом, за допомогою мови Python розроблено рекомендаційну систему. У четвертому розділі роботи представлено опис розробленої інформаційної технології з комбінування методів для побудови рекомендації на основі переваг та відмов користувача. Особливість підходу, що пропонується в роботі, полягає у реалізації такого механізму, який дозволяє вичленовувати та аналізувати маркери споживача навіть у тих випадках, коли користувач переглядав якусь позицію продукту але не вибрав остаточно. Аналіз такої поведінки та використання показників «не вибору» у якості вхідних параметрів у моделі рекомендаційного механізму дозволить розширити можливий спектр рекомендацій за булевим базисом «І-Або-Ні» та «Або-Ні» через асинхронний RS-тригер. На практиці подібне реалізується наступним чином: користувач може мати маркер стосовно гучності музичного твору, тоді базис вибірки чітко буде визначений за тригером «Або-Ні», а може не мати такого маркера, тобто, користувачу байдужа потужність музичного твору, і тоді тригер спрацьовує за базисом «І-Або-Ні». В останньому випадку користувачу будуть рекомендовані твори, що враховують інші маркери користувача. Якщо базис «Або-Ні» відповідає умовам відбору, то користувачу буде надана більш точна рекомендація. В розділі також представлене вирішення задачі логічної еквівалентності в процесі розробки інформаційної технології рекомендаційної підтримки за допомогою підходів, використовуваних в комп'ютерній логіці. Запропонований підхід до мінімізації числа станів. Таке рішення допомагає більш спрощено представити дискретну систему за окремими перевіреними кроками, з контролем щодо виявлення можливих помилок на кожному кроці реалізації у якості вебсервісу. В роботі наведена розроблена реалізована інформаційна технологія рекомендаційної підтримки прийняття рішень у вигляді веб-додатку, яка дозволяє: – автоматизувати збір, обробку й завантаження даних з відкритих і конфіденційних джерел (за умови надання дозволу General Data Protection Regulation (EU GDPR)); – виявити реальні або потенційні рекомендації користувачу на основі спостережень і обробки отриманої інформації з різнорідних джерел на основі визначених маркерів користувача; – формувати внутрішні звіти за результатами аналізу інформації, інформування користувача про проходження процесу аналізу, оперативне інформування про виявлені ситуації щодо неможливості виконання запиту. Результати проведеної роботи впроваджені у діяльність ТОВ «Евергрін Інтерпрайз» у розробці програмного забезпечення, видавництва «Каяла» (м. Київ) для створення нового сайту книжкового Інтернет-магазину з рекомендаційною системою, ПрАТ «Українсько-Польський навчальний заклад «Центрально-Європейський університет» для використання у навчальному процесі.