Дипломная работа: Проектирование информационной системы подбора курсов профессиональной переподготовки

Таблица 2.2. Объектные свойства онтологии «Электронное обучение» Сост. по источнику: Балашова И. Ю. Построение и исследование предметной онтологии электронного обучения // Программные продукты и системы. - 2014. - №3 (107). - С. 30.

А в работе А.В. Маликова [14] описывается модель дистанционного образования, состоящей из трех моделей: модель предметной области, модель пользователя и модель обучения. Модель предметной области представляет собой описание концептов, которые изучаются в процессе обучения, с использованием онтологий (рис. 2.3).

Рис. 2.3. Пример онтологии предметной области «Информатика» Сост. по источнику: Маликов А. В. Модель системы дистанционного образования, основанная на онтологии предметных областей курсов обучения / А. В. Маликов, А. С. Целиковский // Образовательные технологии и общество. - 2011. - №3. - С. 389.

При описании онтологии в концептах используются различные виды отношений, которые позволяют выстраивать логические цепочки изучения для единого представления предметной области.

Модель пользователя используется для адаптации системы обучения. Модель содержит статическую информацию (например, регистрационные данные) и динамическую, которая меняется в процессе обучения (например, знания о предметной области).

Содержание курсов, определенной предметной области, описывается в модели обучения. Используя эти модели, выполняется подбор наиболее подходящих курсов в зависимости от целей обучения пользователя и его знаний.

При решении задач поиска информации онтология представляет собой базу знаний, которая включает не только описание предметной области, но и описание самих источников информации. Например, в работе Е.В. Смирновой [21] онтология предметной области дополнена, используемыми в процессе обучения онтологиями: онтология учебной программы, онтология задач обучения и онтология для оценки качества учебных пособий. Таким образом, можно сделать вывод об универсальности использовании онтологического подхода для описания различных областей знаний.

Исходя из задач, решаемых в данной работе, при проектировании базы знаний воспользуемся подходом, предложенным в работе И.М. Шаляевой [29] при поиске и извлечении информации из Интернет, который основан на использовании в качестве базы знаний трех онтологий: онтология предметной области, онтология источников информации и онтология, извлекаемых структур данных (рис. 2.4). Так как вместо средств анализа процессов в проектируемой ИС будет использоваться рекомендательная система, то онтология извлекаемых структур данных, будет заменена онтологией профиля пользователя.

Рис. 2.4. База знаний онтологической системы мониторинга глобальных процессов на основе Интернет-новостей Сост. по источнику: Shalyaeva I. Ontology-Driven System for Monitoring Global Processes on Basis of Internet News / I. Shalyaeva, V. Lanin, L. Lyadova // 11th IEEE International Conference on Application of Information and Communication Technologies (AICT): Conference Proceedings (Vol.2) Vol. 2. M.: Institute of Electrical and Electronics Engineers Inc., 2017. - P. 387.

2.2 Использование рекомендательной системы в качестве модуля проектируемой ИС

Одним из способов повышения эффективности работы с Интернет_ресурсами является использование сервисов, предоставляемых различными системами подготовки рекомендаций [8].

Под рекомендательной системой понимается компьютерная программа, которая на основе информации о пользователе, желающем произвести выбор, и объектах выбора строит конкретные рекомендации [6]. Благодаря чему достигается ограничение количества Интернет-ресурсов, и перед пользователем появляются только «оптимальные» с точки зрения системы варианты.

Из многообразия рекомендательных систем можно выделить:

1. Рекомендательные системы, основанные на контенте (content-based) (рис. 2.5), не зависят от информации о предшествующем поведении пользователей, но нуждаются в данных об объектах для формирования рекомендаций, а корректность информации напрямую влияет на качество результатах [6].

2. Рекомендательные системы, построенные на алгоритме коллаборативной фильтрации (рис. 2.5): предпочтения пользователя генерируются на основании схожести интересов с другими пользовательских профилей. Алгоритм коллаборативной фильтрации обладает гибкостью и показывает хорошие результаты во многих областях, однако он имеет ряд недостатков, таких как проблема холодного старта (необходимость накопления начальной базы оценок для получения рекомендаций) и разреженность матрицы рейтингов [6].

3. Гибридные рекомендательные системы представляют собой комбинацию систем, основанных на контенте, и систем с коллаборативной фильтрацией, что позволяет повысить точность рекомендаций. В последнее время данный вид рекомендательных систем получил широкое распространение.

Рис. 2.5. Примеры рекомендаций, основанных на коллаборативной фильтрации и на контенте Сост. по источнику: Calderon P. An Overview of Recommendation Systems // Data meets media [Электронный ресурс] - URL: http://datameetsmedia.com/an-overview-of-recommendation-systems (дата обращения: 02.05.2019).

При рассмотрении рекомендательных систем с точки зрения их архитектуры можно выделить:

- рекомендательные системы, разработанные для применения в конкретной предметной области;

- рекомендательные системы, которые настраиваются под предметную область и выступают в роли самостоятельного модуля;

- фреймворки, содержащие функции для разработки рекомендательной системы;

- исследовательские прототипы.

Сравнительный анализ вышеперечисленных систем был проведен в работе К.М. Мальковой [15] (табл. 2.3).

Таблица 2.3. Сравнение существующих решений Сост. по источнику: Малькова К. М. Разработка рекомендательной системы: реализация микросервисов для автоматической обработки и интеллектуального анализа данных: Выпускная квалификационная работа. НИУ ВШЭ, Пермь, 2017

На основании данного анализа наиболее подходящим вариантом решения задач данной работы, таких как предоставление рекомендаций пользователю, а также возможности внедрения системы в собственный проект в качестве модуля, можно выделить универсальную систему ActionML. С другой стороны из-за отсутствия графического интерфейса у ActionML, а также потребности в перенастройке под различные системы, так как модуль должен быть настроен на использование в конкретной системе, то целесообразно разработать свой рекомендательный модуль для решения поставленных задач.

2.3 Профиль пользователя в рекомендательных системах

Для выработки качественных рекомендаций, учитывающих потребности пользователей и их интересы, предлагается использовать профиль пользователя.

Профиль пользователя может формироваться как на основе просмотра им Интернет-ресурсов по курсам профессиональной переподготовки, так заполнением личных предпочтений. Используя профиль пользователя и схожие с ним профили других пользователей, система генерирует рекомендации.

Например, подход схожести профилей пользователей используется при рекомендации кинофильмов на сайте IMBd.com, выборе товаров на сайте Amazon.com или выборе музыки в приложении Яндекс.Музыка.

Для решения проблемы «холодного старта» некоторые рекомендательные системы используют опрос нового пользователя и в дальнейшем опираются на оценки пользователя [3]. Например, рекомендательная система Surfingbird.

Также для решения данной проблемы всё чаще рекомендательные системы используют уже созданные профили пользователей, например из социальных сетей таких как «ВКонтакте», Fasebook, Instagram. Например, в статье Авхадеева Б. Р. [3] спроектирована и разработана рекомендательная система, обеспечивающая анализ интересов и предоставление рекомендаций пользователям социальной сети «ВКонтакте» на основе данных из профиля конкретного пользователя. Данная система автоматизирует веб-серфинг и фильтрацию контента, используя профиль в социальной сети «ВКонтакте», который содержит: персональную информацию, которая заполняется самостоятельно пользователем, список друзей, сообществ, подписок, которые формируются в процессе активности пользователя, мета-контент.

Для формализации профиля пользователя в современных рекомендательных системах всё чаще используется онтологический подход. В работе [28] представлена онтология для описания профиля пользователя, ориентированного на учебную деятельность. Основное внимание в онтологии уделяется статическому и динамическому профилю пользователя. Статический профиль содержит информацию, предоставленную пользователем в виде личных и профессиональных данных, интересов, биографических данных. Динамический профиль состоит из информации, полученной в результате его взаимодействия с сообществом на всех уровнях знаний, таких как файлы, публикации и др. На рисунке 2.6 показаны основные классы понятий, определенные как ссылки в онтологии профиля пользователя.

Рис. 2.6. Онтология профиля пользователя Сост. по источнику: Ribeiro A. Towards ontological profiles in communities of practice [Электронный ресурс]. URL: - https://www.researchgate.net/publication/236669547_Towards_ontological_profiles_in_communities_of_practice' (дата обращения: 02.05.2019).

Профиль пользователя содержит: идентичность, взаимодействия, интересы, роли и навыки (табл. 2.4). В статическом контексте все эти понятия будут сообщены пользователем. В динамическом контексте информация может быть получена из взаимодействий с членами сообществ, а также из взаимодействий с инструментами в сообществе.

Благодаря тому, что онтологический подход позволяет использовать повторно онтологию и предоставляет гибкие инструменты для ее изменения, то описанную онтологию профиля пользователя [28] можно использовать в качестве основы при построении онтологии профиля пользователя в данной работе.