Програмна реалізація інтелектуальної системи для вирішення проблеми "холодного старту"

Оскільки система являє собою вебсайт, користувачу не потрібно здійснювати додаткове розгортання системи, оскільки сам вебсайт міститься на хостингу разом із базою даних. База даних складається із кількох таблиць, пов'язаних відповідними відношенням. Варто зазначити, що для роботи системи необхідне інтернет-з'єднання, однак у разі тимчасового переривання цього з'єднання передбачено механізми локального збереження даних, з метою подальшого їх передавання після відновлення зв'язку із системою. Функціональне призначення системи полягає в підбиранні спо рядження із застосуванням інтелектуальних засобів у поєднанні із класичними засобами реко мендацій. Окрім цього, користувачі матимуть змогу налаштовувати власні параметри, а тим користувачам, які з певних причин не бажатимуть проходити реєстрацію або ж заповнювати деталізовано пошукові фільтри, буде надано можливість пошуку спорядження у спрощеному алго ритмі, за допомогою вбудованої пошукової системи. Важлива взаємодія користувача із системою. У цьому випадку людина, користуючись системою, не бачитиме критичних візуальних відмінностей між типовими інтерфейсами і протоколами пошуку і підбору. Система побудована так, щоб мінімізувати кількість дій і зробити її максимально простою для будь-якого типу користувача. Загалом структуру проєкту можна описати двома способами - логічно або файлово. Для кращого розуміння принципу функціонування розглянемо обидва.

Логічну структуру кожної інформаційної системи можна подати відповідно до чотирьох основних моделей: лінійної моделі, моделі “ґрати”, деревоподібної моделі та “павутини”. Варто зазначити, що існують додаткові комбінації на базі основних моделей, які надають змогу реалізувати будь-яку логічну структуру сайта. Оскільки, як зазначено вище, інтелектуальна інформаційна система доволі складна, зважаючи на її комбінацію алгоритмів, а розроблення такого ресурсу - клопітка робота, наявність оптимальної структури зведе до мінімуму можливість технічних помилок. Це стосується як помилок у коді, так і наявності або відсутності окремих сторінок і матеріалів на них. З огляду на ці фактори, ми вибрали логічну деревоподібну структуру. Логічна деревоподібна структура - найпопулярніша модель організації системи. Така структура дає змогу користувачам системи за бажанням керувати глибиною відвідування системи. Користувачі мають змогу входити тільки на сторінки найвищих рівнів або ж “спускатись” до нижчих. Наявні можливості вибору залежать від “ширини дерева”. Якщо користувачам для досягнення поставленої кінцевої мети необхідна занадто велика кількість клацань миші, то структура ієрархії системи може виявитися у цьому випадку занадто вузькою. Користувачів дратуватиме нескінченне “клацання”, оскільки їхні дії не даватимуть очікуваних результатів. Водночас дуже широке “дерево”, яке ґрунтується на доволі великій кількості варіантів вибору, змусить користувачів системи витратити чимало часу на вивчення різних варіантів. Це також не дасть позитивних результатів.

Зважаючи на ці фактори логічної структури системи, ми прагнули забезпечити оптимальний рівень глибини і ширини. Графічне зображення логічної деревоподібної структури системи подано на рис. 14.

Рис. 14. Логічна структура проєкту

Цей принцип дасть змогу зробити систему максимально швидкодіючою, наскільки це можливо, з мінімальною кількістю протоколів. Розроблена інтелектуальна інформаційна система являє собою набір компонентів та засобів, які формують чітку структуру та ієрархію. Більшість засобів відповідно до визначеної архітектури функціонують через середовище браузера, а наявні компоненти системи складаються із власне самої системи та бази даних.

Рис. 15. Файлова структура проекту

Структура проєкту складається із кількох підкаталогів та компонентів, які відповідають за відображення інтерфейсу користувача, розрахунки та весь функціонал. Основні підкаталоги:

Images. Цей каталог містить зображення для ілюстрацій та побудови інтерфейсу, окрім

цього, набір спрайтів іконок, необхідних для роботи;

Src. Каталог містить файли із вихідним кодом програми;

Node_modules. Каталог, в якому містяться всі модулі, необхідні для взаємодії елементів системи та її розгортання;

Components. У цей каталог входять підкаталоги, що містять усі компоненти системи, а також UI бібліотека із стилістикою системи;

Scss. У цьому каталозі містяться всі змінні, що відповідають за візуальну стилістику

системи, міксіни, базове скидання стилів, а також використовувані шрифти.

З метою зберігання інформації про товари, користувача та його активність, а також роботу системи спроєктовано базу даних. Принцип застосування бази даних полягає у її розміщенні на сервері. За необхідності за допомогою запитів система на стороні клієнта матиме можливість зв'язуватись з нею, її не потрібно розгортати на кожному пристрої користувача, що було б абсолютно недоцільним з погляду продуктивності та безпеки. У самій базі даних є кілька таблиць, які пов'язані відповідними зв'язками. Колонки в базі даних містять відповідну назву поля і його тип, відповідно вмістом поля може бути як конкретне значення, так і дані з іншої таблиці. Опишемо детальніше БД. Одна з основних таблиць в базі даних - таблиця “User”, яка містить всю наявну інформацію про певного користувача. За допомогою даних таблиці система може здійснювати ідентифікацію користувача та моніторити його активність у системі. Таблиця містить такі атрибути:

id(uniqueidentifier) - ідентифікатор користувача;

firstName(varchar) - ім'я користувача;

lastNname(varchar) - прізвище користувача;

password(varchar) - пароль користувача;

email(varchar) - електронну пошту для надсилання листів;

createdAt(datetime) - дату реєстрації.

Наступна таблиця - “SessionsUser” - містить інформацію про сесію, яку веде поточний користувач. Ця таблиця допомагає в аналізі користувача, його кластеризації, а також у розумінні потреб користувачів та визначенні способів модернізації системи. Таблиця містить такі атрибути:

id(uniqueidentifier) - ідентифікатор сесії;

userld(uniqueidentifier) - ідентифікатор користувача;

status(int) - статус роботи;

generalClick(int) - кількість кліків під час роботи;

generalBought(int) - кількість придбаних товарів;

location(geography) - локація користувача;

createdAt(datetime) - дата початку сесії;

timeSpended(int) - час роботи сесії.

Кожен користувач матиме змогу сформувати декілька шаблонів підкористувачів (легенд), створена таблиця “Legends” міститиме інформацію про налаштування підкористувача та його основні відомості. Таблиця містить такі атрибути:

id(uniqueidentifier) - ідентифікатор підкористувача;

userld(uniqueidentifier) - ідентифікатор користувача;

name(varchar) - ім'я підкористувача;

type(varchar) - тип підкористувача;

clusterType(int) - тип кластера підкористувача;

height (float) - висота;

chestGirth(float) - окружність грудей;

waistCircumference(float) - окружність талії;

sleeveLength(float) - довжина рукава;

lengthFromWtoH(float) - довжина від талії до п'яти;

footSize(float) - розмір ноги;

palmCircumference(float) - окружність долоні;

headCircumference(float) - окружність голови.

Оскільки система не просто підбирає товари, але і надає змогу їх придбати, відповідно необхідна таблиця “Orders” для їх оформлення та зберігання, якщо потрібно переглянути історію замовлень. Таблиця містить такі атрибути:

id(uniqueidentifier) - ідентифікатор замовлення;

legendld(uniqueidentifier) - ідентифікатор підкористувача;

goodld(uniqueidentifier) - ідентифікатор товару;

data(datetime) - дата купівлі;

totalPrice(float) - загальна ціна;

receiptPlace(varchar) - місце доставки;

generalBoughtPerOrder(int) - кількість товарів.

Для моніторингу дій доцільно здійснювати аналіз не загального користувача акаунту, а підкористувачів, оскільки у кожного із них різні вимоги та параметри. Для цього передбачено таблицю “SessionsLegend”, яка містить такі атрибути:

id(uniqueidentifier) - ідентифікатор сесії підкористувача;

legendld(uniqueidentifier) - ідентифікатор підкористувача;

generalClick(int) - кількість кліків під час роботи;

generalBoughtPerSession(int) - кількість придбаних товарів;

createdAt(datetime) - дата початку сесії;

timeSpended(time) - час роботи сесії.

Із урахуванням сесій підкористувача здійснюються постійний моніторинг, збирання, аналіз та підсумовування інформації, а тому необхідна таблиця “Result”, яка міститиме відповідні дані, до яких будуть повторно за необхідності звертатись модулі. Таблиця містить такі атрибути:

id(uniqueidentifier) - ідентифікатор поточного збирання даних;

sessionLegendld(uniqueidentifier) - ідентифікатор сесії підкористувача;

klusterType (float) - тип кластера підкористувача;

priorityEquipment(float) - тип спорядження підкористувача;

priorityVector(float) - пріоритет для підкористувача.

Останньою є таблиця “Catalog”, яка необхідна для збереження інформації про товари і містить такі атрибути:

id(uniqueidentifier) - ідентифікатор товару;

name(varchar) - ім'я товару;

description(varchar) - опис товару;

code(varchar) - код товару;

type(varchar) - тип товару;

quantity(int) - кількість товару;

rating(float) - рейтинг товару;

generalClick(int) - кількість кліків;

generalSold(int) - кількість проданих товарів.

Графічне зображення ER-діаграми бази даних подано на рис. 16.

Рис. 16. Схема бази даних системи

Завершивши розроблення, ми порівняли ефективність роботи створеної інтелектуальної інформаційної системи із аналогічними базовими системами, що ґрунтуються на стандартних алгоритмах роботи. Результати наведено на рис. 17. Графік отриманих результатів оснований на відношенні кількості переходів до кількості показів рекомендованого товару.

Варто зазначити, що важливим фактором впливу на роботу та подальші результати системи були також реалізований інтерфейс та концепція початку роботи із системою для усунення поширених проблем. Разом з цим, порівняння ефективності не здійснювалось в умовах “холодного старту”, а реалізовано з моделюванням довготривалої роботи системи.

Рис. 17. Порівняння ефективності роботи системи

Висновок

В ході виконання роботи визначено основну мету реалізації інтелектуальної інформаційної системи підбору спорядження для силових структур, її новизну, актуальність та практичну цінність. У результаті реалізації створено типову інтелектуальну інформаційну систему, що являє собою SPA застосунок, із БД та AI частиною, яка відповідає за інтелектуальну складову.

Особливу увагу звернено на аналіз безпосередньо інтелектуальних інформаційних систем, їх архітектури та ускладнень, що можуть виникати під час їхньої реалізації. Під час проєктування системи необхідно враховувати безліч чинників. На основі аналізу актуальних статей, наукових робіт та інших літературних джерел в міжнародному і національному сегментах ми визначили вимоги, типові проблеми та способи ефективної роботи системи, які надалі враховували під час проєктування інтелектуальної інформаційної системи. Окрім цього, з метою визначення більшої кількості вимог, проаналізовано схожі за призначенням та функціональністю системи та виділено їхні переваги і недоліки, які допоможуть краще спроєктувати власну інтелектуальну інформаційну систему. Виконано системний аналіз інтелектуальної інформаційної системи підбору товарів для силових структур. Цей аналіз охоплював першочергово побудову дерева цілей системи, визначення основних підцілей та критерії до системи, основного призначення системи, її середовища та місця використання, а також очікуваних ефектів від її реалізації та впровадження. З метою ефективного визначення архітектури системи і подальших деталей щодо її реалізації, реалізовано метод МАІ для заздалегідь визначених концепцій систем, які доцільно проаналізувати, із урахуванням попередніх вимог. На основі отриманих результатів здійснено побудову необхідних UML діаграм, які уможливлюють детальний аналіз структури системи, її поведінки під час роботи та взаємодії між елеме нтами системи. Подано детальний опис кожної зі створених діаграм і відповідні коментарі. Здійснено детальний аналіз та обґрунтування методів і засобів, необхідних для реалізації інтелектуальної інформаційної системи, що могли б дати змогу виконати поставлені завдання та відповідати визначеним вимогам. Вибрані методи і засоби дають можливість реалізувати систему максимально ефективно, це виявляється у її швидкодії, потенціалі щодо масштабованості та відносній простоті роботи з нею. Окрім цього, за допомогою визначених засобів, система має змогу реалізовувати зручні інтерфейси користувача, легко взаємодіяти як із клієнтом, так із сервером, повністю використовувати всі наявні методи щодо реалізації AI модулів чи баз даних. Варто зауважити, що вибір всіх методів та засобів реалізації ґрунтувався на попередньому аналізуванні актуальних наукових досліджень і проблем, а також на технічних висновках щодо доцільності взаємодії кожного із засобів чи методів у системі.

Наведено детальний опис створеної інтелектуальної інформаційної системи підбору спорядження для силових структур. Відповідно до попередніх вимог та архітектури, система являє собою SPA сайт, якій містить БД для зберігання всієї необхідної інформації, а також AI частину для реалізації інтелектуальної складової системи. Окрім цього, здійснено опис як логічної, так і файлової структури, структури бази, типів даних у робочих формах, а також вказано функціональне призначення системи. З метою надання детальної інструкції для користувача наведено описання типового алгоритму дій для нового користувача, із всіма вимогами щодо роботи із системою, здійснено аналіз інтерфейсу та зручності його використання. Для детальної перевірки роботи здійснено тестування та налагодження системи, а також аналіз контрольного прикладу, в якому продемонстровано результати роботи інтелектуальної інформаційної системи підбору спорядження для силових структур. Реалізована інтелектуальна інформаційна системи, як і всі інші новостворені системи, потребує подальшого тестування із більшою кількістю користувачів, щоб виявити можливі помилки чи способи оптимізації роботи.

У результаті дослідження описано та змодельовано один із підходів до побудови інте лектуальної інформаційної системи на основі рекомендації товарів користувачам із вирішенням проблеми “холодного старту”. У дослідженні враховано переваги та недоліки методів під час їх комбінування, а також їх сумісність, що є важливим фактором для швидкодії системи та ефективності роботи алгоритму. За результатами аналізу виконано практичне порівняння ефективності роботи системи із базовим підходом до вирішення проблеми та гібридним. Подальші дослідження будуть спрямовані на удосконалення алгоритму та створення інтелектуальної інформаційної системи із реалізацією підходів, визначених у результаті досліджень.

Список літератури

1. Grosan C., Abraham A. (2011). Intelligent systems, Vol. 17, 261-268.

2. Ferre S., Ridoux O. (2004). Introduction to logical information systems. Information Processing & Management, 40(3), 383-419.

3. Injadat M., Moubayed A., Nassif A.B. et al. (2021). Machine learning towards intelligent systems: applications, challenges, and opportunities. Artif. Intell. Rev., 54, 3299-3348.

4. Bobadilla J., Ortega F., Hernando A., Bernal J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-based systems, 26, 225-238.

5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert systems with applications, 41(4), 2065-2073.

6. Vrontis D., Christofi M., Pereira V., Tarba S., Makrides A., Trichina E. (2022). Artificial intelligence, robotics, advanced technologies and human resource management: a systematic review. The International Journal of Human Resource Management, 33(6), 1237-1266.

7. Yadav N., Mundotiya R.K., Singh A.K., Pal S. (2021). Diversity in Recommendation System: A Cluster Based Approach. Advances in Intelligent Systems and Computing, Vol. 1179.

8. Hsieh C. J., Natarajan N., Dhillon I. (2015). PU learning for matrix completion. In International conference on machine learning, PMLR, 2445-2453.

9. John MacKrell. (2000). Supporting Collaborative Product Definition via Scaleable, Web-Based PDM. Prepared by CIMdata, Inc.

10. Sammut C., Webb G. I. (2011). Encyclopedia of machine learning. Springer Science & Business Media.

11. Aggarwal C. C. (2016). Recommender systems, Vol. 1. Cham: Springer International Publishing.

12. Meleshko E. V., Semenov S. G., Khokh V. D. (2018). Research on methods of building recommender systems on the Internet.

13. Raza S., Ding C. (2022). News recommender system: a review of recent progress, challenges, and opportunities. Artif. Intell. Rev., 55, 749-800.

14. Zuo Y., Zeng J., Gong M., Jiao L. (2016). Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 51-60.

15. Lytvyn V., Vysotska V., Shatskykh,V., Kohut,I., Petruchenko O., Dzyubyk L., Bobrivetc V., Panasyuk V., Sachenko S., Komar, M. (2019). Design of a recommendation system based on Collaborative Filtering and machine learning considering personal needs of the user. Eastern-European Journal of Enterprise Technologies, 4(2), 6-28.

16. Balush I., Vysotska V., Albota S. (2021). Recommendation System Development Based on Intelligent Search, NLP and Machine Learning Methods. CEUR Workshop Proceedings, 584-617.

17. Demchuk A., Lytvyn V., Vysotska V., Dilai M. (2020). Methods and Means of Web Content Personalization for Commercial Information Products Distribution. Lecture Notes in Computational Intelligence and Decision Making. Vol. 1020. Springer, Cham.

18. Tulashvili Y., Turbal Y., Abd Alkaleg D., Pasichnyk V., Kunanets N. (2020). The Optimal Tour Problem in Smart Tourism Recommender Systems. In IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Vol. 2, 246-250.

References

1. Grosan C., Abraham A. (2011). Intelligent systems, Vol. 17, 261-268.

2. Ferre S., Ridoux O. (2004). Introduction to logical information systems. Information Processing & Management, 40(3), 383-419.

3. Injadat M., Moubayed A., Nassif A.B. et al. (2021). Machine learning towards intelligent systems: applications, challenges, and opportunities. Artif. Intell. Rev., 54, 3299-3348.

4. Bobadilla J., Ortega F., Hernando A., Bernal J. (2012). A collaborative filtering approach to mitigate the new user cold start problem. Knowledge-based systems, 26, 225-238

5. Lika B., Kolomvatsos K., Hadjiefthymiades S. (2014). Facing the cold start problem in recommender systems. Expert systems with applications, 41(4), 2065-2073.

6. Vrontis D., Christofi M., Pereira V., Tarba S., Makrides A., Trichina E. (2022). Artificial intelligence, robotics, advanced technologies and human resource management: a systematic review. The International Journal of Human Resource Management, 33(6), 1237-1266.

7. Yadav N., Mundotiya R.K., Singh A.K., Pal S. (2021). Diversity in Recommendation System: A Cluster Based Approach. Advances in Intelligent Systems and Computing, Vol. 1179.

8. Hsieh C. J., Natarajan N., Dhillon I. (2015). PU learning for matrix completion. In International conference on machine learning, PMLR, 2445-2453.

9. John MacKrell. (2000). Supporting Collaborative Product Definition via Scaleable, Web-Based PDM. Prepared by CIMdata, Inc.

10. Sammut C., Webb G. I. (2011). Encyclopedia of machine learning. Springer Science & Business Media.

11. Aggarwal C. C. (2016). Recommender systems, Vol. 1. Cham: Springer International Publishing.

12. Meleshko E. V., Semenov S. G., Khokh V. D. (2018). Research on methods of building recommender systems on the Internet.

13. Raza S., Ding C. (2022). News recommender system: a review of recent progress, challenges, and opportunities. Artif. Intell. Rev, 55, 749-800.

14. Zuo Y., Zeng J., Gong M., Jiao L. (2016). Tag-aware recommender systems based on deep neural networks. Neurocomputing, 204, 51-60.

15. Lytvyn V., Vysotska V., Shatskykh,V., Kohut,I., Petruchenko O., Dzyubyk L., Bobrivetc V., Panasyuk V., Sachenko S., Komar, M. (2019). Design of a recommendation system based on Collaborative Filtering and machine learning considering personal needs of the user. Eastern-European Journal of Enterprise Technologies, 4(2), 6-28.

16. Balush I., Vysotska V., Albota S. (2021). Recommendation System Development Based on Intelligent Search, NLP and Machine Learning Methods. CEUR Workshop Proceedings, 584-617.

17. Demchuk A., Lytvyn V., Vysotska V., Dilai M. (2020). Methods and Means of Web Content Personalization for Commercial Information Products Distribution. Lecture Notes in Computational Intelligence and Decision Making. Vol. 1020. Springer, Cham.

18. Tulashvili Y., Turbal Y., Abd Alkaleg D., Pasichnyk V., Kunanets N. (2020). The Optimal Tour Problem in Smart Tourism Recommender Systems. In IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Vol. 2, 246-250.

Размещено на Allbest.ru