4.3.3. Алгоритм непрерывной корректировки профиля лпр

При использовании алгоритма непрерывной корректировки профиля ЛПР предполагается, что существует некоторое хранилище предыдущих запросов пользователя. В текущий момент времени iпользователь вводит новый запрос, который после соответствующей обработки помещаетсяв хранилище запросов. Обновленное (или дополненное) в момент времени iтекущим запросом хранилище запросов будем обозначатьQ_i.

Запрос перед передачей алгоритму обрабатывается с целью выделения ключевых терминов. Далее производится пересчет взвешенных частот терминов в хранилище запросов Q_iс учетом нового запроса. Когда пользователь вводит очередной запрос, ключевым словам (терминам) данногозапроса назначаются наибольшие веса. При поступлении запроса в хранилищезапросов происходит проверка на наличие в этом хранилище терминов, присущих текущему запросу. Если термин встречается впервые, то при его занесении в хранилище вес остается без изменений, если же такой термин уже существует (это означает, что пользователь уже когда-то использовал запрос, включающий данный термин), то производится пересчет весового коэффициента данного термина. В результате происходит нормирование весовых коэффициентов. Категории интересовC_iдля включения в текущий профиль извлекаются из хранилища посредством использования методологииPLSA.

Представим пошаговый алгоритм непрерывной корректировки профиля пользователя.

1. Инициализировать хранилище запросов Q_i= {w_1i,w_2i, …,w_ki}, гдеw_ki– термины хранилища запросов,k= 1, …,M.

2. Выделить набор ключевых терминов текущего запроса.

3. Скорректировать весовые коэффициенты терминов и произвести их нормировку с учетом нового запроса.

4. Рассчитать уровень изменчивости _i.

5. Рассчитать условные вероятности классов, используя процедуру TEMследующим образом:

6. Рассчитать вероятность категории C_iдля заданного класса латентного семантического пространства:

7. Рассчитать вероятность включения категории C_iдля текущего состояния хранилища запросовQ_i.

8. Занести категорию в профиль пользователя. Для этого включить соответствующую тройку (C_i,W_i,_i) в профиль.

9. Если уровень изменчивости _i>₀(где₀– заданная величина), то увеличить текущий вес категорииC_iна величину

W_i :W_i= W_i+W_i.

10. Отсортировать последовательность троек (C_i,W_i,_i) в профиле по порядку убывания весаW_i.

11. Сохранить получившийся профиль как текущий.

Эффективность работы алгоритма непрерывной корректировки профиля пользователя была оценена на сравнительно небольших тестовых наборах данных, но и это позволило отразить реальную ситуацию в корпоративных информационно-управляющих системах.

5. 4.4. Мультилингвистическая поисковая система

6. Для подготовки и принятия решения в корпоративных

7. Информационно-управляющих системах

Рассмотрим систему поиска мультилингвистической информации для поддержки принятия решений в корпоративных информационно-управляющих системах при помощи методики определения расстояния между отдельными точками метрического пространства производственных ситуаций (рис. 4.4). При этом для нахождения расстояния между двумя произвольными производственными ситуациями S₁(t), S₂(t)  {S(t)} необходимо предварительно определить функции, устанавливающие степень сходства, существующего между соответствующими характеристиками S₁(t), S₂(t).

Рис. 4.4. Структурная схема реализации мультилингвистической технологии

поиска данных для подготовки и принятия решения в ИУС [54]

Все характеристики разбиты на четыре группы. В первой группе содержится текстовая информация, во второй группе хранится информация в числовой форме, в третьей группе – ориентированные графы, используемые ЛПР в процессе подготовки и принятия решения [16]. При этом граф G₁ характеризует взаимосвязи, существующие между параметрами объекта управления, системы управления и среды, влияющими на процесс принятия решения в ситуации S, а граф G₂ учитывает взаимосвязи между административными мероприятиями, которые рекомендуется осуществить в сло-жившейся ситуации. В характеристиках четвертой группы хранятся названия производственных ситуаций.

Информационные элементы мультилингвистической поисковой системы содержатся в базе данных реляционного типа в виде совокупности отношений различной структуры. Поиск этих элементов осуществляется по запросу СУБД, сформированному на языке SQL и выдаваемому при обработке каждой производственной ситуации.

После проведения процедур формирования функций сходства для каждой из указанных групп характеристик выбирается метрика, определяющая расстояние между отдельными производственными ситуациями. Функции j = 1, ..., 4 используются в составе метрики p_s, задающей расстояние между характеристиками S₁(t), S₂(t) в пространстве производственных ситуаций. Следует обратить внимание на то, что при t = const метрика p_s(S₁(t), S₂(t)) должна быть действительной числовой функцией, для которой выполняются известные аксиомы метрики. В качестве функции, заведомо обладающей данными свойствами, выбрано евклидово расстояние, определяемое по формуле

На основе предложенной методики определения расстояния между различными производственными ситуациями, возникающими в процессе функционирования объекта управления, реализованы новые алгоритмы оперативного поиска мультилингвистических данных и документов, которые будут представлены далее.