Перегляд за автором "Leshchynskyi, V."
Зараз показано 1 - 6 з 6
Результатів на сторінку
Варіанти сортування
Публікація Designing explanations in the recommender systems based on the principle of a black box(2019) Chalyi, S.; Leshchynskyi, V.; Leshchynska, I.The subject matter of the article is the process of designing of explanations in the recommender system. The goal is to develop a conceptual model for designing explanations in recommender systems based on the black box principle. Such a model binds the conditions, the result and the constraints on the choice of objects from the user's position. The user should receive justification of the recommendations taking into account context-oriented possibilities of using the proposed objects. Tasks: to adapt the principle of a black box to the task of constructing explanations in the recommender system; to develop a conceptual scheme for constructing explanations according to the functional principle; to develop a conceptual model for the designing` of explanations based on the principle of a black box. The principle used is: functional, or the principle of a black box. The following results are obtained. The principle of the black box to the problem of constructing explanations in the recommender system was adapted. The conceptual scheme of constructing explanations on the basis of a functional principle is developed, taking into account both the properties of objects and the sequences of their use. The conceptual model of the explanation based on the black box principle is developed. Предметом вивчення в статті є процеси формування пояснень в рекомендаційних системах. Метою є розробка концептуальної моделі формування пояснень в рекомендаційних системах за принципом чорного ящику. Така модель зв’язує умови, результат та обмеження щодо вибору об’єктів з позицій користувача. Користувач має отримати обґрунтування рекомендацій з урахуванням контекстно-орієнтованих можливостей використання запропонованих об’єктів. Завдання: адаптувати принцип чорного ящику до задачі побудови пояснень в рекомендаційній системі; розробити концептуальну схему побудови пояснень за функціональним принципом; розробити концептуальну модель формування пояснень за принципом чорного ящика. Використовуваними принципами є: функціональний, або принцип чорного ящику. Отримані наступні результати. Адаптовано принцип чорного ящику до задачі побудови пояснень в рекомендаційній системі. Розроблено концептуальну схему побудови пояснень на основі функціонального принципу з врахуванням як властивостей об’єктів, так і послідовностей їх використання. Розроблено концептуальну модель формування пояснень за принципом чорного ящику.Публікація Detailing explanations in the recommender system based on matchintemporal knowledge(2020) Chalyi, S.; Leshchynskyi, V.; Leshchynska, I.Розглянуто проблему узгодження знань у темпоральному аспекті при побудові пояснень щодо рекомендацій. Узгодження дає можливість зменшити вплив суперечливих знань на пояснення в рекомендаційній системі. Запропоновано модель подання знань у формі темпорального правила з обмеженням пояснення. Темпоральне правило задає порядок в часі для двох множин однотипних подій, що виникли на двох різних інтервалах часу. Обмеження пояснення встановлює відповідність між представленим за допомогою правила темпоральних порядком для пари інтервалів та описом темпоральної динаміки для заданого періоду часу. Така динаміка відображається поясненням рекомендації. Модель призначена для узгодження знань з урахуванням обмеження пояснення, а також подальшого використання узгоджених знань для уточнення пояснень щодо результатів роботи інтелектуальної системи. Розроблено метод уточнення пояснень в рекомендаційної системі на базі узгодження знань у формі темпоральних правил. В якості вихідних даних метод використовує записи про покупки товарів, послуг або виставлення їх рейтингів. Метод виділяє узгоджену в темпоральному аспекті підмножину правил, які показують таку ж динаміку попиту споживачів щодо цільового предмету (збільшення або зменшення), як і пояснення в рекомендаційній системі. Узгодження темпоральних знань дозволяє сформувати уточнений перелік пояснень. Цей перелік включає в себе базове та уточнююче пояснення. Базове пояснення відображає динаміку інтересів користувачів для всього заданого періоду часу. Уточнююче пояснення задає зміни попиту для окремих інтервалів в рамках заданого періоду часу. Використання у поясненні темпоральної динаміки вподобань користувачів орієнтовано на збільшення довіри до отриманих рекомендацій. The problem of matching knowledge in the temporal aspect when constructing explanations for recommendations is considered. Matching allows reducing the influence of conflicting knowledge on the explanation in a recommender system. A model of knowledge representation in the form of a temporal rule with the explanation constraint is proposed. The temporal rule sets the order for two sets of events of the same type that occurred at two different time intervals in time. An explanation constraint establishes a correspondence between the temporal order represented by the rule for a pair of intervals and the description of temporal dynamics for a given time period. This dynamic is represented by the explanation of the recommendation. The model is designed to match knowledge, taking into account the explanation constraint, as well as further use the matched knowledge to clarify explanations based on the results of the intelligent system. A method for clarifying explanations in a recommender system based on knowledge matching in the form of temporal rules is developed. The method uses records of purchases of goods, services or their ratings as input data. The method identifies a subset of rules matched in the temporal aspect, which represent the same dynamics of consumer demand for the target item (increase or decrease) as explanations in the recommender system. Matching of temporal knowledge makes it possible to form a refined list of explanations. This list includes basic and clarifying explanations. The basic explanation reflects the dynamics of user interests for the entire given period of time. Clarifying explanation specifies changes in demand for individual intervals within a given time period. The use of the temporal dynamics of user preferences in the explanation is aimed at increasing confidence in the received recommendationsПублікація Development of a method for the interactive construction of explanations in intelligent information systems based on the probabilistic approach(ХНУРЕ, 2021) Chalyi, S.; Leshchynskyi, V.Subject: the use of the apparatus of temporal logic and probabilistic approaches to construct an explanation of the results of the work of an intelligent system in order to increase the efficiency of using the solutions and recommendations obtained. Purpose: development of a method for constructing explanations in intelligent systems with the ability to form and evaluate several alternative interpretations of the results of the operation of such a system. Tasks: justification for the use of the black box principle for interactive construction of explanations; development of a pattern explanation model that provides for probabilistic estimation; development of a method of interactive construction of explanations on the basis of the probabilistic approach. Methods: methods of data analysis, methods of system analysis, methods of constructing explanations, models of knowledge representation. Results: A model of the explanation pattern is proposed, which contains temporal regulations reflecting the sequence of user interaction with an intelligent system, which allows the formation of explanations based on a comparison of the actions of the current user and other well-known users. An interactive method for constructing explanations based on a probabilistic approach has been developed; the method uses patterns of user interaction with an intelligent system and contains phases of constructing patterns of explanations and forming explanations using the obtained patterns. The method organizes the received explanations according to the likelihood of use, which makes it possible to form target and alternative explanations for the user. Conclusions: The use of the black box principle for the development of a probabilistic approach to the construction of explanations in intelligent systems has been substantiated. A model of a pattern of explanations based on temporal regulations is proposed. The model reflects the sequence of user interaction with the intelligent system when receiving decisions and recommendations and contains an interaction pattern as part of temporal regulations that have weight, and also determines the likelihood of using the user interaction pattern. An interactive method for constructing explanations has been developed, considering the interaction of the user with the intelligent system. The method includes phases and stages of the formation of regulations and patterns of user interaction with the determination of the probability of their implementation, as well as the ordering of patterns according to the probability of their implementation. The implementation of the method was carried out when constructing explanations for recommender systems.Публікація Knowledge representation in the recommendation system based on the white box principle(2019) Chalyi, S.; Leshchynskyi, V.The subject matter of the article is the construction of a rating list of goods and services in recommendation systems. The goal is to develop a knowledge representation model in recommendation systems using the white box principle. Such a model contains knowledge about the possible sequences of choosing restrictions on the properties of goods and services according to user preferences. The recommender system should provide a reasonable choice of the object according to the requirements of the user, subject to restrictions on the key properties of this object. Tasks: to structure the process of applying the principles of black and white boxes when building recommendations based on the use of a knowledge base; develop knowledge representations according to the principle of the white box in order to combine a static description of the properties of objects and a description of possible sequences for clarifying the requirements for the properties of these objects. The principles used are: the principle of the white box, which provides an account of requirements that take into account the properties of the constituent elements of the object selected by the consumer. The following results are obtained. The key features of the processes of forming recommendations on the principles of black and white boxes based on the use of the knowledge base are highlighted. The knowledge representation is developed according to the principle of the white box, which allows taking into account both the properties of objects and the process of their selection by the consumer. Предметом вивчення в статті є процеси побудови рейтингового переліку товарів та послуг в рекомендаційних системах. Метою є розробка моделі представлення знань в рекомендаційній систем за принципом білого ящику. Така модель містить знання про можливі послідовності вибору обмежень на властивості товарів та послуг згідно вимогам користувача. Рекомендаційна система повинна забезпечити обґрунтований вибір об'єкта відповідно до вимог користувача за умови обмежень по ключовими властивостями цього об'єкту. Завдання: структурувати процес застосування принципів чорного та білого ящиків при побудові рекомендацій на основі використання бази знань; розробити представлення знань згідно принципу білого ящику з тим, щоб поєднати статичний опис властивостей об’єктів та опис можливих послідовностей уточнення вимог до властивостей цих об’єктів. Використовуваними принципами є: принцип білого ящику, що забезпечує врахування вимог, які враховують властивості складових елементів об’єкту вибору споживача. Отримані наступні результати. Виділено ключові особливості процесів формування рекомендацій згідно принципів чорного та білого ящиків на основі використання бази знань.Публікація Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system(2020) Chalyi, S.; Leshchynskyi, V.; Leshchynska, I.The problem of the formation of the recommended list of items in the situation of cyclic cold start of the recommendation system is considered. This problem occurs when building recommendations for occasional users. The interests of such consumers change significantly over time. These users are considered “cold” when accessing the recommendation system. A method for building recommendations in a cyclical cold start situation using temporal constraints is proposed. Temporal constraints are formed on the basis of the selection of repetitive pairs of actions for choosing the same objects at a given level of time granulation. Input data is represented by a set of user choice records. For each entry, a time stamp is indicated. The method includes the phases of the formation of temporal constraints, the addition of source data using these constraints, as well as the formation of recommendations using the collaborative filtering algorithm. The proposed method makes it possible, with the help of temporal constraints, to improve the accuracy of recommendations for “cold” users with periodic changes in their interests. Розглянуто проблему формування рекомендованого переліку пунктів у ситуації циклічного холодного початку системи рекомендацій. Ця проблема виникає при складанні рекомендацій для випадкових користувачів. Інтереси таких споживачів з часом значно змінюються. Ці користувачі вважаються "холодними" під час доступу до системи рекомендацій. Запропоновано метод побудови рекомендацій у циклічній ситуації з холодним початком із застосуванням тимчасових обмежень. Тимчасові обмеження формуються на основі вибору повторюваних пар дій для вибору одних і тих же об'єктів на заданому рівні гранулювання часу. Вхідні дані представлені набором записів про вибір користувача. Для кожного запису вказується штамп часу. Метод включає фази формування тимчасових обмежень, додавання вихідних даних з використанням цих обмежень, а також формування рекомендацій з використанням алгоритму спільної фільтрації. Запропонований метод дає змогу за допомогою тимчасових обмежень підвищити точність рекомендацій для "холодних" користувачів з періодичними змінами їх інтересів.Публікація Temporal representation of causality in the construction of explanations in intelligent systems(2020) Chalyi, S.; Leshchynskyi, V.Предметом вивчення в статті є процеси побудови пояснень в інтелектуальних системах. Метою є розробка інтелектуального представлення казуальності для того, щоб забезпечити побудову опису процесу роботи інтелектуальної системи у складі пояснення з урахуванням темпорального аспекту. Як наслідок, це дає можливість підвищити довіру користувачів до результатів роботи інтелектуальної системи. Завдання: структуризація казуальних залежностей з урахуванням відмінностей процесу прийняття рішень в інтелектуальній системі та її стану; розробка темпоральної моделі казуальності для пояснень в інтелектуальній системі. Використовуваними підходами є: підходи до опису казуальності між елементами системи на основі причинно-наслідкових зв’язків, на основі імовірнісних залежностей, а також на основі фізичної взаємодії її елементів. Отримані наступні результати. Виконано структуризацію казуальних залежностей для побудови пояснень з виділенням причинно-наслідкових, імовірнісних зв’язків, а також залежностей між станом інтелектуальної системи та отриманими в цій системі рекомендаціями. Запропоновано модель казуальних залежностей в інтелектуальній системі для побудови пояснень щодо пропозицій цієї системи. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано модель казуальних залежностей, що призначені для побудови пояснення в інтелектуальній системі. Таке пояснення складається з ланцюжка казуальних залежностей, що відображають послідовність прийняття рішення у часі. Модель охоплює обмеження та умови формування результату інтелектуальної системи. Обмеження представленні причинно-наслідковими залежностями між ключовими діями з досягнення результату. Обмеження мають бути істинними для всіх пояснень, де вони використовуються. Умови визначають ймовірні залежності між такими діями в інтелектуальній системі. У моделі враховується вплив ключових параметрів стану інтелектуальної системи на досягнення результату. Представлена модель забезпечує побудову пояснення з різним ступенем деталізації на основі визначення темпоральної послідовності дій, а також з врахуванням зміни станів інтелектуальної системи. The subject matter of the article are the processes of constructing explanations in intelligent systems. Objectives. The goal is to develop a temporal representation of causality in order to provide a description of the process of the intelligent system as part of the explanation, taking into account the temporal aspect. As a result, it provides an opportunity to increase user confidence in the results of the intelligent system. Tasks: structuring of causal dependences taking into account the decision-making process in the intellectual system and its state; development of a temporal model of causality for explanations in the intellectual system. The approaches used are: approaches to the description of causality between the elements of the system on the basis of causal relationships, on the basis of probabilistic dependencies, as well as on the basis of the physical interaction of its elements. The following results were obtained. The structuring of causal dependences for construction of explanations with allocation of causal, probabilistic communications, and also dependences between a condition of intellectual system and the recommendations received in this system is executed. A model of causal dependences in an intelligent system is proposed to construct explanations for the recommendations of this system. Conclusions. The scientific novelty of the results is as follows. The model of causal dependences which are intended for construction of the explanation in intellectual system is offered. This explanation consists of a chain of causal relationships that reflect the sequence of decision-making over time. The model covers the limitations and conditions of the formation of the result of the intelligent system. Constraints are represented by causal relationships between key performance actions. Restrictions must be true for all explanations where they are used. Conditions determine the probable relationships between such actions in the intellectual system. The model takes into account the influence of key parameters of the state of the intelligent system on the achievement of the result. The presented model provides an explanation with varying degrees of detail based on the definition of the temporal sequence of actions, as well as taking into account changes in the states of the intelligent system.