Babeş-bolyai university of cluj-napoca



Yüklə 381,75 Kb.
səhifə13/13
tarix26.07.2018
ölçüsü381,75 Kb.
#59182
1   ...   5   6   7   8   9   10   11   12   13

4.4 Manual de utilizare


Cu scopul de a exemplifica funcționalitatea platformei de recomandare multi-agent, o aplicație web a fost dezvoltată în acest sens. Complexitatea utilizării acestei aplicații nu este una ridicată, fiind ușor abordabilă chiar și de utilizatorii neexperimentați.

Funcționalitățile de bază pe care aplicația le oferă utilizatorilor pot fi cu ușurință regăsite aproape în orice aplicație existentă în rețeaua Internet, ceea ce semnifică faptul că nici un utilizator nu ar trebui să întâmpine dificultăți în accesarea acestora.

Printre funcționalitățile oferite de aplicație regăsim:


  • Înregistrarea unui utilizator nou.

  • Autentificarea unui utilizator existent.

  • Căutarea filmelor și ale serialelor.

  • Plasarea cererilor pentru preluarea filmelor și serialelor.

  • Vizualizarea recomandărilor.

Formularul pentru înregistrarea unui utilizator nou poate fi accesat utilizând link-ul Register, din partea dreaptă sus a site-ului. Pentru înregistrare este necesară completarea tuturor câmpurilor acestui formular (Figura 4.13), ulterior butonul Register fiind apăsat (! atenție parola trebuie să conțină minim 6 caractere, litere mari, litere mici și un caracter special).
Figura 4.13 Formularul pentru înregistrare

Dacă utilizatorul este deja înregistrat pe site, atunci acesta se poate autentifica utilizând link-ul LogIn (Figura 4.14).

Figura 4.14 Formularul pentru înregistrare

Căutarea unui serial sau a unui film este o operație foarte simplă. În partea din dreapta a site-ului există o căsuță de tip text unde utilizatorul poate introduce numele întreg sau parțial al articolului căutat după care trebuie să apese tasta enter, iar rezultatele vor fi afișate (Figura 4.15).

Figura 4.15 Căutarea unui articol pe site

Vizualizarea detaliilor unui articol presupune doar o simplă acțiune de click pe poza articolului sau pe titlul din dreptul acestuia (Figura 4.16).

Figura 4.16 Detaliile despre un articol

Pentru a plasa cereri de preluare a unui film sau serial utilizatorul trebuie sa completeze trei câmpuri (Figura 4.17): tipul articolului dorit, titlul articolului și anul apariției acestuia.

Figura 4.18 Plasarea unei solicitări pentru a primi recomandări

Figura 4.17 Plasarea unei solicitări pentru un film sau serial

Dacă se dorește calcularea unor recomandări (Figura 4.18), utilizatorul trebuie sa completeze un formular care conține următoarele informații: numărul de recomandări dorite (primele recomandări sunt întotdeauna cele mai sugerate), algoritmul utilizat pentru calcularea similitudinilor, numărul de similitudini care să participe în calcularea recomandărilor și în cele din urmă scorul minim al similitudinilor care participă în calculare (scorul minim este -1 – utilizatorii nu sunt similari sau 1 – utilizatorii sunt perfect similari).

4.5 Rezultate experimentale și extinderi posibile


Algoritmii incluși în platforma de recomandare MovieRightAway au for evaluați pe un set de date mari, conținând aproximativ 1.000.000 de scoruri, acordate de 6.000 de utilizatori pentru 4.000 de filme. Scara folosită pentru scoruri este cea cu valori de la 1, reprezentând satisfacția minimă a utilizatorului, la 5, reprezentând satisfacția maximă a utilizatorului. Setul de date este oferit de GroupLens [41].

Evaluarea se va face prin efectuarea unor teste hold-aut. Acestea constau în partiționarea aleatoare a datelor în două seturi, unul de antrenament și unul de test.



S-au utilizat în cadrul experimentului următorii algoritmi.

  • Filtrarea colaborativă bazată pe utilizator, cu similarități calculate folosind corelarea Pearson, cu un prag de similaritate de 0,0.

  • Filtrarea colaborativă bazată pe utilizator, cu similarități calculate folosind corelarea Euclidean Distance, cu un prag de similaritate de 0,0.

Rezultatul evaluării pentru algoritmul de filtrare colaborativă bazată pe utilizator, folosind ca date de antrenament 90% din setul complet de date, este:

MAE (Pearson Correlation) = 0,642

MAE (Euclidean Distance) = 0,625


Tabelul 4.1: Rezultatele evaluării motorului de filtrare colaborativă bazată pe utilizator




Movie ID

My System (Pearson Correlation)

My System (Euclidean Distance)

Real Rating

Pearson Correlation MAE

Euclidean Distance MAE

480

3.78875639

3.743957445

3

0.78875639

0.743957445

1214

4.216194583

4.256033701

5

0.783805417

0.743966299

1287

4.199241368

4.232124233

5

0.800758632

0.767875767

2194

3.998103858

4.049652947

4

0.001896142

0.049652947

2571

4.368013131

4.405610714

5

0.631986869

0.594389286

2692

4.268081123

4.263676724

4

0.268081123

0.263676724

2949

3.912480003

3.935097852

4

0.087519997

0.064902148

3639

3.677572221

3.728114581

5

1.322427779

1.271885419

3946

2.101718485

2.129049151

1

1.101718485

1.129049151

 

 

 

 

0.642994537

0.625483909

Rezultatul evaluării pentru algoritmul de filtrare colaborativă bazată pe utilizator, folosind ca date de antrenament 80% din setul complet de date, este:

MAE (Pearson Correlation) = 0,756

MAE (Euclidean Distance) = 0,691


Movie ID

My System (Pearson Correlation)

My System (Euclidean Distance)

Real Rating

Pearson Correlation MAE

Euclidean Distance MAE

18

3.313550304

3.382812443

2

1.313550304

1.382812443

20

2.475882247

2.662415709

3

0.524117753

0.337584291

22

3.314611298

3.49495679

4

0.685388702

0.50504321

25

3.677777211

3.66976508

4

0.322222789

0.33023492

34

3.938371663

3.942938075

4

0.061628337

0.057061925

67

3.507217387

2.816111385

4

0.492782613

1.183888615

70

3.169763682

3.249266506

5

1.830236318

1.750733494

89

3.041665115

3.183508039

4

0.958334885

0.816491961



 

 

 

 

 

103

3.034081149

3.228707315

4

0.965918851

0.771292685

117

3.64441406

3.680103456

2

1.64441406

1.680103456

124

3.812372294

3.676268037

3

0.812372294

0.676268037

145

3.239718565

3.409903879

5

1.760281435

1.590096121

 

 

 

 

0.75603666

691311048


Tabelul 4.2: Rezultatele evaluării motorului de filtrare colaborativă bazată pe utilizator


Extinderi posibile

Platforma de recomandare MovieRightAway este concepută pentru a pentru a oferi recomandări utilizatorilor, posibilitatea preluării automate a informație cât și întreținerea acestei informații, dar în același timp oferă și accesul unor consumatori de servicii pentru a accesa si utiliza informația existentă.

În cadrul platformei fiecare componentă majoră implementează o interfață sau o clasă abstractă, după cum a fost prezentat în subcapitolul referitor la diagrama de clase. Acest lucru conferă un avantaj major dezvoltatorilor ce doresc extinderea platformei, deoarece dezvoltarea unei noi componente în cadrul sistemului ce implementează interfața sau moștenește o clasă abstractă, asigură buna funcționare cu celelalte componente. Un dezavantaj prezent în arhitectura aplicației este lipsa unui modul de recomandări, acestea fiind construite în limbajul SQL, ca și funcții sau proceduri stocate. În acest sens adăugarea de noi algoritmi referitori la recomandare ar necesita muncă suplimentară, sau la rândul lor aceștia ar putea implementați asemenea celor existenți.

Ca și următoare extinderi și îmbunătățiri ale platformei de recomandare multi-agent MovieRightAway considerăm implementarea unor algoritmi mai complecși de calcul a recomandărilor, și folosirea acestora pentru a crea un sistem hibrid de recomandare. Unul dintre algoritmii propuși este cel care utilizează ca și tehnică de predicție factorizarea de matrice, dat fiind

faptul că recent, modelele factorizării de matrice au câștigat popularitate, datorită acurateții și scalabilității oferite. Deși partea recomandărilor este esențială, trebuie să avem în vedere că am construit un sistem bazat pe agenți care poate ajuta în acest sens determinarea recomandărilor. Pentru sistemul multi-agent propunem aplicare unor algoritmi de învățare, care să ajute sistemul să prezică preferințele utilizatorului și astfel să crească procentajul de acuratețe al sistemului. O arhitectură a agenților mobili ar putea fi un plus adus îmbunătățirii, deoarece s-a demonstrat faptul că agenții mobili au un timp de răspuns mai mic decât al celor stționari.

Concluzie

Sistemele de recomandare reprezintă în contextul actual, o necesitate a aplicațiilor ce oferă utilizatorilor acces spre o gamă variată și spre un volum consistent de informație. Acest lucru oferă utilizatorilor o experiență îmbunătățită, rezultând într-o creștere a încrederii manifestate de aceștia pentru serviciile furnizate de aplicație.

Această lucrare a propus MovieRightAway, platformă de recomandare multi-agent capabilă să ofere recomandări pentru filme și seriale, să preia informații despre acestea și să întrețină datele. Această platformă oferă dezvoltatorilor soft o serie de avantaje, precum flexibilitatea și extensibilitatea. De asemenea, un alt avantaj major îl reprezintă dezvoltarea algoritmilor în limbajul SQL, lucru care permite utilizarea acestora în orice aplicație care utilizează o bază de date Microsoft Sql, dar nu putem omite faptul că acest sistem a fost construit în cadrul unui sistem format din agenți inteligenți, domeniu care câștigă tot mai mult teren.

În urma muncii depuse în vederea construirii unei astfel de platforme, se pot trage mai multe concluzii. Prima dintre acestea este faptul că sistemele de recomandare reprezintă o soluție rapidă și eficientă pentru aplicațiile care au nevoie de motoare de recomandare, însă personalizarea acestora este limită, majoritatea platformelor de recomandare luând în considerare aspecte generale ale tuturor domeniilor informaționale, și nu pe cele ale domeniului caracteristic aplicației în care platforma de recomandare este utilizată. Cea de-a doua concluzie reprezintă faptul că algoritmii de recomandare sunt foarte costisitori din punct de vedere al timpului, și această problemă se agravează o dată cu creștrea exponențială a datelor care trebuie prelucrate. În momentul de față, nu există un algoritm care sa învingă toate limitările din cadrul sistemelor de recomandare și care să poată fi utilizat în practică.

O ultimă concluzie demnă de menționat și pe care nu o putem omite din concuzia finală se referă la sistemele multi-agent. Aceste sisteme au avansat foarte mult de-a lungul timpului și s-au dovedit a fi cu adevărat valoroase în dezvolatarea aplicațiilor unde regăsim cu preponderența interacțiunea cu utilizatorul. Aceste sisteme, cum sunt ele descrise, crează o lume virtuală și încearcă să copieze natura omenească cu scopul de a ne oferi nouă, utilizatorilor, serviciile necesare. Cu toate că aceste sisteme sunt o provocare în sensul dezvoltării lor și necesită un anumit nivel de cunoștere mediu în această arie, pot confirma că sunt o alegere extraordinară în dezvoltarea sistemelor de recomandare.

Ca urmare putem concluziona cu afirmația că platforma de recomandare multi agent MovieRightAway, este ușor de utilizat, oferind recomandări valabile utilizatorilor cât și posibilitatea de preluare a articolelor necesare. Flexibilitatea și extensililitatea sunt caracteristi prezente ale sistemului ce oferă posibilitatea de extindere a componetelor sale.

BIBLIOGRAFIE



  1. Anand, S.S., Mobasher, B.: Intelligent techniques for web personalization. In: Intelligent Techniques for Web Personalization, pp. 1-36. Springer (2005)

  2. Burke, R.: Hybrid web recommender systems. In: The Adaptive Web, pp. 377–408. Springer Berlin / Heidelberg (2007)

  3. Resnick, P., Varian, H.R.: Recommender systems. Communication of the ACM 40(3), 56-58 (1997)

  4. Jannach, D.: Finding preferred query relaxations in content-based recommenders. In: 3rd International IEEE Conference on Intelligent Systems, pp. 355-360 (2006)

  5. Mahmood, T., Ricci, F.: Improving recommender systems with adaptive conversational strategies. In: C. Cattuto, G. Ruffo, F. Menczer (eds.) Hypertext, pp. 73-82. ACM

  6. McSherry, F., Mironov, I.: Differentially private recommender system: building privacy into the net. In: KDD ’09: Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining, pp. 627-636. ACM, New York, NY, USA (2009)

  7. Schwartz, B.: The Paradox of Choice. ECCO, New York (2004)

  8. Koren, Y., Bell, R.M., Volinsky, C.: Matrix factorization techniques for recommender systems. IEEE Computer 42(8), 30-37 (2009)

  9. Jannach, D., Zanker, M., Felfering, A., Friedrich, G.: Recommender Systems An Introduction. Cambridge University Press (2010)

  10. Hayes, C., Cunningham, P.: Smartradio-community based music radio. Knowledge Based Systems 14(3-4), pp. 197-201 (2001)

  11. Montaner, M., Lopez, B., de la Rosa, J.L.: A taxonomy of recommender agents on the internet. Artificial Intelligence Review 19(4), pp. 285-330 (2003)

  12. Billsus, D., Pazzani, M.: Learning probabilistic user models. In: UM97 Workshop on Machine Learning for User Modeling (1997)

  13. Schafer, J.B., Frankowski, D., Herlocker, J., Sen, S.: Collaborative filtering recommender systems. In: The Adaptive Web, pp. 291-324. Springer Berlin / Heidelberg (2007)

  14. Weiss, G.: Multiagent Systems – A Modern Approach to Distributed Artificial Intelligence, The MIT Press, Cambride, Massachisetts, London (1999)

  15. M. Wooldridge and N. R. Jennings. Intelligent agents: Theory and Practice. The Knowlodge Engineering Review, 10(2) (1995)

  16. S. Russell and D. Subramanian. Probably bounded-optimal agents. Journal of AI Research, pp. 575-609 (1995)

  17. Shoham Y.: AGENT0: A simple agent language ant its interpreter, In: Proceedings of the National Conference on Artificial Intelligence, pp. 704-709 (1991)

  18. Howden, N., Rönnquist, R., Hodgson, A., Lucas A.: JACK intelligent agents – Summary of an agent infrastructure, Proceedings of the 5th International Conference on Autonomous Agents, Montreal (2001)

  19. Agent Oriented Software Pty. Ltd.: Jack Intelligent Agents-Agent Manual, 4.1 ed.,

Australia (2003)

  1. Martin, D.L., Cheyer, A.J., Douglas B.M.: The Open Agent Architecture: A Framework

for Building Distributed Software Systems, Applied Artificial Intelligence, vol. 13, no. 1-2, pp. 91-128, January-March 1999

  1. Caire G.: JADE tutorial – JADE programming for beginners, June 2009

  2. Bellifemine F. L., Caire G., Greenwood D.: Developing Multi-Agent Systems with JADE, Wiley, February 2007

  3. Manning, C.: Introduction to Information Retrievel. Cambridge University Press, Cambridge (2008)

  4. Schafer, J.B., Konstan, J.A., Riedl, J.: E-commerce recommendation applications. Data Mining and Knowledge Discovery 5(1/2), pp. 115–153 (2001)

  5. Ricci, F., Cavada, D., Mirzadeh, N., Venturini, A.: Case-based travel recommendations. In: D.R. Fesenmaier, K. Woeber, H. Werthner (eds.) Destination Recommendation Systems: Behavioural Foundations and Applications, pp. 67–93. CABI (2006)

  6. Sinha, R.R., Swearingen, K.: Comparing recommendations made by online systems and friends. In: DELOS Workshop: Personalisation and Recommender Systems in Digital Libraries (2001)

  7. Jonathan L. Herlocker, Joseph A. Konstan, Loren G. Terveen, and John T. Riedl, Evaluating collaborative filtering recommender systems, ACM Trans. Inf. Syst. 22, no. 1, pp. 5–53 (2004)

  8. Morais, A.J.: A Multi-Agent Approach for Web Adaptation. In: Demazeau, Y., et al. (eds.) 7th International Conference on PAAMS 2009, AISC, vol. 55, pp. 349-355, Springer, Heidelberg (2009)

  9. Michael Wooldridge: An Introduction to MultiAgent Systems, 2nd Edition, Wilwy, May 2009

  10. Pedrycz W., Vasilakos A.V., Computational Intelligence in Telecommunications Networks , CRC Press (2000)

  11. Jennings N.R., Wooldridge M.: Applications of Intelligent Agents, In, Jennings, N.R. and Wooldridge, M. J. (eds.) Agent Technology: Foundations, Applications and Markets. Agent Technology: Foundations, Applications and Markets, Springer, pp. 3-28 (1998)

  12. Siricharoen W. V.: Learning Semantic Web from e-tourism, Proceedings of the 2nd KES International conference on Agent and multi-agent systems: technologies and applications, Incheon, Korea, March 26-28 (2008)

  13. Syncara, K.: MultiAgent Systems, AI Magazine, 19 (2) (1998)

  14. Foundation for Intelligent Physical Agents Specifications: http://www.fipa.org

  15. Daniel D. Corkill: Blackboard Systems, Blackboard Technology Group, Inc.

  16. Jade: http://jade.cselt.it/

  17. Blackboard Systems: http://www.cs.cf.ac.uk/Dave/AI2/node105.html

  18. Caire G.: JADE tutorial – JADE programming for beginners, June 2009

  19. Thomas R. Gruber: A Translation Approach to Portable Ontology Specifications, In: Knowledge Acquisition, 2(5) (1993)

  20. Rogier M. van Eijk, Marc-Philippe Huget, Frank Dignum: International Workshop on Agent Communication, AC 2004, New York, NY, USA, July 19 (2004)

  21. GroupLens: http://grouplens.org/

Yüklə 381,75 Kb.

Dostları ilə paylaş:
1   ...   5   6   7   8   9   10   11   12   13




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©muhaz.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin