• Понятие информационных ресурсов и их классификация (основные типы)
• Виды информационных ресурсов и их классификация
• Основные направления в

Классификация компьютеров

1. 2. Технические средства обработки информации

1.2.1. Классификация компьютеров

Компьютер – это устройство или средство, предназначенное для обработки информации. Компьютер может обрабатывать только информацию, представленную в числовой форме. Информацию в иной форме представления для ввода в компьютер необходимо преобразовать в числовую форму.

Современным компьютерам предшествовали ЭВМ нескольких поколений. В развитии ЭВМ выделяют пять поколений.

В основу классификации заложена элементная база, на которой строятся ЭВМ:

1. В 1943 году была создана вычислительных машин ЭВМ первого поколения на базе электронных ламп.
2. Второе поколение (50 – 60 г.г.) компьютеров построено на базе полупроводниковых элементов (транзисторах).
3. Основная элементная база компьютеров третьего поколения (60 – 70 г. г.) — интегральные схемы малой и средней интеграции.
4. В компьютерах четвертого поколения (70 – по н/в) применены больших интегральных схемах БИС (микропроцессоры). Применение микропроцессоров в ЭВМ позволило создать персональный компьютер (ПК), отличительной особенностью которого является небольшие размеры и низкая стоимость.
5. В настоящее время ведутся работы по созданию ЭВМ пятого поколения, которые разрабатываются на сверхбольших интегральных схемах.

Существует и другие различные системы классификации ЭВМ:

1. По производительности и быстродействию.
   
2. По назначению.
   
3. По уровню специализации.
   
4. По типу используемого процессора.
   
5. По особенностям архитектуры.
   
6. По размерам.
   

Рассмотрим схему классификации ЭВМ (Рис. 1.), исходя из их вычислительной мощности и габаритов.

Суперкомпьютеры – это самые мощные по быстродействию и производительности вычислительные машины. К суперЭВМ относятся “Cray” и “IBM SP2” (США). Используются для  решения  крупномасштабных  вычислительных  задач и моделирования, для сложных вычислений в аэродинамике, метеорологии, физике высоких энергий, также находят применение и в финансовой сфере.

Большие машины или мейнфреймы (Mainframe). Мейнфреймы используются в финансовой сфере, оборонном комплексе, применяются для комплектования ведомственных, территориальных и региональных вычислительных центров.

Средние ЭВМ широкого назначения используются для управления сложными технологическими производственными процессами.

Мини-ЭВМ ориентированы на использование в качестве управляющих вычислительных комплексов, в качестве сетевых серверов.

Микро — ЭВМ — это компьютеры, в которых в качестве центрального процессора используется микропроцессор. К ним относятся встроенные микро – ЭВМ (встроенные в различное оборудование, аппаратуру или приборы) и персональные компьютеры PC.

Современные персональные компьютеры имеют практически те же характеристики, что и мини-ЭВМ восьмидесятых годов. На базе этого класса ЭВМ строятся автоматизированные рабочие места (АРМ) для специалистов различного уровня, используются как средство обработки информации в информационных системах.

К персональным компьютерам относятся настольные и переносные ПК. К переносным ЭВМ относятся Notebook (блокнот или записная книжка) и карманные персональные компьютеры (Personal Computers Handheld — Handheld PC, Personal Digital Assistants – PDA и Palmtop).

Далее…>>>Тема: 1.2.2. Архитектура ЭВМ

1. Информация и информатика. Информатика и вычислительная техника

1. 1. Информация в материальном мире

1.1.1. Сигналы и данные

1.1.2. Данные и методы

1.1.3. Понятие об информации

1.1.4. Диалектическое единство данных и методов в информационном процессе

1.1.5. Свойства информации

1.2. Данные

1.2.1. Носители данных

1.2.2. Операции с данными

1.2.3. Кодирование данных двоичным кодом

1.2.4. Кодирование целых и действительных чисел

1.2.5. Кодирование текстовых данных

1.2.6. Универсальная система кодирования текстовых данных

1.2.7. Кодирование графических данных

1.2.8. Кодирование звуковой информации

1.2.9. Основные структуры данных

1.2.10. Линейные структуры (списки данных, векторы данных)

1.2.11. Табличные структуры (таблицы данных, матрицы данных)

1.2.12. Иерархические структуры данных

1. 2.13. Упорядочение структур данных

1.3. Файлы и файловая структура

1.3.1. Единицы представления данных

1.3.2. Единицы измерения данных

1.3.3. Единицы хранения данных

1.3.4. Понятие о файловой структуре

1.4. Информатика

1.4.1. Предмет и задачи информатики

1.4.2. Истоки и предпосылки информатики

1.5. Итоги главы и вопросы для самоконтроля

1.1. Информация в материальном мире

1.1.1. Сигналы и данные

Мы живем в материальном мире. Все, что нас окружает и с чем мы сталкиваемся ежедневно, относится либо к физическим телам, либо к физическим полям. Из курса физики мы знаем, что состояния абсолютного покоя не существует и физические объекты находятся в состоянии непрерывного движении и изменения, которое сопровождается обменом энергией и ее переходом из одной формы в другую.

Все виды энергообмена сопровождаются появлением сигналов, то есть, все сигналы имеют в своей основе материальную энергетическую природу. При взаимодействии сигналов с физическими телами в последних возникают определенные изменения свойств — это явление называется регистрацией сигналов. Такие изменения можно наблюдать, измерять или фиксировать иными способами — при этом возникают и регистрируются новые сигналы, то есть, образуются данные.

 

Данные — это зарегистрированные сигналы.

1.1.2. Данные и методы

Обратим внимание на то, что данные несут в себе информацию о событиях, произошедших в материальном мире, поскольку они являются регистрацией сигналов, возникших в результате этих событий. Однако данные не тождественны информации. Наблюдая излучения далеких звезд, человек получает определенный поток данных, но станут ли эти данные информацией, зависит еще от очень многих обстоятельств. Рассмотрим ряд примеров.

Наблюдая за состязаниями бегунов, мы с помощью механического секундомера регистрируем начальное и конечное положение стрелки прибора. В итоге мы замеряем величину ее перемещения за время забега — это регистрация данных. Однако информацию о времени преодоления дистанции мы пока не получаем. Для того чтобы данные о перемещении стрелки дали информацию о времени забега, необходимо наличие метода пересчета одной физической величины в другую. Надо знать цену деления шкалы секундомера (или знать метод ее определения) и надо также знать, как умножается цена деления прибора на величину перемещения, то есть надо еще обладать математическим методом умножения.

Если вместо механического секундомера используется электронный, суть дела не меняется. Вместо регистрации перемещения стрелки происходит регистрация количества тактов колебаний, произошедших в электронной системе за время измерения. Даже если секундомер непосредственно отображает время в секундах и нам не нужен метод пересчета, то метод преобразования данных все равно присутствует — он реализован специальными электронными компонентами и работает автоматически, без нашего участия.

Прослушивая передачу радиостанции на незнакомом языке, мы получаем данные, но не получаем информацию в связи с тем, что не владеем методом преобразования данных в известные нам понятия. Если эти данные записать на лист бумаги или на магнитную ленту, изменится форма их представления, произойдет новая регистрация и, соответственно, образуются новые данные. Такое преобразование можно использовать, чтобы все-таки извлечь информацию из данных путем подбора метода, адекватного их новой форме. Для обработки данных, записанных на листе бумаги, адекватным может быть метод перевода со словарем, а для обработки данных, записанных на магнитной ленте, можно пригласить переводчика, обладающего своими методами перевода, основанными на знаниях, полученных в результате обучения или предшествующего опыта.

Если в нашем примере заменить радиопередачу телевизионной трансляцией, ведущейся на незнакомом языке, то мы увидим, что наряду с данными мы все-таки получаем определенную (хотя и не полную) информацию. Это связано с тем, что люди, не имеющие дефектов зрения, априорно владеют адекватным методом восприятия данных, передаваемых электромагнитным сигналом в полосе частот видимого спектра с интенсивностью, превышающей порог чувствительности глаза. В таких случаях говорят, что метод известен по контексту, то есть данные, составляющие информацию, имеют свойства, однозначно определяющие адекватный метод получения этой информации. (Для сравнения скажем, что слепому “телезрителю” контекстный метод неизвестен, и он оказывается в положении радиослушателя, пример с которым был рассмотрен выше.)

1.1.3. Понятие об информации

Несмотря на то, что с понятием информации мы сталкиваемся ежедневно, строгого и общепризнанного ее определения до сих пор не существует, поэтому вместо определения обычно используют понятие об информации. Понятия, в отличие от определений, не даются однозначно, а вводятся на примерах, причем каждая научная дисциплина делает это по-своему, выделяя в качестве основных компонентов те, которые наилучшим образом соответствуют ее предмету и задачам. При этом типична ситуация, когда понятие об информации, введенное в рамках одной научной дисциплины, может опровергаться конкретными примерами и фактами, полученными в рамках другой науки. Например, представление об информации как о совокупности данных, повышающих уровень знаний об объективной реальности окружающего мира, характерное для естественных наук, может быть опровергнуто в рамках социальных наук. Нередки также случаи, когда исходные компоненты, составляющие понятие информации, подменяют свойствами информационных объектов, например, когда понятие информации вводят как совокупность данных, которые “могут быть усвоены и преобразованы в знания”.

Для информатики как технической науки понятие информации не может основываться на таких антропоцентрических понятиях, как знание, и не может опираться только на объективность фактов и свидетельств. Средства вычислительной техники обладают способностью обрабатывать информацию автоматически, без участия человека, и ни о каком знании или незнании здесь речь идти не может. Эти средства могут работать с искусственной, абстрактной и даже с ложной информацией, не имеющей объективного отражения ни в природе, ни в обществе.

В этой работе мы даем новое определение информации, основанное на ранее продемонстрированном факте взаимодействия данных и методов в момент ее образования.

 

Информация — это продукт взаимодействия данных и адекватных им методов.

Поскольку в такой форме определение информации дается впервые, читатель приглашается для его всесторонней проверки в рамках других известных ему научных дисциплин, а мы рассмотрим пример, в свое время использованный Норбертом Винером для того, чтобы показать, как информация отдельных членов популяции становится информацией общества.

Допустим, я нахожусь в лесах вдвоем со смышленым дикарем, который не может говорить на моем языке и на языке которого я тоже не могу говорить. Даже без какого-либо условного языка знаков, известного нам обоим, я могу многое узнать от него. Мне нужно лишь быть особо внимательным в те моменты, когда он обнаруживает признаки волнения или интереса. Тогда я должен посмотреть вокруг, особенно в направлении его взгляда, и запомнить все, что я увижу и услышу. Не пройдет много времени, как я открою, какие предметы, представляются важными для него, — не потому, что он сообщил мне о них словами, но потому, что я сам их заметил. Иначе говоря, сигнал, лишенный внутреннего содержания, может приобрести для моего спутника смысл по тому, что наблюдает он в данный момент, и может приобрести для меня смысл по тому, что наблюдаю я в данный момент. Способность дикаря замечать моменты моего особенно активного внимания сама по себе образует язык, возможности которого столь же разнообразны, как и диапазон впечатлений, доступных нам обоим.

Н. Винер. Кибернетика

Анализируя этот пример, мы видим, что здесь речь идет о данных и методах. Прежде всего, здесь автор прямо говорит о целой группе методов, связанных с наблюдением и анализом, и даже приводит вариант конкретного алгоритма, адекватного рамкам его гипотетического эксперимента (посмотреть, запомнить, открыть…). Автор неоднократно подчеркивает требование адекватности метода (дикарь должен быть смышленым, а наблюдатель должен быть особо внимательным), без которого информация может и не образоваться.

1.1.4. Диалектическое единство данных и методов в информационном процессе

Рассмотрим данное выше определение информации и обратим внимание на следующие обстоятельства.

1. Динамический характер информации. Информация не является статичным объектом — она динамически меняется и существует только в момент взаимодействия данных и методов. Все прочее время она пребывает в состоянии данных. Таким образом, информация существует только в момент протекания информационного процесса. Все остальное время она содержится в виде данных.

2. Требование адекватности методов. Одни и те же данные могут в момент потребления поставлять разную информацию в зависимости от степени адекватности взаимодействующих с ними методов. Например, для человека, не владеющего китайским языком, письмо, полученное из Пекина, дает только ту информацию, которую можно получить методом наблюдения (количество страниц, цвет и сорт бумаги, наличие незнакомых символов и т. п.). Все это информация, но это не вся информация, заключенная в письме. Использование более адекватных методов даст иную информацию.

3. Диалектический характер взаимодействия данных и методов. Обратим внимание на то, что данные являются объективными, поскольку это результат регистрации объективно существовавших сигналов, вызванных изменениями в материальных телах или полях. В то же время, методы являются субъективными. В основе искусственных методов лежат алгоритмы (упорядоченные последовательности команд), составленные и подготовленные людьми (субъектами). В основе естественных методов лежат биологические свойства субъектов информационного процесса. Таким образом, информация возникает и существует в момент диалектического взаимоде

METU Институт информатики Min720 Классификация образцов с биомедицинскими приложениями. Часть 9: Обзор.

Презентация на тему: «Классификация паттернов Min720 Института информатики METU с биомедицинскими приложениями, часть 9: Обзор.» — Стенограмма презентации:

1 Институт информатики METU, классификация образцов Min720 с биомедицинскими приложениями, часть 9: Обзор

2 Оптимальная классификация: правило Байеса Вектор признаков Категории Дискриминантные функции по одной на категорию Распознаватель образов Оптимальные дискриминантные функции классификатора (минимальная ошибка / минимальный риск) X max g1g1 gcgc g2g2 Действие: или отклонить

3 для минимальной ошибки апостериорная вероятность. Особые случаи: Гауссовские и двоичные границы решения: разделите пространство признаков на области. Гауссовский = Границы квадратичные в целом, линейные для особых случаев.Двоичный = Границы линейны. Пример: Граница принятия решения круглая.

4 Оценка параметров Учитывая форму, мы хотим оценить ее параметры, используя образцы из данной категории. Оценка максимального правдоподобия: Максимизируйте функцию правдоподобия. Найдите, что вызовет Ex: если Тогда,

5 Классификация ближайшего соседа — Оценка плотности -1-NN, k-NN -Показано, что приближается к байесовской скорости с ошибкой, но требует больших вычислений.Уменьшите вычислительные проблемы с помощью алгоритмов редактирования. Уменьшение количества функций — для удаления избыточности и получения статистически независимых характеристик: используйте PCA (анализ основных компонентов) — для получения функций с хорошей разделяющей способностью — линейный дискриминант Фишера Линейные и обобщенные дискриминантные функции Граница принятия решения: линейная Как найти параметры гиперплоскости, которые лучше всего разделяются.

6 -Итерационные методы: использование градиентного спуска: обучение персептрона — сводит к минимуму неправильно классифицированные выборки -Неитеративные методы-минимальная квадратичная ошибка (Уидроу-Хоффа) -Поддержка векторных машин- Размерность увеличивается, так что выборки разделяютсяОбобщенные дискриминантные функции: -Функции, подобные квадратичной, могут использоваться для обобщения. -Многокатегорийные проблемы. Пример: а) Является ли задача линейно разделимой? б) Получите 3 весовых вектора с помощью алгоритма персептрона

7 Нам нужно W 10, W 20, W 30 W2W2 W1W1 W3W3 Для решения применим алгоритм с расширением мультикатегории. дополненный

8 Дополните выборки: повторите алгоритм, начиная со случайно выбранной выборки.если так

Институт информатики METU Классификация образцов Min720 с биомедицинскими приложениями. Часть 6: Классификация ближайшего и k-ближайшего соседа.

Презентация на тему: «Классификация образов Min720 Института информатики METU с биомедицинскими приложениями, часть 6: Классификация ближайшего и k-ближайшего соседа». — Стенограмма презентации:

1 Институт информатики METU Классификация образцов Min720 с биомедицинскими приложениями, часть 6: Классификация ближайшего и k-ближайшего соседа

2 Правило ближайшего соседа (NN) и правило k-ближайшего соседа (k-NN) Правила непараметрической классификации: Линейные и обобщенные дискриминантные функции Правила ближайшего соседа и правила k-NN NN Правило 1-NN: Прямая классификация с использованием обучающих выборок Предположим, что у нас есть M обучающие выборки из всех категорий Xjk: k-й образец из i-й категории Предположим расстояние между выборками

3 Общая метрика расстояния должна подчиняться следующим правилам: Самый стандартный: Евклидово расстояние.

4 if For То есть присвоить X категории, если ближайший сосед X из категории i.Правило 1-NN: дан неизвестный образец X

5 Пример: Найдите границу решения для задачи ниже. Граница принятия решения: Кусочно-линейное правило k-NN: вместо того, чтобы смотреть на ближайшую выборку, мы смотрим на k ближайших соседей к X и проводим голосование. Побеждает самый большой голос. k обычно берется как нечетное число, чтобы не возникало ничьей.

6 Показано, что правило k-NN приближается к оптимальной классификации, когда k становится очень большим, но k-I NN (NN с опцией отклонения) Решает, превышает ли большинство заданный порог I.В противном случае откажитесь. k = 5 Если мы установим порог I = 4, то, приведенный выше пример отклоняется для классификации.

7 Анализ правила NN возможен, когда и было показано, что оно не хуже, чем в два раза выше классификации с минимальной ошибкой (по частоте ошибок). РЕДАКТИРОВАНИЕ И КОНДЕНСИРОВАНИЕ Правило NN становится очень привлекательным из-за своей простоты и в то же время хорошей производительности. Таким образом, становится важным снизить связанные с этим вычислительные затраты.Сделайте интеллектуальное удаление образцов. Удалите образцы, которые не влияют на границу решения.

8 Диаграммы Вороного Граница решения — это многоугольник, в котором любая точка, попадающая в него, находится ближе к любому другому образцу.

9 Таким образом, правило редактирования состоит в отбрасывании всех образцов, не имеющих многоугольника Вороного, имеющего общую границу, принадлежащую образцу из другой категории.Алгоритм редактирования NN  Рассмотрите диаграммы Вороного для всех выборок  Найдите соседей Вороного для выборки X ’ Если какой-либо сосед из другой категории, оставьте X’. Остальное снимаем с набора.  Постройте диаграмму Вороного с оставшимися образцами и используйте ее для классификации.

10 Преимущество NNR: нет обучения — нет оценки, которую так легко реализовать. Недостаток: классификация дороже. Итак, люди нашли способы снизить стоимость NNR.Анализ правил NN и k-NN: возможно, когда X (неизвестный образец) и X ’(ближайший сосед) подойдут очень близко. То есть мы выбираем категорию с вероятностью (апостериорной вероятностью).

11 Границы ошибок и связь с правилом Байеса: Предположить — Граница ошибки для правила Байеса (число от 0 до 1) — Граница ошибки для 1-NN — Граница ошибки для k-NN Можно показать, что для 2 категорий и для категорий c Всегда лучше, чем вдвое больше байесовских ошибок!

12 E = Граница для k = 1 Наибольшая ошибка возникает, когда (все плотности одинаковы), тогда E

Системы рекомендаций и классификации: систематическое сопоставление

Сегодня алгоритмы рекомендаций широко используются компаниями во многих секторах с целью увеличения их прибыли или предложения более специализированных услуг своим клиентам.Более того, существует бесчисленное множество приложений, в которых используются алгоритмы классификации, стремящиеся найти закономерности, которые трудно обнаружить людям или стоимость обнаружения которых очень высока. Иногда необходимо использовать комбинацию обоих алгоритмов, чтобы дать оптимальное решение проблемы. Это случай ADAGIO, научно-исследовательского проекта, который объединяет стратегии машинного обучения (ML) из разнородных источников данных для получения ценных знаний на основе доступных открытых данных. В целях поддержки требований проекта ADAGIO основная цель этого документа — дать четкое представление о существующих классификационных и рекомендательных системах машинного обучения, чтобы помочь исследователям и практикам выбрать лучший вариант.Для достижения этой цели в данной работе представлен систематический обзор, применяемый в двух контекстах: научном и промышленном. Было проанализировано более тысячи статей, в результате чего было проведено 80 первичных исследований. Выводы показывают, что сочетание этих двух алгоритмов (классификации и рекомендации) на практике мало используется. Фактически, подтверждения, представленные для обоих случаев, очень скудны в промышленной среде. С точки зрения жизненного цикла разработки программного обеспечения, этот обзор также показывает, что работа, выполняемая в исследовательской и промышленной среде ML (для классификации и рекомендаций), далека от более ранних стадий, таких как бизнес-требования и анализ.Это очень затрудняет поиск эффективных и действенных решений, которые удовлетворяют реальные потребности бизнеса с самого начала. Поэтому в статье предлагается разработать новые направления исследований машинного обучения, чтобы облегчить его применение в различных областях.

1. Введение

Значительный рост объема данных и информации, к которым можно получить доступ (известные «большие данные»), в сочетании с сотрудничеством с правительством по предоставлению открытой информации (открытые данные), заставляет компании очень интересоваться этой проблемой.Одна из самых больших проблем в этой области заключается в том, что эта информация не находится в одном месте, даже в общем формате интерпретации. Следовательно, необходимо создавать решения, которые собирают эти разрозненные данные и применяют определенную обработку, чтобы их можно было предложить своим клиентам.

Сбор разрозненной информации и ее объединение, чтобы иметь возможность работать с ней, открыли бы новую рыночную нишу, новую бизнес-единицу, учитывая возможность автоматического генерирования ценных данных.Кроме того, это повысит независимость при принятии решений или решении проблем, не прибегая к услугам эксперта по управлению бизнесом.

В этом контексте родился проект ADAGIO. Это научно-исследовательский проект, сочетающий в себе стратегии больших данных и машинного обучения (ML) для обработки геолокационных данных, извлеченных из разнородных источников данных. Он позволяет агрегировать, консолидировать и нормализовать данные из различных семантических полей, полученных из источников, упомянутых ранее.Его цель — дать возможность консультироваться с согласованной информацией с использованием конкретных переменных, что облегчает получение знаний.

Применение систем классификации и рекомендаций в этом проекте представляет большой интерес для взаимосвязи и периодической консолидации процесса обработки данных, так что система развивает возможности для преобразования, взаимосвязи и интеграции данных посредством контролируемого обучения. Кроме того, эти системы имеют большое значение для управления запросами, повышая производительность запросов пользователей на максимально естественном и высоком уровне языка.Тот факт, что пользователь получает хорошие результаты при поиске на платформе ADAGIO, является одной из основных целей проекта. Для удобства пользователей предложения предлагаются на этапе заполнения параметров поиска. На этом этапе также потребуется сотрудничество пользователей системы, оценивающих результаты поиска в соответствии с их качеством и точностью.

Это исследование было выполнено, чтобы облегчить исследователям и практикам задачу выбора наиболее подходящей системы, технологии или алгоритма для включения в проект ADAGIO для удовлетворения их требований.В этом смысле данная статья представляет собой систематическое картографическое исследование (SMS), в котором анализируется текущее состояние систем рекомендаций и классификации и их совместная работа. Затем, с точки зрения жизненного цикла разработки программного обеспечения, этот обзор также показывает, что работа, выполняемая в исследовательской и промышленной среде машинного обучения (для классификации и рекомендаций), далека от более ранних стадий, таких как бизнес-требования и анализ. Это очень затрудняет поиск эффективных и действенных решений, которые удовлетворяют реальные потребности бизнеса с самого начала.Затем в этой статье предлагается разработать новые направления исследований машинного обучения, чтобы облегчить его применение в различных областях.

Этот документ организован следующим образом. Раздел 2 описывает работы, наиболее близкие к нашему предложению; В Разделе 3 подробно описан выбранный метод отправки SMS; В разделах с 4 по 8 показано выполнение различных этапов SMS; и, наконец, в Разделе 9 резюмируются выводы, полученные в результате исследования, и представлен набор будущих работ.

2. Связанные работы

Системы рекомендаций и классификации вызывают большой интерес в научном сообществе.В этом разделе представлены работы, наиболее близкие к исследованиям, предлагаемым в данной статье.

Jaysri et al. [1] представили полный обзор рекомендательных систем с упором на совместную фильтрацию. Он показывает различные алгоритмы, основанные на этой фильтрации, как для профиля пользователя, так и для характеристик продукта. Кроме того, он демонстрирует несколько методов классификации, которые могут быть частью исходных данных для рекомендательных систем. Экстранд и др. [2] представили общий обзор и сосредоточились на области рекомендательных систем.Их цель состояла в том, чтобы узнать больше о текущих разработках методов рекомендаций, особенно систем, использующих совместную фильтрацию.

Получение исследовательской точки зрения о том, как принимать решения при выборе алгоритмов для предложения рекомендаций, можно найти в статье, представленной Гунавардана и Шани [3]. Он критикует использование онлайн-методов, которые могут предлагать меры для выбора алгоритмов рекомендаций, и определяет в качестве важнейшего элемента использование автономных инструментов для получения этих показателей.Кроме того, он отказывается от использования традиционных показателей для выбора алгоритма и проверяет надлежащую разработку экспериментов для его проведения. Для этого авторы проводят анализ важных задач рекомендательных систем и классифицируют набор подходящих и известных мер оценки для каждой задачи.

Poussevin et al. [4] выявили проблему учета предпочтений пользователей при вынесении рекомендаций. Авторы проанализировали комбинацию систем рекомендаций и классификаторов, которые выделяют слова, указывающие на разрыв между ожиданиями пользователей и их реальным опытом.Они приходят к выводу, что традиционные рекомендательные системы анализируют прошлые классификации; то есть они рассматривают историю предпочтений пользователей, в то время как системы рекомендаций, которые анализируют классификации мнений, рассматривают существующие оценки на данный момент.

В рамках ML наблюдается рост интереса исследовательского сообщества, чему посвящено множество статей. В некоторых предложениях используются лексические классификаторы для выявления возможных ощущений с помощью содержательных рекомендаций [5].Другие авторы сосредоточились на более традиционных ответвлениях машинного обучения, используя, среди прочего, хорошо известные и проверенные статистические методы, такие как логистическая регрессия, коэффициент корреляции Пирсона или применение наивной теоремы Байеса, основанной на вероятности [6]. Авторы этой статьи сосредоточились на расширении этих методов для решения проблем, присущих системам рекомендаций, таких как холодный старт или масштабируемость. Холодный старт [7] является типичной проблемой с самого начала систем рекомендаций, потому что, когда в системе недостаточно данных, точность рекомендаций не может быть гарантирована.Это проблема, которая усугубляется в начале внедрения системы, когда данные недоступны. Масштабируемость становится довольно сложной задачей из-за увеличения объема информации в последние годы и объема данных, которыми системы должны управлять. Системы рекомендаций, основанные как на продуктах, так и на пользователях, влияют на производительность и точность, когда эти объемы данных очень большие. Работа, представленная Ghazanfar и Prügel-Bennett [8], также была сосредоточена на этой проблеме, как правило, для пользовательских рекомендаций, которые наиболее часто используются.

Альтернативная интересная связанная работа, посвященная использованию ML, — это обзор классификации настроений, представленный Hailong et al. [9]. В этой работе авторы также проводят сравнительное исследование найденных методов, делая вывод, что контролируемое машинное обучение обеспечивает более высокую точность, в то время как методы, основанные на лексике, также являются конкурентоспособными, поскольку они требуют меньше усилий и не чувствительны к количеству и качеству набор обучающих данных. Обзор, представленный Му [10], представляет собой обзор рекомендательных систем, основанных на глубоком обучении.Авторы завершают эту работу, суммируя ряд направлений будущих исследований, таких как кросс-домен, масштабируемость, объяснимость или рекомендательные системы на основе глубокой составной модели, среди прочего.

В документе, представленном Portugal et al. [11] представляет систематический обзор использования ML в рекомендательных системах. Авторы проанализировали 121 первичное исследование, классифицированное по разным категориям: контентная фильтрация и фильтрация по соседству, совместная фильтрация по соседству и модель, а также гибридная фильтрация.Эта работа помогает разработчикам распознавать алгоритмы, их типы и тенденции использования конкретных алгоритмов. Он также предлагает метрики оценки текущего типа и классифицирует алгоритмы на основе этих метрик. Ouhbi et al. [12] предложили систему рекомендаций, основанную на глубоком обучении, чтобы преодолеть некоторые ограничения существующих подходов. В соответствующем разделе этой статьи авторы описывают небольшое современное состояние рекомендательных систем на основе глубокого обучения, подробно описывая метод, подход, метрику, набор данных, преимущества и недостатки семи предложений.

Zhang et al. [13] представили широкий обзор рекомендательных систем на основе глубокого обучения, предложив классификацию и выделив группу наиболее влиятельных. Авторы обсуждают плюсы и минусы использования методов глубокого обучения для рекомендательных задач. Кроме того, подробно описаны некоторые из наиболее актуальных открытых проблем и перспективных будущих расширений.

Таким образом, в обзоре литературы были представлены различные темы, которые могут приблизиться к преследуемой цели. Но есть несколько отличий между этими статьями и тем, что представлено в этой работе: (i) процесс обзора: в отличие от остальных статей, это исследование представляет собой систематический и строгий процесс, обеспечивающий качество полученных результатов; (ii) контекст применения: обычно обзоры проводятся на научной литературе; в этом случае данное исследование также представляет собой обзор промышленного масштаба с анализом основных существующих решений проблемы; и (iii) сфера применения: в этом систематическом обзоре современное состояние систем классификации и рекомендаций представлено в совместной работе, то, что в уже упомянутых родственных работах не выполняется или выполняется независимо для классификации или рекомендация.

3. Методология

Систематический обзор литературы — эффективный способ узнать современное состояние предмета. Эта процедура обеспечивает определенный уровень качества информации и пользуется поддержкой исследовательского сообщества. Мониторинг систематического и управляемого процесса гарантирует надежные и интересные результаты и облегчает работу по сбору информации.

Обзор, представленный в этой статье, помещен в контекст систем рекомендаций и классификации с двух точек зрения: научной и промышленной.

При проведении систематического обзора литературы (SLR) основной методологией, которую следует учитывать, является метод, представленный Kitchenham and Charters [14]. Это один из наиболее широко используемых методов в области разработки программного обеспечения. Он предлагает способ выполнения SLR, состоящий из трех этапов: планирование, проведение обзора и отчет о результатах. Однако вместо того, чтобы выполнять глубокий обзор статей, сравнивающих их, что является основной целью SLR, это исследование стремится предоставить обзор интересной темы и определить количество и тип опубликованных исследований, связанных с ними, а также соответствующие результаты доступны.Таким образом, наилучшей методологией для применения является систематическое картографическое исследование (SMS), представленное Petersen et al. [15], вид систематического обзора, но с более широкой целью. Этот метод позволит идентифицировать субъектов, которым не хватает эмпирических данных и которые необходимы для проведения дополнительных эмпирических исследований. SMS-сообщения демонстрируют много общего с SLR. Как можно видеть на диаграмме действий на Рисунке 1, этот метод устанавливает набор из пяти шагов, каждый из которых дает результат.Эти шаги заключаются в следующем: (i) Определение вопросов исследования. Формулировка исследовательских вопросов (RQ), которые будут направлять работу (ii) Провести поиск. Поиск обычно выполняется в различных электронных библиотеках и основан на некоторых ключевых словах, извлеченных из запросов на получение ответов. (Iii) Просмотр статей. Применение критериев включения и исключения с целью выбора наиболее релевантных и близких к теме исследования статей. (Iv) Ключевые слова с использованием аннотации .Построение схемы классификации, в которой все первичные статьи, выбранные на предыдущем этапе, будут классифицированы. (V) Процесс извлечения и отображения данных . Процесс извлечения и отображения данных на основе результатов, полученных в процессе ввода ключевых слов. Эта деятельность позволит исследователям классифицировать текущее состояние темы и выявить пробелы и возможности для будущих исследований.