МОДЕЛЬ ПРЕДСТАВЛЕННЯ ДАНИХ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ В СФЕРІ ОСВІТИ НА ОСНОВІ НЕЧІТКОЇ ЛОГІКИ

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2032.21.260272

Ключові слова:

рекомендаційна система; нечітка модель; терм-множина; рейтингова шкала; об’єкт інтересу користувача; параметри рекомендації

Анотація

Аналіз сучасних досліджень в галузі розробки рекомендаційних систем показав, що їх доволі успішно можна використовувати в освітній сфері. При цьому, якість рекомендації значною мірою залежить не тільки від того, який підхід до побудови рекомендації використано, а й яким чином представлені дані, та які х них враховуються в рекомендації. В роботі наведено обґрунтування вибору моделі представлення даних на основі нечіткої логіки. При побудові моделей нечітких змінних враховано контекст домену предметної галузі, а саме: визначено види можливих рекомендацій; сформовано терм-множини, що відповідають семантиці параметрів та рекомендації; визначено набори альтернативних терм-множин на прикладі визначення рейтингу дисципліни. Моделювання даних проведено з використанням трикутних та Гаусівських функцій належності в залежності від потужності терм-множин нечітких змінних: для терм-множин, що відповідають небінарній шкалі, використано трикутні чи усічені трикутні функції, для бінарних ознак – Гаусівські функції належності. Розглянуто питання багатокритеріальних показників рейтингу та наведено приклад оцінювання дисципліни по декільком показникам, що є складовими її рейтингу. Проведено моделювання даних та сформовано нечіткий висновок щодо рекомендації дисципліни з використанням методу Мамдані. Наведено приклад поширення запропонованого підходу до побудови моделі даних на інші показники рекомендаційної системи та визначено список таких показників відповідно до предметної галузі освіти. Модель дозволяє врахувати показники, що представляють собою число в деякому діапазоні (при цьому можуть бути використані як дискретні так і безперервні шкали) або логічну (бінарну) величину (інтерпретація кожного значення визначається контекстом і може трактуватися в кожному окремому випадку різними способами).

Завантаження

Дані завантаження ще не доступні.

Посилання

Myronenko N., Abramova O., Puliak О. The use of Internet technologies and social media in the educational process and professional activities of teachers of higher education institutions. Science and technology today. 2023. no 10(24). URL: https://doi.org/10.52058/2786-6025-2023-10(24)-284-294

Ayyadevara V. K. Recommender Systems. Pro Machine Learning Algorithms. Berkeley, CA, 2018. P. 299–325. URL: https://doi.org/10.1007/978-1-4842-3564-5_13

Patel D., Patel F., Chauhan U. Recommendation Systems: Types, Applications, and Challenges. International Journal of Computing and Digital Systems. 2023. Vol. 13, no. 1. P. 851–868. URL: https://doi.org/10.12785/ijcds/130168

Danylenko M. S., Kolesnyk I. S. Methods of development of recommender systems. Information technology and computer engineering. 2021. Vol. 52, no 3. P. 10–15. URL: https://doi.org/10.31649/1999-9941-2021-52-3-10-15

An intelligent recommendation system in e-commerce using ensemble learning / A. Shankar et al. Multimedia Tools and Applications. 2023. URL: https://doi.org/10.1007/s11042-023-17415-1

Parfenenko Yu., Kovtun A., Verbytska A. Recommendation information system for finding video materials. Bulletin of Mykhailo Ostrogradsky KrNU. 2019. Vol. 5. P. 97–102. URL: https://doi.org/10.30929/1995-0519.2019.5.97-102

Li E. AI in Video Recommendation System. Highlights in Science, Engineering and Technology. 2023. Vol. 35. P. 280–285. URL: https://doi.org/10.54097/hset.v35i.7214

Paul S., Singh S., Rajbhoj S. Personalized Music Recommendation System. SSRN Electronic Journal. 2021. URL: https://doi.org/10.2139/ssrn.3772631

Amanullah M. A., Khedher A. Recommender Systems for E-Learning. Machine Learning Approaches for Improvising Modern Learning Systems. 2021. P. 221–247. URL: https://doi.org/10.4018/978-1-7998-5009-0.ch009

Cena F., Vernero F. A Study on User Preferential Choices about Rating Scales. International Journal of Technology and Human Interaction. 2015. Vol. 11, no. 1. P. 33–54. URL: https://doi.org/10.4018/ijthi.2015010103

Yassin F. M., Ouarda W., Alimi A. M. Fuzzy ontology as a basis for recommendation Systems for Traveler’s preference. Multimedia Tools and Applications. 2022. Vol. 81, no. 5. P. 6599–6631. URL: https://doi.org/10.1007/s11042-021-11780-5

Mandal M., Mohanty B. K., Dash S. Understanding consumer preference through fuzzy-based recommendation system. IIMB Management Review. 2021. Vol. 33, no. 4. P. 287–298. URL: https://doi.org/10.1016/j.iimb.2021.03.015

Fuzzy Logic / ed. by J. Carter et al. Cham : Springer International Publishing, 2021. URL: https://doi.org/10.1007/978-3-030-66474-9

Downloads


Переглядів анотації: 202

Опубліковано

2023-09-28

Як цитувати

Худік, Б. (2023). МОДЕЛЬ ПРЕДСТАВЛЕННЯ ДАНИХ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ В СФЕРІ ОСВІТИ НА ОСНОВІ НЕЧІТКОЇ ЛОГІКИ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 1(21), 260–272. https://doi.org/10.28925/2663-4023.2032.21.260272