Контекстно-управляемый подход к интеллектуальной поддержке принятия решений на основе цифровых следов пользователей
Ключевые слова:
интеллектуальная поддержка принятия решений, рекомендательные системы, модель жизни пользователя в цифровой среде, группирование пользователейАннотация
Разрабатывается контекстно-управляемый подход к интеллектуальной поддержке принятия решений на основе цифровых следов пользователей. Рассматриваются вопросы использования концепции жизни человека в цифровой среде при интеллектуальной поддержке принятия решений. Исследуются цели обращения к цифровым следам человека в различных проблемных областях и выявляются подходы к моделированию жизни человека в цифровой среде. Предлагается подход к интеллектуальной поддержке принятия решений, в котором цифровые следы служат источником информации для выявления предпочтений пользователей и их поведения при принятии решений. Развиваются взгляды на поддержку принятия решений на основе учета следов пользователей в цифровой среде. Результатами исследования являются спецификация требований к интеллектуальной поддержке принятия решений на основе цифровых следов пользователя, принципы, концептуальная и информационная модели такой поддержки.
Литература
1. Schwab K. The Fourth Industrial Revolution: what it means, how to respond // World economic forum. 2016. vol. 14. no. 01. pp. 2016.
2. Meffert J., Mendonça P. Digital @scale : o manual que precisa para transformar a sua empres: 1st ed // Lisboa: Planeta. 2017. 320 p.
3. Strategic Research Agenda for Electronic Components & Systems // ECS Electronic Components + Systems. 2020. 368 p. URL: https://aeneas-office.org/wp-content/uploads/2020/07/ECS-SRA2020_L.pdf (дата обращения: 28.07.2020).
4. Ayed G.B. Architecting User-centric Privacy-as-a-set-of-services: Digital Identity-related Privacy Framework // Springer. 2014. 177 p.
5. Seeskin Z.H., LeClere F., Ahn J. et al. Uses of Alternative Data Sources for Public Health Statistics and Policymaking: Challenges and Opportunities // Proceedings of 2018 Joint Statistical Meetings. American Statistical Association. 2018. pp. 1822–1861.
6. Araujo T., Helberger N., Kruikemeier S., de Vreese C.H. In AI We Trust? Perceptions about Automated Decision-Making by Artificial Intelligence // AI & SOCIETY. 2020. 13 p.
7. Han M.L., Kwak B.I., Kim H.K. CBR-Based Decision Support Methodology for Cybercrime Investigation: Focused on the Data-Driven Website Defacement Analysis // Security and Communication Networks. 2019. vol. 2019. Article ID 1901548.
8. Surendro K. Predictive Analytics for Predicting Customer Behavior // International Conference of Artificial Intelligence and Information Technology (ICAIIT). 2019. pp. 230–233.
9. MyLifeBits. 2001. URL: https://www.microsoft.com/en-us/research/project/mylifebits/ (дата обращения: 27.07.2020).
10. Bell G., Gemmell J. A Digital Life // Scientific American. 2007. vol. 296. no. 3. pp. 58–65.
11. Gemmell J., Lueder R., Bell G. The MyLifeBits Lifetime Store // Proceedings of the 2003 ACM SIGMM workshop on Experiential telepresence. ACM Press. 2003. pp. 80–83.
12. Ahmed M. et al. "SemanticLIFE"–A framework for managing information of a human lifetime //Proceedings of 6th International Conference on Information Integration and Web-based Applications and Services. 2004. pp. 725–734. URL: http://www.ifs.tuwien.ac.at/~tho/publications/iiWAS04-2.pdf (дата обращения: 28.07.2020).
13. Gerber S., Fry M., Kay J. et al. PersonisJ: Mobile, Client-Side User Modelling // International Conference on User Modeling, Adaptation, and Personalization. Springer-Verlag. 2010. LNCS 6075. pp. 111–122.
14. Schwab K. et al. Personal data: The emergence of a new asset class // An Initiative of the World Economic Forum. 2011. 40 p. URL: https://www.weforum.org/reports/personal-data-emergence-new-asset-class (дата обращения: 28.07.2020).
15. Bahrainian S.A., Crestani F. Tracking Smartphone App Usage for Time-Aware Recommendation // Digital Libraries: Data, Information, and Knowledge for Digital Lives. Springer. 2017. LNCS. 10647. pp. 161–172.
16. Pousttchi K., Dehnert M. Exploring the Digitalization Impact on Consumer Decision-Making in Retail Banking // Electronic Markets. 2018. vol. 28. no. 3. pp. 265–286.
17. Meister S., Otto B. Digital Life Journey – Framework for a Self-Determined Life of Citizens in an Increasingly Digitized World // ISST Report. Fraunhofer ISST. 2019. 38 p.
18. Otto B. Reference Architecture Model // International Data Spaces Association. Report. Berlin. 2019. 118 p. URL: https://www.internationaldataspaces.org/wp-content/uploads/2019/03/IDS-Reference-Architecture-Model-3.0.pdf (дата обращения: 28.07.2020).
19. Mader C., Pullmann J., Petersen N. et al. Industrial Data Space Information Model. Fraunhofer IAIS/EIS, Fraunhofer FIT. 2020. URL: https://w3id.org/idsa/core (дата обращения: 30.07.2020).
20. Eke C.I, Norman A.A. Shuib L., Nweke H.F. A Survey of User Profiling: State-of-the-Art, Challenges, and Solutions // IEEE Access. 2019. vol. 7. pp. 144907–144924.
21. Harkovchuk A., Korzun D. Semantic Information Search Service by Person’s Face Photo // Proceedings of the 24th Conference of Open Innovations Association FRUCT. 2019. pp. 821–823.
22. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее // Новости искусственного интеллекта. 2001. Вып. 43. № 1. URL: http://raai.org/about/persons/osipov/pages/ai/ai.html (дата обращения: 28.07.2020).
23. Gen M. Fay T., Astorino-Courtois A. et al. SMA White Paper: The Science of Decision Making across the Span of Human Activity. The US Department of Defense Strategic Multilayer Assessment (SMA). 2015. 78 p. URL: https://nsiteam.com/social/wp-content/uploads/2016/01/The-Science-of-Decision-Making-across-the-Span-of-Human-Activity.pdf (дата обращения: 28.07.2020).
24. McGuinness D.L., Harmelen F. van. OWL Web Ontology Language Overview // W3C Recommendation. 2004. URL: https://www.w3.org/TR/owl-features/ (дата обращения: 31.07.2020).
25. Dentler K. Cornet R., ten Teije A., de Keizer N. Comparison of reasoners for large ontologies in the OWL 2 EL profile // Semantic Web. 2011. vol. 2. no. 2. pp. 71–87.
26. Abburu S. A Survey on Ontology Reasoners and Comparison // International Journal of Computer Applications. 2012. vol. 57. no. 17. pp. 33–39.
27. Parsia B., Matentzoglu N., Gonçalves R.S.et al. The OWL Reasoner Evaluation (ORE) 2015 Competition Report // Journal of Automated Reasoning. 2017. vol. 59. no. 4. pp. 455–482.
28. Городецкий В.И., Тушканова О.Н. Онтологии и персонификация профиля пользователя в рекомендующих системах третьего поколения // Онтология проектирования. 2014. № 13. № 3. С. 7–31.
29. Wong B. L. W., Keith S., Springett M. Fit for Purpose Evaluation: The case of a public information kiosk for the socially disadvantaged // People and Computers XIX—The Bigger Picture. Springer. 2006. pp. 149–165.
30. Bayer J. Customer Segmentation in the Telecommunications Industry // Journal of Database Marketing & Customer Strategy Management. 2010. vol. 17. no. 3–4. pp. 247–256.
31. Glimm B., Horrocks I., Motik B. et al. A Novel Approach to Ontology Classification // Journal of Web Semantics. 2012. vol. 14. pp. 84–101.
2. Meffert J., Mendonça P. Digital @scale : o manual que precisa para transformar a sua empres: 1st ed // Lisboa: Planeta. 2017. 320 p.
3. Strategic Research Agenda for Electronic Components & Systems // ECS Electronic Components + Systems. 2020. 368 p. URL: https://aeneas-office.org/wp-content/uploads/2020/07/ECS-SRA2020_L.pdf (дата обращения: 28.07.2020).
4. Ayed G.B. Architecting User-centric Privacy-as-a-set-of-services: Digital Identity-related Privacy Framework // Springer. 2014. 177 p.
5. Seeskin Z.H., LeClere F., Ahn J. et al. Uses of Alternative Data Sources for Public Health Statistics and Policymaking: Challenges and Opportunities // Proceedings of 2018 Joint Statistical Meetings. American Statistical Association. 2018. pp. 1822–1861.
6. Araujo T., Helberger N., Kruikemeier S., de Vreese C.H. In AI We Trust? Perceptions about Automated Decision-Making by Artificial Intelligence // AI & SOCIETY. 2020. 13 p.
7. Han M.L., Kwak B.I., Kim H.K. CBR-Based Decision Support Methodology for Cybercrime Investigation: Focused on the Data-Driven Website Defacement Analysis // Security and Communication Networks. 2019. vol. 2019. Article ID 1901548.
8. Surendro K. Predictive Analytics for Predicting Customer Behavior // International Conference of Artificial Intelligence and Information Technology (ICAIIT). 2019. pp. 230–233.
9. MyLifeBits. 2001. URL: https://www.microsoft.com/en-us/research/project/mylifebits/ (дата обращения: 27.07.2020).
10. Bell G., Gemmell J. A Digital Life // Scientific American. 2007. vol. 296. no. 3. pp. 58–65.
11. Gemmell J., Lueder R., Bell G. The MyLifeBits Lifetime Store // Proceedings of the 2003 ACM SIGMM workshop on Experiential telepresence. ACM Press. 2003. pp. 80–83.
12. Ahmed M. et al. "SemanticLIFE"–A framework for managing information of a human lifetime //Proceedings of 6th International Conference on Information Integration and Web-based Applications and Services. 2004. pp. 725–734. URL: http://www.ifs.tuwien.ac.at/~tho/publications/iiWAS04-2.pdf (дата обращения: 28.07.2020).
13. Gerber S., Fry M., Kay J. et al. PersonisJ: Mobile, Client-Side User Modelling // International Conference on User Modeling, Adaptation, and Personalization. Springer-Verlag. 2010. LNCS 6075. pp. 111–122.
14. Schwab K. et al. Personal data: The emergence of a new asset class // An Initiative of the World Economic Forum. 2011. 40 p. URL: https://www.weforum.org/reports/personal-data-emergence-new-asset-class (дата обращения: 28.07.2020).
15. Bahrainian S.A., Crestani F. Tracking Smartphone App Usage for Time-Aware Recommendation // Digital Libraries: Data, Information, and Knowledge for Digital Lives. Springer. 2017. LNCS. 10647. pp. 161–172.
16. Pousttchi K., Dehnert M. Exploring the Digitalization Impact on Consumer Decision-Making in Retail Banking // Electronic Markets. 2018. vol. 28. no. 3. pp. 265–286.
17. Meister S., Otto B. Digital Life Journey – Framework for a Self-Determined Life of Citizens in an Increasingly Digitized World // ISST Report. Fraunhofer ISST. 2019. 38 p.
18. Otto B. Reference Architecture Model // International Data Spaces Association. Report. Berlin. 2019. 118 p. URL: https://www.internationaldataspaces.org/wp-content/uploads/2019/03/IDS-Reference-Architecture-Model-3.0.pdf (дата обращения: 28.07.2020).
19. Mader C., Pullmann J., Petersen N. et al. Industrial Data Space Information Model. Fraunhofer IAIS/EIS, Fraunhofer FIT. 2020. URL: https://w3id.org/idsa/core (дата обращения: 30.07.2020).
20. Eke C.I, Norman A.A. Shuib L., Nweke H.F. A Survey of User Profiling: State-of-the-Art, Challenges, and Solutions // IEEE Access. 2019. vol. 7. pp. 144907–144924.
21. Harkovchuk A., Korzun D. Semantic Information Search Service by Person’s Face Photo // Proceedings of the 24th Conference of Open Innovations Association FRUCT. 2019. pp. 821–823.
22. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее // Новости искусственного интеллекта. 2001. Вып. 43. № 1. URL: http://raai.org/about/persons/osipov/pages/ai/ai.html (дата обращения: 28.07.2020).
23. Gen M. Fay T., Astorino-Courtois A. et al. SMA White Paper: The Science of Decision Making across the Span of Human Activity. The US Department of Defense Strategic Multilayer Assessment (SMA). 2015. 78 p. URL: https://nsiteam.com/social/wp-content/uploads/2016/01/The-Science-of-Decision-Making-across-the-Span-of-Human-Activity.pdf (дата обращения: 28.07.2020).
24. McGuinness D.L., Harmelen F. van. OWL Web Ontology Language Overview // W3C Recommendation. 2004. URL: https://www.w3.org/TR/owl-features/ (дата обращения: 31.07.2020).
25. Dentler K. Cornet R., ten Teije A., de Keizer N. Comparison of reasoners for large ontologies in the OWL 2 EL profile // Semantic Web. 2011. vol. 2. no. 2. pp. 71–87.
26. Abburu S. A Survey on Ontology Reasoners and Comparison // International Journal of Computer Applications. 2012. vol. 57. no. 17. pp. 33–39.
27. Parsia B., Matentzoglu N., Gonçalves R.S.et al. The OWL Reasoner Evaluation (ORE) 2015 Competition Report // Journal of Automated Reasoning. 2017. vol. 59. no. 4. pp. 455–482.
28. Городецкий В.И., Тушканова О.Н. Онтологии и персонификация профиля пользователя в рекомендующих системах третьего поколения // Онтология проектирования. 2014. № 13. № 3. С. 7–31.
29. Wong B. L. W., Keith S., Springett M. Fit for Purpose Evaluation: The case of a public information kiosk for the socially disadvantaged // People and Computers XIX—The Bigger Picture. Springer. 2006. pp. 149–165.
30. Bayer J. Customer Segmentation in the Telecommunications Industry // Journal of Database Marketing & Customer Strategy Management. 2010. vol. 17. no. 3–4. pp. 247–256.
31. Glimm B., Horrocks I., Motik B. et al. A Novel Approach to Ontology Classification // Journal of Web Semantics. 2012. vol. 14. pp. 84–101.
Опубликован
2020-10-01
Как цитировать
Смирнов, А. В., & Левашова, Т. В. (2020). Контекстно-управляемый подход к интеллектуальной поддержке принятия решений на основе цифровых следов пользователей. Информатика и автоматизация, 19(5), 915-941. https://doi.org/10.15622/ia.2020.19.5.1
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Александр Викторович Смирнов, Татьяна Викторовна Левашова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).