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
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.
Context-Aware Approach to Intelligent Decision Support Based on User Digital Traces
Abstract
A context-aware approach to intelligent decision support based on user digital traces is proposed. The concept of human digital life with regard to intelligent decision support is discussed. The aims of addressing this concept in diverse domains are clarified and approaches to modelling human digital life are identified. In the proposed approach, digital traces serve as a source of information to reveal user preferences and decision-making behaviour. Perspectives on decision support based on user digital traces are developed. The research outcomes are the specification of requirements to intelligent decision support based on user digital traces, the principles, conceptual framework and information model of such support. The principles form the basis for the conceptual framework of intelligent decision support based on user digital traces. Components of the conceptual model are user profiles; a user digital life model that structures information containing in the digital traces; group patterns that describe preferences and decision-making behavior shared by a user group; and a decision maker ontology. The information model defines information flows between the framework’s components, identifies tasks that require solutions to implement the framework and offers techniques for this. The novelties of the research are applying the concept of human digital life to intelligent decision support and context-dependent ontological inference of the type of user as a decision-maker, which determines a group of users sharing their preferences and behaviours with the active user, to predict a recommended decision. The paper contributes to the areas of modelling human digital life and intelligent decision support.
Опубликован
Как цитировать
Раздел
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).