1. SISN
  2. Всі випуски
  3. Випуск 14, 2023
  4. Застосування методів рекомендацій в процесах аналізу комп’ютерних комплектуючих

Застосування методів рекомендацій в процесах аналізу комп’ютерних комплектуючих

SISN.
2023;
Випуск 14
: cc. 84 - 99
https://doi.org/10.23939/sisn2023.14.084
Автори:
  1. Олег Верес
  2. Олег Гадзало
1
Національний університет “Львівська політехніка”, кафедра інформаційних систем та мереж
2
Національний університет «Львівська політехніка»

Досліджено проблеми аналізу комп’ютерних комплектуючих, щоб полегшити конструювання комп’ютерів, виконати повний аналіз та покращити  інформаційно-технічну допомогу користувачам із використанням засобів інформаційних технологій.

У роботі описано процес інформаційно-технічної допомоги користувачам з різними комп’ютерними проблемами. Визначено потребу в розробленні системи аналізу комп’ютерних комплектуючих для полегшення конструювання комп’ютерів, їх повне аналізування, створення аналітики проблеми та способів її вирішення й поліпшення інформаційно-технічної допомоги користувачам із комп’ютерними проблемами. Проаналізовано підходи до застосування методології та рішень щодо аналізу комп’ютерних комплектуючих, а також досліджено методи надання рекомендацій. Для генерування пропонованої користувачу множини комплектуючих найкраще застосовувати методи рекомендацій. Стосовно комп’ютерних комплектуючих доцільніше надавати рекомендації для груп користувачів, аніж для окремих користувачів. Для пошуку груп користувачів використано метод мішаної категоріально-чисельної кластеризації, який враховує числові рейтингові та демографічні характеристики користувачів. Використано гібридний метод пошуку груп користувачів, який ґрунтується на коефіцієнті розрідженості матриці користувач– предмет. Описано алгоритм роботи гібридної рекомендаційної системи, що пропонує комп’ютерні комплектуючі залежно від варіантів сформульованих вимог користувача. Використано механізм зваженого гібриду для надання рекомендацій. За допомогою засобів мови UML спроєктовано концептуальну модель системи.

Рекомендаційна система дає змогу користувачу застосувати аналізатор власного комп’ютера, який виявить застарілі комплектуючі та запропонує якісніші деталі й, головне, які максимально підходять. Якщо ж користувач хоче абсолютно новий комп’ютер, можна скористатись конструктором збірок, який на основі рекомендаційної системи підбирає комплектуючі, які відповідають заданому запиту користувача, або ж уже вибраній частині комп’ютера.

аналіз
комп’ютерні комплектуючі
методи кластеризації
методи рекомендацій
рекомендаційна система
  1. Melville P., Sindhwani V. (2017). Recommender Systems. In: Sammut C., Webb G.I. (eds) Encyclopedia of Machine Learning and Data Mining. Springer, Boston, MA. DOI: 10.1007/978-1-4899-7687-1_964
  2. Pavlysh, V. A., Glinenko, L. K. & Shakhovska, N. B. (2018). Fundamentals of information technologies and systems: a textbook. Lviv: Department of Lviv Polytechnic.
  3. Best benchmarks and their pluses. URL: https://www.techradar.com/best/best-benchmarks-software
  4. Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. (2018). Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
  5. Bollen, D., Knijnenburg, B. P., Willemsen, M. C., & Graus, M. (2010, September). Understanding choice overload in recommender systems. In Proceedings of the fourth ACM conference on Recommender systems, 63–70.
  6. Veres, O., & Levus, Y. I. (2022). Recommendation system for leisure planning in quarantine conditions. Bulletin of the Lviv  Polytechnic National University. Series: Information systems and networks.  11,  127–144. DOI:    https://doi.org/10.23939/sisn2022.11.127
  7. Veres, O., Ilchuk, P., Kots, O., & Levus, Y. (2022, November). Information System for Leisure Time- Management in Quarantine Conditions. In 2022 IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT), 156–159. IEEE. Date  Added  to  IEEE  Xplore:  02  January  2023. DOI:   10.1109/CSIT56902.2022.10000478
  8. Veres, O., Ilchuk, P., & Kots, O. (2021). Intelligent Information System for Remote Customer Service. In MoMLeT+ DS, 283–299. https://ceur-ws.org/Vol-3312/paper22.pdf
  9. Bulut, O., Cormier, D. C., & Shin, J. (2020). An intelligent recommender system for personalized test administration scheduling with computerized formative assessments. Front. Educ. 5:572612. DOI: 10.3389/feduc.2020.572612
  10. Falk, K. (2019). Practical recommender systems. Simon and Schuster.
  11. Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176. https://doi.org/10.3390/a13080176.
  12. Atas, M., Felfernig, A., Polat-Erdeniz, S., Popescu, A., Tran, T. N. T., & Uta, M. (2021). Towards psychology-aware preference construction in recommender systems: Overview and research issues. Journal of Intelligent Information Systems, 57, 467–489. https://doi.org/10.1007/s10844-021-00674-5.
  13. Abbasi-Moud, Z., Vahdat-Nejad, H., & Sadri, J. (2021). Tourism recommendation system based on semantic clustering and sentiment analysis. Expert Systems with Applications, 167, 114324. https://doi.org/10.1016/j.eswa.2020.114324.
  14. Amato, F., Moscato, V., Picariello, A., & Piccialli, F. (2019). SOS: a multimedia recommender system for online social networks. Future generation computer systems, 93, 914-923. https://doi.org/10.1016/j.future.2017.04.028.
  15. Loeb, S., & Terry, D. (1992). Information filtering. Communications of the ACM, 35(12), 26–28. http://doi.org/10.1145/138859.138860.
  16. Cantador, I., Fernández, M., Vallet, D., Castells, P., Picault, J., & Ribiere, M. (2008). A multi-purpose ontology-based approach for personalised content filtering and retrieval. Advances in Semantic Media Adaptation and Personalization, 25–51. ISBN 978-3-540-76359-8.
  17. Jalili, M., Ahmadian, S., Izadi, M., Moradi, P., & Salehi, M. (2018). Evaluating collaborative filtering recommender algorithms: a survey. IEEE access, 6, 74003–74024. DOI: 10.1109/ACCESS.2018.2883742.
  18. Geetha, G., Safa, M., Fancy, C., & Saranya, D. (2018, April). A hybrid approach using collaborative filtering and content based filtering for recommender system. Journal of Physics: Conf. Series 1000 (2018), 012101. DOI :10.1088/1742-6596/1000/1/012101
  19. Salter, J., & Antonopoulos, N. (2006). CinemaScreen recommender agent: combining collaborative and content-based filtering. IEEE Intelligent Systems, 21(1), 35–41. http://doi.org/10.1109/MIS.2006.4
  20. Li, B., Li, G., Xu, J., Li, X., Liu, X., Wang, M., & Lv, J. (2023). A personalized recommendation framework based on MOOC system integrating deep learning and big data. Computers and Electrical Engineering, 106, 108571. https://doi.org/10.1016/j.compeleceng.2022.108571.
  21. Lathabai, H. H., Nandy, A., & Singh, V. K. (2022). Institutional collaboration recommendation: An expertise-based framework using NLP and network analysis. Expert Systems with Applications, 209, 118317. https://doi.org/10.1016/j.eswa.2022.118317.
  22. Shivaram, K., Liu, P., Shapiro, M., Bilgic, M., & Culotta, A. (2022, September). Reducing Cross-Topic Political Homogenization in Content-Based News Recommendation. In Proceedings of the 16th ACM Conference on Recommender Systems,  220–228. https://doi.org/10.1145/3523227.3546782.
  23. Goldberg, D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61–70. http://doi.org/10.1145/138859.138867.
  24. Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994, October). Grouplens: An open architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM conference on Computer supported cooperative work, 175–186. https://doi.org/10.1145/192844.192905
  25. Park, S. H., & Han, S. P. (2012, August). Empirical analysis of the impact of product diversity on long- term performance of recommender systems. In Proceedings of the 14th Annual International Conference on Electronic Commerce, 280–281. https://doi.org/10.1145/2346536.2346592
  26. Nilashi, M., Ibrahim, O., & Bagherifard, K. (2018). A recommender system based on collaborative filtering using ontology and dimensionality reduction techniques. Expert Systems with Applications, 92, 507–520. http://doi.org/10.1016/j.eswa.2017.09.058
  27. Abdelwahab, A., Sekiya, H., Matsuba, I., Horiuchi, Y., & Kuroiwa, S. (2012). Alleviating the sparsity problem of collaborative filtering using an efficient iterative clustered prediction technique. International Journal of Information Technology & Decision Making, 11(01), 33–53. https://doi.org/10.1142/S0219622012500022
  28. Martins, G. B., Papa, J. P., & Adeli, H. (2020). Deep learning techniques for recommender systems based on collaborative filtering. Expert Systems, 37(6), e12647. https://doi.org/10.1111/exsy.12647
  29. Alabdulrahman, R., & Viktor, H. (2021). Catering for unique tastes: Targeting grey-sheep users recommender systems through one-class machine learning. Expert Systems with Applications, 166, 114061. https://doi.org/10.1016/j.eswa.2020.114061.
  30. Ansari, A., Essegaier, S., &  Kohli, R. (2000). Internet recommendation systems. http://doi.org/10.1509/jmkr.37.3.363.18779
  31. Basilico, J., & Hofmann, T. (2004, July). Unifying collaborative and content-based filtering. In Proceedings of the twenty-first international conference on Machine learning (p. 9). https://doi.org/10.1145/1015330.1015394
  32. Çano, E., & Morisio, M. (2017). Hybrid recommender systems: A systematic literature review. Intelligent Data Analysis, 21(6), 1487–1524. DOI: 10.3233/IDA-163209.
  33. CPU-Z System information software. URL: https://www.cpuid.com/softwares/cpu-z.html
  34. GPU-Z Main settings and features. URL: https://www.techpowerup.com/gpuz/
  35. AIDA64 Extreme settings. URL: https://www.aida64.com/products/aida64-extreme
  36. Speccy main projects and opportunities. URL: https://www.ccleaner.com/speccy
  37. Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey. Knowledge- based systems, 46, 109–132. https://doi.org/10.1016/j.knosys.2013.03.012
  38. Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE transactions on knowledge and data engineering, 17(6), 734–749. DOI: 10.1109/TKDE.2005.99
  39. Lobur, M. V., Schwartz, M. E., & Stech, Y. V. (2018). Models and methods of forecasting recommendations for collaborative recommender systems. Bulletin of the Lviv Polytechnic National University. Series: Information systems and networks, (901), 68–75. URL: https://science.lpnu.ua/sites/default/files/journal- paper/2019/feb/15581/181912maket-68-75.pdf
  40. Masthoff, J. (2004). Group modeling: Selecting a sequence of television items to suit a group of viewers. Personalized Digital Television: Targeting Programs to individual Viewers, 93–141. https://doi.org/10.1007/1-4020-2164-X_5
  41. Guha, S., Rastogi, R., & Shim, K. (2000). ROCK: A robust clustering algorithm for categorical attributes. Information systems, 25(5), 345–366. https://doi.org/10.1016/S0306-4379(00)00022-3.
  42. Burke, R. (2007). Hybrid web recommender systems. The adaptive web, 377–408. URL: https://link.springer.com/chapter/10.1007/978-3-540-72079-9_12
  43. Ko, H., Lee, S., Park, Y., & Choi, A. (2022). A Survey of Recommendation Systems: Recommendation Models, Techniques, and Application Fields. Electronics, 11(1), 141. DOI: 10.3390/electronics11010141
  44. Javed, U., Shaukat, K., Hameed, I. A., Iqbal, F., Alam, T. M., & Luo, S. (2021). A review of content- based and context-based recommendation systems. International Journal of Emerging Technologies in Learning (iJET), 16(3), 274–306. URL: https://www.learntechlib.org/p/219036/
  45. Beheshti, A., Yakhchi, S., Mousaeirad, S., Ghafari, S. M., Goluguri, S. R., & Edrisi, M. A. (2020). Towards cognitive recommender systems. Algorithms, 13(8), 176. DOI: 10.3390/a13080176
  46. Lin, W., Li, Y., Feng, S., & Wang, Y. (2014, June). The optimization of weights in weighted hybrid recommendation algorithm. In 2014 IEEE/ACIS 13th International Conference on Computer and Information Science (ICIS), 415–418. DOI: 10.1109/ICIS.2014.6912169
  47. Lin, W., Li, Y., Feng, S., & Wang, Y. (2014, June). The optimization of weights in weighted hybrid recommendation algorithm. In 2014 IEEE/ACIS 13th International Conference on Computer and Information Science (ICIS), 415–418. DOI: 10.1109/ICIS.2014.6912169
  48. Johnson, J. (2007). GUI bloopers 2.0: common user interface design don'ts and dos. Elsevier.
  49. Parush, A. (2015). Conceptual design for interactive systems: designing for performance and user experience. Morgan Kaufmann.
  50. de Schipper, E., Feskens, R., & Keuning, J. (2021, March). Personalized and Automated Feedback in Summative Assessment Using Recommender Systems. Frontiers in Education, 6. DOI: 10.3389/feduc.2021.652070
  51. Veres, O., Kunanets, N., Pasichnyk, V., Veretennikova, N., Korz, R., & Leheza, A. (2019, September). Development and Operations-the Modern Paradigm of the Work of IT Project Teams. In 2019 IEEE 14th International Conference on Computer Sciences and Information Technologies (CSIT), 3, 103–106. IEEE. DOI: 10.1109/STC- CSIT.2019.8929861
  52. OMG® Unified Modeling Language® (OMG UML®). URL: https://www.omg.org/spec/ UML/2.5.1/PDF