УЗГОДЖЕННЯ ПОЯСНЕННЯ В ІНТЕЛЕКТУАЛЬНІЙ ІНФОРМАЦІЙНІЙ СИСТЕМІ З БАЗОВИМИ ЗНАННЯМИ ЩОДО ПРЕДМЕТНОЇ ОБЛАСТІ
DOI:
https://doi.org/10.26906/SUNZ.2021.1.115Ключові слова:
знання щодо предметної області, узгодженість знань, інтелектуальна інформаційна система, рекомендації, пояснення, патерни поясненьАнотація
Предметом вивчення в статті є процеси побудови пояснень щодо запропонованих інтелектуальною інформаційною системою рішень. Метою є розробка методу узгодження пояснень в інтелектуальній інформаційній системі з урахуванням обмежень, які визначаються базовими знаннями щодо об'єктів та процесів у предметної області. Завдання: структуризація процесу побудови пояснень з урахуванням обмежень, представлених знаннями щодо предметної області; визначення аспектів узгодження пояснення; розробка методу узгодження знань щодо пояснення та предметної області. Використовуваними підходами є: підходи до побудови пояснень, підходи до узгодження знань. Отримані наступні результати. Виконано структуризацію процесу побудови пояснень з урахуванням етапу узгодження знань. Виділено аспекти узгодження знань пояснення із вхідними даними в сенсі використання даних для тлумачення, із отриманим інтелектуальною інформаційною системою рішенням в сенсі узгодження з задачами користувача, а також із знаннями предметної області в сенсі обмежень для використання пояснення. Запропоновано метод узгодження пояснення із знаннями щодо предметної області. Висновки. Наукова новизна отриманих результатів полягає в наступному. Запропоновано метод узгодження пояснення із базовими знаннями щодо об'єктів та процесів у предметної області. Метод передбачає ітеративне виконання послідовності узгодження даних щодо процесу прийняття рішень в інтелектуальній системі із знаннями, що описують предметну область, перевірку узгодженості розробленого пояснення із множиною знань щодо предметної області, а також узгодження пояснення з результуючим рішенням інтелектуальної інформаційної системи. В практичному аспекті метод орієнтований на формування підмножини пояснень, що не протирічать базовим з знанням щодо предметної області. Пояснення у складі цієї множини у подальшому можуть бути упорядковані за критерієм ефективності, з урахуванням особливостей задач, для вирішення яких призначені сформовані інтелектуальною системою рішенняЗавантажити
Посилання
Miller T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, pp. 1-38. DOI: https://doi.org/10.1016/j.artint.2018.07.007. DOI: https://doi.org/10.1016/j.artint.2018.07.007
Tsai C., Brusilovsky P. (2019). Explaining recommendations in an interactive hybrid social recommender. Proceedings of the 24th International Conference on Intelligent User Interfaces, pp. 391-396. DOI: https://doi.org/10.1145/3301275.3302318
Dominguez V., Messina P., Donoso-Guzmán I., Parra D. (2019). The effect of explanations and algorithmic accuracy on visual recommender systems of artistic images. Proceedings of the 24th International Conference on Intelligent User Interfaces (IUI '19), pp. 408-416. DOI: https://doi.org/10.1145/3301275.3302274
Wooley, B. A. (1998). Explanation component of software system. Crossroads, 5(1), pp. 24–28. DOI: https://doi.org/10.1145/332925.332933
Cunningham P., Doyle D., Loughrey J. (2003). An evaluation of the usefulness of case-based reasoning explanation. Proceedings of the International Conference on Case-Based Reasoning, Trondheim, Springer, pp. 122–130. DOI: https://doi.org/10.1007/3-540-45006-8_12
Cleger S., Fernбndez-Luna J., F Huete J. Learning from explanations in recommender systems. Information Sciences, 2014, 287, pp. 90–108.
Chalyi S., Leshchynskyi V., Leshchynska I. (2019). Method of forming recommendations using temporal constraints in a situation of cyclic cold start of the recommender system. EUREKA: Physics and Engineering, 4, pp. 34-40. DOI: 10.21303/2461-4262.2019.00952. DOI: https://doi.org/10.21303/2461-4262.2019.00952
Чалий С.Ф., Лещинський В.О., Лещинська І.О. (2019). Моделювання пояснень щодо рекомендованого переліку об’єктів з урахуванням темпорального аспекту вибору користувача. Системи управління, навігації та зв’язку, 6 (58), 97-101. DOI: https://doi.org/10.26906/SUNZ.2019.6.097
Chalyi, S., Leshchynskyi, V. (2020). Method of constructing explanations for recommender systems based on the temporal dynamics of user preferences. EUREKA: Physics and Engineering, 3, 43-50. DOI: 10.21303/2461-4262.2020.001228. DOI: https://doi.org/10.21303/2461-4262.2020.001228
Cleger S., Fernбndez-Luna J., F Huete J. (2014). Learning from explanations in recommender systems. Information Sciences, 287, pp. 90–108. DOI: https://doi.org/10.1016/j.ins.2014.07.031
Daher J, Brun A., Boyer A. A. (2017). Review on Explanations in Recommender Systems. Technical Report. LORIA Université de Lorraine, 26 p.
Thagard P. (2007). Coherence, truth, and the development of scientific knowledge. Philosophy of Science, 74, pp. 28-47. DOI: https://doi.org/10.1086/520941
Thagard P. (2004). Causal inference in legal decision making: Explanatory coherence vs. Bayesian networks. Applied Artificial Intelligence, 18, pp. 231-249.
Thagard P., Verbeurgt K. (1998). Coherence as constraint satisfaction. Cognitive Science, 22, pp. 1-24. DOI: https://doi.org/10.1207/s15516709cog2201_1
Thagard P. (2010). Causal inference in legal decision making: explanatory coherence vs. Bayesian networks. Applied Artificial Intelligence, 18:3-4, 231-249. DOI: https://doi.org/10.1080/08839510490279861. DOI: https://doi.org/10.1080/08839510490279861
Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI magazine, 17(3), 37.
Чалий С. Ф., Лещинський В. О., Лещинська І. О. (2020). Модель пояснення в інтелектуальній інформаційній системі на основі концепції узгодженості знань. Вісник Національного технічного університету "ХПІ". Сер. : Системний аналіз, управління та інформаційні технології, 1 (3), 19-23.
