Климент охридски” факултет по математика и информатика
Използване на Бейсови модели в САПТ
Изтегляне 1.01 Mb.
|
- Навигация на страницата:
- 4. Архитектура на функционален модул за адаптивно търсене в Дигитална библиотека
- Компоненти в архитектурата на Функционален модул за адаптивно търсене в дигитална библиотека
- Модул за изпълнение на адаптивна и персонализираща логика
- Модул за представяне и управление на знанието за потребител
- Модул за прилагане на адаптивност при търсене
Използване на Бейсови модели в САПТГлавните технологии, които се използват за извод при несигурност, са Бейсова мрежа и Размита логика. Бейсовата мрежа позволява да се разсъждава както в диагностична посока, така и в прогностична посока. Тази способност на БМ за извод в двете посоки е много полезна при моделиране на знанието за обучаем. Тя не само дава възможност за точно диагностициране на актуалното познавателно ниво на обучаемия, но и позволява да се направи информирана препоръка за най-подходящата следващата дейност (например упражнения, тестове) според наличните доказателства за конкретния обучаем (предишни дейности в системата, любима стратегия на обучение и т.н.). Изводите над знанието за потребител чрез Бейсови модели е най-разпространено в Адаптивните обучителните системи. 4. Архитектура на функционален модул за адаптивно търсене в Дигитална библиотекаБазова схема на адаптивна и персонализираща логика за реализиране на адаптивно търсенеБазовата схема е показана на Фиг.7. Тя проследява основните дейности, осъществявани от потребител и съответните отговори на системата. 
Фиг.7 Базова схема на адаптивна и персонализираща логика за реализиране на адаптивно търсене В първата стъпка на базовата схема, потребителят въвежда данни за себе си (чрез форма за регистрация) – цели в системата, език, области на знание, институция, роля и др. Възможните стойности на данните са предефинирани в онтологията на областта ТЕО [8, 98], описана в Глава 5. Те се използват във формата за регистрация като списъци с данни и падащи менюта. Във втората стъпка се създава потребителски модел (вектор на потребител) от въведените данни. Този вектор е съставен от пет елемента, които могат да имат стойност, ако такава е зададена от потребителя или да са с нулева стойност, при отсъствие на данни. Моделите (векторите) на потребителите се съхраняват в системата. В следващата стъпка се зареждат векторите на стереотипите от съответното хранилище. Тяхната структура е подобна на модела на потребител и възможните стойности са предефинирани в онтологията на областта ТЕО. Това позволява сравняване на вектора на потребител с вектора на всеки от стереотипите. В резултат на сравнението се извеждат „сходните” за потребител стереотипи, като това са тези, с които той има сходство над зададена гранична стойност. В следващата стъпка тези стереотипи се подават на Бейсов модел за адаптиране и персонализиране. Следва изчисление с помощта на модела. Това изчисление се извършва, като всички „сходни“ на потребител стереотипи получават доказателство истина, докато всички останали стереотипи – доказателство лъжа и се задейства алгоритъм за извод (клъстериращ алгоритъм). Резултат от изчислението е извличане на списък с атрибути, които да се използват за разширяване на заявката за търсене. Извлечените атрибути се записват в модела на потребител. Друга важна част от схемата е подаването на проста заявка за търсене от страна на потребител. Следва процес на замяна на оригиналната заявка на потребителя с адаптирана заявка. Адаптирането се реализира с помощта на изведените от Бейсов модел за адаптиране и персонализиране атрибути и формата за разширено търсене в системата. Адаптираната заявка се изпраща вместо оригиналната заявка към хранилището с информационни ресурси. В резултат на това системата връща резултати, които са адаптирани към интересите на потребител. В последната стъпка изведените резултатите от търсене се представят на потребителя. Компоненти в архитектурата на Функционален модул за адаптивно търсене в дигитална библиотекаКомпонентите в архитектурата на представения Функционален модул за адаптивно търсене са набор от главни модули и техни съставни подмодули, които действат съвместно и съгласувано за реализиране на адаптивно търсене. Главните модули и подмодули са както следва:
Архитектурата и компонентите на Функционален модул за адаптивно търсене са представени на Фиг.8. 
Фиг. 8 Архитектура и компоненти на Функционален модул за адаптивно търсене в дигитална библиотека Модул за изпълнение на адаптивна и персонализираща логикаМодул за изпълнение на адаптивна и персонализираща логика е компонент от архитектурата на Функционалния модул, съдържащ адаптивната логика. Централно звено в него е Бейсов модел за адаптиране и персонализиране, който служи като машина за извод при несигурност над знанието за потребител. Бейсов модел за адаптиране и персонализиране Логиката на Модела се основава на свойството на Бейсова мрежа и на каноничното NoisyOR взаимодействие да разпространяват вероятностите към свързаните възли в мрежата. Действието на Модела се базира на задаване на доказателства истина или лъжа на възлите от най-горния слой (стереотипи). Въз основа на тези доказателства и с помощта на алгоритъм за обновяване на вероятностите, Моделът изчислява стойностите на вероятностите на възлите от най-долния слой (атрибути). Моделът представлява трислойна мрежа на Бейс, в която всеки слой се заема от различни бинарни случайни променливи. Моделът е изграден на предположението, че променливите от всеки слой са независими помежду си, и поради това не са свързани с дъги. Променливите от най-горния слой представят стереотипите в Модела, променливите от средния слой – нуждите и променливите от най-долния слой – атрибутите. Случайните променливи на стереотипите, нуждите и атрибутите са бинарни, като могат да приемат стойности истина или лъжа. По отношение на атрибутите, това се прилага по следния начин: например атрибутите от групата „Език“ са: английски, испански, италиански и български. Всяка от тези стойности е представена като отделна бинарна променлива, която може да приема стойности истина или лъжа. За редуциране на условните вероятности (СВР таблици) в Модела се използва каноничното взаимодействие NoisyOR. За изчисляване на условните вероятности на възлите от средния и най-долния слой - нужди и атрибути се използва метод, основан на техниката NoisyAdder. На Фиг.9 е представена схема на Бейсов модел за адаптиране и персонализиране.
Фиг. 9 Схема на Бейсов модел за адаптиране и персонализиране Схемата на Бейсов модел за адаптиране и персонализиране е разработена на базата на първоначалната схема, залегнала като насока за бъдещо развитие на системата в проекта Share.TEC [8]. Тази първоначална схема само набелязва насоките и дава поглед „отгоре“, но не представя готово решение. В рамките на настоящата работа са разработени и представени общо 51 стереотипа, които са създадени на базата на експертно познаване на предметната област и онтологичните класове и инстанции в онтологията ТЕО. С цел моделиране на областта са разработени съответните нужди за всеки стереотип и са идентифицирани класовете и инстанциите от онтологията ТЕО, които да бъдат използвани като атрибути в Модела. В реализацията на Mодела участва възела LEAK node. На Фиг. 11 е представена реализацията на модела в графичната среда за разработка GeNIe 2.0 [14]. 
Фиг. 11 Реализацията на Mодела в графичната среда за разработка GeNIe 2.0 Възли в Mодела Възли от най-горен слой (стереотипи) - Бинарните променливи от най-горния слой в Модела представят стереотипите в системата. Възли от среден слой (нужди) Нуждите в системите за препоръчване се описват като ограничение върху вида и типа ресурси, които потребителят има вероятност да иска да види. Бинарните променливи от средния слой в Модела представят нуждите в системата. В рамките на настоящата работа са разработени 40 нужди (Need0 – Need39) за описване на различните потребности на потребителите в системата. Броят на нуждите е по-малък от броя на стереотипите, защото в някои от случаите, едни и същи нужди се използват от няколко стереотипа. Всяка променлива на стереотип в Модела е свързана към една или няколко променливи на нуждите. Всяка променлива, представяща нужда в Модела е свързана към набор от атрибути, които показват какъв тип информационно съдържание ще задоволи тази нужда. Възли от най-долен слой (атрибути) - Бинарните променливи от най-долния слой в Модела представят атрибутите в системата. Атрибутите и техните възможни стойности са взети от онтологията на областта ТЕО и участват като елементи в модела за метаданни СММ [85] на Share.TEC. Този подход гарантира, че извлечените от Модела атрибути могат да се използват за идентифициране на ресурсите, чиито метаданни съвпадат с тези атрибути. Атрибути са общо 20 на брой и са групирани в три групи: „Език“, „Тип на дигиталното съдържание“ и „Област на знание“. Всички те са класове или инстанции в онтологията ТЕО.
Структура на Mодела Възлите в модела са реализирани като възли от общ тип и възли от тип NoisyAdder, като от общ тип са възлите от най-горния слой (стереотипи), а от тип NoisyAdder са възлите от средния (нужди) и най-долния слой (атрибути). Първоначално на възлите от най-горния слой (стереотипи) се назначават априорни вероятности въз основа на експертно знание за областта. От тези априорни вероятности се извеждат предварителните условните вероятности на възлите от долните два слоя на Mодела. Впоследствие априорните вероятности се заменят с доказателства, които имат стойност истина или лъжа. Релациите в Mодела се представят с утежнени, насочени дъги между възлите от най-горния слой и възлите от средния слой и между възлите от средния слой и възлите от най-долния слой. Няма релации между възлите от най-горния слой и възлите от най-долния слой, както и такива между възлите от един и същи слой. Параметри в Модела
Дефиниции и формули Нека n да бъде възел в мрежата, като n ∈ N, където N е множеството на всички възли в мрежата. Нека x да бъде бинарна случайна променлива, съответстваща на възел n от мрежата, като x ∈ X, където X е множеството на всички случайни променливи, съответстващи на множеството N от възли. Нека е да бъде дъга в мрежата, като е ∈ Е, където Е е множеството на всички дъги в мрежата. Всяка дъга е може да бъде представена чрез тройката е = (s, d, w), където: s ∈ N е началния възел, d ∈ N е крайния възел и w е положително реално число, представящо тежестта на дъгата. Тежестта w на дъгата е обозначаваме с we. Фиг. 12 показва зададените означения на възел в мрежата. 
Фиг. 12 Схема на възел от мрежата За всеки възел в мрежата n ∈ N, дефинираме множеството на входящи към него дъги като D и множеството на предшестващите го възли като R. Тогава: D := {(s, n, w) ∈ E } и R := {s | (s, n, w) ∈ E }. Валюацията на логически израз е едно възможно присвояване на стойностите истина или лъжа на всички елементарни съждения, участващи в него. Нека V(P) е валюацията на случайните променливи в множеството на предшестващи случайни променливи Rp. Валюацията на единична случайна променлива r ∈ Rp обозначаваме с V(Pr). Използвайки тези валюации, условната вероятност P(x = true | Rp), че n се случва, при условие, че предшестващите възли на n се случват, се изчислява с помощта на средната тежест на дъгите на предшестващите случайни променливи. При това тежестта на дъгата е се калкулира, при условие, че стойността на предшестващата случайна променлива не е лъжа. Или тежестта w на дъгата е, за дадена стойност V(P) ще се изразява като w(e, V(P)). Тогава w(e, V(P)) ще връща тежестта на дъгата е, тогава когато предшестваща случайна променлива r ∈ Rp има стойност истина. В противен случай тя ще връща стойност 0. За да изчислим условната вероятност P(x | V(P)) за възел n, при w(e, V(P)), като средната тежест на неговите предшественици, трябва да сумираме тежестите на всички дъги в D, за които имаме стойност на предшестващата случайна променлива истина и да ги разделим на сумата от всички тежести в D.
При изчисляване на стойността на знаменателя (сумата от всички тежести в D), не трябва да забравяме да добавим към сумата и стойността на тежестта на възела LEAK. Алгоритъм за обновяване на вероятностите в Модела Алгоритъмът, използван за обновяване на вероятностите в мрежата, е т.нар. клъстериращ алгоритъм (Clustering algorithm). Той е избран поради това, че е най-бързият, известен точен алгоритъм, използван за обновяване на вероятностите в Бейсова мрежа. Този алгоритъм работи на два етапа: (1) компилиране на насочения граф в свързано дърво и (2) обновяване на вероятностите в това свързано дърво. Клъстериращият алгоритъм е алгоритъмът по подразбиране в графичната среда за разработка GeNIe [14]. Модул за представяне и управление на знанието за потребителМодул за представяне и управление на знанието за потребител е компонент от архитектурата на Функционалния модул, служещ за представяне на потребител като вектор/и и класифицирането му към стереотип/и. Модулът изпълнява следните главни функции: (1) взима данните от регистрацията на потребител; (2) конструира от тях вектор на потребителя; (3) сравнява този вектор с предварително дефинираните вектори на стереотипите и (4) избира най-сходния/те стереотип/и за даден потребител. Тези стереотипи се подават на Модул за изпълнение на адаптивна и персонализираща логика за извършване на извод с тях. Ние сме приложили подход, базиран на модела вектор-пространство, чрез който, представяме потребител и стереотипи като 5-мерни вектори с тегла, съставени от еднакъв брой и тип елементи, взети от онтологията ТЕО. Тогава изчисляваме тяхното сходство посредством метода на косинусовото сходство (Cosine similarity).Този подход позволява всеки потребител да бъде класифициран поне към един стереотип, като в случаите, когато сходството между потребител и всички стереотипи в системата е под зададена минимална стойност, потребителят се класифицира към стереотип „по подразбиране”. Векторно представяне на потребител и стереотипи Нека Ui да бъде потребител в системата, като Ui ∈ U, където U е множеството на всички потребители в системата. Нека Si да бъде стереотип в системата, като Si ∈ S, където S е множеството на всички стереотипи в системата. Нека Li да бъде езикът на потребител Ui, като Li ∈ L, където L е множеството на езиците в системата. Нека Gi да бъде целта на потребител Ui, като Gi ∈ G, където G е множеството на целите. Нека Ri да бъде ролята на потребител Ui, като Ri ∈ R, където R е множеството на ролите. Нека Ii да бъде институцията на потребител Ui, като Ii ∈ I, където I е множеството на институциите в системата. Нека Ki да бъде областта на знание на потребител, като Ki ∈ K, където K е множеството на всички области на знание в системата. Нека Wtj е тежестта на елемента j в t-я модел на потребител, като Wtj ∈ W, където W ∈ [0, 1]. Тогава всеки вектор на потребител Ui се състои от елементите (Li, Gi, Ri, Ii, Ki) и може да се представи с вектора:
Нека Lj да бъде езикът на стереотип Si, като Lj ∈ L, където L е множеството на езиците в системата. Нека Gj да бъде целта на стереотип Si, като Gj ∈ G, където G е множеството на целите. Нека Rj да бъде ролята на стереотип Si, като Rj ∈ R, където R е множеството на ролите. Нека Ij да бъде институцията на стереотип Si, като Ij ∈ I, където I е множеството на институциите в системата. Нека Kj да бъде областта на знание на стереотип Si, като Kj ∈ K, където K е множеството на всички области на знание в системата. Нека Wij е тежестта на елемента j в i-я стереотип и Wij ∈ W, където W ∈ [0, 1]. Тогава всеки вектор на стереотип Si се състои от елементите (Lj, Gj, Rj, Ij, Kj) и може да се представи с вектора:  = (Wil, Wig, Wir, Wii, Wik)
За определяне на сходните стереотипи за потребител се извършва изчисляване на сходството между вектора/ите на потребителя с векторите на всички стереотипи в системата, посредством метода на косинусовото сходство, разгледан в секция „Модел - вектор от термини“ към Глава 2 от настоящия труд. Използвайки метода на косинусовото сходство можем да изчислим сходството между потребител и стереотипи чрез: sim( Като уравнението има стойности: sim( sim( Потребителят в системата се представя чрез един или повече 5-мерни вектора с тегла. Всеки от разработените и представени в настоящата работа стереотипи се представя точно чрез един 5-мерен, предварително дефиниран вектор с тегла. Елементите от векторите на потребител и стереотипи са инстанции на онтологичните класове Language, ActorGoal, Role, (EducationalInstitution InformationCulturalAgency) и KnowledgeAreaElement от онтологията ТЕО. Поради този подход възможните стойности на елементи са ограничени до крайно множество и правят задачата тривиална. Структурата на вектор и връзката му с онтологията ТЕО е показана на Фиг. 13. 
Фиг. 13 Структура на вектор и връзката му с онтологията ТЕО В Таблици от 1 до 4 са представени съответно инстанциите на онтологичните класове Language, ActorGoal, Role, (EducationalInstitution и InformationalCulturalAgency) и KnowledgeAreaElement. Тези инстанции представляват набора от стойности, които могат да заемат елементите във векторите. Таблица 4 Инстанции на класа Language, съставящи множеството от стойности на 1-я елемент на вектор
Таблица 5 Инстанции на класа ActorGoal, съставящи множеството от стойности на 2-я елемент на вектор
Таблица 6 Инстанции на класа Role, съставящи множеството от стойности на 3-я елемент на вектор
Таблица 7 Инстанции на класа EducationalInstitution, попълващи 4-я елемент на вектор
Таблица 8 Инстанции на класа InformationalCulturalAgency, попълващи 4-я елемент на вектор
Таблица 9 Инстанции на класа KnowledgeAreaElement, съставящи множеството от стойности на 5-я елемент на вектор
Схема за задаване на тегла на елементите във векторите Вектор на стереотип Елементите във векторите на стереотипите имат предварително зададени тегла, равна на единица за всеки дефиниран елемент във вектора. Част от стереотипите в системата имат празно множество за един или повече елемента. Това е в случаите, когато този елемент/и не е от съществено значение за дефиницията на стереотипа. В процеса на сравняване на вектор на стереотип с вектор на потребител, елементът от вектора на стереотип, който е празно множество, приема стойността от съответния елемент от вектора на потребител, но с намалено тегло – със стойност 0,5 вместо единица.По-малкото тегло рефлектира върху процеса на изчисляване на сходство (класификацията на потребител). Вектор на потребител При задаване на тегла на елементите във вектор на потребител е избран следният подход: тъй като в предложеното решение всички стойности на елементите във вектора на даден потребител се задават директно от самия потребител, те получават най-голямото възможно тегло, равно на единица. Това е така, защото се приема, че тогава когато потребителят задава дадена стойност, той е сигурен в избора си. В бъдещото развитие на системата е възможно да се реализира индиректно събиране на част от данните за вектора на потребител автоматично от системата. В този случай, теглата на индиректно изведените стойности на елементите би трябвало да са по-малки от тези на директно заявените от потребителя. В случаите, когато елемент от вектора на потребител е празно множество (когато потребител не е задал стойност за този елемент при регистрацията си), тогава този елемент получава тегло 0, което е равно на пълно „несходство“ със съответния елемент от вектора на стереотипите. Конструиране на вектор на стереотипи и потребител Векторите на стереотипите са създадени предварително и се съхраняват в Хранилище на стереотипите в системата. Таблица 10 показва векторите на част от стереотипите. Таблица 10 Вектори на стереотипи в системата
Модул за прилагане на адаптивност при търсенеМодул за прилагане на адаптивност при търсене е компонент от архитектурата на Функционален модул за адаптивно търсене в дигитална библиотека. Модулът приема като вход оригиналната заявка от потребител и атрибути от Модул за изпълнение на адаптивна и персонализираща логика и изпълнява адаптиране на заявката. Адаптираната заявка заменя оригиналната заявка на потребител и се изпраща към хранилището с информационни ресурси. От съществено значение за успеха на реализираното адаптивно търсене е това, че информационните ресурси в дигиталната библиотека са анотирани с метаданни и машината за търсене в системата е настроена да използва тези полета от метаданни при търсенето. Метаданните са данни, които описват дадения ресурс, посредством специални тагове. Стандартът LOM е международно признат отворен стандарт, публикуван от асоциацията IEEE, който се използва за анотиране на учебни обекти. Името на стандартът LOM идва от абревиатурата на английското „Learning Objects Metadata“ [29]. Използваните в стандарта атрибути за описване на учебен обект, включват: тип на обекта; автор; притежател; формат и педагогически параметри, като преподаване и стил на взаимодействието. Възможно е елементи от други схеми с метаданни да бъдат интегрирани в LOM. Метаданните в дигиталната библиотека използват разработения в рамките на проекта Share.TEC модел на метаданни “Common Metadata Model” (СММ), базиран на стандарта LOM. Моделът за метаданни СММ включва разширен и допълнен набор от метаданни, специално създадени за описване на педагогическите характеристики на ресурсите [85]. СММ е тясно свързан с онтологията ТЕО, която служи като концептуална основа за описание на елементите и обектите в областта. В настоящата работа е предложено адаптивно търсене, което се реализира, като оригиналната заявка на потребителя се обогатява с атрибути на избрани елементи метаданни от модела СММ. Процесът на адаптиране на заявката за търсене може да бъде представен по следния начин:
Адаптираната по този начин заявка е подобна на функционалността разширено търсене в системата, която осигурява на потребителите шаблон с възможност за избор на атрибути(стойности) за метаданни. Предложеното решение в настоящата работа извършва автоматично ограничение върху избора на изформационни ресурси, като задава конкретни стойности на избрани елементи метаданни и по този начин реализира адаптивност на търсенето. Параметрите (стойностите) за метаданните са получени вследствие на изпълнение на адаптивна и персонализираща логика в Модул за изпълнение на адаптивна и персонализираща логика. Фиг.16 представя процеса на адаптивно търсене в системата. 
Фиг.16 Процес на адаптивно търсене в системата Извлечените от Модул за изпълнение на адаптивна и персонализираща логика атрибутиса за следните елементите от метаданните в СММ:
Таблица 11 показва мястото на елементите Language, Digital Content Type и KnowledgeAreaElement в модела за метаданни СММ. Таблица 11 Елементите Language, DigitalContentType и KnowledgeAreaElement в модела за метаданни СММ
Каталог: index.php -> bul -> content -> download download -> Литература на народите на Европа, Азия, Африка, Америка и Австралия download -> Дипломна работа за придобиване на образователно-квалификационна степен " " download -> Рентгенографски и други изследвания на полиестери, техни смеси и желатин’’ за получаване на научната степен „Доктор на науките” download -> Св. Климент Охридски download -> Акад. Илчо иванов димитров (1931 – 2002) фонд 20 опис 1 download -> Азбучен списък на преподавателите download -> Климент охридски” университетски архив download -> График за провеждане на семтемврийската (поправителна) изпитна сесия на магистърска програма „политическа социология учебна 2014/2015 г. Поправителна сесия от 24 август до 11 септември 2015 г download -> Обявява прием на студенти Изтегляне 1.01 Mb. Сподели с приятели:
|
= ( Wtl, Wtg, Wtr, Wti, Wtk)
