Реализация на Модул за изпълнение на адаптивна и персонализираща логика посредством извод в Бейсова мрежа

5. Реализация на Модул за изпълнение на адаптивна и персонализираща логика посредством извод в Бейсова мрежа

Системата Share.TEC

Всички метаданни в хранилището следват формата на общия модел за метаданни (СММ), който е базиран на формата на стандартния модел за описание на учебни обекти Learning Object Model (LOM) [29]. Елементи от СММ модела се използват в фòрмата за разширено търсене в портала Share.TEC, който дава възможност на потребителите да задават изрично стойности на метаданните при търсене в системата [7, 8]. По този начин търсенето от различни потребители, които имат различни нагласи и представи, е поставено в рамките на споделена семантика.

Системата за препоръчване в Share.TEC предлага множество от функции, подпомагащи потребителят да намери най-подходящите ресурси, съобразно модела му и историята на неговите действия в системата [94]. Системата за препоръчване използва данните от потребителския модел, за да адаптира функционалността и поведението на системата. Търсенето е една от централните функционалности на Share.TEC портала. То играе важна роля в адаптивността на системата. В Share.TEC системата за препоръчване и машината за търсене използват общия модел на метаданни СММ, онтологията за обучение на учители TEO, както и косвено и пряко зададената информация от модела на потребителя [94, 97].

Реализация на Модул за изпълнение на адаптивна и персонализираща логика

В настоящата работа е избрана средата за графична разработка на модели на решенията и Бейсови мрежи - GeNIe и библиотеката от класове SMILE. Двете са разработени от Decision Systems Laboratory към Университета в Питсбърг и предоставени на широката общественост през 1998 година. GeNIe и SMILE се разпространяват като софтуер с отворен код и нямат ограничения за тяхната употреба. Към момента лиценза на GeNIe и SMILE е закупен от BayesFusion LLC (през 2015г.), които продължават традицията на Университета в Питсбърг и предоставят софтуера безплатно за академични цели [14].

GeNIe служи за графичен потребителски интерфейс към библиотеката SMILE. Предназначен е за създаване на теоретични модели на решението и извършване на диагноза.SMILE (Structural Modeling, Inference, and Learning Engine) е напълно независима от платформата библиотека от С++ класове, която реализира графични вероятностни модели, както и теоретични модели на решението и е подходяща за директно внедряване в интелигентни системи. SMILE е пусната в употреба през 1997 г. и оттогава намира широко приложение.

Основни алгоритми в Модела

Основните алгоритми са: Алгоритъм за съставяне на Бейсова мрежа и Алгоритъм за получаване на данни за атрибути за адаптиране на заявката според избран стереотип на потребител.

Представеният алгоритъмът се състои от набор от последователни стъпки, чрез които се създава качествената и количествената част от мрежата. В първа стъпка на алгоритъма (концептуализация) се избира множество от подходящи променливи {X₁, X₂,....X_n}, такова че X₁ няма предшественици, а предшествениците на всеки друг възел X_i са измежду {X₁, X₂,...X_i-1}. Във втора стъпка от алгоритъма се въвежда наредба над елементите в това множество. Третата стъпка е свързана с последователно добавяне на възлите към мрежата. В нея за всеки елемент от множеството X_i се осъществяват следните подстъпки: добавя се нов възел в мрежата, който се обозначава с X_i; избират се предшествениците на възела Pred(X_i), които да бъдат минималното множество от вече съществуващи възли, такива че X_i да бъде условно независима от всички вече добавени възли, които не са в Pred(X_i); дефинират се вероятностите – априорни или условни [104]. Следва описание на стъпките от алгоритъма.

1. 
   Концептуализация, при която се определят променливите на БМ
   

ES = „Испански“

Need0 = „Управление на курс в платформа за електронно обучение на английски език“

Stereotype1 = „Испански Обучител на обучители във Facultad de Educación (Máster y Doctorado)“

Stereotype3: = „Ирландски Обучител на обучители на учители от средни училища“

2. 
   Наредба на мрежата
   

3. 
   Последователно добавяне на възли към мрежатa
   

В първа подстъпка от алгоритъма добавяме възлите от най-горния слой на Модела. За тази цел, използваме променливите от първия списък, които са независими от всички останали променливи. Създаваме възел Stereotype1 „Испански Обучител на обучители във Facultad de Educación“ като възел от тип DSL_cpt (възел от общ тип). Той е независим от всички останали възли и е достатъчно да зададем само неговите априорни вероятности, със стойност 0,02 за истина и 0,08 за лъжа. Продължаваме с последователно добавяне на всички променливи от първия списък, като създаваме възлите от Stereotype2 до Stereotype51, подобно на възела Stereotype1. С това приключваме създаването на възлите от най-горния слой.

Във втората подстъпка създаваме възлите от средния слой. За тази цел, използваме променливите от втория списък, които са зависими от преките си предшественици. Създаваме възел Need0 „Управление на курс в платформа за електронно обучение на английски език“, като възел от тип DSL_ noisyadder. Възелът Need0 е зависим от предшествениците си - възлите Stereotype4, Stereotype14, Stereotype15, Stereotype16 и LEAK. Създаваме дъги между възела Need0 и възлите Stereotype4, Stereotype14, Stereotype15, Stereotype16 (възела LEAK не се задава графично, защото той съществува по подразбиране в GeNIe). Продължаваме с добавяне последователно на всички променливи от втория списък, при което създаваме възлите от Need1 до Need39, подобно на възела Need0. С това приключваме създаването на възлите от средния слой на Модела.

Трета подстъпка се състои в създаване на възлите най-долния слой на Модела. За тази цел, използваме променливите от третия списък, които са зависими от предшествениците си от средния слой на Модела. Създаваме възела LearningDesignUnit като възел от тип DSL_ noisyadder. Той е зависим от своите предшественици: Need0, Need12, Need14, Need20, Need32 и LEAK. Създаваме дъги между възела LearningDesignUnit и неговите предшественици. Продължаваме като създаваме всички възли от най-долния слой на Модела, подобно на възела LearningDesignUnit. С това приключваме създаването на възлите от най-долния слой на Модела.

В последната стъпка от алгоритъма се запазват направените промени. С това алгоритъмът приключва. Описаният алгоритъм е представен схематично на Фиг.17.


да

да

Фиг.17 Схема на алгоритъм за съставяне на Бейсова мрежа

Таблица 12 показва част от релациите между променливите и техните предшественици в Модела. Посоката на дъгите е StereotypeX  NeedX  AttributeX.

Таблица 12 Релации между променливите в Модела

Листинг 1: Софтуерен код на възел Stereotype1

Софтуерният код за създаване на възела Need1, като възел от тип NoisyAdder е показан по-долу. Предшествениците на възела Need14 са три, изрично зададените Stereotype12 и Stereotype13 и подразбиращия се възел LEAK. Тежестите на дъгите са weights = 1 с всички предшественици.

Stereotype12 Stereotype13

1 0 0 1 1 0 0 1 0 1

Листинг 2: Софтуерен код на възел Need14

Представеният алгоритъм е процедура, чрез която се извеждат атрибути за адаптиране на заявката. Алгоритъмът е базиран на извод в Бейсова мрежа, който се извършва при задаване на свидетелсва на избрани възли от Модела и обновяване на вероятностите на останалите възли. Алгоритъмът работи с входни данни за стереотипи, който задават какви да са поставените доказателства. Резултата от изпълнението на алгоритъма е връщането на списък със стойности на атрибути. Следва описание на стъпките от алгоритъма.

DSL_network theNet;

theNet.ReadFile(“BM.xdsl”);

Стъпка 2: Подаване на стойност s за стереотип на потребителя

Стъпка 3: Изпълнение на извод над мрежата, при зададен стереотипа на потребителя, чрез извикване на функция

InfereceWithBayesNet(s);

theNet.GetNode(s)->Value()->SetEvidence(0) - задава се доказателство истина на стереотипа s

theNet.GetNode(v)->Value()->SetEvidence(1) – задава се доказателство лъжа на всички стереотипи, с изключение на стереотипа s

Стъпка 3.2: Обновяване на мрежата

theNet.UpdateBeliefs();

int attr1 = theNet.FindNode("X");

theCoordinates.LinkTo(*theNet.GetNode(attr1)->Value());

theCoordinates[0] = 0;

theCoordinates.GoToCurrentPosition();

double P = theCoordinates.UncheckedValue();

if (P >= 0.01)

myfile.open("f.txt");

myfile << "X";

myfile.close()

theNet.GetNode(x)->Value()->ClearEvidence();

Описаният алгоритъм е представен схематично на Фиг.18.

Главната функция в софтуерния код е представена в Листинг 4.

int main()

{

char *s = "Stereotype44"; //Подава се стереотип

ofstream myfile;

return(DSL_OKAY);

};

Листинг 4: Главната функция в софтуерната реализация

Главните етапи в изпълнението на кода са:

• 
  Задаване на БМ, над която ще се извършва извод
  

theNet.ReadFile("BM.xdsl"); // Прочита се мрежата на Бейс

• 
  Задаване на алгоритъм за извод над мрежата (клъстериращ алгоритъм)
  

• 
  Задаване на доказателства лъжа на всички възли от най-горния слой
  

theNet.GetNode(ste1)->Value()->SetEvidence(1);

int ste2 = theNet.FindNode("Stereotype2");

theNet.GetNode(ste2)->Value()->SetEvidence(1);

:

int ste51 = theNet.FindNode("Stereotype51");

• 
  Задаване на доказателство истина на избран възел от най-горния слой
  

int stereotype = theNet.FindNode(a);

theNet.GetNode(stereotype)->Value()->SetEvidence(0);

• 
  Обновяване на мрежата
  

• 
  Получаване на резултатната стойност на вероятността на всички възли от най-долния слой
  

DSL_sysCoordinates theCoordinates; theCoordinates.LinkTo(*theNet.GetNode(attr)->Value());

theCoordinates[0] = 0; // 0 е индекс на състоянието, съответстващ на истина

theCoordinates.GoToCurrentPosition();

double P = theCoordinates.UncheckedValue(); // Взима се стойността на вероятността на възел "IT"

int attr1 = theNet.FindNode("EN");

theCoordinates.LinkTo(*theNet.GetNode(attr1)->Value());

theCoordinates[0] = 0;

theCoordinates.GoToCurrentPosition();

double P1 = theCoordinates.UncheckedValue();

:

int attr19 = theNet.FindNode("PublishingDesign");

theCoordinates[0] = 0; theCoordinates.GoToCurrentPosition();

double P19 = theCoordinates.UncheckedValue();

• 
  Проверка за изпълнение на условие, за резултатната стойност на вероятността за всички възли от най-долния слой
  

• 
  Отваряне и запис във файл на възлите от най-долния слой (атрибути), които изпълняват условието
  

myfile.open("last.txt,");

if (P >= 0.01)

myfile << "IT" << endl;

myfile.close();

• 
  Изчистване на зададените в хода на изпълнение на програмата доказателства
  

system("pause");