Системный анализ и онтологические модели ситуационного поведения пользователей в информационно-коммуникационных средах

Размещено на http://www.allbest.ru/

Учреждение Российской академии наук «Институт проблем управления сложными системами РАН»

Системный анализ и онтологические модели ситуационного поведения пользователей в информационно-коммуникационных средах

И.А. Минаков

Анализ, прогнозирование и управление поведением пользователей является одной из актуальных проблем развития информационно-коммуникационных сред. Решая проблемы релевантности информации, ее доступности и актуальности, ИКС вынуждены понимать, на какие категории пользователей они ориентируются, и динамически предоставлять необходимую информацию в зависимости от их моделей поведения и предпочтений.

Коммерческие компании осознают, что постоянно растущая аудитория интернет-портала является таким же важным экономическим фактором и критерием, как, например, прибыль от продаж.

На первый план выходит задача привлечения новых пользователей и, еще острее, удержания интереса существующих пользователей - и с тем, чтобы пришедший на страницу портала как можно дольше оставался в его рамках, и с тем, чтобы ему вновь хотелось посетить данный портал в свой следующий интернет-сеанс.

В данной работе мы проанализируем плюсы и минусы методов, ориентированных на сбор статистики, методов представления информации о пользователе и сравним их эффективность при решении практической задачи - предложения в реальном времени релевантных материалов в зависимости от действий пользователя.

Системы сбора статистики данных о сайтах и пользователях (табл. 1). Существующие системы сбора статистики в большинстве случаев решают проблемно-ориентированные задачи, связанные с конкретными видами Интернет-ресурсов. По функциональности системы можно разделить на следующие группы:

счетчики посещений, собирающие статистику посещений и кликов;

лог-анализаторы - системы, детально отслеживающие действия пользователей [1, 2];

eye-tracking - системы, анализирующие движения глаз при просмотре интернет-страниц [3];

поисковая оптимизация - пользователь характеризуется поисковым запросом, сайт - набором тегов или же семантикой содержимого [4];

фолксономия и системы явного сбора данных, дающие пользователям возможность оценить элемент интернет-ресурса или вклад другого пользователя [5];

системы неявного сбора данных - системы, делающие вывод о конкретном пользователе на основе мониторинга его действий и персональной информации, которую он вводит о себе сам.

Таблица 1. Плюсы и минусы методов сбора статистики

Модели пользователя (табл. 2). По сути, модели поведения пользователя базируются на методах представления знаний, и на процесс выбора конкретной модели в реальной задаче во многом влияет доступность того или иного метода сбора статистики, накладывающего свою специфику и ограничения:

графы переходов - графовая структура, узлами которой являются элементы интернет-ресурса, а связями - действия пользователя по перемещению с одного узла на другой [6];

продукционная модель представлена в виде дерева решений, узлами которого являются тесты на некоторый атрибут или функцию [7];

когнитивная модель рассматривает особенности поведения пользователя с целью выделения индивидуальных стилей принятия решений при работе с информацией [8];

семантические сети [9]: аппарат неоднородных семантических сетей позволяет поддерживать многоуровневое представление знаний, проводить абстрагирование и детализацию понятий, поддерживать ссылочность и взаимосвязь понятий по аналогии с гипертекстом информационных ресурсов распределенной информационной сети;

онтология пользователей [10] - использование таксономии объектов и связей между ними для представления семантики сайта и интересов пользователей.

Таблица 2. Плюсы и минусы моделей представления информации о пользователях

Тестовый эксперимент. Для исследования качества различных ситуационных моделей поведения пользователя выбрана задача предложения рекомендаций по посещению новых страниц пользователям на основе их действий в рамках интернет-портала.

Тестовым стендом являлся набор инструментальных средств, позволяющий обеспечить механизмы интеллектуализации интернет-порталов и социальных сетей [11, 12] - отслеживать поведение пользователей в рамках портала, распознавать интересы на основе их действий и рекомендовать в режиме реального времени потенциально интересную информацию \ людей \ ссылки.

Общая схема работы пользователя с системой приведена на рисунке.

Находясь в рамках портала, пользователь переходит по интересующим его ссылкам, тем самым формируя пользовательскую сессию - последовательность действий пользователя, посвященных решению какой-либо задачи, например, получению нужной информации или поиску определенного товара или услуги. По контексту посещенных пользователем страниц система пытается реконструировать его неявный интерес и предложить из базы ссылок те материалы, которые потенциально могут заинтересовать пользователя, включая ссылки на схожие страницы, новости, блоги, пользователей с похожими предпочтениями и их рекомендации, интернет-сообщества со схожими интересами, релевантные рекламные объявления.

При этом пользователь имеет возможность оценить предлагаемые ему материалы по степени релевантности \ интересности. Данная оценка повлияет на вес критериев, использующихся при выработке рекомендаций (например, ключевых слов или тематик), и тоже будет учтена в его профиле интересов (табл. 3).

Процесс работы пользователя с системой

В рамках эксперимента мы измеряли два фактора - насколько «притягательным» окажется предложенная информация для пользователя в момент принятия решения и насколько релевантной она ему покажется после того, как он перешел на рекомендованную страницу и изучил представленный там материал.

Таблица 3. Сравнительный анализ качества результатов для различных моделей пользователей

Выводы и заключение. Общей тенденцией нашего анализа служит тот несколько парадоксальный вывод, что чем сложнее модель, описывающая пользователя, тем труднее подобрать информацию, которая заинтересует его с первого взгляда. Но в случае, если интерес проявился, уровень релевантности существенно выше, чем у более примитивных моделей.

Причиной является факт очень малого объема рекламной информации, на основе которой пользователь принимает первоначальное решение. При этом зачастую рекламная, «зазывающая» информация может не соответствовать содержимому страницы.

Граф переходов рекомендуется использовать в случае, если недоступна информация о каждом конкретном пользователе, он хорошо справляется с массовостью и применим в случае необходимости формировать типовые модели действий на сайте.

Продукционная модель поведения пользователя применима для динамической, но типовой структуры сайта, где действия пользователя подчиняются небольшому набору понятных эвристик. С усложнением структуры и сценариев использования сайта качество и эффективность модели падают.

Когнитивная модель применима в случае более статичной структуры как сайта, так и группы пользователей, поскольку требует существенного предварительного анализа и настройки.

Семантические сети и онтологии пользователей наиболее востребованы в случае, когда есть возможность выделить действия каждого конкретного пользователя и предоставить ему детальную, предпочтительно персонифицированную информацию.

Данный анализ носит предварительный характер. Следующим этапом необходимо проанализировать возможности гибридного использования методов, равно как и корреляцию объема и адекватности рекламного текста общей семантике предлагаемого материала.

Библиографический список

информация пользователь релевантность

1. Авинаш Кошик. Веб-аналитика: анализ информации о посетителях веб-сайтов = Web Analytics: An Hour a Day. -- М.: Диалектика, 2008. - С. 464. - ISBN 978-5-8459-1480-4.

2. Гусев В.С. Аналитика веб-сайтов. Использование аналитических инструментов для продвижения в Интернет. - М.: Диалектика, Вильямс, 2008. - С. 176. - ISBN 978-5-8459-1292-3.

3. Нильсен Я., Перниче К. Веб-дизайн: анализ удобства использования веб-сайтов по движению глаз / Пер. с англ. - М.: Вильямс, 2010. - С. 39-61.

4. Байков В.Д. Интернет. Поиск информации. Продвижение сайтов. - СПб.: БХВ-Петербург, 2000. - 288 с. - ISBN 5-8206-0095-9.

5. Koren Y., Bell R. & Volinsky С. (07 August 2009). Matrix Factorization Techniques for Recommender Systems, Computer (IEEE) . - Т. 42 (8): 30-37.

6. Intelligent Data Engineering and Automated Learning. Lecture Notes in Computer Science, 2003, Volume 2690/2003, 778-782, DOI: 10.1007/978-3-540-45080-1_105.

7. Clark W A V, Smith T R, 1985, «Production system models of residential search behavior: a comparison of behavior in computer-simulated and real-world environments» Environment and Planning A 17(4) 555-568.

8. Холодная М.А. Когнитивные стили: о природе индивидуального ума. - ПЕР СЭ, 2002. - 304 с.

9. Lora Aroyo, Geert-Jan Houben «User modeling and adaptive Semantic Web» Semantic Web 1 (2010) 1-6 DOI 10.3233/SW-2010-0006 IOS Press.

10. Иващенко А.В., Орлов А.Ю., Вольман С.И., Минаков И.А. Виртуальные сообщества в сети Интернет. Организация и управление. - Самара: Самарский научный центр РАН, 2008. - 99 с., ил. - ISBN 978-5-93424-391-4.

11. Минаков И.А., Скобелев П.О. Набор инструментальных средств для интеллектуализации интернет-порталов и социальных сетей // Проблемы управления и моделирования в сложных системах: Тр. IХ Междунар. конф., Самара, 22 июня - 29 июня 2007. - Самара: СНЦ РАН, 2007. - С. 528-534.

12. Елкин Д., Минаков И., Вольман С. Автоматическая оптимизация интернет-рекламы // Вестник Самарск. гос. техн. ун-та. Сер. Технические науки. - №3 (31) 2011. - Самара, СамГТУ. - С. 228-232.

Размещено на Allbest.ru