Реферат на тему: Теоретические основы рекомендательных систем для решения информационно-аналитических задач в

Введение

Одной из ключевых особенностей развития человечества на современном этапе является доступ к огромному объему информации. Причем информация представлена как в разных формах (текстовая, аудио, видео и т.д) так и в громадных объемах. Так по прогнозам аналитической компании IDC к 2025 году объем всех данных достигнет отметки в 163 зеттабайт [1] (163 000 000 000 000 000 000 000 байт). Человеческий мозг просто не в состоянии обработать такой поток информации и зачастую простой поиск информации становится бесконечной тратой времени.

Особенно это актуально в системе образования, где навык поиска и анализа информации является основным почти для всех направлений. Повальная цифровизация и постоянное развитие сферы цифровых услуг обуславливает появление и развитие новых специальностей, обучиться которым в традиционных учебных заведениях не представляется возможным ввиду их инертной реакции на ключевые изменения в данных сферах.

А так как получение образования напрямую связано с получением будущей профессии и, следовательно, будущему образу и уровню жизни интерес к этой сфере всегда высок. Поэтому не удивительно, что помимо повсеместного внедрения дистанционного образования постоянно создаются и развиваются целые порталы, посвященные самообразованию, предлагающие, не выходя из дома получить актуальные навыки для выбранной сферы деятельности.

В таких условиях наличие информационных систем, способных анализировать эффективность той или иной информации (содержание, форма, актуальность и т.д.) для определенной группы пользователей и оказывать на основании этих данных информационные услуги по поиску, анализу и предоставлению информации а также эффективно осуществлять обратную связь по результатам своей деятельности, является важнейшим критерием определяющим эффективность, а значит прибыль и в конечном счете место на рынке.

Для сферы образования такие системы, имеющие в своей основе действенные алгоритмы, помимо прикладного значения являются еще и эффективными инструментами обучения, и их роль в системе образования будет постоянно увеличиваться.

Оглавление

- Введение 3

- Рекомендательные системы. Основные понятия. Состав и функции

- Определение и виды рекомендательных систем

- Основные функции рекомендательных систем и их составные части

- Рекомендательные системы в образовании. Применение в решении информационно-аналитических задач

- Роль алгоритмов в рекомендательных системах образования

- Существующие подходы к формированию наборов алгоритмов для рекомендательных систем

- Заключение 14

- Список используемых источников 15

Заключение

Таким образом мы видим, что рекомендательные системы в современном мире, где роль информации постоянно растет, являются важной составляющей информационного поля. Хотя на первый взгляд роль этих систем неочевидна, при глубоком изучении можно прийти к выводу, что не один информационный портал не может без них эффективно функционировать.

Информационно-аналитические задачи в образовании составляют костяк самого процесса получения знаний и напрямую связаны с информацией, как с простыми операциями, такими как поиск, так и сложными, синтез, анализ. Поэтому роль рекомендательных систем в решении данных задач сложно переоценить. На данном этапе идет постоянное развитие рекомендательных систем, повышается эффективность функционирования их алгоритмов, что позволяет расширять сферу их применения. В системе образования задачи поиска и анализа информации существовали всегда, однако ее роль постоянно растет в связи с увеличением объема информации свободного доступа и развитием дистанционных форм обучения.

Можно с уверенностью предположить, что постоянное развитие алгоритмов и функций рекомендательных систем позволит применять из для решения все более сложных задач.

Список литературы

1. David Reinsel, John Gantz, John Rydning. Data Age 2025: The Evolution оf Data tо Life-Critical. [Электронный ресурс]. - Режим доступа: URL: https://www.seagate.com/www-content/our-story/trends/files/Seagate-WР-DataAge2025-March-2017.pdf.

2. dе Gemmis М., Lops Р., Musto С., Narducci F., Semeraro G. Semantics-Aware Content-Based Recommender Systems. In: Ricci F., Rokach L., Shapira В. (eds) Recommender Systems Handbook. Springer, Boston, МА. 2015. рр. 119-159.

3. Nicolenko С. Recommender Systems. [Электронный ресурс]. - Режим доступа: URL:http://www.compsciclub.ru/csclub/sites/default/files/slides/

4. Urdaneta-Ponte, М.С.;Mendez-Zorrilla, А.; Oleagordia-Ruiz, I. Recommendation Systems for Education: Systematic Review. Electronics 2021, 10, 1611. https://doi.org/10.3390/electronics10141611

6. Burke, R.; Brusilovsky, Р.; Kobsa, А.; Nejdl, W. Hybrid Web Recommender Systems. In The Adaptive Web: Methods and Strategies оf Web Personalization; Springer: Berlin/Heidelberg, Germany, 2007; Volume 4321 in Computer Science; рр. 377-408.

7. Herlocker, J.L.; Konstan, J.А.; Terveen, L.G.; Riedl, J.Т. Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. 2004, 22, 5-53.

8. Кузнецов И.А. Методы и алгоритмы машинного обучения для предобработки и классификации слабоструктурированных текстовых данных в научных рекомендательных системах, МИФИ, Москва - 2019.

9. Support оf decision-making in the conditions оf uncertainty оf different types/Doan На.D., Pylkin А.N., Kroshilin А.V., Kroshilina S.V., Tishkina V.V.// ITM Web оf Conferences, 2016.

10. Принятие решений в условиях неопределенности/ Демидова Л.А., Кираковский В.В., Пылькин А.Н. - 2-е изд., переработанное. // М., 2015.

11. Tishkina V.V., Pylkin А.N., Kroshilin А.V., Kroshilina S.V. Development оf the automated information system for monitoring оf results оf accounting object activities using semantic networks// ITM Web оf Conferences, 2017. Т. 10.

12. Лупин С.А., Давыдова А.П. Особенности программной реализации имитационной модели для оценки алгоритмической устойчивости систем управления // Естественные и технические науки, 2015. № 11 (89). С. 399-404.

13. Лупин С.А., Ба Хла Т. Распределение нагрузки в многопоточных алгоритмах частотного анализа текстовой информации // Инновационные подходы к решению техникоэкономических проблем, 2015. С. 208-211.

14. Давыдова А.П., Вагапов Ю.Ф., Лупин С.А. Имитационное моделирование при оценке живучести цифровых систем управления // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС), 2014. № 2. С. 7-10.

15. Amatriain X., Pujol J.М. Data Mining Methods for Recommender Systems // In: Ricci F., Rokach L., Shapira В. (eds) Recommender Systems Handbook, 2015. Рр. 227-262. DOI: 10.1007/978-1-4899-7637-6_7.