В работе рассматривается использование машинного обучения применительно к обработке естественного языка (сентимент-анализа, анализа семантической близости) для построения рекомендательной системы по выбору парфюмерной продукции. Тема работы актуальна ввиду роста спектра выпускаемой парфюмерной продукции и сложности выбора её потребителями и продвижения производителями. Предлагаемые подходы релевантны для решения данной проблемы ввиду наличия накопленных текстовых отзывов и обзоров парфюмерной продукции на различных веб-сайтах, включая интернет-магазины.

Ключевые слова: машинное обучение, обработка естественного языка, сентимент-анализ, дистрибутивная семантика, word2vec, рекомендательные системы

05.13.18 - Математическое моделирование, численные методы и комплексы программ

Одним из важных навыков в программировании является выделение подпрограммы (функции) как части кода и определение ее интерфейса (заголовка или прототипа). В данной работе описаны шаги, необходимые для составления прототипа функции, и типовые ошибки, совершаемые обучающимися. Для эффективного освоения данного навыка важно формировать индивидуальную обратную связь с обучающимся, чтобы он мог своевременно понимать допущенные им ошибки. Существующие автоматизированные подходы и инструменты не могут обеспечить достаточную информативную обратную связь при составлении прототипа функции, т.к. не учитывают предметную область решаемой задачи. Предлагается создать тренажер, который должен удовлетворять следующим требованиям: а) воспроизводить многошаговый процесс составления прототипа функции и оценивать результаты на каждом шаге, выявляя разнотипные ошибки и генерируя подсказки; б) допускать вариативность составления прототипа функции; в) обладать знаниями о предметной области, для которой составляется прототип функции, а также о правилах используемого языка программирования.

Ключевые слова: тренажер, требования к тренажеру, обучение программированию, прототип функции, задача со сложным результатом, многошаговая задача, дистанционное обучение, смешанное обучение, автоматизированная проверка ответа обучающегося

05.13.06 - Автоматизация и управление технологическими процессами и производствами (по отраслям)

Эксперту предметной области, который не является специалистом онтологического моделирования, затруднительно построить полную и непротиворечивую OWL2-онтологию, обладающую такой степенью формализации, чтобы она могла отвечать на необходимые квалификационные вопросы (competency questions). В работе рассмотрен подход использования ORM2-диаграммы в качестве промежуточной модели для построения OWL2-онтологии. Данный подход требует использование специализированных правил преобразования элементов ORM2-диаграммы в OWL2-онтологию. Тестирование известных правил преобразования для базовых элементов ORM2-диаграммы показало, что они не соответствуют семантике нотации ORM2. Нами усовершенствованы существующие правила преобразования и автоматизирован процесс преобразования ORM2-диаграммы (состоящей из базовых элементов) в OWL2-онтологию. В результате данного исследования разработан программный компонент, позволяющий исключить ошибки преобразования и значительно уменьшить время преобразования.

Ключевые слова: представление знаний в явной форме, визуальная модель, промежуточная модель, онтологическое моделирование, онтология, язык OWL2, онтологический паттерн, ORM (Object-Role Modeling), ORM-диаграмма

05.13.06 - Автоматизация и управление технологическими процессами и производствами (по отраслям)

Для тиражирования знаний они должны быть представлены в явной форме, понятной как человеку, так и компьютеру. В работе предложен подход онтологического моделирования ЧТО-знаний, который позволяет представлять знания одновременно а) в виде визуальной модели (ORM2-диаграммы), понятной человеку, и б) OWL2-онтологии, понятной компьютеру. Для перехода от одной формы представления знаний к другой предлагается использовать онтологические паттерны. Для автоматизации этого подхода разрабатывается плагин для системы Protege. В работе дано функциональное и структурное описание плагина, приведены примеры его использования.

Ключевые слова: ЧТО-знания, представление знаний в явной форме, онтологическое моделирование, онтология, визуальная модель, промежуточная модель, онтологический паттерн, ORM2-диаграмма

05.13.06 - Автоматизация и управление технологическими процессами и производствами (по отраслям)