The 12 references with contexts in paper Nina Komleva V., Olga Khlopkova A., Нина Комлева Викторовна, Ольга Хлопкова Андреевна (2016) “ОБРАБОТКА КОНТЕНТА В ИНФОРМАЦИОННЫХ СРЕДАХ НА ОСНОВЕ НЕЙРО-НЕЧЕТКОЙ МОДЕЛИ ПРИНЯТИЯ РЕШЕНИЙ // PROCESSING THE INFORMATION CONTENT ON THE BASIS OF FUZZY NEURAL MODEL OF DECISION MAKING” / spz:neicon:statecon:y:2013:i:5:p:188-192

1
Могилев, А.В., Листрова, Л.В. Технологии поиска и хранения информации. Технологии автоматизации управления. – СПб: БХВ-Петербург,
Total in-text references: 2
  1. In-text reference with the coordinate start=3142
    Prefix
    автоматизированной обработки контента в информационных средах любого масштаба, начиная от информационно-образовательных систем в вузах и заканчивая корпоративными средами для управления проектами. Автоматизация обработки огромных объемов данных совершенствует документооборот, рационализирует информационные потоки, и, как следствие, ведет к сокращению трудовых и стоимостных затрат
    Exact
    [1]
    Suffix
    . Причем эффективность автоматизации целиком зависит от выбранного метода обработки контента. Методы нечеткой логики в совокупности с концепцией нейросетей зарекомендовали себя одним из самых эффективных и перспективных инструментов для обработки контента.

  2. In-text reference with the coordinate start=10678
    Prefix
    Каждому материалу сопоставлена матрица голосов пользователей, а рейтинг материала рассчитывается эвристическим методом взвешенной суммы оценки критериев: 1 11 1 11 1 , P kwl ijl iij ukwkw ijiiji ijij R icT RP cTcT = == ==== =+ ++ ∑ ∑∑ ∑∑∑∑ где k = 5 – максимальное значение оценки по шкале, i ∈
    Exact
    [1;5]
    Suffix
    – значение оценки, wj ∈ [0,1;1] – вес пользователя, оценившего материал, W – количество весов для данной оценки, cij – количество оценок i с весом wj, Rl – рейтинг материала l, P – количество материалов в рейтинге. 4.

2
12, 320 с. 2. Комлева, Н.В. Профессиональные сообщества в системе управления знаниями // Открытое образование. Научно-практический журнал. – 2010. – No1. – С. 96–102.
Total in-text references: 1
  1. In-text reference with the coordinate start=4414
    Prefix
    оценка контента в информационной среде Для автоматизации обработки контента каждому материалу в информационной среде требуется сопоставить некоторый набор параметров, на основании которых принимается решение о его обработке (о перемещении между разделами, удалении). Пользователи выкладывают на web-ресурсы новые материалы, оценивают и комментируют их при помощи инструментов обсуждения
    Exact
    [2]
    Suffix
    . Необходимость определения степени популярности и качества контента для принятия решения о его дальнейшей обработке связана с реализацией функций: ● Перенесение в хранилище контента, обладающего высокими показателями качества; ● Интеллектуальный поиск и ранжирование контента; ● Отсев и удаление не востребованного контента; ● Накопление статистики с целью модификации состава и структуры информ

3
Горяшко А.П., Комлева Н.В. Web-портал сообщества профессионалов в сфере налогообложения как инструмент управления знаниями и принятия коллективных решений // Экономика. Налоги. Право. Научное периодическое издание. – 2011. – No 4. – С. 14–21.
Total in-text references: 1
  1. In-text reference with the coordinate start=7880
    Prefix
    Для обработки данных, которые являются значениями качественных характеристик без определенных шкал, некорректно применять вероятностностатистические и детерминированные модели: на практике это приводит к неустойчивым и неадекватным действительности результатам
    Exact
    [3]
    Suffix
    . Задача принятия решения об обработке контента эффективно решается при помощи математического аппарата нечеткой логики. Оперируя нечеткими множествами, можно делать выводы на основании параметров контента, имеющих многозначный и неточный характер: ● Трудноформализуемые критерии оценки, которые относятся к слабо структурированным сложным моделям и предполагают необходимость манипулирова

4
Горяшко А.П., Комлева Н.В. Образование на основе компетенций в открытых информационных средах: алгоритмы принятия решений // Высшее образование в России. Научнопедагогический журнал Министерства образования и науки РФ. – 2011. – No 8–9. – С. 78–84.
Total in-text references: 1
  1. In-text reference with the coordinate start=9500
    Prefix
    При условии достижения значений характеристик заданного уровня (порог голосов, количество просмотров) рассчитывается рейтинг данного материала по формуле, учитывающей рейтинг оценивавших его пользователей, голоса модераторов и порог голосов, необходимых для рейтингового оценивания. Либо контенту присваивается фиксированный рейтинг при получении рекомендации модератора
    Exact
    [4]
    Suffix
    . 3. На основании рейтинга, рекомендаций модератора и ряда других характеристик происходит обработка контента при помощи алгоритма нечеткого вывода. В идеальном случае пересчет пользовательского рейтинга Ru и обновление динамических рейтинговых таблиц осуществляется при каждом новом оценивании, но может происходить по расписанию или по соответствующему запросу.

5
Борисов, В.В., Круглов, В.В., Федулов, А.С. Нечеткие модели и сети. – М: Горячая Линия – Телеком, 2012. – 284 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=10678
    Prefix
    Каждому материалу сопоставлена матрица голосов пользователей, а рейтинг материала рассчитывается эвристическим методом взвешенной суммы оценки критериев: 1 11 1 11 1 , P kwl ijl iij ukwkw ijiiji ijij R icT RP cTcT = == ==== =+ ++ ∑ ∑∑ ∑∑∑∑ где k = 5 – максимальное значение оценки по шкале, i ∈
    Exact
    [1;5]
    Suffix
    – значение оценки, wj ∈ [0,1;1] – вес пользователя, оценившего материал, W – количество весов для данной оценки, cij – количество оценок i с весом wj, Rl – рейтинг материала l, P – количество материалов в рейтинге. 4.

  2. In-text reference with the coordinate start=12537
    Prefix
    Для реализации системы принятия решений о выборе контента необходимо подобрать оптимальный алгоритм нечеткого вывода. К наиболее распространенным алгоритмам нечеткого вывода на данный момент относятся алгоритмы Мамдани, Ларсена, Суджено, Цукамото
    Exact
    [5]
    Suffix
    . При этом принимаются во внимание следующие характеристики алгоритмов: 1) Точность вывода. При прочих равных условиях погрешность алгоритма Суджено несколько меньше, чем у других алгоритмов [5, 6]. 2) Скорость вывода.

  3. In-text reference with the coordinate start=12731
    Prefix
    К наиболее распространенным алгоритмам нечеткого вывода на данный момент относятся алгоритмы Мамдани, Ларсена, Суджено, Цукамото [5]. При этом принимаются во внимание следующие характеристики алгоритмов: 1) Точность вывода. При прочих равных условиях погрешность алгоритма Суджено несколько меньше, чем у других алгоритмов
    Exact
    [5, 6]
    Suffix
    . 2) Скорость вывода. С вычислительной точки зрения алгоритм Суджено использует меньше ресурсов и работает на порядок быстрее, чем другие алгоритмы, так как в нем отсутствует этап дефаззификации [7]. 3) Возможность представления модуля нечеткого вывода в виде нейросети.

6
Круглов, В.В., Дли, М.И., Голунов, Р.Ю. Нечеткая логика и искусственные нейронные сети. – М: Физматлит, 2001. – 224 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=12731
    Prefix
    К наиболее распространенным алгоритмам нечеткого вывода на данный момент относятся алгоритмы Мамдани, Ларсена, Суджено, Цукамото [5]. При этом принимаются во внимание следующие характеристики алгоритмов: 1) Точность вывода. При прочих равных условиях погрешность алгоритма Суджено несколько меньше, чем у других алгоритмов
    Exact
    [5, 6]
    Suffix
    . 2) Скорость вывода. С вычислительной точки зрения алгоритм Суджено использует меньше ресурсов и работает на порядок быстрее, чем другие алгоритмы, так как в нем отсутствует этап дефаззификации [7]. 3) Возможность представления модуля нечеткого вывода в виде нейросети.

  2. In-text reference with the coordinate start=13473
    Prefix
    В алгоритмах Мамдани, Ларсена и Цукамото консеквенты представлены в виде нечетких переменных с собственными функциями принадлежности термов, в алгоритме Суджено – в виде линейных зависимостей от входных параметров
    Exact
    [6, 8]
    Suffix
    . Таким образом, алгоритм Суджено является оптимальным для задачи принятия решения об обработке контента. По алгоритму нечеткого вывода Суджено обрабатывается входной вектор значений x̅ и формируется итоговое решение, отправлять ли материал на дальнейшую обработку. 5.

  3. In-text reference with the coordinate start=15852
    Prefix
    но с объединением xi и wi, pi и pj с использованием t-нормы, t-конормы или некоторых других непрерывных операций, где: xi – входной сигнал, wi – вес входного сигнала, pi = xi × wi, i = 1, ..., n – сила реакции на активацию входа нейрона сигналом. Модель вывода TSK (Takagi – Sugeno – Kanga) – нечеткая система адаптивного типа, обладающая наиболее высокими показателями скорости вывода
    Exact
    [6]
    Suffix
    . В нечеткой нейросети TSK входные переменные являются четкими, а нечеткая импликация и t-норма представлены в виде нечеткого произведения. Архитектура нейронной сети, удовлетворяющей этим свойствам, строится на основании пяти слоев.

7
Рутковская, Д., Пилиньский, М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М: Горячая Линия – Телеком, 2008. – 452 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=12934
    Prefix
    При прочих равных условиях погрешность алгоритма Суджено несколько меньше, чем у других алгоритмов [5, 6]. 2) Скорость вывода. С вычислительной точки зрения алгоритм Суджено использует меньше ресурсов и работает на порядок быстрее, чем другие алгоритмы, так как в нем отсутствует этап дефаззификации
    Exact
    [7]
    Suffix
    . 3) Возможность представления модуля нечеткого вывода в виде нейросети. В процессе ее обучения консеквенты продукционных правил и коэффициенты функций принадлежности подвергаются корректировке.

  2. In-text reference with the coordinate start=16111
    Prefix
    В нечеткой нейросети TSK входные переменные являются четкими, а нечеткая импликация и t-норма представлены в виде нечеткого произведения. Архитектура нейронной сети, удовлетворяющей этим свойствам, строится на основании пяти слоев. Слой 1: фаззификация
    Exact
    [7]
    Suffix
    . Каждый нейрон реализует функцию принадлежности соответствующему терму. Слой определяет значение гауссовой функций фаззификации () xc2b μxeδ −−  = для каждого правила. На выходе формируется степень принадлежности переменной к терму.

  3. In-text reference with the coordinate start=18715
    Prefix
    После модификации линейных и нелинейных коэффициентов процесс адаптации параметров повторяется вплоть до их стабилизации. Гибридный алгоритм считается наиболее эффективным способом обучения нейросетей TSK
    Exact
    [7]
    Suffix
    . 8. Построение индивидуальных траекторий при использовании контента Вместе с контентом в информационной среде может содержаться метаинформация, определяющая ключевые слова по содержанию и дополнительные данные.

8
Емельянов, С. Искусственный интеллект и принятие решений. Выпуск 1. – М: ИСА РАН, 2013. – 88 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=13473
    Prefix
    В алгоритмах Мамдани, Ларсена и Цукамото консеквенты представлены в виде нечетких переменных с собственными функциями принадлежности термов, в алгоритме Суджено – в виде линейных зависимостей от входных параметров
    Exact
    [6, 8]
    Suffix
    . Таким образом, алгоритм Суджено является оптимальным для задачи принятия решения об обработке контента. По алгоритму нечеткого вывода Суджено обрабатывается входной вектор значений x̅ и формируется итоговое решение, отправлять ли материал на дальнейшую обработку. 5.

9
Andreichicov, A.V., Andreichicova, O.N. New Paradigms of DecisionMaking. – Halifax, Canada: Management Science Division, 2003. – pp. 28–34.
Total in-text references: 1
  1. In-text reference with the coordinate start=19289
    Prefix
    Одна из целей расчета интегрированной рейтинговой оценки и использования метаинформации – это повышение качества поиска, выборки и достижения цели пользователя при выборе контента. Помимо непосредственно поиска по заданным критериям пользователь может обратиться к модулю поддержки принятия решений как к вспомогательному инструменту экспертного анализа
    Exact
    [9]
    Suffix
    . Для реализации данного функционала может быть выбран один из методов поддержки принятия решений. В последнее время наиболее популярным в информационно-аналитических системах является метод анализа иерархий (МАИ) [10], который основывается на декомпозиции и агрегировании: осуществляется разбиение рассматриваемых объектов на кластеры, которые разбиваются на меньшие кластеры.

10
Саати, Т.Л. Принятие решений при зависимостях и обратных связях. Аналитические сети. – М.: Издательст- во ЛКИ, 2008. – 360 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=19508
    Prefix
    Для реализации данного функционала может быть выбран один из методов поддержки принятия решений. В последнее время наиболее популярным в информационно-аналитических системах является метод анализа иерархий (МАИ)
    Exact
    [10]
    Suffix
    , который основывается на декомпозиции и агрегировании: осуществляется разбиение рассматриваемых объектов на кластеры, которые разбиваются на меньшие кластеры. Целью является получение приоритетов всех элементов посредством группирования.

11
Осовский С. Нейронные сети для обработки информации. – М: Финансы и статистика, 2004. – 344 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=20737
    Prefix
    Оперативная и корректная обработка нечетких характеристик достигается путем использовании гибридных нейросетей. Они получили широкое распространение в системах с модулями нечеткой логики. Популярность нечетких нейросетей связана со способностью к адаптации и обучению
    Exact
    [11, 12]
    Suffix
    . Эти достоинства нейро-нечеткого вывода в совокупности с возможностью корректировки продукционных правил на порядок повышают интеллектуальность модуля вывода. Общая схема обработки контента представлена на рисунке 2.

12
Simon S. Haykin. Neural networks and learning machines. – Hamilton, Ontario, Canada: Pearson Prentice Hall, 2009. – 906 c.
Total in-text references: 1
  1. In-text reference with the coordinate start=20737
    Prefix
    Оперативная и корректная обработка нечетких характеристик достигается путем использовании гибридных нейросетей. Они получили широкое распространение в системах с модулями нечеткой логики. Популярность нечетких нейросетей связана со способностью к адаптации и обучению
    Exact
    [11, 12]
    Suffix
    . Эти достоинства нейро-нечеткого вывода в совокупности с возможностью корректировки продукционных правил на порядок повышают интеллектуальность модуля вывода. Общая схема обработки контента представлена на рисунке 2.