Растущие требования со стороны потребителей и разнообразие изделий вызывают рост сложности всех процессов управления жизненным циклом изделий (ЖЦИ). Это, в свою очередь, повышает степень сотрудничества (кооперирование между предприятиями, между проектированием и производством, между производством и обслуживанием и т.д.) между различными участниками, поддерживающими ЖЦИ.

Интенсивное сотрудничество требует значительной поддержки процессов принятия решений со стороны информационных технологий для учета предпочтений как личных предпочтений многочисленных пользователей, так и групповых предпочтений [1]. Групповые рекомендательные системы направлены на решение данной проблемы.

Групповые рекомендательные (рекомендующие) системы широко используются в Интернет для подбора изделий и услуг индивидуальным пользователям, учитывая их предпочтения и вкусы [2], в различных бизнес-приложениях (например, [3, 4]). Определение рекомендаций для групп пользователей усложняется необходимостью учитывать не только индивидуальные интересы, но и искать компромисс между интересами группы пользователей и их индивидуальными интересами. В [5] предложена архитектура групповой рекомендательной системы, основанная на трех компонентах: (а) поиск характерных элементов в профилях индивидуальных пользователей, (б) группировка (кластеризация) пользователей на основе их предпочтений (например, [6]) и (в) разработка окончательных рекомендаций на основе созданных групп пользователей. Разработка алгоритмов кластеризации, способных непрерывно улучшать структуру групп на основе постоянно поступающей информации, может сделать возможным самоорганизацию пользователей в группы [7].

В статье предложен подход к разработке групповой рекомендательной системы для управления ЖЦИ на основе таких технологий, как профилирование пользователей и групп пользователей, управление контекстом, анализ принятых решений (decision mining). Использование системы проиллюстрировано на примере компании – производителя промышленного оборудования, имеющей более 300 000 потребителей в 176 странах мира.

Архитектура групповой рекомендательной системы. Разработанная архитектура групповой рекомендательной системы основывается на адаптированном алгоритме кластеризации пользователей [8], изначально разработанном для анализа принятых решений (decision mining) [9–11]. Разработка такого алгоритма позволила создание самоорганизующихся групп пользователей. Предложенный алгоритм кластеризации основывается на информации из профилей пользователей [8]. Кроме того, для повышения точности алгоритма ему на вход подается информация в контексте текущей ситуации (включая задачу и изделия, с которыми в настоящий момент работает пользователь, срочность работы и другие параметры). Унификация терминологии между контекстом и профилями обеспечивается использованием общей онтологии.

Профили пользователей являются динамическими, обновленная информация из которых постоянно поступает на вход алгоритма. В результате алгоритм может уточнять решение при поступлении обновленной информации и обновлять группы. Таким образом, можно утверждать, что группы самоорганизуются в соответствии с изменениями профилей пользователей и информации из контекста текущей ситуации.

Поскольку в компании, рассмотренной в качестве примера, основным различием между пользователями являются группы изделий, с которыми они работают, предполагается, что группы пользователей будут созданы вокруг групп изделий.Однако в других ситуациях группы могут оказаться ориентированными на различные бизнес-процессы, ресурсы и т.п.

После определения групп на основе результатов работы алгоритма кластеризации выявляются общие групповые предпочтения и интересы. Затем данные предпочтения обобщаются и анализируются для разработки групповых рекомендаций.

Алгоритм кластеризации пользователей. В качестве средства формального описания знаний была выбрана модель объектно-ориентированных сетей ограничений [12]. Знания представляются множествами классов, атрибутов классов, доменов атрибутов и ограничений, описанными средствами формализма объектноориентированных сетей ограничений.

В соответствии с выбранным формализмом онтология описывается множеством классов, атрибутов (классы и атрибуты являются элементами онтологии), доменов (областей допустимых значений) атрибутов и ограничений. Ограничения могут быть следующих типов: структурные (описывающие принадлежность атрибутов классам [13, 14], принадлежность доменов атрибутам, ассоциативные связи между классами, и задающие совместимость классов); иерархические («быть экземпляром», определяющих таксономию классов, и «быть частью», определяющих иерархию классов); функциональные ограничения, описывающие функциональные отношения между классами и атрибутами.

Благодаря специфике задач в рассматриваемой компании (ориентация на группы изделий) реализованный алгоритм кластеризации пользователей основан на анализе производственных решений, созданных пользователями, и имеет следующие шаги:

1. Извлечение слов/фраз из производственных решений (обработка текста).
2. Расчет схожести между решением и элементами онтологии (т.е. сравнение текста, извлеченного из описания решения, и имен классов и атрибутов). Для этого используется алгоритм нечеткого сравнения строк, основанный на коэффициенте Жаккарда [15].
3. Построение взвешенного графа, состоящего из классов и атрибутов онтологии, а также из пользователей. Веса дуг рассчитываются на основе (а) метрик схожести (т.е. для различных решений пользователей они будут различными) и (б) таксономических отношений в онтологии.
4. остроение взвешенного графа, состоящего из пользователей (при удалении классов и атрибутов веса дуг пересчитываются).
5. Кластеризация графа пользователей на основе весов дуг, соединяющих пользователей.

Статья представляет подход к разработке групповой рекомендательной системы для управления ЖЦИ. Предложенный подход основан на применении таких технологий, как профилирование пользователей и групп пользователей, управление контекстом, анализ принятых решений (decision mining). Он позволяет добиться самоорганизации групп пользователей в соответствии с изменяющимися профилями пользователей и контекста текущей ситуации.

Благодарности. Представленные результаты были частично получены при выполнении проектов, финансируемых грантами РФФИ № 09-07-00436-a и № 11-07-00045-a, и проекта № 213 программы Интеллектуальные информационные технологии, математическое моделирование, системный анализ и автоматизация Президиума РАН.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. McCarthy K., Salamo M., Coyole L., McGinty L., Smyth B., Nixon P. Group Recommender Systems: A Critiquing Based Approach, In IUI '06: Proceedings of the 11th international conference on Intelligent user interfaces, 2006. – P. 267-269. Известия ЮФУ. Технические науки Тематический выпуск 206
2. Garcia I., Sebastia, L., Onaindia, E., Guzman C.A Group Recommender System for Tourist Activities, In EC-Web 2009: Proceedings of E-Commerce and Web Technologies // The 10th International Conference (2009), Springer, LNCS 5692, 2009. – P. 26-37.
3. Moon S.K., Simpson T.W., Kumara S.R.T. An agent-based recommender system for developing customized families of products // Journal of Intelligent Manufacturing, Springer. – 2009. – Vol. 20, № 6. – P. 649-659.
4. Chen Y.-J., Chen Y.-M., Wu M.-S. An expert recommendation system for product empirical knowledge consultation, In ICCSIT2010 // The 3rd IEEE International Conference on Computer Science and Information Technology, IEEE. – 2010. – P. 23-27.
5. Baatarjav E.-A., Phithakkitnukoon S., Dantu, R. Group Recommendation System for Facebook, In OTM 2008: Proceedings of On the Move to Meaningful Internet Systems Workshop (2008), Springer, LNCS 5333, 2009. – P. 211-219.
6. Romesburg H.C. Cluster Analysis for Researchers, Lulu Press, California, 2004.
7. Flake G.W., Lawrence, S., Giles, C.L., Coetzee, F. Self-Organization and identification of Web Communities // IEEE Computer. – 2002. – Vol. 35, №. 3. – P. 66-71.
8. Smirnov A., Levashova T., Kashevnik A., Shilov N. Profile-based self-organization for PLM: approach and technological framework In PLM 2009: Proceedings of the 6th International Conferecne on Product Lifecycle Management, 2009, Electronic proceedings.
9. Smirnov A., Pashkin M., Chilov N. Personalized Customer Service Management for Networked Enterprises, In ICE 2005: Proceedings of the 11th International Conference on Concurrent Enterprising, 2005. – Р. 295-302.
10. Smirnov A., Pashkin M., Levashova T., Kashevnik A., Shilov N. Context-Driven Decision Mining, Encyclopedia of Data Warehousing and Mining. Hershey (Ed. by J. Wang), New York, Information Science Preference, Second Edition. – 2008. – Vol. 1. – P. 320-327.
11. Rozinat A., van der Aalst W.M.P. Decision Mining in Business Processes, BPM Center Report no. BPM-06-10, 2006.
12. Левашова Т.В. Пашкин М.П., Шилов Н.Г. Онтолого-ориентированный многоагентный подход к построению систем интеграции знаний из распределённых источников // Информационные технологии и вычислительные системы. – 2002. – № 1. – C. 62-82.
13. Нефедов В.Н., Осипова В.А. Курс Дискретной математики. – М.: МАИ, 1992. – 262 с.
14. Кук Д., Бейз Г. Компьютерная математика. – М.: Наука, 1990. – 383 c.
15. Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining, Addison Wesley, 2005. – 769 p.