ЗАСТОСУВАННЯ МЕТОДІВ І ТЕХНОЛОГІЙ РЕКОМЕНДАЦІЙНИХ СИСТЕМ ДЛЯ КОНФІГУРУВАННЯ ДИНАМІЧНИХ ЛІНІЙОК ПРОГРАМНИХ ПРОДУКТІВ

Автор(и)

DOI:

https://doi.org/10.20998/2079-0023.2021.01.15

Анотація

У статті проведено аналіз існуючих підходів до вирішення задачі динамічного конфігурування у лінійках програмних продуктів (ЛПП). ЛПП це набір програмних систем, що мають спільні і варіабельні компоненти і використовують набір парадигм і методів до розробки. Завдяки використанню яких надаються можливості налаштовувати програмні рішення відповідно до потреб кінцевих користувачів. Було показано, що для вирішення цієї проблеми доцільно використовувати методи і технології побудови сучасних рекомендаційних систем (РС). Проведено аналіз існуючих підходів і методів побудови РС, були розглянуті такі можливі методи як: кластеризація, марковский процес прийняття рішень, факторизація матриць. В результаті огляду інтелектуальних методів розробки РС та дослідження функціональних можливостей технологій реалізації РС у проектах з відкритим кодом, для подальшого використання саме в задачах конфігурування динамічних ЛПП запропоновано метод N-вимірної контекстно-залежної тензорної факторизації та інструментальна система CARSkit. Розроблені функціональні вимоги та запропонована архітектура прототипу РС, яка уможливлює автоматизацію конфігурування програмних компонентів у системах «Розумний будинок» (РБ), і яка може бути програмно реалізована засобами системи CARSkit та алгоритмами обробки консолідованих даних на мові Python. Ця реалізація дозволяє побудувати процес відстеження змін у зовнішньому середовищі і передавати інформацію в РБ і після аналізу вхідних даних обробляти в РС для відстеження змін у контекстної інформації. Під час подальших досліджень заплановано проведення обчислювальних експериментів з урахуванням специфіки систем «Розумний будинок» і застосування кількісних метрик для оцінки ефективності алгоритмів тензорної авторизації для прогнозування динамічних змін програмних компонентів в цих системах.

Ключові слова: рекомендаційна система, лінійка програмних продуктів, варіабельність, динамічне конфігурування, архітектура

Біографії авторів

Рустам Гамзаєв, Харківський національний університет імені В.Н. Каразіна

кандидат технічних наук, доцент; докторант кафедри моделювання систем і технологій, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків–22, Україна, 61022; ORCID: https://orcid.org/0000–0002–2713–5664; e–mail: rustam.gamzayev@karazin.ua

Микола Ткачук, Харківський національний університет імені В.Н. Каразіна

доктор технічних наук, професор; завідувач кафедри моделювання систем і технологій, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків–22, Україна, 61022; ORCID: https://orcid.org/0000–0003–0852–1081; e–mail: mykola.tkachuk@karazin.ua

Посилання

Reinhartz-Berger I., Sturm A., Clark T., Cohen S., Bettin J. Domain Engineering: Product Lines, Languages, and Conceptual Models. Heidelberg, Springer, 2013. 420 p.

Metzger A., Pohl K. Software Product Line Engineering and Variability Management: Achievements and Challenges. Proceedings of FOSE’14 Conference, May 31 – June 7, 2014, Hyderabad, India. pp. 70–84.

Eleutério J. A Comparative Study of Dynamic Software Product Line Solutions for Building Self-Adaptive Systems, 2017. 30 p.

Sharifloo A. Learning and Evolution in Dynamic Software Product Lines, 2016. 8 p.

Gamzayev R. O., Karaçuha E., Tkachuk M. V. et al. An Approach to Assessment of Dynamic Software Variability in Mobile Applications Development. Visnyk Kharkivs'koho natsional'noho universytetu imeni V.N. Karazina, Seriya «Matematychne modelyuvannya. Informatsiyni tekhnolohiyi. Avtomatyzovani systemy upravlinnya». 2018, no 40, pp. 14–25.

Sohail S., Siddiqui J., Ali R. Classifications of Recommender Systems: A Review // Journal of Engineering Science and Technology Review. 2017, vol.10(4), pp.132–153.

Xiaoyuan Su, Taghi M. Khoshgoftaar. A Survey of Collaborative Filtering Techniques. Advances in Artificial Intelligence, Volume 2009, January 2009. 4 p.

Lytvyn V., Vysotska V., Shatskykh V. et al. Design of A Recommendation System Based on Collaborative Filtering and Machine Learning Considering Personal Needs of The User. EasternEuropean Journal of Enterprise Technologies. 2019, vol. 4/2 (100), pp. 6–28.

Bargesyan A. A., Kupriyanov M. S. Metody i modeli analiza dannykh OLAP i Data Mining. SPb, BKhV-Peterburg, 2004. 331 p.

Shani, G., Heckerman, D., Brafman, R. An MDP-Based Recommender System. Journal of Machine Learning Research, 2005, vol. 6, pp. 1265–1295.

Symeonidis, P., Zioupos, A. Matrix and Tensor Factorization Techniques for Recommender Systems. SpringerBriefs in Computer Science, 2016. 102 p.

Pereira J. et al. N-dimensional Tensor Factorization for SelfConfiguration of Software Product Lines at Runtime Gothenburg. SPLC '18: Proceedings of the 22nd International Systems and Software Product Line Conference. 2018, vol. 1, pp. 87–97.

Racoon Recommendation Engine Github [Електронний ресурс]. URL:https://github.com/guymorita/recommendationRaccoon#recom mendationraccoon-raccoon (дата звернення: 12.06.2021).

Michael D. Ekstrand. LensKit for Python. Dept. of Computer Science, Boise State University. Idaho, USA, September 3, 2020.

Surprise documentation URL:https://surprise.readthedocs.io/en/stable/index.html (accessed 01.05.2021).

Zheng, Y., Mobasher, B. CARSKit: A Java-Based Context-aware Recommendation Engine. Proceedings of the 15th IEEE International Conference on Data Mining, NJ, USA, 2015.

Hamzayev R. O., Tkachuk M. V., Tovstokorenko O.T. Zastosuvannya metodiv domennoho modelyuvannya dlya pidtrymky variabel'nosti prohramnoho zabezpechennya v rozrobtsi system «Rozumnyy budynok». Informatsiyni systemy ta tekhnolohiyi: Materialy statey 9--yi Mizhnarodnoyi nauk.-tekhn. konferentsiyi, Kharkiv, 17–20 lystopada 2020 roku. Kharkiv, KhNURE Publ., 2020, pp. 217–220.

Python documentation URL: https://www.python.org/about/ (accessed 01.05.2021).

##submission.downloads##

Опубліковано

2021-07-12

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ