METODY INTELIGENTNE W PERSONALIZACJI ANNA KEMPA, TOMASZ STA

Akademia Ekonomiczna w Katowicach

Streszczenie Artykuł przedstawia moĪliwoĞci inteligentnych metod (z zakresu inĪynierii biologicznej) wspomagających odkrywanie wiedzy o uĪytkownikach w celu tworzenia profili oraz rekomendowania zasobów. Omówiono sposoby odkrywania wiedzy z zasobów internetowych, techniki personalizacji oraz w dalszej czĊĞci przedstawiono przykłady sztucznych systemów immunologicznych realizujących klasyfikacjĊ dokumentów na potrzeby personalizacji. Wskazano takĪe na moĪliwoĞci algorytmu mrowiskowego, który na podstawie otrzymanej taksonomii dokumentów jest zdolny rekomendowaü zasoby. Słowa kluczowe: personalizacja, sztuczne systemy immunologiczne, systemy mrowiskowe 1. Wstp Powszechne wykorzystywanie Internetu, na pewnym etapie jego rozwoju spowodowało zacieranie si indywidualizmu wykorzystujcych go uytkowników. Podobnie jak w wiecie realnym, tak równie w Internecie uytkownicy chc by postrzegani nie jako zbiorowo, lecz w sposób indywidualny, uwzgldniajcy potrzeby, preferencje poszczególnych uytkowników. Metody inynierii wiedzy odpowiednio wykorzystane umoliwiaj przeprowadzanie procesu personalizacji w sposób niekłopotliwy dla uytkownika, a jednoczenie w miar dokładny, odpowiadajcy potrzebom i oczekiwaniom uytkowników. Celem artykułu jest zaprezentowanie wybranych metod z zakresu sztucznej inteligencji – sztucznych systemów immunologicznych oraz systemów mrowiskowych w odkrywaniu wiedzy o uytkownikach na potrzeby personalizacji (rozdziały 3, 4 i 5). Rozdział drugi omawia sposoby odkrywania wiedzy z zasobów internetowych oraz techniki personalizacji bazujce na dreniu danych. 2. Przetwarzanie danych o u ytkownikach na potrzeby tworzenia profilu Oferowanie uytkownikom odpowiednich dla nich zasobów wymaga zbierania i przetwarzania danych o uytkownikach. Odkrywanie wiedzy z duych zbiorów danych w rodowisku szeroko rozumianych zasobów internetowych (Web-mining) mona podzieli na trzy grupy [1]: • web usage mining (WUM) – odkrywanie wiedzy zwizanej ze sposobem wykorzystywania serwisu przez jego uytkowników, • web content mining (WCM) – odkrywanie wiedzy zwizanej z zawartoci serwisu (stron), • web structure mining (WSM) – odkrywanie wiedzy zwizanej ze struktur całego serwisu informacyjnego, struktur połcze pomidzy stronami. Technika Web-mining składa si z trzech etapów:

POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 13, 2008

83

• wstpnego przetwarzania danych - Preprocessing, • odkrywania wiedzy (wzorców zachowa) - Pattern Discovery), • analizy odkrytej wiedzy (wzorców) - Pattern Analysis). Na etapie wstpnego przetwarzania danych nastpuje identyfikacja uytkownika poprzez np. cookies, dane identyfikacyjne uzyskane w procesie logowania uytkownika czy poprzez adres IP. Po identyfikacji gromadzone w czasie pracy uytkownika dane poddawane s wstpnemu przetworzeniu. W etapie drugim, jakim jest odkrywanie wiedzy, wykorzystywane s zaawansowane metody obliczeniowe. S nimi midzy innymi: analiza statystyczna, reguły asocjacyjne, klastryzacja, wzory sekwencyjne, model zalenoci. W ostatnim kroku Web-Mining nastpuje wyselekcjonowanie wiedzy uytecznej. Wykorzystywanie odkrytej wiedzy o uytkowniku (jego zachowaniu i preferencjach) jest szczególnie uyteczne w przeprowadzaniu procesu personalizacji (np. w procesie tworzenia i uzupełniania profili uytkowników). W literaturze przedmiotu wskazano kilka technik personalizacji bazujcych na dreniu danych. Zaliczy do nich mona: • filtrowanie na podstawie współpracy (collaborative filtering), • filtrowanie na podstawie reguł (association mining), • odkrywanie sekwencji, • personalizacja poprzez grupowanie, • personalizacja poprzez klasyfikacj. Technika collaborative filtering polega na prezentowaniu uytkownikowi informacji, z której korzystał inny uytkownik charakteryzujcy si podobnymi preferencjami. Wnioskowanie o preferencjach uytkownika opiera si przede wszystkim na konkretnych elementach, które zainteresowały przebywajcego w serwisie uytkownika. Filtrowanie na podstawie reguł jest stosunkowo prostym rozwizaniem bazujcym na zasadzie: gdy x to y. Reguły takie s powszechnie wykorzystywane (np. s podstawowym elementem kadego jzyka programowania wysokiego poziomu). Podstawowy problem w wykorzystywaniu filtrowania na podstawie reguł polega na odkryciu samych reguł. Musz by one znane i odpowiednio zapisane w bazie regułowej. Technika automatycznego pozyskiwania reguł nosi nazw asocjacyjnego drenia danych (ang. association mining for personalization) i opisana została midzy innymi w pracach [11], [2], [10]. Kolejn technik personalizacji jest odkrywanie sekwencji. Jest ona pewn modyfikacj wzmiankowanej techniki filtrowania na podstawie reguł. W odkrywaniu sekwencji podstawow rol odgrywa parametr czasu, gdy istotna staje si kolejno wykonywania przez uytkownika działa. Odkrywanie sekwencji zostało omówione midzy innymi w pracy: [2]. Inn moliwoci realizacji personalizacji jest grupowanie. Polega ono na grupowaniu cieek jakimi poruszaj si uytkownicy serwisu. Czsto podział na grupy poprzedzony zostaje odkrywaniem reguł lub sekwencji. Ze zgromadzonych danych (historycznych) tworzone s grupy, a trwajca sesja uytkownika klasyfikowana jest do jednej z nich. Na tej podstawie uytkownikowi prezentowane s zasoby, które znalazły si na ciekach działa innych uytkowników przyporzdkowanych do tej samej grupy.

84

Anna Kempa, Tomasz StaĞ Metody inteligentne w personalizacji

Klasyfikacja czyli przydzielenie obiektów do z góry zdefiniowanych klas, to pewna modyfikacja techniki grupowania. W pracy [4] przedstawiono implementacj modułów realizujcych róne techniki analizy danych na potrzeby personalizacji. Zarysowane metody funkcjonuj w sposób wsadowy co uniemoliwia w przewaajcej czci przypadków szybkie reagowanie na zmiany w oczekiwaniach uytkowników. Jedn z moliwoci przyspieszenia procesu personalizacji jest wykorzystanie metod inteligentnych. W rozdziale 4 zostan przedstawione dwa przykłady inteligentnych metod wspierajcych personalizacj poprzez klasyfikacj na podstawie treci dokumentów. 3. Metody inteligentne w tworzeniu profili i rekomendowaniu zasobów Celem mechanizmu rekomendujcego jest zautomatyzowanie kierowania zasobów do uytkowników, tak aby odpowiadały one ich preferencjom. Oczekiwania uytkownika s zmienne, dlatego algorytm realizujcy proces personalizacji powinien nalee do grupy systemów uczcych si. Koncepcja systemów uczcych si nie jest nowa, jednak ze wzgldu na stale rosnce moliwoci obliczeniowe współczesnych komputerów, wykorzystywana jest coraz szerzej, majc zastosowanie do rozwizywania rónorodnych problemów. Jedn z wielu metod uczenia si maszyn jest uczenie si ze wzmocnieniem. W rozpatrywanym problemie rekomendowania ten rodzaj uczenia si wydaje si szczególnie przydatny, gdy bazuje na interakcji systemu uczcego si ze rodowiskiem, a za takie rodowisko, w którym działaj uytkownicy, mona uzna zasoby urzdu kierowane zarówno do pracowników jak i klientów. Proces uczenia si maszyn mona oprze nie tylko na metodach deterministycznych. Naley odnotowa, i od kilku lat stale wzrasta zainteresowanie stochastycznymi algorytmami rozwizujcymi problemy optymalizacyjne za pomoc mechanizmu uczenia si. Poszukujc rozwiza w dziedzinie odkrywania wiedzy siga si take po inspiracje m.in. do systemów funkcjonujcych w organizmach ywych. Biologiczn inynieri charakteryzuje elastyczno, odporno na niewielkie zaburzenia oraz rozproszono, dziki której funkcjonowanie pojedynczych komponentów nie jest krytyczne dla zachowania spójnej funkcjonalnoci, a ich suma tworzy cało o skomplikowanych i nowych własnociach. Do przedstawicieli technik ewolucyjnych nale algorytmy mrowiskowe, których koncepcja przestawiona została na pocztku lat dziewidziesitych XX wieku, a powstała wskutek dokładnej analizy zachowania si organizmów ywych (konkretnie mrówek) w ich rodowisku naturalnym [3]. Od kilkunastu lat informatycy próbuj adaptowa kolejny naturalny system – układ odpornociowy, który równie wyposaony jest w zdolno zdobywania kwalifikacji poprzez nauk i dowiadczenie. Organizm ywy dysponuje repertuarem 106 struktur własnych. Liczb potencjalnych struktur patogennych szacuje si na 1016. Aby skutecznie obroni organizm układ odpornociowy musi si cały czas uczy. Wymienione zagadnienia ‘sztucznego ycia’ mona zastosowa dla potrzeb personalizacji.

POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 13, 2008

85

4. Sztuczne systemy immunologiczne w personalizacji Badania w zakresie odkrywania wiedzy o profilu uytkownika z dokumentów tekstowych korzystaj z dowiadcze w obszarze analizy tekstu i filtrowania informacji. Zostan przedstawione dwa przykłady sztucznych systemów immunologicznych, oba wykorzystuj zawarto dokumentów tekstowych, jeden z nich na jej podstawie dokonuje klasyfikacji dokumentów webowych, a drugi zmierza jeszcze dalej w kierunku profilowania – tworzy sie termów opisujc zainteresowania uytkowników. Komórki (w organizmach ywych), które aktywnie uczestnicz w swoistej odpowiedzi immunologicznej nazywane s limfocytami. Limfocyty s wyspecjalizowanymi wszechobecnymi komórkami, rozproszonymi w płynach ustrojowych i tkankach lub tworzcymi własne narzdy, centralne i obwodowe. Limfocyty T i B posiadaj receptory – swoiste detektory odpowiedzialne za rozpoznawanie antygenów. Na powierzchni limfocytu B moe by około 100 tysicy receptorów (przeciwciał). Przeciwciała kształtem przypominaj liter Y. Fragment receptora, który słuy do identyfikacji molekuł nazywany jest paratopem. Natomiast fragment receptora lub antygenu, do którego moe si przyłczy paratop nazywany jest epitopem. Sił wizania epitop-paratop okrela si jako stopie dopasowania. Zachowanie limfocytu jest uzalenione od dopasowania jego receptorów. Limfocyt ulega aktywacji gdy stopie dopasowania osiga pewn warto Układ immunologiczny wyposaony jest w zdolno uczenia si konkretnych struktur epitopów i zapamitywania ich w celu szybkiej reakcji przy powtórnym kontakcie z antygenem. Za oba te mechanizmy odpowiedzialne s limfocyty B. Uaktywnione limfocyty B po przedostaniu si do wzłów limfatycznych produkuj (poprzez podział) wiele krótko yjcych klonów. Klony podlegaj hipermutacji somatycznej, co ma prowadzi do wyprodukowania paratopów moliwie najlepiej dostosowanych do epitopów atakujcych organizm antygenów. Proces ten przypomina mutacj genetyczn, jednak jego intensywno jest znacznie wiksza [7]. Jednym ze sztucznych systemów immunologicznych przeznaczonych do zada klasyfikacji jest zasobowo limitowany klasyfikujcy system immunologiczny – AIRS [5][6]. System zawiera populacj limfocytów B, które odpowiadaj na wirtualne antygeny dostarczone przez dane wejciowe. Skupienie identycznych populacji limfocytów B jest reprezentowane jako ssiedztwo sztucznego rozpoznania (ang. artificial recognition balls, ARBs). Populacja pocztkowa ARBs jest tworzona na podstawie danych trenujcych. Kady element danych trenujcych jest kodowany jako pojedynczy antygen, odpowied AIRS na antygen opiera si na najbliszym dopasowaniu istniejcych komórek pamiciowych, które umoliwiaj rozwój ARBs. ARBs s wówczas alokowane zasobami opartymi na sukcesie osignitym w zwizku z dopasowaniem antygenu, np. wprost proporcjonalnie do podobiestwa antygenu. Te ARBs, które s niedopasowane s usuwane z systemu. Do okrelenia liczby klonów produkowanych przez ARBs wykorzystywana jest warto podobiestwa. Proces ten jest powtarzany dopóki rednia podobiestwa dla wszystkich ARBs jest wysza ni zdefiniowany próg pobudzenia (stymulacji). Najlepiej dopasowane ARBs dla klasy antygenów s promowane do pozostania kandydujcymi komórkami pamiciowymi. Jeli podobiestwo kandydujcych komórek pamiciowych jest wysze ni najblisze komórki pamiciowe, wówczas kandydujce komórki pamiciowe umieszczane s w puli komórek pamiciowych uywanych w przyszłych klasyfikacjach. Zastosowanie zbioru danych testowych pozwala utworzone komórki pamiciowe wykorzysta jako prototypy klas. W celu okrelenia najlepszych dopasowa pomidzy komórkami pamicio-

86

Anna Kempa, Tomasz StaĞ Metody inteligentne w personalizacji

wymi a testowymi antygenami uyto metody najbliszego ssiada. Pozycja antygenu wewntrz przestrzeni jest reprezentowana i porównana z otaczajcymi komórkami pamiciowymi. Promie (zasig) jest tak ustalany, aby obejmowa specyficzn ilo ssiadów. Wewntrz tego promienia klasa antygenów jest dana przez klas wikszoci najbliszych ssiadów. Powodzenie klasyfikacji dokumentów polega na trafnym wyodrbnieniu atrybutów dokumentu. Atrybuty mog by tekstowe, w formie słów lub znaczeniowe (ang. semantic), przykładowo pozycja wewntrz znaczeniowej struktury takiej jak taksonomia. Sama ekstrakcja atrybutów tekstu jest wzgldnie prostym zadaniem, natomiast selekcja istotnych atrybutów ju jest bardziej skomplikowana. Na tym etapie konieczna jest redukcja wymiaru wektora atrybutów, tak aby pomin cechy nieistotne i obniy koszt oblicze. Metody uywane w selekcji atrybutów zawieraj wzmocnienie informacji (ang. information gain) (którym jest statystyczna miara entropii) oraz dekompozycj pojedynczej wartoci (algorytm kompresji macierzy). W prezentowanym przykładzie wzmocnienie informacji zostało uyte w celu okrelenia słów istotnych w poszczególnych klasach dokumentów. Wzmocnienie z tych informacji pochodzi z kadego słowa w zwizku z uytecznoci tego słowa w klasyfikacji dokumentu. Obecno lub nieobecno tego słowa wewntrz klasy moe by odwzorowana w wektorze atrybutów. Dla wyselekcjonowanych istotnych atrybutów konieczna jest odpowiednia reprezentacja danych. Jest kilka metod, które mog by wykorzystane w tym celu, m.in. wektory logiczne (boolowskie), w których warto 0 lub 1 jest uyta do reprezentacji obecnoci lub jej braku istotnego termu w wektorze atrybutów. Alternatywn metod jest wektor czstotliwoci termów (tf*df). Autorzy systemu wykorzystali obie metody. Domyln miar podobiestwa w AIRS jest euklidesowa miara odległoci. Problem w tej metodzie polega na tym, e wszystkie atrybuty s tu jednakowo wane. Faktycznie wano atrybutu zaley zarówno od atrybutu w pytaniu jak i rejonu w przestrzeni atrybutów, w której komórki pamiciowe rezyduj. Z tego wzgldu autorzy AIRS uwzgldnili kilka modyfikacji metody, takich jak zastosowanie znaków uogólnionych, zmiennych progowych oraz zmiennych waonych dla kadego atrybutu. System jako wynik zwraca taksonomiczn struktur dokumentów, poprzez przydzielenie semantycznych atrybutów. Reprezentacja takich atrybutów nie jest skomplikowana, uy mona w tym celu deskryptorów, przykładowo „computers/languages/java”. System był testowany na zbiorach rzeczywistych dokumentów webowych i wykazał dobre wyniki, były one porównywalne z innymi klasyfikatorami (np. naiwnym klasyfikatorem bayesowskim), na ogół w nieduym stopniu lepsze. Autorzy systemu widz zastosowanie AIRS nie tylko w klasyfikacji dokumentów, ale take w innych działaniach wspomagajcych rekomendacj, ułatwiajcych nawigacj uytkownikom, gdy AIRS jest dobrze dopasowany do dynamicznego rodowiska Internetu. Innym przykładem modelu opartego na idei sztucznych systemów immunologicznych jest model Nootropia [8][9]. Model ten opisuje profil zainteresowa uytkowników na podstawie zawartoci dokumentów w postaci samoorganizujcej si sieci poj. Nootropia jest systemem autopoietycznym (ang. autopoietic) – tworzcym si poprzez rekonstrukcj samego siebie w reakcji na bodce zmieniajcego si rodowiska. W modelu tym antygenami s termy. Sie termów opisujca profil danego uytkownika jest tworzona na podstawie dokumentów interesujcych uytkownika. Inicjalizacja sieci realizowana jest w trzech krokach [8]:

POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 13, 2008

87

1.

Z dokumentów interesujcych uytkownika wydobywane s specyficzne termy, po usuniciu wyrazów nieistotnych oraz stemmingu wykorzystuje si wzór nadajcy wagi dla poszczególnych termów. 2. Zwizki pomidzy termami s identyfikowane wewntrz przesuwanego okna zawierajcego 10 ssiednich termów. Połczenie pomidzy dwoma termami realizowane jest, jeli wystpuj najmniejsz ilo razy w oknie, czyli w tym samym semantycznym kontekcie. Kademu połczeniu termów przypisywane s wagi wyznaczane na podstawie czstoci wystpowania obu połczonych termów w danym kontekcie. 3. Ostatnim krokiem jest uporzdkowanie termów wg malejcych wag. Wynikiem tego kroku jest stworzenie odrbnej hierarchii dla kadego tematu omawianego w analizowanych dokumentach. Po inicjalizacji profil jest adaptowany do biecych potrzeb uytkownika. Proces adaptacji jest podobny do inicjalizacji, jest jednak uzupełniany o usuwanie termów majcych niskie powizania z obecnymi zainteresowaniami uytkownika oraz dopływ nowych termów i realizacj nowych połcze. Waga termu

Waga termu

Rys.1. Sieü termów w modelu Nootropia. ħródło [8] Rys. 1 przedstawia jeden z etapów adaptacji modelu Nootropia (tworzenie połcze dla dodanych termów). Model Nootropia był oceniany przy pomocy specjalnego archiwum (Reuters Corpus Volume 1, RCV1) zawierajcego ponad 800 tys. angielskich tekstów, których zawarto mona pogrupowa wg rónych kryteriów. Ocena modelu polegała na symulacji rodowiska wirtualnych uytkowników, majcych swoje, mogce si zmienia, zainteresowania. Wyniki bada wskazuj, e Nootropia potrafi skutecznie adaptowa si do rónych (długo i krótkoterminowych) zmian zainteresowa uytkowników [9]. 5. Kierowanie zasobów przy pomocy systemów mrowiskowych Dysponujc sklasyfikowanym dokumentem (przydzielonym do jednej z grup tematycznych) naley go skierowa do właciwego odbiorcy. Z przyczyn organizacyjnych najczciej dokument przekazywany jest do kierownika wydziału, powinien jednak zawiera sugesti co do pracownika dysponujcego najwikszymi kompetencjami w danej sprawie. Zadaniem przyporzdkowania (odkrycia drogi przejcia dokumentu) mona obarczy algorytm mrowiskowy. Przedstawienie ródeł powstania algorytmów mrowiskowych, zasady ich funkcjonowania, niezbdne załoenia implementacyjne zostały przedstawione midzy innymi w pracach [3] [12] [13].

88

Anna Kempa, Tomasz StaĞ Metody inteligentne w personalizacji

Zarysowujc problematyk funkcjonowania algorytmów mrowiskowych mona stwierdzi, i sensem ich działania jest kooperacja mrówek (agentów) za pomoc pozostawianego ladu zapachowego (nazywanego feromonem – cigle wzmacnianego – zjawisko autokatalizy), podczas eksplorowania dynamicznego rodowiska w jakich yj kolejne generacje mrówek. Najwaniejszym elementem wyróniajcym algorytmy mrowiskowe od innych technik ewolucyjnych (na przykład algorytmów genetycznych) jest wykorzystywanie w algorytmach mrowiskowych zjawiska synergii zachodzcego pomidzy agentami (mrówkami) rozwizujcymi dany problem optymalizacyjny. Wykorzystanie algorytmu mrowiskowego w mechanizmie rekomendacji zasobów wymaga formalnego zdefiniowania rodowiska, w którym pracowa bd agenci. Zostały one przedstawione w pracach [3] [13] [14]. W całym algorytmie ogromnie istotny jest dobór parametrów pocztkowych oraz funkcja celu, czyli sposób oceniania, wartociowania rozwiza otrzymanych przez poszczególne mrówki, która to funkcja niestety nie jest uniwersalna i zaley od konkretnego rozpatrywanego problemu. Jednoczenie naley minimalizowa złoono obliczeniow algorytmu. Koncepcja wykorzystania algorytmów mrowiskowych w procesie personalizacji jest uniwersalna, niezalena od rozwizania udostpniajcego uytkownikom zasoby. Trwaj prace nad implementacj tej koncepcji w rodowisku portalu uczelnianego [14]. 6. Zakoczenie Powikszajce si moliwoci dostpu do Internetu pocigaj za sob wzrost rónorodnoci oczekiwa wobec zasobów oferowanych w tej globalnej sieci komputerowej. Oferowanie wszystkim wszystkiego, bez uwzgldnienia indywidualnych potrzeb poszczególnych uytkowników sprowadzi si moe do oferowania nadmiaru informacyjnego i utrudni uytkownikom znalezienie czegokolwiek. Personalizacja majca na celu wyeksponowanie tych zasobów informacyjnych, które najbardziej s potrzebne danemu uytkownikowi, wydaje si obecnie coraz bardziej istotnym elementem tworzenia aplikacji w rodowisku Internetu. Narzdzia wspierajce personalizacj (oraz zwizan z ni rekomendacj), czsto tworzone na potrzeby Internetu nowej generacji - semantycznej sieci www (ang. semantic web) maj ju za sob okres pionierski. Wci jednak nie maj szerokiego zastosowania. Autorzy artykułu, ledzc ten rozwój oraz jednoczenie badajc moliwoci prezentowanych tu metod inteligentnych z zakresu inynierii biologicznej – pragnli wskaza potencjalne drogi rozwoju technik personalizacji.

Bibliografia 1. 2. 3. 4. 5.

Accrue Software INC: Web Mining Whitepaper. Driving Business Decisions in Web Time, 2000, Fremont. 2000. Agrawal R., Srikant R.: Fast Algorithms for Mining Association Rules. IBM Almaden Research Center 1994. Boryczka U.: Algorytmy optymalizacji mrowiskowej, Wydawnictwo Uniwersytetu lskiego, Katowice 2006. Cooley R., Tan P., Srivastava J.: WebSIFT: The Web Site Information Filter System. Department of Computer Science. University of Minnesota. 1999. Greensmith J.: Cayzer S., An Artificial Immune System Approach To Semantic Document Classification, Second International Conference on Artificial Immune Systems, Edinburgh, U.K. September 2003.

POLSKIE STOWARZYSZENIE ZARZĄDZANIA WIEDZĄ Seria: Studia i Materiały, nr 13, 2008

6.

7.

8.

9.

10. 11.

12.

13.

14.

89

Hordjewicz T.: Sztuczne systemy immunologiczne i ich zastosowanie w systemach rekomendujących, W: Hołubica J. (red) „Analiza systemowa w finansach i zarzdzaniu”, tom 5, Instytut Bada Systemowych Polskiej Akademii Nauk Warszawa 2003. Kempa A.: Moliwoci zastosowa systemów immunologicznych w obszarze zarzdzania wiedz, W: Porbska-Mic T., Sroka H. (red) „Systemy Wspomagania Organizacji 2006”, Akademia Ekonomiczna Katowice 2006. Nanas N., Uren V., Roeck A.: Nootropia: a User Profiling Model based on a SelfOrganising Term Network, in: Nicosia G., Cutello V., Bentley P.J., Timmis J.(Eds.): Artificial Immune Systems, Third International Conference, ICARIS 2004, Catania, Sicily, Italy, September 2004. Nanas N., Roeck A., Uren V.: Immune-Inspired Adaptive Information Filtering, in: Bersini H., Carneiro J. (Eds.): Artificial Immune Systems, 5th International Conference, ICARIS 2006, Oeiras, Portugal, September 2006. Mobasher B., Cooley R., Srivastava J.: Automatic Personalization Based on Web Usage Mining. Department of Computer Science. DePaul University. Chicago 1999. Mobasher B., Dai H., Luo T., Nakagawa M.: Effective Personalization Based on Association Rule Discovery from Web Usage Data. School of Computer Science, Telecomunication and Information Systems. DePaul University. Chicago 2001. Sta T.: Perspektywy wykorzystania systemów ewolucyjnych na potrzeby doskonalenia portali korporacyjnych. Systemy Wspomagania Organizacji 2004. Praca zbiorowa pod red. Teresy Porbskiej-Mic i Henryka Sroki. Wy-dawnictwo Akademii Ekonomicznej w Katowicach 2003. Sta T.: Zastosowanie modyfikacji algorytmów mrowiskowych w procesie optymalizacji połączeĔ komunikacyjnych (Bus Routing Problem). Systemy Wspomagania Organizacji 2000. Praca zbiorowa pod red. Jerzego Gołuchowskiego i Henryka Sroki. Wydawnictwo Akademii Ekonomicznej w Katowicach 2000. Sta T.: Wykorzystanie technik ewolucyjnych w procesie nowoczesnej personalizacji portali internetowych. Studia i materiały polskiego stowarzyszenia zarzdzania wiedz. PSZW, Bydgoszcz 2007.

90

Anna Kempa, Tomasz StaĞ Metody inteligentne w personalizacji

INTELLIGENT METHODS IN PERSONALIZATION Summary In this article authors describe intelligent methods to gain and transform knowledge about users to personalized them (by means of recommendation methods). Authors propose to use artificial immune system to document classification process and the ant colony system to supply (recommend) those document to proper receivers. Keywords: personalization, artificial immune systems, ant colony systems

Anna Kempa [email protected] Tomasz Sta [email protected] Katedra Inynierii Wiedzy, Akademia Ekonomiczna w Katowicach ul. Bogucicka 3, 40-287 Katowice