ВЫБОР ОПЕРАТОРОВ АГРЕГИРОВАНИЯ ПОЛЬЗОВАТЕЛЬСКИХ КРИТЕРИЕВ ДЛЯ ОЦЕНКИ УДОБСТВА ВЕБ-СТРАНИЦ

Сакулин Сергей Александрович , Алфимцев Александр Николаевич

2017 / Том 21 №1 (120) 2017 [ ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ ]

ЦЕЛЬ. В работе проведен обзор и сравнительный анализ применения различных видов операторов агрегирования в области построения обобщенных оценок удобства веб-страниц. Целью исследования является обоснованный выбор наиболее подходящего оператора агрегирования для свертки пользовательских критериев. МЕТОДЫ. Агрегирование пользовательских критериев может быть реализовано с применением аддитивных операторов, нейросетей, OWA (Ordered Weighted Averaging) операторов Ягера, нечетких интегралов Шоке и Суджено. Выявлено, что рассматриваемая прикладная область обладает рядом свойств, которые можно сформулировать в виде свойств оператора агрегирования. В частности, между критериями могут возникать зависимости нескольких типов. Кроме того, сам оператор должен обладать рядом неформализованных свойств для его применения в рассматриваемой прикладной области. РЕЗУЛЬТАТОМ проведенного сравнительного анализа стал выбор в качестве оператора агрегирования пользовательских критериев интеграла Шоке по нечеткой мере. Этот результат обусловлен тем, что интеграл Шоке удовлетворяет всем требованиям, предъявляемым к оператору агрегирования в данной прикладной области. Для применения интеграла Шоке необходима предварительная идентификация его параметров в виде коэффициентов нечеткой меры. В связи с этим в статье обоснован выбор метода идентификации на основе минимизации дисперсии нечеткой меры применительно к рассматриваемой области. ВЫВОДЫ. Интеграл Шоке по нечеткой мере в совокупности с методом идентификации нечеткой меры на основе минимизации дисперсии является наиболее подходящим оператором агрегирования пользовательских критериев при построении обобщенных оценок удобства веб-страниц.

Ключевые слова:

оценка удобства веб-страниц, оператор агрегирования, интеграл Шоке, нечеткая мера

Библиографический список:

1. Ашманов И.С., Иванов А.А. Продвижение сайта в поисковых системах. М.: ИД «Вильямс», 2007. 304 с.
2. Круг С. Как сделать сайт удобным. Юзабилити по методу Стива Круга. СПб.: Питер, 2010. 208 с.
3. Скотт Б., Нейл Т. Проектирование Веб-интерфейсов. СПб.: Символ-Плюс, 2010. 352 с.
4. Alfimtsev A., Sakulin S., Levanov A. Formalization of Expert Knowledge About the Usability of Web Pages Based on User Criteria Aggregation // International Journal of Software Innovation (IJSI). 2016. Vol. 4. No. 3. P. 38–50.
5. McDonald S., Edwards H. M., Zhao T. Exploring think-alouds in usability testing: An international survey // IEEE Transactions on Professional Communication. 2012. Vol. 55. No. 1. P. 2–19.
6. Følstad A., Law E., Hornbæk K. Analysis in practical usability evaluation: a survey study // Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, 2012. P. 2127–2136.
7. Lee J. [et al.]. Factors affecting the perceived usability of the mobile web portal services: comparing simplicity with consistency // Information Technology and Management. 2013. Vol. 14. No. 1. P. 43–57.
8. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М.: Мир, 1991. 463 с.
9. Grabisch M. Fuzzy integral in multicriteria decision making // Fuzzy Sets and Systems – Special issue on fuzzy information processing. 1995. Vol. 69. Iss. 3. P. 279–298.
10. Marichal J.-L. Aggregation Operators for Multicriteria Decision Aid. PhD in Sciences University of Liège, Liège, Belgium. 1998.
11. Beliakov G., Warren J. Appropriate Choice of Aggregation Operators in Fuzzy Decision Support Systems // IEEE Transaction on Fuzzy Systems. 2001. Vol. 9. No. 6. P. 773–784.
12. Сизов А.С., Халин Ю.А., Цепов А.Ю. Использование OWA оператора Ягера для интеграции данных на входе ДСМ системы оценки риска инвестирования малого инновационного предприятия // Инновации в науке. 2013. № 24. С. 67–74.
13. Ляхов А.Ф., Тришин И.М. Компьютерное моделирование поведения игрока в интеллектуальной карточной игре с помощью нейронной сети // Компьютерные инструменты в образовании. 2013. № 5. С. 54–64.
14. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 3431–3440.
15. Sainath T.N. [et al.]. Low-rank matrix factorization for deep neural network training with high-dimensional output targets // International Conference on Acoustics, Speech and Signal Processing. IEEE. 2013. P. 6655–6659.
16. Oztekin A. [et al.]. A machine learning-based usability evaluation method for elearning systems // Decision Support Systems. 2013. No. 56. P. 63–73.
17. Shin D.H. Cross-Platform Users’ Experiences Toward Designing Interusable Systems // International Journal of Human-Computer Interaction. 2016. No. 1. P. 1–12.
18. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. Vol. 61. P. 85–117.
19. Anastassiou G.A. Rate of convergence of some multivariate neural network operators to the unit, revisited // Journal of Computational Analysis & Applications. 2013. Vol. 15. No. 1. P. 1300-1309.
20. Srivastava N. [et al.]. Dropout: a simple way to prevent neural networks from overfitting // Journal of Machine Learning Research. 2014. Vol. 15. No. 1. P. 1929–1958.
21. Slanzi G., Balazs J.A., Velásquez J.D. Combining eye tracking, pupil dilation and EEG analysis for predicting web users click intention // Information Fusion. 2017. Vol. 35. P. 51–57.
22. Алфимцев А.Н. Нечеткое агрегирование мультимодальной информации в интеллектуальном интерфейсе // Программные продукты и системы. 2011. № 3. С. 44–48.
23. Ахаев А.В., Ходашинский И.А., Анфилофьев А.Е. Метод выбора программного продукта на основе интеграла Шоке и империалистического алгоритма // Доклады Томского государственного университета систем управления и радиоэлектроники. 2014. № 2. С. 224–229.
24. Максаков А.А., Сакулин С.А. Модель оценки качества внедрения информационной системы на предприятии // Инженерный журнал: наука и инновации. Электронное научно-техническое издание. 2013. № 11 (23). DOI: 10.18698/2308-6033-2013-11-1011.
25. Mayag B., Grabisch M., Labreuche Ch. A representation of preferences by the Choquet integral with respect to a 2-additive capacity. Theory and Decision. 2011. Vol. 71. Р. 297–324.
26. Grabisch M. A Graphical Interpretation of the Choquet Integral // IEEE Transactions on Fuzzy Systems. 2000. No. 8. Р. 627–631.
27. Wu J., Zhang Q. 2-order additive fuzzy measure identification method based on diamond pairwise comparison and maximum entropy principle // Fuzzy Optimization and Decision Making. Kluwer Academic Publishers. 2010. Vol. 9. No. 4. Р. 435–453.
28. Сакулин С.А., Алфимцев А.Н. К вопросу о практическом применении нечетких мер и интеграла Шоке // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2012. Вып. 4. С. 55–63.
29. Grabisch M., Kojadinovic I., Meyer P. A review of methods for capacity identification in Choquet integral based multi-attribute utility theory: Applications of the Kappalab R package. 2008. No. 2. Р. 766–785.
30. Marichal J.-L., Roubens M. Determination of weights of interacting criteria from a reference set // European Journal of Operational Research. 2000. No. 124. P. 641–650.
31. Kojadinovic I. Minimum variance capacity identification // European Journal of Operational Research. 2007. No. 177 (1). Р. 498–514.
32. Jaynes E.T. Information theory and statistical mechanics // Phys. Rev. 1957. No. 106. Р. 620–630.

Файлы:

• 9.pdf (скачать | просмотреть) - скачано 63 раза