Akademia Ekonomiczna w Katowicach
Streszczenie
Artykuł przedstawia moĪliwoĞci inteligentnych metod (z zakresu inĪynierii bio-logicznej) 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 przedstawio-no przykłady sztucznych systemów immuprzedstawio-nologicznych realizujących klasyfikacjĊ do-kumentów 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 zacie-ranie 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 iny-nierii wiedzy odpowiednio wykorzystane umoliwiaj przeprowadzanie procesu personalizacji w sposób niekłopotliwy dla uytkownika, a jednoczenie w miar dokładny, odpowiadajcy po-trzebom 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:
• 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 przetwo-rzeniu.
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. Wykorzysty-wanie odkrytej wiedzy o uytkowniku (jego zachowaniu i preferencjach) jest szczególnie uytecz-ne w przeprowadzaniu procesu personalizacji (np. w procesie tworzenia i uzupełniania profili uytkowników).
W literaturze przedmiotu wskazano kilka technik personalizacji bazujcych na dreniu da-nych. 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 zainte-resowały 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 kade-go jzyka programowania wysokiekade-go poziomu). Podstawowy problem w wykorzystywaniu filtro-wania na podstawie reguł polega na odkryciu samych reguł. Musz by one znane i odpowiednio zapisane w bazie regułowej. Technika automatycznego pozyskiwania reguł nosi nazw asocjacyj-nego drenia danych (ang. association mining for personalization) i opisana została midzy inny-mi 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 odkrywa-niem reguł lub sekwencji. Ze zgromadzonych danych (historycznych) tworzone s grupy, a trwaj-ca sesja uytkownika klasyfikowana jest do jednej z nich. Na tej podstawie uytkownikowi prezen-towane s zasoby, które znalazły si na ciekach działa innych uytkowników przyporzdkowa-nych do tej samej grupy.
Klasyfikacja czyli przydzielenie obiektów do z góry zdefiniowanych klas, to pewna modyfika-cja 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 po-przez klasyfikacj na podstawie treci dokumentów.
3. Metody inteligentne w tworzeniu profili i rekomendowaniu zasobów
Celem mechanizmu rekomendujcego jest zautomatyzowanie kierowania zasobów do uyt-kowników, 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 moliwo-ci obliczeniowe współczesnych komputerów, wykorzystywana jest coraz szerzej, majc zastoso-wanie 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 rozwizuj-cymi 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 ela-styczno , 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 dziewi dziesitych 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 odporno-ciowy, który równie wyposaony jest w zdolno zdobywania kwalifikacji poprzez nauk i do-wiadczenie. 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.
4. Sztuczne systemy immunologiczne w personalizacji
Badania w zakresie odkrywania wiedzy o profilu uytkownika z dokumentów tekstowych ko-rzystaj z dowiadcze w obszarze analizy tekstu i filtrowania informacji. Zostan przedstawione dwa przykłady sztucznych systemów immunologicznych, oba wykorzystuj zawarto dokumen-tów tekstowych, jeden z nich na jej podstawie dokonuje klasyfikacji dokumendokumen-tów webowych, a drugi zmierza jeszcze dalej w kierunku profilowania – tworzy sie termów opisujc zaintereso-wania uytkowników.
Komórki (w organizmach ywych), które aktywnie uczestnicz w swoistej odpowiedzi immu-nologicznej nazywane s limfocytami. Limfocyty s wyspecjalizowanymi wszechobecnymi komór-kami, rozproszonymi w płynach ustrojowych i tkankach lub tworzcymi własne narzdy, centralne i obwodowe. Limfocyty T i B posiadaj receptory – swoiste detektory odpowiedzialne za rozpo-znawanie antygenów. Na powierzchni limfocytu B moe by około 100 tysicy receptorów (prze-ciwciał). Przeciwciała kształtem przypominaj liter Y. Fragment receptora, który słuy do identy-fikacji 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 podlega-j 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 popu-lacj 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 pojedyn-czy 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 proporcjonal-nie do podobiestwa antygenu. Te ARBs, które s proporcjonal-niedopasowane s usuwane z systemu. Do okre-lenia 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 kandy-dujcych komórek pamiciowych jest wysze ni najblisze komórki pamiciowe, wówczas kan-dydujce komórki pamiciowe umieszczane s w puli komórek pamiciowych uywanych w przy-szłych klasyfikacjach.
Zastosowanie zbioru danych testowych pozwala utworzone komórki pamiciowe wykorzysta jako prototypy klas. W celu okrelenia najlepszych dopasowa pomidzy komórkami
pamicio-wymi a testopamicio-wymi 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 pozy-cja wewntrz znaczeniowej struktury takiej jak taksonomia.
Sama ekstrakcja atrybutów tekstu jest wzgldnie prostym zadaniem, natomiast selekcja istot-nych 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 staty-styczna miara entropii) oraz dekompozycj pojedynczej wartoci (algorytm kompresji macierzy). W prezentowanym przykładzie wzmocnienie informacji zostało uyte w celu okrelenia słów istot-nych w poszczególistot-nych 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 da-nych. Jest kilka metod, które mog by wykorzystane w tym celu, m.in. wektory logiczne (boolow-skie), 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 me-todzie 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 pa-miciowe 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 se-mantycznych 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 wy-niki, były one porównywalne z innymi klasyfikatorami (np. naiwnym klasyfikatorem bayesow-skim), 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 mo-del Nootropia [8][9]. Momo-del ten opisuje profil zainteresowa uytkowników na podstawie zawarto-ci dokumentów w postaci samoorganizujcej si sieci poj . Nootropia jest systemem autopoie-tycznym (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]:
1. Z dokumentów interesujcych uytkownika wydobywane s specyficzne termy, po usu-niciu wyrazów nieistotnych oraz stemmingu wykorzystuje si wzór nadajcy wagi dla poszczególnych termów.
2. Zwizki pomidzy termami s identyfikowane wewntrz przesuwanego okna zawieraj-cego 10 ssiednich termów. Połczenie pomidzy dwoma termami realizowane jest, je-li wystpuj najmniejsz ilo razy w oknie, czyli w tym samym semantycznym kontek-cie. Kademu połczeniu termów przypisywane s wagi wyznaczane na podstawie cz-stoci 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 adapta-cji jest podobny do inicjalizaadapta-cji, jest jednak uzupełniany o usuwanie termów majcych niskie powizania z obecnymi zainteresowaniami uytkownika oraz dopływ nowych termów i realizacj nowych połcze.
Rys.1. Sieü termów w modelu Nootropia. ħródło [8]
Rys. 1 przedstawia jeden z etapów adaptacji modelu Nootropia (tworzenie połcze dla doda-nych 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 uytkowni-ków, majcych swoje, mogce si zmienia , zainteresowania. Wyniki bada wskazuj, e Nootro-pia 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) na-ley 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, nie-zbdne załoenia implementacyjne zostały przedstawione midzy innymi w pracach [3] [12] [13].
Waga termu
Waga termu
Zarysowujc problematyk funkcjonowania algorytmów mrowiskowych mona stwierdzi , i sen-sem ich działania jest kooperacja mrówek (agentów) za pomoc pozostawianego ladu zapachowe-go (nazywanezapachowe-go feromonem – cigle wzmacnianezapachowe-go – zjawisko autokatalizy), podczas eksploro-wania dynamicznego rodowiska w jakich yj kolejne generacje mrówek. Najwaniejszym ele-mentem 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 for-malnego 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. Jedno-czenie naley minimalizowa złoono obliczeniow algorytmu.
Koncepcja wykorzystania algorytmów mrowiskowych w procesie personalizacji jest uniwersal-na, niezalena od rozwizania udostpniajcego uytkownikom zasoby. Trwaj prace nad imple-mentacj 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 wszyst-kim wszystkiego, bez uwzgldnienia indywidualnych potrzeb poszczególnych uytkowników sprowadzi si moe do oferowania nadmiaru informacyjnego i utrudni uytkownikom znalezie-nie czegokolwiek. Personalizacja majca na celu wyeksponowaznalezie-nie 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 - seman-tycznej 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 moli-woci prezentowanych tu metod inteligentnych z zakresu inynierii biologicznej – pragnli wska-za potencjalne drogi rozwoju technik personalizacji.
Bibliografia
1. Accrue Software INC: Web Mining Whitepaper. Driving Business Decisions in Web Time, 2000, Fremont. 2000.
2. Agrawal R., Srikant R.: Fast Algorithms for Mining Association Rules. IBM Almaden Re-search Center 1994.
3. Boryczka U.: Algorytmy optymalizacji mrowiskowej, Wydawnictwo Uniwersytetu lskie-go, Katowice 2006.
4. Cooley R., Tan P., Srivastava J.: WebSIFT: The Web Site Information Filter System. De-partment of Computer Science. University of Minnesota. 1999.
5. 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.
6. Hordjewicz T.: Sztuczne systemy immunologiczne i ich zastosowanie w systemach reko-mendujących, W: Hołubica J. (red) „Analiza systemowa w finansach i zarzdzaniu”, tom 5, Instytut Bada Systemowych Polskiej Akademii Nauk Warszawa 2003.
7. 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.
8. Nanas N., Uren V., Roeck A.: Nootropia: a User Profiling Model based on a Self-Organising Term Network, in: Nicosia G., Cutello V., Bentley P.J., Timmis J.(Eds.): Arti-ficial Immune Systems, Third International Conference, ICARIS 2004, Catania, Sicily, It-aly, September 2004.
9. 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.
10. Mobasher B., Cooley R., Srivastava J.: Automatic Personalization Based on Web Usage Mining. Department of Computer Science. DePaul University. Chicago 1999.
11. Mobasher B., Dai H., Luo T., Nakagawa M.: Effective Personalization Based on Associa-tion Rule Discovery from Web Usage Data. School of Computer Science, Telecomunica-tion and InformaTelecomunica-tion Systems. DePaul University. Chicago 2001.
12. 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.
13. 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.
14. Sta T.: Wykorzystanie technik ewolucyjnych w procesie nowoczesnej personalizacji por-tali internetowych. Studia i materiały polskiego stowarzyszenia zarzdzania wiedz. PSZW, Bydgoszcz 2007.
INTELLIGENT METHODS IN PERSONALIZATION
Summary
In this article authors describe intelligent methods to gain and transform knowl-edge about users to personalized them (by means of recommendation methods). Au-thors 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
kempa@ae.katowice.pl Tomasz Sta
stas@ae.katowice.pl
Katedra Inynierii Wiedzy, Akademia Ekonomiczna w Katowicach ul. Bogucicka 3, 40-287 Katowice
