Grzegorz Jankowski - Marek Piasecki
Transkrypt
Grzegorz Jankowski - Marek Piasecki
POLITECHNIKA WROCŁAWSKA WYDZIAŁ ELEKTRONIKI Informatyka Systemów Autonomicznych Modelowanie zainteresowań użytkownika w systemach informacji turystyczno-muzealnej AUTOR OPRACOWANIA: PROWADZĄCY ZAJĘCIA: Grzegorz Jankowski Dr inż. Marek Piasecki Indeks: 133262 E-mail: [email protected] OCENA PRACY: Wrocław 2007 1. Wprowadzenie do idei modelowania użytkownika Czyli w jakim celu buduję się model zainteresowań użytkownika. Głównym celem jest pogodzenie ze sobą dwóch celów: zapewnienie powszechnego dostępu do informacji uwzględniając jednocześnie indywidualne zainteresowania użytkownika. Umożliwienie różnym użytkownikom zindywidualizowanego dostępu do systemu informacyjnego wymaga od systemu zdolności adaptacyjnych. Przede wszystkim oznacza zaadaptowanie się systemu do indywidualnych preferencji użytkownika w oparciu o dokonywany przez niego wybór w obrębie zestawu możliwości oferowanych przez system, jednak może on również przybierać formy bardziej złożone, polegające na zdolności do rozpoznawania przez system celów i planów użytkownika, jego stanu wiedzy i przejawianych preferencji, czyli właśnie zdolność do budowania modelu użytkownika i samodzielnemu adoptowaniu się do tych cech w oparciu o wiedzę proceduralną. Budowanie modelu użytkownika jest zatem jednym z podstawowych warunków działania inteligentnych systemów informacyjnych. Proces modelowania użytkownika dokonuje się poprzez rekonstrukcję jego celów, planów, wiedzy i przekonań w trakcie interakcji użytkownika z systemem interaktywnym. Dynamiczność procesu modelowania użytkownika wynika z dynamicznego charakteru zachowań informacyjnych oraz zmienności czynników wywołujących te zachowania (potrzeby informacyjne) oraz wpływających na ich przebieg. Dynamiczny charakter procesu modelowania powoduje, że wynik tego procesu - model użytkownika - nie jest układem stałym, lecz podlega licznym przekształceniom w trakcie interakcji użytkownika z systemem. [1] Budowa współczesnych systemów inteligentnych często ma charakter modułowy (multi-agent architecture). Obejmujący zespół inteligentnych, autonomicznych i wzajemnie ze sobą współpracujących agentów, zdolnych do komunikowania się ze sobą oraz do komunikowania się z użytkownikiem. 2. Metody modelowania użytkownika 2.1 Stereotypy Jest to metoda najczęściej wykorzystywana do tworzenia wstępnego modelu użytkownika. Jej istota polega na wykorzystaniu fakty że cześć założeń dotyczących wiedzy, celów i przekonań użytkowników systemu można przypisach każdemu użytkownikowi lub pewnym grupom użytkowników. W wyniku takiego postępowania następuje wyodrębnienie wśród potencjalnych użytkowników systemu podgrup których członkowie, odznaczają się pewną grupą wspólnych cech. Efektywne wykorzystanie tej metody jest uwarunkowane wypracowaniem szeregu dróg umożliwiających określenie zestawu charakterystyk domyślnych, ustalenie sposobów rozpoznawania przez system przynależności użytkownika do określonej podgrupy, opisanych poprzez zestaw wspólnych cech. Przykładowo, jeżeli gość jest studentem, to należy go zaliczyć do innej grupy niż np. emeryta, jednak można zakładać że większość członków grupy „studenci” przestawiać będzie podobne preferencje. Niestety zakres i ilość wniosków które można wysnuć na podstawie stereotypów jest ograniczona. W celu uzyskania pełniejszego modelu, o dynamiczne dane uzyskane w wyniku analizy jego interakcji z system. 2.2 Badanie historii interakcji Na podstawie historii interakcji użytkownika z system można określić wiele dodatkowych cech. W efekcie jego zastosowania dochodzi do skojarzenia określonych wzorów interakcji z grupami użytkowników. Badanie historii interakcji i modelowanie przez stereotypy są metodami wzajemnie się uzupełniającymi. Warunkiem prawidłowego posługiwania się tą metodą jest opracowanie technik wyodrębnienia i definiowania cech interakcji użytkownika z systemem, projektowania sposobów reprezentowania interakcji w pamięci komputera, ich rozpoznawania i aktywowania przez system stosownie do sytuacji[1]. 2.3 Heurystyczna analiza pytań i wypowiedzi w użytkownika w trakcie interakcji z systemem. Dokonując analizy zapytań użytkownika umożliwia zbudowanie apriorycznego (czyli opartego na rozumowaniu) modelu użytkownika. Model taki obejmuję głównie te elementy wiedzy o użytkowniku, które są wspólne dla wyodrębnionych podgrup użytkowników (stereotypów). Rozpoznanie przynależności użytkownika do określonego stereotypu powoduję aktywację stosowny wzorów interakcji, danemu stereotypowi przypisanych. Do budowy modeli indywidualnych wykorzystuję się metodę analizy dialogu użytkownika z system, a w szczególności reakcje użytkownika na działanie systemu. Poprzez analizę pytań zadawanych przez użytkownika w trakcie interakcji z system, można wnioskować o wiedzy użytkownika, jego przekonaniach i celach. Założenia dotyczące użytkownika, wyprowadzane w sposób inferencyjny z analizy jego interakcji z systemem, stanowią podstawę do budowanie indywidualnego modelu użytkownika, uzupełniającego w sposób istotny wstępny model, zawierający dane stereotypowe.[1] Najczęściej stosuję się wnioskowanie heurystyczne, zastosowanie takich reguł wnioskowania wpływa w istotny sposób na ilość i jakość założeń czynionych przez moduł modelowania na podstawie analizy wypowiedzeń użytkownika. Należy pamiętać że: 1) Komponent modelujący może formułować wiele założeń 2) W każdej chwili mogą powstać nieporozumienia między użytkownikiem a system, co może spowodować skonstruowanie złych założeń 3) Założenia konstruowane przez system należy traktować tylko jako prawdopodobne, nie ma pewność co do ich poprawności. W celu ulepszenia modelu wypracowuje się specjalne metody umożliwiające weryfikacje powstałego modelu: Przykładami niektórych reguł heurystycznych odzwierciedlających sposobów postępowania i charakter formułowanych założeń są[2]: • Reguła poprawnego użycia Æ jeżeli użytkownik posługuję się prawidłowo obiektami i pojęciami, to znaczy że je zna • Reguła niepoprawnego użycia Æ jeżeli użytkownik posługuję się nieprawidłowo obiektami i pojęciami, to znaczy że go nie zna • Prośba o wyjaśnienie Æ jeżeli użytkownik zwraca się do systemu z prośbą o wyjaśnienie to znaczy że go nie zna. • Prośba o szczegółowe informacje Æ jeżeli użytkownik chce być poinformowany o bardziej szczegółowych charakterystykach obiektu, to znaczy że zna ten obiekt • Sprzężenie zwrotne Æ jeżeli na reakcja użytkownika na odpowiedź systemu sformułowaną w oparciu o poczynione wcześniej założenia jest pozytywna/negatywna to znaczy że poczynione założenie jest odpowiednio bardziej prawdopodobne lub mniej prawdopodobne. 3. Przykład zastosowania 3.1 Muzeum w Siena Badania przeprowadzone na University of Siena Multimedia Laboratory [3] pokazują możliwość zastosowania systemu agentowego do personalizacji interaktywnego przewodnika po muzeum. Przewiduję one wyposażenie każdego gościa muzeum przenośny termin ze słuchawkami. Przewidując zachowanie gościa, system przyjmuje w kolejnych pokojach odpowiednią strategie, łącząc posiadane dane z informacjami o preferencjach jednostki, system może przystosowywać teksty które zaprezentuję, nadając wizycie osobisty charakter. W system wykorzystywana jest sztuczna sieć neuronowa. W pierwszej kolejności w celu klasyfikacji gości użyto tam najprostszej metody czyli po prostu analizy gdzie się oni kierują i ile czasu spędzają przy poszczególnych miejscach/pokojach. Na podstawie badania sposobu przemieszczania się ludzi po muzeum, można im nadać na 4 kategorie: • mrówka (długa wizyta, postępująca po kolei, kompletna) • motyl (krótszy czas, wybiórczy, nie po kolei ); • ryba (krótka wizyta, powierzchowna, z dala od dzieł sztuki); • konik polny (krótka wizyta, z kilkoma postojami, nie-sekwencyjna) Zastosowano algorytm samoorganizacji, który oblicza 11 wymiarowy wektor. Pierwszych 7 elementów dotyczy topologicznych i ogólnych parametrów pokoju (wymiar, liczba i okres pracy z sztuka, wysoka pozycja) kolejne 4 skupiają się na obliczaniu dynamicznie związku gościa z danymi pokojami. Nagrane opisy eksponatów umieszczone są w niewielkich blokach, każdy z nich opatrzony jest etykietą z jedną z czterech możliwych tematów (osoba wszechstronna, historycznie, dużo anegdot, artysta). W badanym systemie hipertekst korespondujące z każdym opisem został przedstawiony w matrycy węzłów i związków pomiędzy nimi. Każde połączenie ma swoją wartość, powstaję pewnego rodzaju graf. W efekcie końcowym, na skutek działania algorytmów, każdy zwiedzający muzeum słyszy spersonalizowany dla niego głos nagranego wcześniej lektora. Ogólna idea, przestawiano jest na kolejnym rysunku: Rys. 1. Schemat działania agenta-przewodnika w muzeum. 3.2 Inne możliwości zastosowania – przewodnik po mieście Przykładem zastosowania techniki modelowania użytkownika, może być również wirtualny przewodnik po mieście, wytyczający indywidualną trasę dla zwiedzających. System taki brałby pod uwagę zarówno lokalizację obiektów jak np. Ratusz, Zoo, Katedra jak i sposób przemieszczania się zwiedzającego (pieszo, samochód, rower, komunikacja miejska), jak również indywidualne preferencje jak ilość czasu przeznaczone na zwiedzanie. Na rysunku 2. zaprezentowane są 2 trasy zwiedzania tych samych obiektów, pierwsza ogólna, druga przystosowana dla ludzi którzy preferują deptaki niż ulicę z ruchem ulicznym. Podobnie jak w przypadku muzeum tu równie zastosować możemy indywidualny zestaw słuchawkowy jak na rysunku obok tekstu na poprzedniej stronie. System mógłby również działać na komputerze użytkownika przygotowując mu trasę na wycieczki, a później na podstawie jego opinii o trasie (co mu się podobało, a co nie) poprawić, posiadany model użytkownika. Rys. 2. Na górze trasa nie spersonalizowana, na dole trasa ustalona specjalnie konkretnego użytkownika[4] 4. Podsumowanie Zastosowanie modelowania użytkownika, daję możliwość tworzenia oprogramowania i system bardziej przyjaznych użytkownikowi, w najbliższym czasie możemy spodziewać się wzrostu zainteresowania tą dziedziną, przykładowo już teraz w Windows Vista zaimplementowano, podobno, system który stara się przewidywać jakie aplikację będą w danym momencie potrzebne. Należy jednak pamiętać że cześć użytkowników nie lubi jeżeli „system wie lepiej” dlatego też nie można popadać w skrajność, bowiem system taki nie spotkałby się z miłym przyjęciem. Należy również pamiętać że preferencje użytkownika mogą być zmienne w czasie, system musi więc się do tych zmian adoptować, a do tego ciągle trzeba brać pod uwagę że wypracowany model jest tylko prawdopodobny, nie można być pewnym że obrazuje dokładnie preferencje danego użytkownika. 5. Bibliografia [1] Metody i techniki modelowania użytkownika w inteligentnych systemach informacyjnych (http://www.zsi.pwr.wroc.pl/missi2000/referat30.htm) [2] POHL W., KOBSA A., KUTTER O., User model acquisition heuristics based on dialog acts, International Workshop on the Design of Cooperative Systems, Antibes-Juan-les-Pins, France 1995, (http://www.ics.uci.edu/~kobsa/papers/1995-COOP95-kobsa.pdf) [3] Marti P., Rizzo A., Petroni L., Tozzi G., Diligenti M. "Adapting the museum: a non-intrusive user modeling approach" [4] Fink J., Kobsa A., "User Modeling for Personalized City Tours" Artificial Intelligence Review, Volume 18, Number 1 / September, 2002