Теоретико-модельные методы порождения знаний о предпочтениях абонентов мобильных сетей

Долгушева, Екатерина Владимировна; Пальчунов, Дмитрий Евгеньевич; Dolgusheva, Ekaterina Vladimirovna; Palchunov, Dmitry Evgenievich

Главная
→
Периодические издания
→
Вестник НГУ. Серия: Информационные технологии
→
Том 14 (2016)
→
IT Выпуск 2 (2016)
→
Просмотр элемента

dc.contributor.author	Долгушева, Екатерина Владимировна	ru_RU
dc.contributor.author	Пальчунов, Дмитрий Евгеньевич	ru_RU
dc.contributor.author	Dolgusheva, Ekaterina Vladimirovna	en
dc.contributor.author	Palchunov, Dmitry Evgenievich	en
dc.creator	Институт математики им. С.Л. Соболева СО РАН	ru_RU
dc.creator	Новосибирский государственный университет	ru_RU
dc.creator	Sobolev Institute of Mathematics of the Siberian Branch of the Russian Academy of Sciences	en
dc.creator	Novosibirsk State University	en
dc.date.accessioned	2017-01-20T09:00:43Z
dc.date.available	2017-01-20T09:00:43Z
dc.date.issued	2016-06
dc.identifier.citation	Долгушева Е. В., Пальчунов Д. Е. Теоретико-модельные методы порождения знаний о предпочтениях абонентов мобильных сетей // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2016. Т. 14, № 2. С. 5–16.	ru_RU
dc.identifier.citation	Dolgusheva E. V., Palchunov D. E. Model-theoretic methods of generation of knowledge about mobile subscribers’ preferences // Vestnik NSU Series: Information Technologies. - 2016. - Volume 14, Issue No 2. - P. 5-16. - ISSN 1818-7900. (in Russian).	en
dc.identifier.issn	1818-7900
dc.identifier.uri	https://lib.nsu.ru/xmlui/handle/nsu/11534
dc.description.abstract	Статья посвящена разработке методов порождения знаний о том, какие виды тарифов и услуг мобильного оператора могут быть полезными для данного абонента мобильной сети. Порождение знаний производится на основе анализа множества прецедентов – деперсонифицированных профилей абонентов данной мобильной сети. Разрабатываемые методы основаны на теоретико-модельном подходе к формализации предметной области и на методологии анализа формальных понятий. На основе интеграции знаний, извлечённых из профилей абонентов, используя описания услуг и тарифов, строится онтологическая модель данной предметной области. Для порождения знаний о тарифах и услугах, которые могут представлять интерес для данного абонента, используются анализ формальных понятий и алгоритмы поиска ассоциативных правил.	ru_RU
dc.description.abstract	The article is devoted to methods of generation of knowledge about types of tariffs and services of mobile operator that might be useful for а given mobile network subscriber. We provide knowledge generation on the base of analysis of the set of precedents – impersonal mobile network subscriber profiles. These methods are based on the model-theoretic approach to domain formalization and on Formal Concept Analysis. The Ontological Model of the domain is constructed on the base of integration of knowledge extracted from users’ profiles and descriptions of existing tariffs and services. Formal concept analysis and association rules mining are using for generation of knowledge about tariffs and services that might be interesting for mobile network subscribers.	en
dc.language.iso	ru	ru_RU
dc.publisher	Новосибирский государственный университет	ru_RU
dc.subject	мобильные сети	ru_RU
dc.subject	абоненты мобильных сетей	ru_RU
dc.subject	онтологическая модель	ru_RU
dc.subject	порождение знаний	ru_RU
dc.subject	теоретико-модельные методы	ru_RU
dc.subject	анализ формальных понятий	ru_RU
dc.subject	ассоциативные правила	ru_RU
dc.subject	mobile networks	en
dc.subject	subscribers of mobile networks	en
dc.subject	ontology model	en
dc.subject	generation of knowledge	en
dc.subject	model-theoretic methods	en
dc.subject	formal concept analysis	en
dc.subject	association rules	en
dc.title	Теоретико-модельные методы порождения знаний о предпочтениях абонентов мобильных сетей	ru_RU
dc.title.alternative	Model-theoretic methods of generation of knowledge about mobile subscribers’ preferences	en
dc.type	Article	ru_RU
dc.description.reference	1. Palchunov D. Lattices of Relatively Axiomatizable Classes. // ICFCA 2007. 2007. Vol. LNAI 4390. P. 221–239. 2. Пальчунов Д. Е. Решение задачи поиска информации на основе онтологий // Бизнес-информатика. 2008. № 1. С. 3–13. 3. Пальчунов Д. Е. Моделирование мышления и формализация рефлексии. II: Онтологии и формализации понятий // Философия науки. 2008. № 2 (37). С. 62–99. 4. Palchunov D. E. Virtual catalog: the ontology-based technology for information retrieval // Knowledge Processing and Data Analysis. LNAI 6581. Berlin; Heidelberg: Springer-Verlag, 2011. P. 164–183. 5. Пальчунов Д. Е., Степанов П. А. Применение теоретико-модельных методов извлечения онтологических знаний в предметной области информационной безопасности // Программная инженерия. 2013. № 11. С. 8–16. 6. Махасоева О. Г., Пальчунов Д. Е. Автоматизированные методы построения атомарной диаграммы модели по тексту естественного языка // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2014. Т. 12, № 2. С. 64–73. 7. Деревянко Д. В., Пальчунов Д. Е. Формальные методы разработки вопросно-ответной системы на естественном языке // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2014. Т. 12, № 3. С. 34–47. 8. Найданов Ч. А., Пальчунов Д. Е., Сазонова П. А. Теоретико-модельные методы интеграции знаний, извлеченных из медицинских документов // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2015. Т. 13, № 3. С. 29–41. 9. Пальчунов Д. Е., Яхъяева Г. Э., Ясинская О. В. Применение теоретико-модельных методов и онтологического моделирования для автоматизации диагностирования заболеваний // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2015. Т. 13, № 3. С. 42–51. 10. Ustundag A., Bal M. Evaluating Market Basket Data with Formal Concept Analysis // Proc. Chaos, Complexity and Leadership, 2012. 11. Han J., Pregibon D., Mannila H., Kumar V., Altman R. B. Emerging scientific applications in data mining // Communications of the ACM – Evolving Data Mining into Solutions for Insights. 2002. Vol. 45, No. 8. P. 54–58. 12. Surendiran R., Rajan K. P., Sathish Kumar M. Study on the Customer targeting using Association Rule Mining. // International Journal on Computer Science and Engineering. 2010. Vol. 2, No. 7. P. 2483–2484. 13. Han J., Pei J., Yin Y. Mining Frequent Patterns without Candidate Generation // Data Mining and Knowledge Discovery. 2004. Vol. 8, No. 1. P. 53–87. 14. Pravin A. P., Aggarwal A. K. Associative Rule Mining of Mobile Data Services Usage for Preference Analysis, Personalization & Promotion // Proc. WSEAS. 2004. 15. Agrawal R., Imieliński T., Swami A. Mining association rules between sets of items in large databases // Proc. ACM SIGMOD International Conference on Management of Data. 1993. P. 207–216. 16. Bosc P., Pivert O., Prade H, On fuzzy association rules based on fuzzy cardinalities // Proc. the 10th IEEE International Conference. 2001. P. 461–464. 17. Chueh H.-E., Lin N. P., Jan N.-Y. Mining Target-oriented Fuzzy Correlation Rules // Proc. International Conference on Advances in Social. 2009. 18. Lin N. P., Chueh H.-E. Fuzzy Correlation Rules Mining // Proc. 6th WSEAS International Conference on Applied Computer Science. 2007. 19. Chueh H.-E. Mining target-oriented fuzzy correlation rules to optimize telecom service management // International Journal of Computer Science & Information Technology. 2011. Vol. 3, No.1. P. 74–83. 20. Furletti B., Gabrielli L., Renso C., Rinzivillo S. Analysis of GSM calls data for understanding user mobility behavior // IEEE Big Data International Conference. 2013. P. 550–555. 21. Wille R. Restructuring Lattice Theory: an Approach Based on Hierarchies of Concepts / Ed. by I. Rival // Ordered Sets. Dordrecht. Boston: Reidel, 1982. P. 445–470. 22. Ganter B., Wille R. Formal Concept Analysis: Mathematical Foundations. Heidelberg: Springer, 1999. 23. Borgelt C. Efficient Implementations of Apriori and Eclat // Proc. 1st IEEE ICDM Workshop on Frequent Item Set Mining Implementations. 2003. 24. Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules in Large Databases // Proc. 20th International Conference on Very Large Data Bases. 1994. P. 487–499.	ru_RU
dc.description.reference	1. Pal'chunov D. Lattices of Relatively Axiomatizable Classes // ICFCA 2007, Vol. LNAI 4390, 2007, p. 221–239. 2. Palchunov D. E. The solution of the problem of information retrieval based on ontologies // Bisnes-informatika, 2008, no. 1, p. 3–13 (in Russ.). 3. Palchunov D. E. Modeling of reasoning and formalization of reflection II: Ontologies and formalization of concepts // Filosofiya nauki, 2008, no. 2 (37), p. 62–99 (in Russ.). 4. Palchunov D. E. Virtual catalog: the ontology-based technology for information retrieval // Knowledge Processing and Data Analysis. LNAI 6581. Springer-Verlag Berlin Heidelberg. 2011, p. 164–183. 5. Palchunov D. E., Stepanov P. A. The use of model-theoretic methods for extracting ontological knowledge in the domain of information security // Programnaya ingeneriya, 2013, no. 11, p. 8–16. (in Russ.) 6. Makhasoeva O. G., Palchunov D. E. Semi-automatic methods of a construction of the atomic diagrams from natural language texts // Vestnik NSU, series: Informaсionnye tehnologii, 2014, vol. 12, no. 2, p. 64–73. (in Russ.) 7. Derevyanko D. V., Palchunov D. E. Formal methods of development of the questionanswering system on natural language // Vestnik NSU, series: Informaсionnye tehnologii, 2014, vol. 12, no. 3, p. 34–47 (in Russ.). 8. Naidanov C. A., Palchunov D. E., Sazonova P. A. Model-theoretic methods of integration of knowledge extracted from medical documents // Vestnik NSU Series: Information Technologies. 2015, vol. 13, Iss. 3, p. 29–41. ISSN 1818-7900. (in Russ.) 9. Palchunov D. E., Yakhyyayeva G. E., Yasinskaya O. V. Application of model-theoretic methods and ontological modeling to automate the diagnosis of diseases // Vestnik NSU Series: Information Technologies, 2015, vol. 13, Issue 3, p. 42–51. ISSN 1818-7900. (in Russ.) 10. Ustundag A., Bal M. Evaluating Market Basket Data with Formal Concept Analysis // Proc. Chaos, Complexity and Leadership, 2012. 11. Han J., Pregibon D., Mannila H., Kumar V., Altman R. B. Emerging scientific applications in data mining // Communications of the ACM – Evolving data mining into solutions for insights. 2002, vol. 45, no. 8, p. 54–58. 12. Surendiran R., Rajan K. P., Sathish Kumar M. Study on the Customer targeting using Association Rule Mining // International Journal on Computer Science and Engineering, 2010, vol. 2, no. 7, p. 2483–2484. 13. Han J., Pei J., Yin Y. Mining Frequent Patterns without Candidate Generation // Data Mining and Knowledge Discovery, 2004, vol. 8, no. 1, p. 53–87. 14. Pravin A. P., Aggarwal A. K. Associative Rule Mining of Mobile Data Services Usage for Preference Analysis, Personalization & Promotion // Proc. WSEAS. 2004. 15. Agrawal R., Imieliński T., Swami A. Mining association rules between sets of items in large databases // Proc. ACM SIGMOD International conference on Management of data. 1993, p. 207–216. 16. Bosc P., Pivert O., Prade H., On fuzzy association rules based on fuzzy cardinalities // Proc. The 10th IEEE International Conference. 2001, p. 461–464. 17. Chueh H.-E., Lin N. P., Jan N.-Y. Mining Target-oriented Fuzzy Correlation Rules // Proc. International Conference on Advances in Social. 2009. 18. Lin N. P., Chueh H.-E. Fuzzy Correlation Rules Mining // Proc. 6th WSEAS International Conference on Applied Computer Science. 2007. 19. Chueh H.-E. Mining target-oriented fuzzy correlation rules to optimize telecom service management // International Journal of Computer Science & Information Technology, 2011, vol. 3, no. 1, p. 74–83. 20. Furletti B., Gabrielli L., Renso C., Rinzivillo S. Analysis of GSM calls data for understanding user mobility behavior // IEEE Big Data International Conference. 2013, p. 550–555. 21. Wille R. Restructuring Lattice Theory: an Approach Based on Hierarchies of Concepts // Ordered Sets / Ed. by I. Rival. Dordrecht; Boston: Reidel. 1982. P. 445–470. 22. Ganter B., Wille R. Formal Concept Analysis: Mathematical Foundations // Heidelberg: Springer, 1999. 23. Borgelt C. Efficient Implementations of Apriori and Eclat // Proc. 1st IEEE ICDM Workshop on Frequent Item Set Mining Implementations. 2003. 24. Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules in Large Databases // Proc. 20th International Conference on Very Large Data Bases, 1994, p. 487–499.	en
dc.subject.udc	004.04
dc.relation.ispartofvolume	14
dc.relation.ispartofnumber	2
dc.relation.ispartofpages	5-16