В статье рассматривается проблема автоматизации процесса веб-сёрфинга и фильтрации контента. Автоматизация процесса веб-сёрфинга с фильтрацией отображаемого контента на основе онтологий конкретных предметных областей - весьма интересная и нетривиальная задача, которая решается в рамках направления, связанного с разработкой рекомендательных систем (РС). В статье описано проектирование и реализация мультиагентной рекомендательной системы «EZSurf», обеспечивающей анализ интересов и предоставление рекомендаций пользователям социальной сети «ВКонтакте» на основе данных из профиля конкретного пользователя. Проанализированы методы, технологические решения, продукты-аналоги, связанные с проблемой фильтрации контента, и сформулированы требования к системе. Рекомендательная система «EZSurf» автоматизирует процесс веб-сёрфинга и фильтрации контента, используя профиль пользователя в конкретной социальной сети для сбора данных и API сторонних сервисов (LastFM, TheMovieDB) для получения сведений о схожих объектах. Такой подход существенно оптимизирует систему, поскольку не требует создания собственной системы классификаций и базы объектов. В рамках мультиагентной системы реализовано три агента. Первый агент (сборщик) собирает данные из профиля пользователя “ВКонтакте” посредством API. Второй агент (анализатор), также посредством API, собирает данные о схожих объектах из сторонних сервисов. Для поиска контента реализован третий агент по принципу поискового робота (рекомендатель). Система «EZSurf» может применяться в повседневной жизни пользователями социальной сети «ВКонтакте» для уменьшения времени, затрачиваемого на поиск в Интернете интересующей их информации, при этом получая рекомендации, отфильтрованные в зависимости от предпочтений каждого конкретного пользователя. Система имеет возможности дальнейшего развития, среди которых можно выделить увеличение реестра сайтов; развитие онтологий предметных областей, оптимизацию алгоритма поискового агента-рекомендателя для индексации страниц и парсинга их содержимого, сбор данных из профиля в нескольких социальных сетях.
мультиагентная, рекомендательная система, система, фильтрация содержимого, социальные сети, рекомендательный контент, веб-сёрфинг
1. Глибовец Н.Н. Использование JADE (Java Agent Development Environment) для разработки компьютерных систем поддержки дистанционного обучения агентного типа. URL: http://www.ebiblioteka.lt/resursai/ Uzsienio%20leidiniai/IEEE/Russian/2005/Nr%203/OTO_2005_3_04.pdf
2. Журавский В. Простой поисковый робот. URL: http://juravskiy.ru/?p=1005
3. Охапкина Е.П., Лукоянов И.А., Воронов В.И., Воронова Л.И. Разработка и внедрение поискового робота для анализа интересов клиентов // Студенческий научный форум: VI Международная студенческая электронная научная конференция (15 февраля - 31 марта 2014 года). URL: http://www.scienceforum.ru/2014/ 495/4758
4. Пестряев А.А., Воронова Л.И. Мультиагентная система. Взаимодействие агента-собирателя с базой данных // Студенческий научный форум: VI Международная студенческая электронная научная конференция (Электронный ресурс), 15 февраля - 31 марта 2014 года. URL: http://www.scienceforum.ru/2014/495/4036
5. Ekstrand M.D., Riedl J.T., Konstan J.A. Collaborative Filtering Recommender Systems // Retrieved January 26, 2014, from Social Computing Research at the University of Minnesota website. URL: http://files.grouplens.org/ papers/FnT%20CF%20Recsys%20Survey.pdf
6. Lane J. Musicians Find Fans At Grooveshark Artists. URL: http://blogcritics.org/musicians-find-fans-at-grooveshark-artists/
7. Ricci F., Rokach L., Shapira B. Introduction to Recommender Systems Handbook, Recommender Systems Handbook, Springer.
8. Sahebi S., Cohen W.W. Community-Based Recommendations: a Solution to the Cold Start Problem. URL: http://d-scholarship.pitt.edu/13328
9. Surfingbird. Официальный сайт компании. URL: http://surfingbird.ru/about REFERENCES
