Электронный журнал открытого доступа Кардиометрия. Выпуск 16, Мая 2020
Как всегда, тема нашего журнала продиктована актуальностью нашей жизни. Наши учёные внимательно анализировали сложившуюся ситуацию и не спешили делать далеко идущие выводы. Время показало нам пути решения сложнейших вопросов. Вывод один: человек должен быть сам здоров, а значит, иметь оптимально функционирующую иммунную систему. Мы попросили некоторых авторов, публиковавшихся в журнале, высказать свои рекомендации по укреплению иммунной системы. Мы уверены, что они будут полезны каждому. Они и открывают наш журнал. Как всегда, тема нашего журнала продиктована актуальностью нашей жизни. Наши учёные внимательно анализировали сложившуюся ситуацию и не спешили делать далеко идущие выводы. Время показало нам пути решения сложнейших вопросов. Вывод один: человек должен быть сам здоров, а значит, иметь оптимально функционирующую иммунную систему. Мы попросили некоторых авторов, публиковавшихся в журнале, высказать свои рекомендации по укреплению иммунной системы. Мы уверены, что они будут полезны каждому. Они и открывают наш журнал.
ОБЗОР Подача: 5.03.2020; Одобрение: 15.04.2020; Публикация: 21.05.2020Обзор применениярекомендательных систем вкардиологииКонстантин Камышев 1* , Илья Бородянский 2 , Курейчик Виктор 21Российский Новый УниверситетРоссия, 105005, Москва, ул. Радио, 222Южный Федеральный УниверситетРоссия, 347922, Таганрог, пер. Некрасовский, 44*Автор, отвечающий за переписку:e-mail: camyshevrus@gmail.comАннотацияВ данной статье приведен обзор использования рекомендательныхсистем в медицинской сфере, и, в частности, в кардиологии.Определено понятие рекомендательной системы,дана краткая история развития рекомендательных систем.Представлены основные виды рекомендательных систем ипринципы их построения. Выявлены преимущества и недостаткиметодов использования рекомендательных систем вкардиологии. Предложены пути совершенствования применениярекомендательных систем.Ключевые словаРекомендательная система, Фильтрация, Коллаборативная,контентная, гибридные системы, Информационный поиск,МРС, ПЭКЗВыходные данныеКонстантин Камышев, Илья Бородянский. Обзор применениярекомендательных систем в кардиологии. Cardiometry; Выпуск16; Май 2020; стр.97-105; DOI: 10.12710/cardiometry.2020.16.97105;Онлайн доступ: http://www.cardiometry.net/issues/no16-may-2020/recommender-systems-application-in-cardiologyВведениеНи для кого не секрет, что в последние годыИнтернет развивается семимильными шагами: внем генерируются и хранятся огромные объемыданных. Рядовому пользователю приходится обрабатывать,анализировать и систематизироватьэти данные, и, прежде всего, выделять из этоймассы необходимую информацию. Естественно,делать это очень сложно, так как нужная информациятеряется среди больших объемов данных.В связи с этим, появляются инструменты, способныесодействовать пользователю в подборерелевантных данных. Подобные инструментыполучили название рекомендательные системы.Рекомендательные системы (англ. recommendersystems) – программные продукты, анализирующиезапросы пользователей с целью предугадать,какая именно информация будет интересна дляконкретного пользователя в определенный моментвремени. Рекомендательные системы показываютпредпочтительность контента для конкретногопользователя на основе информации,которую сам пользователь считает релевантнойили на основе обработки данных о пользователе,например, его поисковых запросов. Системы генерациирекомендаций внесли существенные измененияво взаимодействия программ с юзерами.Взамен генерации статических данных, системаизменяется, подстраивается под конкретного юзера[1]. Рекомендательные системы обладать следующимиобщими качествами: система адаптируетсяпод конкретного пользователя; учитываеттекущие предпочтения конечного пользователя,подстраиваясь под него со временем; постояннонаходит новые области информации и предлагатьих пользователю. Благодаря этим свойствам,сайты, основанные на использовании рекомендательныхсистем, привлекательны для пользователя.Соответственно, рекомендательные системыинтересны и владельцам самих сайтов, так как сих помощью повышается привлекательность сайтаи его содержимого. Рекомендательные системынашли свое применение во многих сферах жизнедеятельностичеловека: поиске информации, торговле,социальных сетях, медицине и т.д.Как уже было сказано ранее, проблема построениярекомендательных систем на данный моментактуальна для многих областей. В целом рекомендательныесистемы в Интернете применяются сцелью персонализации контента, т.е. его автоматическойподстройки под текущие нужды пользователя.Несмотря на то, что персональные рекомендациив онлайн-системах появились более 20 летназад, удачных примеров их использования существуетлишь пара десятков. Исследования в дан-100 | Cardiometry | Выпуск 16. Май 2020
ной области активно ведутся и в наше время, чтоглавным образом обуславливается наличием нерешённыхпроблем в существующих методах. Однимиз путей повышения точности рекомендательнойсистемы является расширение перечня используемойпри формировании рекомендаций информации,в частности использование контекста.Традиционная рекомендательная система имеетдело с двумя видами сущностей: пользовательи объект. Пользователь – это получатель рекомендациии источник данных о предпочтениях, аобъект – в зависимости от предметной области –товар, фильм, музыкальная композиция, журнал,новость, интернет-сайт, то есть то, что рекомендуетсяпользователю [2]. В общем виде задачу рекомендательнойсистемы можно сформулироватькак «определение объекта, ранее неизвестногопользователю (или неиспользуемого им в течениекакого-либо промежутка времени), но полезногоили интересного ему в текущем контексте». Рекомендацииформируются отдельно для каждогопользователя на основе его прошлой активности.Также не меньшее значение имеет и поведениеостальных пользователей системы.История развития рекомендательныхсистемТема рекомендательных систем сравнительнонова, но, несмотря на это, было проведено большоеколичество исследований, опубликованомножество работ и научных статей, разработанобольшое количество алгоритмов. Рекомендательныесистемы стали активно исследоваться в началедевяностых годов ХХ века, т.е. с момента появленияпервых разработок в области коллаборативнойфильтрации [1-3]. Сам термин “рекомендательныесистемы на основе коллаборативнойфильтрации” был впервые использован ДэвидомГолдбергом в 1992 году в статье «Using collaborativefiltering to weave an information tapestry» [4] в процессеработы над рекомендательной системойTapestry для компании Xerox. Основой для работпо фильтрации на основе контента можно считать[5]. В последующие годы была написана однаиз фундаментальных работ в области рекомендательныхсистем, также являющаяся справочником:Recommender Systems Handbook [6]. Этакнига систематизировала все разнообразие методови концепций, использующихся в рекомендательныхсистемах и относящихся к самым разнымобластям знаний, таким как: анализ данных, статистика,теория вероятностей, системы принятиярешений, маркетинг, и др. В книге также рассматриваютсяпрактические подходы к построениюрекомендаций, применяемые в передовых корпорациях,например, в Amazon, Google, AT&T.Среди не менее важных для развития отраслирекомендательных систем работ можно выделитьрукопись Recommender Systems: The Textbook [7].В ней приведены фундаментальные рекомендательныеалгоритмы и способы оценки их точностии быстродействия. В работе детально рассматриваетсяприменение рекомендательных системв широком диапазоне прикладных областей: социальныхсистемах, интернет торговле, поискенеобходимой информации и многих других. Помимоэтого, рассмотрены технические вопросысоздания рекомендательных систем: обеспечениенадежности и защиты информации, корректногоранжирования результатов. В 2001 году была опубликованарукопись, в которой рекомендательныесистемы были впервые использованы для подборамузыки. В музыкальных рекомендациях, как ив других, прежде всего применяются стандартныеметоды фильтрации, т.е. совместная фильтрацияили фильтрацию на основе контента [8]. Но кромених стоит обратить внимание на исследованияприменения гибридных подходов [9] в созданииплейлистов, построении музыкальных социальныхсетей, тегировании.Широкое практическое применение рекомендательныесистемы получили не так давно, в концеXX века, и связано это прежде всего с развитиеминтернета. Но теоретический фундамент былразработан задолго до этого, в конце 40-х - начале50-х гг., и основывался на машинном обучении.Прежде всего, в те годы были исследованы самообучающиесяалгоритмы, разработана их математическаяоснова и построены модели, которые посей день применяются в рекомендательных системах.В конце ХХ века коллаборативная фильтрациястала применяться как решение для борьбыс избыточной информацией в вебе [10]. Tapestry(экспериментальный почтовый сервис) [4] сталодной из первых систем, использующих данныйподход: она позволяла пользователю создаватьвручную запросы, основанные на мнениях илидействиях других пользователей. Учитывая мне-Выпуск 16. май 2020 | Cardiometry | 101
- Page 51 and 52: нении аускультатив
- Page 53 and 54: затель — податливо
- Page 55 and 56: гипертонии, охвате
- Page 57 and 58: ОРИГИНАЛЬНОЕ ИССЛЕ
- Page 59 and 60: тах, которые ассоци
- Page 61 and 62: Таблица 7Собственн
- Page 63 and 64: Особого внимания з
- Page 65 and 66: ОРИГИНАЛЬНОЕ ИССЛЕ
- Page 67 and 68: троль основных био
- Page 69 and 70: 6. Кормен, Томас Х., Л
- Page 71 and 72: лочной железы, а к ч
- Page 73 and 74: а)б)в)г)Рис. 2. Фрагме
- Page 75 and 76: а)б)в)г)в)г)Рисунок 4.
- Page 77 and 78: кардиотоксичности
- Page 79 and 80: 2. Параметры метабо
- Page 81 and 82: ОРИГИНАЛЬНОЕ ИССЛЕ
- Page 83 and 84: Рис. 1. Форма импуль
- Page 85 and 86: реализовать только
- Page 87 and 88: ОТЧЕТ Подача: 25.02.2020
- Page 89 and 90: свойства фильтра у
- Page 91 and 92: Рассчитанные непре
- Page 93 and 94: jω jω jωZe ( ) = Xe ( ) H1( e )
- Page 95 and 96: Рис. 4. Фильтрация ш
- Page 97 and 98: порождаемой различ
- Page 99 and 100: электрокардиосигн
- Page 101: Выпуск 16. май 2020 | Card
- Page 105 and 106: ких систем являютс
- Page 107 and 108: − социальный конте
- Page 109 and 110: В общем, многие МРС
- Page 111 and 112: for predicting and identifying hear
- Page 113 and 114: частности средств
- Page 115 and 116: что дало возможнос
- Page 117 and 118: ОРИГИНАЛЬНОЕ ИССЛЕ
- Page 119 and 120: торах, влияющих на
- Page 121 and 122: Таблица 1Динамика к
- Page 123: Вклад авторов в раб
ОБЗОР Подача: 5.03.2020; Одобрение: 15.04.2020; Публикация: 21.05.2020
Обзор применения
рекомендательных систем в
кардиологии
Константин Камышев 1* , Илья Бородянский 2 , Курейчик Виктор 2
1
Российский Новый Университет
Россия, 105005, Москва, ул. Радио, 22
2
Южный Федеральный Университет
Россия, 347922, Таганрог, пер. Некрасовский, 44
*
Автор, отвечающий за переписку:
e-mail: camyshevrus@gmail.com
Аннотация
В данной статье приведен обзор использования рекомендательных
систем в медицинской сфере, и, в частности, в кардиологии.
Определено понятие рекомендательной системы,
дана краткая история развития рекомендательных систем.
Представлены основные виды рекомендательных систем и
принципы их построения. Выявлены преимущества и недостатки
методов использования рекомендательных систем в
кардиологии. Предложены пути совершенствования применения
рекомендательных систем.
Ключевые слова
Рекомендательная система, Фильтрация, Коллаборативная,
контентная, гибридные системы, Информационный поиск,
МРС, ПЭКЗ
Выходные данные
Константин Камышев, Илья Бородянский. Обзор применения
рекомендательных систем в кардиологии. Cardiometry; Выпуск
16; Май 2020; стр.97-105; DOI: 10.12710/cardiometry.2020.16.97105;
Онлайн доступ: http://www.cardiometry.net/issues/no16-may-
2020/recommender-systems-application-in-cardiology
Введение
Ни для кого не секрет, что в последние годы
Интернет развивается семимильными шагами: в
нем генерируются и хранятся огромные объемы
данных. Рядовому пользователю приходится обрабатывать,
анализировать и систематизировать
эти данные, и, прежде всего, выделять из этой
массы необходимую информацию. Естественно,
делать это очень сложно, так как нужная информация
теряется среди больших объемов данных.
В связи с этим, появляются инструменты, способные
содействовать пользователю в подборе
релевантных данных. Подобные инструменты
получили название рекомендательные системы.
Рекомендательные системы (англ. recommender
systems) – программные продукты, анализирующие
запросы пользователей с целью предугадать,
какая именно информация будет интересна для
конкретного пользователя в определенный момент
времени. Рекомендательные системы показывают
предпочтительность контента для конкретного
пользователя на основе информации,
которую сам пользователь считает релевантной
или на основе обработки данных о пользователе,
например, его поисковых запросов. Системы генерации
рекомендаций внесли существенные изменения
во взаимодействия программ с юзерами.
Взамен генерации статических данных, система
изменяется, подстраивается под конкретного юзера
[1]. Рекомендательные системы обладать следующими
общими качествами: система адаптируется
под конкретного пользователя; учитывает
текущие предпочтения конечного пользователя,
подстраиваясь под него со временем; постоянно
находит новые области информации и предлагать
их пользователю. Благодаря этим свойствам,
сайты, основанные на использовании рекомендательных
систем, привлекательны для пользователя.
Соответственно, рекомендательные системы
интересны и владельцам самих сайтов, так как с
их помощью повышается привлекательность сайта
и его содержимого. Рекомендательные системы
нашли свое применение во многих сферах жизнедеятельности
человека: поиске информации, торговле,
социальных сетях, медицине и т.д.
Как уже было сказано ранее, проблема построения
рекомендательных систем на данный момент
актуальна для многих областей. В целом рекомендательные
системы в Интернете применяются с
целью персонализации контента, т.е. его автоматической
подстройки под текущие нужды пользователя.
Несмотря на то, что персональные рекомендации
в онлайн-системах появились более 20 лет
назад, удачных примеров их использования существует
лишь пара десятков. Исследования в дан-
100 | Cardiometry | Выпуск 16. Май 2020