XIII Международная студенческая научная конференция Студенческий научный форум - 2021
Обучение экспертной системы по выбору детективного сериала Netflix на основе классификаций
КомментарииПолная версия работы доступна во вкладке "Файлы работы" в формате PDF
Социологи отмечают тот факт, что все большее количество мужчин и женщин стало уделять внимание просмотру всевозможных сериалов, которые просто потоком выливаются на экраны наших телевизоров. И в данном случае подобную зависимость специалисты объясняют тем фактом, что в сериалах люди могут реализовывать собственные мечты о сладкой жизни. К тому же, здесь добро неизбежно одерживает верх, в то время как все отрицательные герои получают по заслугам [1].
Подавляющее большинство зрителей в просмотре телепередач ищут зрелищности, которой современное телевидение далеко не всегда может предоставить. И в данном случае только Интернет-ресурсы, активно включившиеся в погоню за целевым пользователем, способны предложить полный ассортимент элементов зрелищности. Тем более что здесь можно выбирать не только программы, которые вы хотите смотреть, но также время, наиболее удобное для данного занятия. Но с появлением Интернета и развитием стриминговых сервисов, для людей стало доступно слишком много контента. Здесь уже появляется проблема выбора, предпочитаемого для потребителя, серила. Поэтому тема данной работы является актуальной.
Объектом исследования является детективный сериал Netflix.
Предмет исследования – свойства детективного сериала Netflix.
Целью данной работы является построение экспертной системы по выбору детективного сериала Netflix для экономии времени потребителя на поиск подходящего ему сериала.
Для реализации поставленной цели необходимо решить следующие задачи:
проимитировать обучение экспертной системы;
проимитировать процесс проведения экспертизы.
Для обучения экспертной системы (ЭС) были определены следующие значения свойств:
1 – свойство есть;
0 – свойства нет.
Алгоритм обучения экспертной системы на основе классификаций [2]:
задать вектор класса;
прибавить заданный вектор к своему классу (поощрение) и вычесть заданный вектор из других классов (наказание);
проверить эффективность обучения ЭС (умножить вектора на матрицы, проверить степень распознанности: если в распознаваемом классе максимальное число из вектора совпадает с классом, то он распознан);
корректировка матрицы: значения равные двум заменить на 1, а значения равные -2 заменить на -1;
проводить обучение ЭС до тех пока не будут распознаны все классы.
Для построения ЭС были выбраны следующие свойства детективных сериалов Netflix:
|
Свойство |
Обозначение |
|
Страна производства сериала – США |
x1 |
|
Наличие субтитров на оригинальном языке |
x2 |
|
Возрастное ограничение – 18+ |
x3 |
|
Год премьеры сериала - 2020 |
x4 |
|
Статус сериала – завершен |
x5 |
|
Среднее время длительности серии – 35-60 мин. |
x6 |
|
Вид сериала – мини-сериал |
x7 |
Также были выбраны следующие классы:
|
Сериал |
Обозначение |
Значения свойств |
||||||
|
x1 |
x2 |
x3 |
x4 |
x5 |
x6 |
x7 |
||
|
Академия Гринхаус |
A |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
|
Детективы из домика на дереве |
Б |
1 |
0 |
0 |
1 |
0 |
0 |
0 |
|
Не троньте котиков: Охота на интернет-убийцу |
В |
0 |
1 |
1 |
0 |
1 |
0 |
1 |
|
Темное желание |
Г |
0 |
0 |
1 |
1 |
0 |
0 |
0 |
|
Печатная машинка |
Д |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
|
Напоминание |
Е |
0 |
0 |
1 |
0 |
1 |
0 |
0 |
Процесс построения экспертной системы по выбору детективного сериала Netflix на основе классификаций представлен ниже.
Вектор А:
|
1 |
1 |
0 |
0 |
0 |
0 |
0 |
Обучение А:
|
1 |
-1 |
-1 |
-1 |
-1 |
-1 |
|
1 |
-1 |
-1 |
-1 |
-1 |
-1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
Проверка эффективности: (вектор А*матрицу):
|
2 |
-2 |
-2 |
-2 |
-2 |
-2 |
Вывод: класс А распознан, как Академия Гринхаус проектов, что соответствует действительности.
Вектор Б:
|
1 |
0 |
0 |
1 |
0 |
0 |
0 |
Обучение Б:
|
0 |
0 |
-2 |
-2 |
-2 |
-2 |
|
1 |
-1 |
-1 |
-1 |
-1 |
-1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
-1 |
1 |
-1 |
-1 |
-1 |
-1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
Проверка эффективности (вектор А*матрицу; вектор Б*матрицу):
|
1 |
-1 |
-3 |
-3 |
-3 |
-3 |
|
-1 |
1 |
-3 |
-3 |
-3 |
-3 |
Вывод: классы А и Б распознаны правильно.
Аналогичным образом было проимитировано обучение экспертной системы классам В, Г и Д.
Вид матрицы после обучения Д:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
0 |
0 |
-1 |
-1 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Проверка эффективности (вектор А*матрицу; вектор Б*матрицу; вектор В*матрицу; вектор Г*матрицу; вектор Д*матрицу):
|
0 |
-1 |
-1 |
-2 |
-2 |
-2 |
|
-1 |
0 |
-2 |
-1 |
-2 |
-2 |
|
-3 |
-4 |
2 |
-3 |
-4 |
-4 |
|
-2 |
-1 |
-1 |
0 |
-2 |
-2 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
Вывод: класс А распознан, как Академия Гринхаус,
класс Б распознан, Детективы из домика на дереве,
класс В распознан, как Не троньте котиков: Охота на интернет-убийцу,
класс Г распознан, как Темное желание,
класс Д распознан, как Печатная машинка.
Вектор Е:
|
0 |
0 |
1 |
0 |
1 |
0 |
0 |
Обучение Е:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-2 |
-2 |
-1 |
-1 |
-2 |
0 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-2 |
-2 |
0 |
-2 |
-2 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Проверка эффективности (вектор А*матрицу; вектор Б*матрицу; вектор В*матрицу; вектор Г*матрицу; вектор Д*матрицу; вектор Е*матрицу):
|
0 |
-1 |
-1 |
-2 |
-2 |
-2 |
|
-1 |
0 |
-2 |
-1 |
-2 |
-2 |
|
-5 |
-6 |
0 |
-5 |
-6 |
-2 |
|
-3 |
-2 |
-2 |
-1 |
-3 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-4 |
-4 |
-1 |
-3 |
-4 |
0 |
Вывод: класс А распознан, как Академия Гринхаус,
класс Б распознан, Детективы из домика на дереве,
класс В распознан, как Не троньте котиков: Охота на интернет-убийцу,
класс Г распознан, как Темное желание и Напоминание (неверно),
класс Д распознан, как Печатная машинка,
класс Е распознан, как Напоминание.
Так как не все классы распознаны, необходимо продолжить обучение системы – провести переобучение нераспознанным классам, то есть классу Г.
Корректировка матрицы:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
-1 |
0 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Обучение Г:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-2 |
-2 |
-2 |
0 |
-2 |
-1 |
|
-2 |
-1 |
-2 |
1 |
-2 |
-2 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Эффективность обучения:
|
0 |
-1 |
-1 |
-2 |
-2 |
-2 |
|
-2 |
-1 |
-3 |
0 |
-3 |
-3 |
|
-4 |
-5 |
-1 |
-3 |
-5 |
-3 |
|
-4 |
-3 |
-4 |
1 |
-4 |
-3 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-3 |
-3 |
-2 |
-1 |
-3 |
-1 |
Вывод: класс А распознан, как Академия Гринхаус,
класс Б распознан, Темное желание (неверно),
класс В распознан, как Не троньте котиков: Охота на интернет-убийцу,
класс Г распознан, как Темное желание,
класс Д распознан, как Печатная машинка,
класс Е распознан, как Темное желание и Напоминание (неверно).
Корректировка матрицы:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
1 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Обучение Б:
|
-1 |
1 |
-2 |
-2 |
-2 |
-2 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
|
-2 |
0 |
-2 |
0 |
-2 |
-2 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Эффективность обучения:
|
-1 |
0 |
-2 |
-3 |
-3 |
-3 |
|
-3 |
1 |
-4 |
-2 |
-4 |
-4 |
|
-3 |
-4 |
0 |
-3 |
-4 |
-3 |
|
-3 |
-1 |
-3 |
0 |
-3 |
-3 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-2 |
-2 |
-1 |
-1 |
-2 |
-1 |
Вывод: класс А распознан, как Детективы из домика на дереве (неверно),
класс Б распознан, Детективы из домика на дереве,
класс В распознан, как Не троньте котиков: Охота на интернет-убийцу,
класс Г распознан, как Темное желание,
класс Д распознан, как Печатная машинка,
класс Е распознан, как Не троньте котиков: Охота на интернет-убийцу, Темное желание и Напоминание (неверно).
Корректировка матрицы:
|
-1 |
1 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Обучение А:
|
0 |
0 |
-2 |
-2 |
-2 |
-2 |
|
1 |
-2 |
-1 |
-2 |
-2 |
-2 |
|
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Эффективность обучения:
|
1 |
-2 |
-3 |
-4 |
-4 |
-4 |
|
-1 |
0 |
-3 |
-2 |
-3 |
-3 |
|
-2 |
-5 |
-1 |
-4 |
-5 |
-4 |
|
-2 |
-1 |
-2 |
0 |
-2 |
-2 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-2 |
-2 |
-1 |
-1 |
-2 |
-1 |
Вывод: класс А распознан, как Академия Гринхаус,
класс Б распознан, Детективы из домика на дереве,
класс В распознан, как Не троньте котиков: Охота на интернет-убийцу,
класс Г распознан, как Темное желание,
класс Д распознан, как Печатная машинка,
класс Е распознан, как Не троньте котиков: Охота на интернет-убийцу, Темное желание и Напоминание (неверно).
Далее было проведено семь циклов переобучения системы нераспознанным классам. Таким образом, после шести основных циклов и десяти дополнительных система не научилась распознавать точно все классы. Распознавание было прекращено после введения класса Е: получилось, что свойства классов стали сильно совпадать и экспертной системе при расчетах не удалось выявлять каждый.
Для проведения экспертизы необходимо ввести неизвестный системе класс (Ж):
|
1 |
1 |
1 |
0 |
1 |
0 |
0 |
Скорректированная матрица после 16 циклов обучения системы:
|
0 |
0 |
-1 |
-1 |
-1 |
-1 |
|
0 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
-1 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-1 |
-1 |
0 |
-1 |
-1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Расчет матрицы:
|
-1 |
-1 |
-2 |
-2 |
-2 |
-2 |
|
-1 |
-2 |
-1 |
-2 |
-2 |
-2 |
|
-2 |
-2 |
-1 |
-2 |
-2 |
-2 |
|
-1 |
0 |
-1 |
0 |
-1 |
-1 |
|
-2 |
-2 |
-1 |
-2 |
-2 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-1 |
-1 |
1 |
-1 |
-1 |
-1 |
Эффективность:
|
-2 |
-3 |
-3 |
-4 |
-4 |
-4 |
|
-2 |
-1 |
-3 |
-2 |
-3 |
-3 |
|
-6 |
-7 |
-2 |
-7 |
-7 |
-6 |
|
-3 |
-2 |
-2 |
-2 |
-3 |
-3 |
|
-1 |
-1 |
-1 |
-1 |
1 |
-1 |
|
-4 |
-4 |
-2 |
-4 |
-4 |
-3 |
|
-6 |
-7 |
-5 |
-8 |
-8 |
-7 |
Вывод: Вектор Ж распознан, как класс В, что не соответствует действительности.
Так как система не научилась распознавать точно все классы, для построения ЭС использовалась матрица, представленная на рисунке 1, с помощью которой система умеет распознавать первые 5 классов.
Рисунок 1 – Матрица ЭС
Окно ЭС представлено на рисунке 2.
Рисунок 2 – Окно ЭС
Результат проведения экспертизы представлен на рисунке 3.
Рисунок 3 – Результат проведения экспертизы
Вывод: при большом использовании классов необходимо учитывать изначально большее количество свойств определяющие эти классы, тогда их значения будут менее пересекаться и система будет более точно находить каждый из них. Другим возможным решением является переход от единичного гиперкуба к многомерному.
Список использованных источников:
1. Роль сериалов в жизни современных людей | Экспресс-Новости [Электронный ресурс]. – Режим доступа URL: https://express-novosti.ru/get/49686/rol-serialov-v-zhizni-sovremennyih-lyudej.html (дата обращения 15.12.2020).
2. Зайцева Т.В., Путивцева Н.П., Пусная О.П. ОБУЧЕНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ «ВЫБОР ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ПРОЕКТНОЙ ОРГАНИЗАЦИИ» НА ОСНОВЕ КЛАССИФИКАЦИЙ // Материалы IX Международной студенческой научной конференции «Студенческий научный форум» URL: http://scienceforum.ru/2017/article/2017040321 (дата обращения: 15.12.2020).