diff --git a/tex/50-implementation.tex b/tex/50-implementation.tex
index 4c9a2cbb8e0c829a5111ad8b977f006a51806ab2..e2d88770641775302c644390df84a216e9bc31ea 100644
--- a/tex/50-implementation.tex
+++ b/tex/50-implementation.tex
@@ -1,503 +1,514 @@
-\chapter{Реализация прототипа системы рекомендации сервисов умного города}
-\label{cha:realization}
-
-\section{Архитектура прототипа}
-
-Архитектура платформы предоставления городских сервисов и информации представлена на рисунке~\ref{fig:architecture}. 
-Платформа состоит из двух основных частей: компоненты управления персональной информацией пользователей и компоненты предоставления информации и сервисов. 
-Профили пользователей хранятся в Postgresql\footnote{https://www.postgresql.org/} базе данных. 
-Profiles management and access component предоставляет внешнее API для читателей и поставщиков информации профилей и внутреннее API для компонентов пользовательского интерфейса.  
-Компонент Social Network profiles reader осуществляет периодическое чтение персональной информации из социальной сети и загружает изменения в базу данных 
-(компонентов загрузки информации из сторонних источников может быть множество). 
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/architecture}
-  \caption{Архитектура платформы предоставления городских сервисов и информации}
-  \label{fig:architecture}
-\end{figure}
-
-Информация о сервисах (их описания, используемые при поиске), также хранится в Postgresql базе данных и предоставляется провайдерами сервисов. 
-Запросы пользователей на естественном языке обрабатываются Service search component, где происходит структурирование запроса и поиск сервисов по трем составляющим: 
-сопоставление запроса и описания сервиса; поиск схожих профилей пользователей; коллаборативная фильтрация. 
-Затем отправляются запросы сервисам на получение информации (ответа на вопрос пользователя). 
-Информация возвращается пользователю, имеющему  возможность оценить качество. 
-При выполнении запроса сервису может потребоваться персональная информация пользователя. 
-В этом случае сервис запрашивает права на чтение части профиля у пользователя, предоставляя описание в виде маски RDF графа.
-
-На данный момент разработаны прототипы компонентов Social network profile reader, Profile management and access component, Service register component...
-
-
-\section{Программная реализация компонентов прототипа}
-
-\subsection{Сервис управления цифровыми личностями}
-
-Для визуализации большого объема информации о цифровых личностях был разработан web-сервис, при помощи которого можно обозревать цифровые личности, 
-просматривать параметры, предпочтения и выявленные сценарии использования сервисов умного города. 
-Web-сервис разбит на две части: backend-часть, которая отвечает за обработку данных о цифровых личностях и frontend-часть, 
-которая отвечает за визуализацию данных и взаимодействие пользователя с backend-частью web-сервиса.
-
-Backend-часть реализована на языке программирования Python\footnote{https://www.python.org/} и  микрофреймворке Flask\footnote{http://flask.pocoo.org/}. 
-Информация о цифровых личностях хранится в ORM-подобном виде благодаря пакету SQLAlchemy\footnote{https://www.sqlalchemy.org/}. 
-Backend-часть сервиса агрегирует полученные данные о цифровых личностях, сервисах умного города и передает ее по определенным URL-адресам в виде JSON. 
-Также возможно, если это необходимо, изменение данных пользователем.
-
-Frontend-часть представлена на рисунках~\ref{fig:di_front_1} и~\ref{fig:di_front_2}. 
-Frontend был реализован на языке программирования Javascript и фреймворке Vue.js\footnote{https://vuejs.org/}, который позволяет создавать SPA-приложения. 
-Пользователь может просматривать информацию о цифровой личности (имя/фамилия, возраст, пол, выявленные при кластеризации признаки и т.д.), 
-цифровых сервисах умного города (их использование и географическую привязку взаимодействия), а также изменять информацию.
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/di_front_1}
-  \caption{Цифровая личность, ее признаки и использование сервисов умного города}
-  \label{fig:di_front_1}
-\end{figure}
-
-\begin{figure}[htb!]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/di_front_2}
-  \caption{Частота использования сервисов умного города цифровой личностью}
-  \label{fig:di_front_2}
-\end{figure}
-
-\subsection{Кластерный анализ}
-
-\subsubsection*{\textbf{Генерация контекстов использования сервисов}}
-
-Для каждого из полученных после обработки профилей пользователей было сгенерировано по три контекста использования сервисов, 
-то есть при каком контексте данный пользователей воспользовался каким-либо сервисом. В результате было получено 48399 контекстов.
-
-Каждый контекст содержал информацию о:
-
-\begin{enumerate}
-	\item Месте, в котором использовался конкретный сервис: на учебе/на работе, у метро, у светофора, на остановке, дома, на даче, в другом месте;
-	\item Времени, когда использовался определенный сервис: утром, днем, вечером, ночью;
-	\item Дне недели, когда использовался конкретный сервис: выходной или будний день.
-\end{enumerate}
-
-Время и день недели генерировались случайным образом. 
-Местоположение генерировалось с помощью эвристики, учитывающей время, день недели, образование и наличие работы.
-
-Каждый контекст использования сервисов имеет свой id, а также id профиля пользователя, к которому привязан данный контекст. 
-В листинге~\ref{lst:context_example} представлен пример контекста.
-
-\inputminted[frame=lines, linenos, breaklines]{js}{../src/context_example.json}
-\begin{listing}[H]
-	\caption{Пример контекста использования сервиса}
-	\label{lst:context_example}
-\end{listing}
-
-\subsubsection*{\textbf{Предсказание использования сервисов}}
-
-Для решения проблемы ``холодного старта'' для каждого сервиса была проведена оценка корреляции по каждому из следующих признаков пользователя: 
-\emph{высокий доход, наличие автомобиля, наличие прав, наличие велосипеда, наличие мотоцикла, наличие самоката, наличие детей, 
-наличие гражданства, статус: школьник, студент, работающий; наличие инвалидности, наличие инвалидной коляски, наличие питомца, 
-малый возраст, большой возраст, пол, отношение к курению, отношение к алкоголю, ночь, дома, на работе, на учёбе, в метро, на остановке, на светофоре, на даче, выходной}.
-
-В результате была получена матрица $W$ (листинг~\ref{lst:mat_service_features}), размером $N_s \times N_f$, где $N_s$~---~количество сервисов, $N_f$~---~количество признаков пользователя.
-
-\inputminted[frame=lines, linenos, breaklines]{python}{../src/mat_service_feature.py}
-\begin{listing}[H]
-	\caption{Матрица соотношения сервисов и признаков пользователей}
-	\label{lst:mat_service_features}
-\end{listing}
-
-Похожая матрица составлялась для контекстов пользователей, 
-в результате чего была получена матрица $X$ (листинг~\ref{lst:mat_context_features}), размером $N \times N_f$, где $N$~---~количество контекстов пользователей, $N_f$~---~количество признаков пользователя.
-
-% mat_context_feature.py
-
-\inputminted[frame=lines, linenos, breaklines]{python}{../src/mat_context_feature.py}
-\begin{listing}[H]
-	\caption{Матрица соотношения контекстов и признаков пользователей}
-	\label{lst:mat_context_features}
-\end{listing}
-
-Полученные матрицы  и  перемножались так, чтобы получилась матрица кол-во контекстов пользователей $\times$ количество сервисов, 
-где отдельное значение тем больше, чем больше соответствующий сервис мог быть использован при  соответствующем контексте пользователя.
-
-Идея дальнейших действий основана на логистической регрессии, многоклассовый вариант которой производит предсказания по формуле~\ref{eq:multiclass_logical_regression}:
-
-\begin{equation}
-	\label{eq:multiclass_logical_regression}
-	\begin{aligned}
-		p_i &= \sigma (WX_i + b), \text{где} \\
-		\sigma(z) &= \frac{exp(z_j)}{\sum^K_{k=1} exp(z_k)}, z = (z_1, z_2, ..., z_K),
-	\end{aligned}
-\end{equation}
-
-при этом выражение $WX + b$ отражает уверенность классификатора в принадлежности тому или иному классу, 
-функция $\sigma(z)$ приводит эти уверенности в диапазон $[0 \ldots 1]$ так, что сумма результатов равна единице.
-
-При оценке матрицы $W$ учитывались степени влияния признаков относительно друг друга, но абсолютные значения неизвестны. 
-Поэтому для получения показателей, характеризующих вероятность использования при определенном контексте определенного сервиса матрица  умножалась на коэффициент $k$, 
-подобранный так, чтобы итоговые показатели могли содержать один-три сервиса со значительной уверенностью.
-
-Таким образом, уверенности в том, что в $i$-том контексте можно использовать конкретные сервисы вычислялись по формуле $p_i = \sigma(kWX_i + b)$.
-Вектор $b$ подбирался таким образом, чтобы каждый из сервисов в среднем рекомендовался с одинаковой уверенностью $\frac{1}{N_s}$,
-путем математической оптимизации, представленной в формуле~\ref{eq:multiclass_optimization}.
-
-\begin{equation}
-	\label{eq:multiclass_optimization}
-	b = arg \; min || \big( \frac{1}{N} \sum^N_{j=1} p_j \big) - \frac{1}{N_s} ||
-\end{equation}
-
-\subsubsection*{\textbf{Кластеризация}}
-
-Кластеризация (кластерный анализ)~---~типичная задача статистического анализа данных: задача обнаружения и разбиения множества объектов одной природы на группы, 
-называемые кластерами, так, чтобы объекты одной группы обладали похожим свойством. 
-Под ``свойством'' понимается близость объектов друг к другу относительно выбранной метрики.
-
-Цели кластеризации:
-
-\begin{enumerate}
-	\item упростить дальнейшую обработку данных, разбить множество объектов на группы схожих объектов чтобы работать с каждой группой в отдельности;
-	\item выделить нетипичные объекты, которые не подходят ни к одному из кластеров;
-	\item разработать типологии или классификации объектов;
-	\item исследовать концептуальные схемы группировки объектов.
-\end{enumerate}
-
-Основная задача~---~кластеризовать полученные контексты использования определенных сервисов конкретными пользователями.
-В качестве переменных, по которым будут оцениваться объекты в выборке использовались векторы уверенностей  по каждому сервису.
-В качестве метода определения меры сходства между объектами было выбрано евклидово расстояние $R(x, y) = \{\sum_i (x_i - y_i)^2\}^{1/2}$, 
-которое попросту является геометрическим расстоянием в многомерном пространстве.
-
-В качестве метода кластерного анализа было решено использовать метод К-средних, реализованный в библиотеке scikit-learn\footnote{https://scikit-learn.org/}, 
-в которой реализовано большое количество алгоритмов машинного обучения.
-По сравнению с другими методами метод К-средних является хорошо изученным, имеет приближение, 
-позволяющее обрабатывать огромное количество примеров (48399 контекстов оказались проблемой для, например, агломеративной кластеризации), 
-а также позволяет контролировать количество кластеров.
-
-Кластеризация методом K-средних начинается с выбора k случайно расположенных центроидов (точек, представляющих центр кластера). 
-Каждому элементу назначается ближайший центроид, евклидово расстояние до которого минимально. 
-После того как назначение выполнено, каждый центроид перемещается в точку, рассчитываемую как среднее по всем приписанным к нему элементам. 
-Затем назначение выполняется снова. Эта процедура повторяется до тех пор, пока назначения не прекратят изменяться.
-
-Существует модификация данного метода под названием Mini-Batch k-Means\footnote{https://www.eecs.tufts.edu/~dsculley/papers/fastkmeans.pdf}.
-Основная идея данной модификации заключается в том, что на каждой итерации вместо полного прохода по данным мы работаем с мини-батчами~---~небольшими подмножествами данных. 
-Чтобы уменьшить влияние шума, создаваемого таким образом, на втором этапе положения кластера заменяются на , где  предыдущее положение кластера,~---~центроид точек кластера 
-(то, на что заменяется положение кластера в оригинальном алгоритме), а  обратно пропорционально количеству точек, которое участвовало в вычислении центроидов для данного кластера.
-
-Для визуализации результата кластеризации получившиеся кластеры были спроецированы на плоскость с помощью алгоритма t-SNE, реализованного в библиотеке openTSNE\footnote{https://github.com/pavlin-policar/openTSNE}, 
-который является техникой нелинейного снижения размерности, хорошо подходящей для вложения данных высокой размерности для визуализации 
-в пространство низкой размерности (двух- или трехмерное). Результат работы алгоритма представлен на рисунке~\ref{fig:clusterization_result}:
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/clusterization_result}
-  \caption{Результат кластеризации}
-  \label{fig:clusterization_result}
-\end{figure}
-
-Для каждого получившегося кластера были посчитаны средние значения уверенностей при определенном контексте использования по каждому из сервисов. 
-В результате были получены следующие предполагаемые сценарии использования сервисов при определенном контексте (см. таблицу~\ref{tab:scenario_table}).
-
-\begin{center}
-	\begin{longtable}{|p{0.3\textwidth}|p{0.3\textwidth}|p{0.3\textwidth}|}
-		\hline 
-		Сценарий & Используемый сервис & Оценка уверенности \\
-		\hline \endfirsthead
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска досуга в городе}} & сервис общественных бассейнов города & 0.1535 \\ \cline{2-3}
-		& сервис каршеринга & 0.1304 \\ \cline{2-3}
-		& сервис танцевальных студий города & 0.1233 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска ближайших заведений и мероприятий в городе}} & сервис ближайших ночных общественных заведений & 0.5782 \\ \cline{2-3}
-		& сервис ближайших мероприятий и фестивалей в городе  & 0.2335 \\ \cline{2-3}
-		& сервис покупки билетов на концерт & 0.1263 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов для людей с ОФВ}} & сервис ближайших травмпунктов & 0.1977 \\ \cline{2-3}
-		& сервис заказа такси для перевозки инвалида  & 0.1611 \\ \cline{2-3}
-		& сервис маршрутов с возможность перемещения инвалидных колясок & 0.1277 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска ближайших заправок и цен на топливо}} & сервис цен на топливо & 0.4452 \\ \cline{2-3}
-		& сервис ближайших заправок  & 0.3040 \\ \cline{2-3}
-		& сервис проката велосипедов & 0.0757 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий вызова \newline экстренных служб}} & сервис вызова скорой помощи & 0.5050 \\ \cline{2-3}
-		& сервис ближайших постов полиции  & 0.3193 \\ \cline{2-3}
-		& сервис ближайших аптек города & 0.0139 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска мест для курения}} & сервис поиска мест для курения & 0.8388 \\ \cline{2-3}
-		& сервис поиска акций на абонементы в спортзал  & 0.0369 \\ \cline{2-3}
-		& сервис поиска кафе и ресторанов с бизнес-ланчами & 0.0099 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска кинотеатров и театров}} & сервис кинотеатров IMAX & 0.3491 \\ \cline{2-3}
-		& сервис ближайших кинотеатров  & 0.3296 \\ \cline{2-3}
-		& сервис театров города & 0.1545 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов для спортсменов}} & сервис поиска тренера по конкретному виду спорта & 0.4287 \\ \cline{2-3}
-		& сервис спортивных и тренажерных залов города  & 0.3209 \\ \cline{2-3}
-		& сервис поиска акций на абонементы в спортзал & 0.1745 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска тренажерного зала/тренера}} & сервис поиска акций на абонементы в спортзал & 0.4156 \\ \cline{2-3}
-		& сервис поиска тренера по конкретному виду спорта  & 0.4240 \\ \cline{2-3}
-		& сервис поиска мест для курения & 0.0830 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{\small Сценарий использования сервисов для пожилых людей}} & сервис ближайших аптек города & 0.8260 \\ \cline{2-3}
-		& сервис театров города  & 0.0311 \\ \cline{2-3}
-		& сервис общественных бассейнов города & 0.0153 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска досуга по предпочтениям}} & сервис поиска заведений по конкретной кухне & 0.2839 \\ \cline{2-3}
-		& сервис концертов в городе  & 0.2778 \\ \cline{2-3}
-		& сервис театров города & 0.1590 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий способов передвижения для пешего пользователя}} & сервис заказа такси & 0.1533 \\ \cline{2-3}
-		& сервис ближайших остановок общественного транспорта  & 0.1510 \\ \cline{2-3}
-		& сервис ближайших станций метро & 0.1390 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий оплаты услуг автомобилиста}} & сервис оплаты парковки & 0.2628 \\ \cline{2-3}
-		& сервис оплаты штрафов  & 0.2174 \\ \cline{2-3}
-		& сервис проката автомобилей & 0.2009 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска кратчайших маршрутов для автомобиля}} & сервис построения кратчайших маршрутов для автомобиля & 0.6842 \\ \cline{2-3}
-		& сервис поиска платных парковок в городе  & 0.0993 \\ \cline{2-3}
-		& сервис поиска заведений по конкретной кухне & 0.0834 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска акций и выгодных предложений}} & сервис кинотеатров с самыми низкими ценами & 0.3630 \\ \cline{2-3}
-		& сервис ресторанов и кафе с выгодными акциями  & 0.2591 \\ \cline{2-3}
-		& сервис выставок в городе & 0.0400 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска средств передвижения при отсутствии прав и тс}} & сервис проката велосипедов & 0.2275 \\ \cline{2-3}
-		& сервис проката самокатов  & 0.2171 \\ \cline{2-3}
-		& сервис поиска попутчиков в городе & 0.2053 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска бесплатных парковок и ближайших заправок}} & сервис бесплатных парковок в городе & 0.8836 \\ \cline{2-3}
-		& сервис ближайших заправок  & 0.0650 \\ \cline{2-3}
-		& сервис маршрутов для велосипедистов в городе & 0.0133 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска заведений питания}} & сервис поиска кафе и ресторанов с бизнес-ланчами & 0.4233 \\ \cline{2-3}
-		& сервис поиска заведений с вегетарианской кухней  & 0.1046 \\ \cline{2-3}
-		& сервис ресторанов и кафе с выгодными акциями & 0.0908 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска развлечений для туристов/выходного дня}} & сервис поиска достопримечательностей в городе & 0.0319 \\ \cline{2-3}
-		& сервис построения живописных маршрутов & 0.0317 \\ \cline{2-3}
-		& сервис выставок в городе & 0.0768 \\
-		\hline
-		
-		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов в позднее время суток}} & сервис график разведения мостов & 0.5464 \\ \cline{2-3}
-		& сервис круглосуточных заведений питания & 0.1279 \\ \cline{2-3}
-		& сервис ближайших ночных заведений & 0.1086 \\
-		\hline
-		
-		\caption{Сценарии использования сервисов при определенном контексте кластеров}
-		\label{tab:scenario_table}
-	\end{longtable}
-\end{center}
-
-\subsection{Классификация}
-
-Классификация пользователей социальной сети VK.com была произведена на основе нейронных сетей. 
-На вход классификатору подается набор данных о цифровых личностях умного города. 
-Каждая цифровая личность обладает определенным набором характеристик, на основе которых можно произвести классификацию. 
-Вдобавок, для обучения нейронной модели были использованы данные кластерного анализа цифровых личностей, 
-на основании которых были выделены определенные группы пользователей. Таким образом, обучение нейронное модели можно характеризовать как обучение с учителем.
-
-Для реализации задач классификации был использован язык программирования Python. 
-Для работы с нейронными сетями были использованы открытое программное обеспечение Tensorflow\footnote{https://www.tensorflow.org/} и Keras\footnote{https://keras.io/}. 
-Обработка набора данных цифровых личностей реализована при помощи пакета Pandas\footnote{https://pandas.pydata.org/}. 
-Нейронная модель состоит из входного слоя, в котором задаются параметры цифровой личности, 
-два внутренних скрытых слоев размерностью 128 нейрона и выходной слой, который содержит результат классификации (размерность~---~20 нейронов). 
-Для внутренних слоев используется функция активации ReLU, для выходного~---~сигмоида.
-
-Обучение нейронной классификационной модели происходит на протяжении 20 эпох. 
-В результате точность предсказания на итоговой выборке составляет около 91.4\%, что является допустимым результатом. 
-Процесс обучения представлен на рисунке~\ref{fig:classification_nn_graph}.
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/classification_nn_graph}
-  \caption{Процесс обучения классифицирующей нейронной сети}
-  \label{fig:classification_nn_graph}
-\end{figure}
-
-\subsection{Рекомендация сервисов}
-
-В рамках данной работы была создана модель рекомендации с учетом контекста (где каждый уникальный набор значений свойств контекста пользователя рассматривался как отдельный субъект).
-Для обучения и тестирования модели исходный набор данных, содержащий 3.6 млн экземпляров оценок релевантности одного сервиса для одного пользователя, 
-был случайным образом разделены 90/10. 
-Результаты обучения представлены на рисунках~\ref{fig:recommendations_1} и~\ref{fig:recommendations_2}, изображающих зависимость среднеквадратической ошибки от различных параметров. 
-На оси абсцисс рисунка~\ref{fig:recommendations_1} изображено количество латентных факторов, разные графики показывают ошибку при разных коэффициентах регуляризации. 
-На оси абсцисс рисунка~\ref{fig:recommendations_2} изображен весовой коффциент, а разные графики показывают ошибку при разных добавочных коэффициентах. 
-Таком образом, были опробованы различные комбинации параметров моделей (количество латентных факторов, коэффициент регуляризации, добавочный вес и весовой коэффициент), 
-лучше результаты были получены с использованием следующих параметров: количества латентных факторов 75, коэффициента регуляризации 0.1, добавочным весом 0.1, 
-весовым коэффициентом 500. Обучение происходило до тех пор, пока функция потерь убывала, плюс дополнительно 10 итераций. 
-Для каждого набора параметров количество итераций не превосходило 50. 
-Слабое влияние добавочного коэффициента на результат можно объяснить малым количеством пропущенных оценок в обучающей выборке.
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/recommendations_1}
-  \caption{графики среднеквадратической ошибки рекомендации при различном количестве скрытых факторов (ось абсцисс) 
-  и различных коэффициентах регуляризации при фиксированном значении весового коэффициента 500 и добавочного веса 0.1}
-  \label{fig:recommendations_1}
-\end{figure}
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/recommendations_2}
-  \caption{графики среднеквадратической ошибки рекомендации при различных весовых коэффициентах (ось абсцисс) 
-  и добавочных коэффициентов при фиксированном количестве латентных факторов 75 и коэффициента регуляризации 0.1}
-  \label{fig:recommendations_2}
-\end{figure}
-
-\subsection{Семантический анализ запроса}
-
-Для успешной реализации выполнения пользовательского запроса на естественном языке в сервисах умного города требуется решить задачу семантического анализа запросов пользователя, 
-а именно~---~семантической связность групп токенов из пользовательского запроса на естественном языке и сущностей из онтологии. 
-Субъекты могут быть известны заранее и присутствовать в общих или специализированных базах знаний. 
-Они также могут быть созданы на основе открытых номенклатур и словарей, и их невозможно перечислить заранее.
-
-Рассмотрим алгоритм работы реализованного сервиса по семантическому анализу запроса на естественном языке:
-
-\begin{enumerate}
-	\item Берем базу запросов из Facebook с размеченными сущностями из базы знаний Freebase;
-	\item Делаем маппинг сущностей базы знаний Freebase в сущности в Wikidata;
-	\item Подготавливаем данные;
-	\item Обрабатываем данные;
-	\item Сохраняем полученные результаты для выявления оптимальной стратегии поиска связанных сущностей;
-	\item Вычисляем точность алгоритмов по следующим параметрам:
-	\begin{enumerate}
-		\item Для каждого варианта представления строк;
-		\item Для разного числа результатов: 1, 3, 5, 10, 30, 50, 100.
-	\end{enumerate}
-\end{enumerate}
-
-Варианты представления строк запросов:
-
-\begin{enumerate}
-	\item Переводим nls на русский язык.
-	\item Переводим nls с леммами на русский язык.
-	\item Переводим nls без стоп слов до первого не стоп слова на русский язык.
-	\item Переводим nls без стоп слов на русский язык.
-	\item Переводим nls на русском без стоп слов до первого не стоп слова на русский язык.
-	\item Переводим nls на русском без стоп слов на русский язык.
-	\item Добавляем nls с леммами.
-	\item Добавляем nls без стоп слов до первого не стоп слова.
-	\item Добавляем nls без стоп слов.
-	\item Добавляем nls на русском без стоп слов до первого не стоп слова.
-	\item Добавляем nls на русском без стоп слов.
-\end{enumerate}
-
-В таблице~\ref{tab:wikidata_table} представлены результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке.
-В результате была реализована группа алгоритмов по определению сущностей wikidata в запросах на русском языке и определена точность реализованных алгоритмов.
-
-\begin{center}
-	\begin{longtable}{|p{0.3\textwidth}|c|c|c|c|c|c|c|}
-		\hline 
-		& top1 & top3 & top5 & top10 & top30 & top50 & top100 \\
-		\hline \endfirsthead
-		String & 20\% & 25\% & 27\% & 32\% & 36\% & 39\% & 45\% \\
-		\hline
-		String lemmas & 29\% & 33\% & 36\% & 40\% & 43\% & 47\% & 51\% \\
-		\hline
-		Cut start & 20\% & 23\% & 26\% & 31\% & 37\% & 40\% & 44\% \\
-		\hline
-		Cut all & 20\% & 21\% & 24\% & 26\% & 35\% & 37\% & 42\% \\
-		\hline
-		Cut start by lemmas & 23\% & 25\% & 27\% & 34\% & 40\% & 42\% & 46\% \\
-		\hline
-		Cut all by lemmas & 17\% & 20\% & 22\% & 24\% & 29\% & 31\% & 45\% \\
-		\hline
-		String lemmas processed & 14\% & 17\% & 19\% & 23\% & 27\% & 29\% & 33\% \\
-		\hline
-		Cut start processed & 15\% & 20\% & 22\% & 26\% & 29\% & 32\% & 38\% \\
-		\hline
-		Cut all processed & 12\% & 14\% & 16\% & 19\% & 22\% & 24\% & 28\% \\
-		\hline
-		Cut start by lemmas ru processed & 10\% & 13\% & 15\% & 19\% & 22\% & 24\% & 26\% \\
-		\hline
-		Cut all by lemmas ru processed & 9\% & 11\% & 13\% & 16\% & 19\% & 20\% & 24\% \\
-		\hline
-		
-		\caption{Результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке}
-		\label{tab:wikidata_table}
-	\end{longtable}
-\end{center}
-
-\subsection{Анализ эмоционального состояния в зависимости от контекста пользователя}
-
-Сервис будет реализован при помощи API Microsoft Azure для распознавания лиц на фотографиях с указанием эмоций. 
-На вход подается кадр с камеры. 
-При помощи API на кадре определяется человек, его пол и возраст, а также вероятности наблюдения той или иной эмоции: 
-злости, сомнения, отвращения, страха, счастья, грусти и удивления.
-
-На основе информации о поле и возрасте зрителя определяется демографическая группа, к которой принадлежит пользователь. 
-Информация о демографической группе пользователя и его текущем эмоциональном состоянии позволяет подобрать рекомендуемые значения эмоционального состояния. 
-Для определения этих значений необходимо проведение соответствующих экспериментов с участием квалифицированных экспертов. 
-Предполагается, что нахождения зрителя в подобном состоянии позволит более эффективно демонстрировать рекламу. 
-
-На основе текущего и желаемого эмоциональных состояний пользователя производится подбор рекламных роликов. 
-Ролики должны быть подобраны таким образом, чтобы приблизить текущее эмоциональное состояние пользователя к желаемому. 
-Оценка изменения эмоционального состояния для пользователей, принадлежащих к определенной демографической группе, 
-производится на основе статистических данных о результатах демонстрации данного ролика представителям данной демографической группы. 
-При холодном старте предполагается, что результат от демонстрации ролика совпадает с желаемым эмоциональным состоянием пользователя.
-
-\subsection{Подбор персонала в организацию}
-
-Сервис реализован в рамках системы управления компетенциями, так как в ней имеются возможности профилирования организаций и работников, 
-а также формализованы компетенции работников. 
-Backend реализован с использованием Java и фреймворка Spring\footnote{https://spring.io/}. Интерфейс сервиса представлен на рисунке~\ref{fig:cmpt_1}.
-
-% cmpt_1
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/cmpt_1}
-  \caption{Интерфейс настройки предпочтений организации}
-  \label{fig:cmpt_1}
-\end{figure}
-
-Организация представлена в системе в виде профиля, содержащего информацию о ней, а также компетенции, которыми организация владеет. 
-Компетенция представляет собой совокупность навыка и уровня владения. 
-Профили работников также содержат информацию о работнике и его профессиональные компетенции. 
-Помимо этого, профиль работника содержит информацию о профессиональном опыте, которая используется при подборе персонала.
-
-Подбор персонала происходит на основе обязательных и дополнительных требований к компетенциям работников, а также дополнительных критериев, таких как образование и опыт работы. 
-Данные предпочтения можно задавать перед поиском, при этом для удобства пользования они заполняются автоматически с возможностью изменения 
-на основе данных о компетенциях организации и истории пользования сервисом. 
-Так, в обязательные требования заносятся компетенции, в которых у организации наивысший профессиональный уровень владения. 
-Остальные компетенции заносятся в дополнительные требования. Для быстрого добавления требований предоставляется список компетенций, смежных тем, 
-которыми владеет организация. Дополнительные критерии отбора показываются в том порядке, в каком они чаще всего указываются при подборе персонала. 
-Порядок критериев учитывается в дальнейшем при ранжировании найденных работников. 
-При повторном использовании сервиса есть возможность скопировать предпочтения, которые были заданы в предыдущий раз.
-
-При подборе персонала происходит отсев профилей работников, содержащихся в системе, и ранжировка оставшихся работников. 
-Отсев выполняется на основе обязательных требованиев и критериев, указанных организацией. 
-Если работник не владеет на необходимом уровне хотя бы одной компетенцией, указанных в качестве обязательных, или не обладает обязательным критерием, 
-то он не будет показан в результатах. Работники, подходящие обязательным требованиям, ранжируются в соответствии с дополнительными требованиями и критериями в том порядке, 
-в каком они указаны в предпочтениях организации. 
-Пример вывода результата подбора персонала показан на рисунке~\ref{fig:cmpt_2}.
-
-\begin{figure}[htb]
-  \centering
-  \includegraphics[width=0.7\textwidth, keepaspectratio]{inc/img/cmpt_2}
-  \caption{Результат работы сервиса подбора персонала}
-  \label{fig:cmpt_2}
-\end{figure}
-
-\section{Примеры работы прототипа и оценка точности используемых методов машинного обучения}
-
-%%% Local Variables:
-%%% mode: latex
-%%% TeX-master: "rpz"
-%%% End:
+\chapter{Реализация прототипа системы рекомендации сервисов умного города}
+\label{cha:realization}
+
+\section{Архитектура прототипа}
+
+Архитектура платформы предоставления городских сервисов и информации представлена на рисунке~\ref{fig:architecture}. 
+Платформа состоит из двух основных частей: компоненты управления персональной информацией пользователей и компоненты предоставления информации и сервисов. 
+Профили пользователей хранятся в Postgresql\footnote{https://www.postgresql.org/} базе данных. 
+Profiles management and access component предоставляет внешнее API для читателей и поставщиков информации профилей и внутреннее API для компонентов пользовательского интерфейса.  
+Компонент Social Network profiles reader осуществляет периодическое чтение персональной информации из социальной сети и загружает изменения в базу данных 
+(компонентов загрузки информации из сторонних источников может быть множество). 
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/architecture}
+  \caption{Архитектура платформы предоставления городских сервисов и информации}
+  \label{fig:architecture}
+\end{figure}
+
+Информация о сервисах (их описания, используемые при поиске), также хранится в Postgresql базе данных и предоставляется провайдерами сервисов. 
+Запросы пользователей на естественном языке обрабатываются Service search component, где происходит структурирование запроса и поиск сервисов по трем составляющим: 
+сопоставление запроса и описания сервиса; поиск схожих профилей пользователей; коллаборативная фильтрация. 
+Затем отправляются запросы сервисам на получение информации (ответа на вопрос пользователя). 
+Информация возвращается пользователю, имеющему  возможность оценить качество. 
+При выполнении запроса сервису может потребоваться персональная информация пользователя. 
+В этом случае сервис запрашивает права на чтение части профиля у пользователя, предоставляя описание в виде маски RDF графа.
+
+На данный момент разработаны прототипы компонентов Social network profile reader, Profile management and access component, Service register component...
+
+
+\section{Программная реализация компонентов прототипа}
+
+\subsection{Сервис управления цифровыми личностями}
+
+Для визуализации большого объема информации о цифровых личностях был разработан web-сервис, при помощи которого можно обозревать цифровые личности, 
+просматривать параметры, предпочтения и выявленные сценарии использования сервисов умного города. 
+Web-сервис разбит на две части: backend-часть, которая отвечает за обработку данных о цифровых личностях и frontend-часть, 
+которая отвечает за визуализацию данных и взаимодействие пользователя с backend-частью web-сервиса.
+
+Backend-часть реализована на языке программирования Python\footnote{https://www.python.org/} и  микрофреймворке Flask\footnote{http://flask.pocoo.org/}. 
+Информация о цифровых личностях хранится в ORM-подобном виде благодаря пакету SQLAlchemy\footnote{https://www.sqlalchemy.org/}. 
+Backend-часть сервиса агрегирует полученные данные о цифровых личностях, сервисах умного города и передает ее по определенным URL-адресам в виде JSON. 
+Также возможно, если это необходимо, изменение данных пользователем.
+
+Frontend-часть представлена на рисунках~\ref{fig:di_front_1} и~\ref{fig:di_front_2}. 
+Frontend был реализован на языке программирования Javascript и фреймворке Vue.js\footnote{https://vuejs.org/}, который позволяет создавать SPA-приложения. 
+Пользователь может просматривать информацию о цифровой личности (имя/фамилия, возраст, пол, выявленные при кластеризации признаки и т.д.), 
+цифровых сервисах умного города (их использование и географическую привязку взаимодействия), а также изменять информацию.
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/di_front_1}
+  \caption{Цифровая личность, ее признаки и использование сервисов умного города}
+  \label{fig:di_front_1}
+\end{figure}
+
+\begin{figure}[htb!]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/di_front_2}
+  \caption{Частота использования сервисов умного города цифровой личностью}
+  \label{fig:di_front_2}
+\end{figure}
+
+\subsection{Кластерный анализ}
+
+\subsubsection*{\textbf{Генерация контекстов использования сервисов}}
+
+Для каждого из полученных после обработки профилей пользователей было сгенерировано по три контекста использования сервисов, 
+то есть при каком контексте данный пользователей воспользовался каким-либо сервисом. В результате было получено 48399 контекстов.
+
+Каждый контекст содержал информацию о:
+
+\begin{enumerate}
+	\item Месте, в котором использовался конкретный сервис: на учебе/на работе, у метро, у светофора, на остановке, дома, на даче, в другом месте;
+	\item Времени, когда использовался определенный сервис: утром, днем, вечером, ночью;
+	\item Дне недели, когда использовался конкретный сервис: выходной или будний день.
+\end{enumerate}
+
+Время и день недели генерировались случайным образом. 
+Местоположение генерировалось с помощью эвристики, учитывающей время, день недели, образование и наличие работы.
+
+Каждый контекст использования сервисов имеет свой id, а также id профиля пользователя, к которому привязан данный контекст. 
+В листинге~\ref{lst:context_example} представлен пример контекста.
+
+\inputminted[frame=lines, linenos, breaklines]{js}{../src/context_example.json}
+\begin{listing}[H]
+	\caption{Пример контекста использования сервиса}
+	\label{lst:context_example}
+\end{listing}
+
+\subsubsection*{\textbf{Предсказание использования сервисов}}
+
+Для решения проблемы ``холодного старта'' для каждого сервиса была проведена оценка корреляции по каждому из следующих признаков пользователя: 
+\emph{высокий доход, наличие автомобиля, наличие прав, наличие велосипеда, наличие мотоцикла, наличие самоката, наличие детей, 
+наличие гражданства, статус: школьник, студент, работающий; наличие инвалидности, наличие инвалидной коляски, наличие питомца, 
+малый возраст, большой возраст, пол, отношение к курению, отношение к алкоголю, ночь, дома, на работе, на учёбе, в метро, на остановке, на светофоре, на даче, выходной}.
+
+В результате была получена матрица $W$ (листинг~\ref{lst:mat_service_features}), размером $N_s \times N_f$, где $N_s$~---~количество сервисов, $N_f$~---~количество признаков пользователя.
+
+\inputminted[frame=lines, linenos, breaklines]{python}{../src/mat_service_feature.py}
+\begin{listing}[H]
+	\caption{Матрица соотношения сервисов и признаков пользователей}
+	\label{lst:mat_service_features}
+\end{listing}
+
+Похожая матрица составлялась для контекстов пользователей, 
+в результате чего была получена матрица $X$ (листинг~\ref{lst:mat_context_features}), размером $N \times N_f$, где $N$~---~количество контекстов пользователей, $N_f$~---~количество признаков пользователя.
+
+% mat_context_feature.py
+
+\inputminted[frame=lines, linenos, breaklines]{python}{../src/mat_context_feature.py}
+\begin{listing}[H]
+	\caption{Матрица соотношения контекстов и признаков пользователей}
+	\label{lst:mat_context_features}
+\end{listing}
+
+Полученные матрицы  и  перемножались так, чтобы получилась матрица кол-во контекстов пользователей $\times$ количество сервисов, 
+где отдельное значение тем больше, чем больше соответствующий сервис мог быть использован при  соответствующем контексте пользователя.
+
+Идея дальнейших действий основана на логистической регрессии, многоклассовый вариант которой производит предсказания по формуле~\ref{eq:multiclass_logical_regression}:
+
+\begin{equation}
+	\label{eq:multiclass_logical_regression}
+	\begin{aligned}
+		p_i &= \sigma (WX_i + b), \text{где} \\
+		\sigma(z) &= \frac{exp(z_j)}{\sum^K_{k=1} exp(z_k)}, z = (z_1, z_2, ..., z_K),
+	\end{aligned}
+\end{equation}
+
+при этом выражение $WX + b$ отражает уверенность классификатора в принадлежности тому или иному классу, 
+функция $\sigma(z)$ приводит эти уверенности в диапазон $[0 \ldots 1]$ так, что сумма результатов равна единице.
+
+При оценке матрицы $W$ учитывались степени влияния признаков относительно друг друга, но абсолютные значения неизвестны. 
+Поэтому для получения показателей, характеризующих вероятность использования при определенном контексте определенного сервиса матрица  умножалась на коэффициент $k$, 
+подобранный так, чтобы итоговые показатели могли содержать один-три сервиса со значительной уверенностью.
+
+Таким образом, уверенности в том, что в $i$-том контексте можно использовать конкретные сервисы вычислялись по формуле $p_i = \sigma(kWX_i + b)$.
+Вектор $b$ подбирался таким образом, чтобы каждый из сервисов в среднем рекомендовался с одинаковой уверенностью $\frac{1}{N_s}$,
+путем математической оптимизации, представленной в формуле~\ref{eq:multiclass_optimization}.
+
+\begin{equation}
+	\label{eq:multiclass_optimization}
+	b = arg \; min || \big( \frac{1}{N} \sum^N_{j=1} p_j \big) - \frac{1}{N_s} ||
+\end{equation}
+
+\subsubsection*{\textbf{Кластеризация}}
+
+Кластеризация (кластерный анализ)~---~типичная задача статистического анализа данных: задача обнаружения и разбиения множества объектов одной природы на группы, 
+называемые кластерами, так, чтобы объекты одной группы обладали похожим свойством. 
+Под ``свойством'' понимается близость объектов друг к другу относительно выбранной метрики.
+
+Цели кластеризации:
+
+\begin{enumerate}
+	\item упростить дальнейшую обработку данных, разбить множество объектов на группы схожих объектов чтобы работать с каждой группой в отдельности;
+	\item выделить нетипичные объекты, которые не подходят ни к одному из кластеров;
+	\item разработать типологии или классификации объектов;
+	\item исследовать концептуальные схемы группировки объектов.
+\end{enumerate}
+
+Основная задача~---~кластеризовать полученные контексты использования определенных сервисов конкретными пользователями.
+В качестве переменных, по которым будут оцениваться объекты в выборке использовались векторы уверенностей  по каждому сервису.
+В качестве метода определения меры сходства между объектами было выбрано евклидово расстояние $R(x, y) = \{\sum_i (x_i - y_i)^2\}^{1/2}$, 
+которое попросту является геометрическим расстоянием в многомерном пространстве.
+
+В качестве метода кластерного анализа было решено использовать метод К-средних, реализованный в библиотеке scikit-learn\footnote{https://scikit-learn.org/}, 
+в которой реализовано большое количество алгоритмов машинного обучения.
+По сравнению с другими методами метод К-средних является хорошо изученным, имеет приближение, 
+позволяющее обрабатывать огромное количество примеров (48399 контекстов оказались проблемой для, например, агломеративной кластеризации), 
+а также позволяет контролировать количество кластеров.
+
+Кластеризация методом K-средних начинается с выбора k случайно расположенных центроидов (точек, представляющих центр кластера). 
+Каждому элементу назначается ближайший центроид, евклидово расстояние до которого минимально. 
+После того как назначение выполнено, каждый центроид перемещается в точку, рассчитываемую как среднее по всем приписанным к нему элементам. 
+Затем назначение выполняется снова. Эта процедура повторяется до тех пор, пока назначения не прекратят изменяться.
+
+Существует модификация данного метода под названием Mini-Batch k-Means\footnote{https://www.eecs.tufts.edu/~dsculley/papers/fastkmeans.pdf}.
+Основная идея данной модификации заключается в том, что на каждой итерации вместо полного прохода по данным мы работаем с мини-батчами~---~небольшими подмножествами данных. 
+Чтобы уменьшить влияние шума, создаваемого таким образом, на втором этапе положения кластера заменяются на , где  предыдущее положение кластера,~---~центроид точек кластера 
+(то, на что заменяется положение кластера в оригинальном алгоритме), а  обратно пропорционально количеству точек, которое участвовало в вычислении центроидов для данного кластера.
+
+Для визуализации результата кластеризации получившиеся кластеры были спроецированы на плоскость с помощью алгоритма t-SNE, реализованного в библиотеке openTSNE\footnote{https://github.com/pavlin-policar/openTSNE}, 
+который является техникой нелинейного снижения размерности, хорошо подходящей для вложения данных высокой размерности для визуализации 
+в пространство низкой размерности (двух- или трехмерное). Результат работы алгоритма представлен на рисунке~\ref{fig:clusterization_result}:
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/clusterization_result}
+  \caption{Результат кластеризации}
+  \label{fig:clusterization_result}
+\end{figure}
+
+Для каждого получившегося кластера были посчитаны средние значения уверенностей при определенном контексте использования по каждому из сервисов. 
+В результате были получены следующие предполагаемые сценарии использования сервисов при определенном контексте (см. таблицу~\ref{tab:scenario_table}).
+
+\begin{center}
+	\begin{longtable}{|p{0.3\textwidth}|p{0.3\textwidth}|p{0.3\textwidth}|}
+		\hline 
+		Сценарий & Используемый сервис & Оценка уверенности \\
+		\hline \endfirsthead
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска досуга в городе}} & сервис общественных бассейнов города & 0.1535 \\ \cline{2-3}
+		& сервис каршеринга & 0.1304 \\ \cline{2-3}
+		& сервис танцевальных студий города & 0.1233 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска ближайших заведений и мероприятий в городе}} & сервис ближайших ночных общественных заведений & 0.5782 \\ \cline{2-3}
+		& сервис ближайших мероприятий и фестивалей в городе  & 0.2335 \\ \cline{2-3}
+		& сервис покупки билетов на концерт & 0.1263 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов для людей с ОФВ}} & сервис ближайших травмпунктов & 0.1977 \\ \cline{2-3}
+		& сервис заказа такси для перевозки инвалида  & 0.1611 \\ \cline{2-3}
+		& сервис маршрутов с возможность перемещения инвалидных колясок & 0.1277 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска ближайших заправок и цен на топливо}} & сервис цен на топливо & 0.4452 \\ \cline{2-3}
+		& сервис ближайших заправок  & 0.3040 \\ \cline{2-3}
+		& сервис проката велосипедов & 0.0757 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий вызова \newline экстренных служб}} & сервис вызова скорой помощи & 0.5050 \\ \cline{2-3}
+		& сервис ближайших постов полиции  & 0.3193 \\ \cline{2-3}
+		& сервис ближайших аптек города & 0.0139 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска мест для курения}} & сервис поиска мест для курения & 0.8388 \\ \cline{2-3}
+		& сервис поиска акций на абонементы в спортзал  & 0.0369 \\ \cline{2-3}
+		& сервис поиска кафе и ресторанов с бизнес-ланчами & 0.0099 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска кинотеатров и театров}} & сервис кинотеатров IMAX & 0.3491 \\ \cline{2-3}
+		& сервис ближайших кинотеатров  & 0.3296 \\ \cline{2-3}
+		& сервис театров города & 0.1545 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов для спортсменов}} & сервис поиска тренера по конкретному виду спорта & 0.4287 \\ \cline{2-3}
+		& сервис спортивных и тренажерных залов города  & 0.3209 \\ \cline{2-3}
+		& сервис поиска акций на абонементы в спортзал & 0.1745 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска тренажерного зала/тренера}} & сервис поиска акций на абонементы в спортзал & 0.4156 \\ \cline{2-3}
+		& сервис поиска тренера по конкретному виду спорта  & 0.4240 \\ \cline{2-3}
+		& сервис поиска мест для курения & 0.0830 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{\small Сценарий использования сервисов для пожилых людей}} & сервис ближайших аптек города & 0.8260 \\ \cline{2-3}
+		& сервис театров города  & 0.0311 \\ \cline{2-3}
+		& сервис общественных бассейнов города & 0.0153 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска досуга по предпочтениям}} & сервис поиска заведений по конкретной кухне & 0.2839 \\ \cline{2-3}
+		& сервис концертов в городе  & 0.2778 \\ \cline{2-3}
+		& сервис театров города & 0.1590 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий способов передвижения для пешего пользователя}} & сервис заказа такси & 0.1533 \\ \cline{2-3}
+		& сервис ближайших остановок общественного транспорта  & 0.1510 \\ \cline{2-3}
+		& сервис ближайших станций метро & 0.1390 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий оплаты услуг автомобилиста}} & сервис оплаты парковки & 0.2628 \\ \cline{2-3}
+		& сервис оплаты штрафов  & 0.2174 \\ \cline{2-3}
+		& сервис проката автомобилей & 0.2009 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска кратчайших маршрутов для автомобиля}} & сервис построения кратчайших маршрутов для автомобиля & 0.6842 \\ \cline{2-3}
+		& сервис поиска платных парковок в городе  & 0.0993 \\ \cline{2-3}
+		& сервис поиска заведений по конкретной кухне & 0.0834 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска акций и выгодных предложений}} & сервис кинотеатров с самыми низкими ценами & 0.3630 \\ \cline{2-3}
+		& сервис ресторанов и кафе с выгодными акциями  & 0.2591 \\ \cline{2-3}
+		& сервис выставок в городе & 0.0400 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска средств передвижения при отсутствии прав и тс}} & сервис проката велосипедов & 0.2275 \\ \cline{2-3}
+		& сервис проката самокатов  & 0.2171 \\ \cline{2-3}
+		& сервис поиска попутчиков в городе & 0.2053 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска бесплатных парковок и ближайших заправок}} & сервис бесплатных парковок в городе & 0.8836 \\ \cline{2-3}
+		& сервис ближайших заправок  & 0.0650 \\ \cline{2-3}
+		& сервис маршрутов для велосипедистов в городе & 0.0133 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска заведений питания}} & сервис поиска кафе и ресторанов с бизнес-ланчами & 0.4233 \\ \cline{2-3}
+		& сервис поиска заведений с вегетарианской кухней  & 0.1046 \\ \cline{2-3}
+		& сервис ресторанов и кафе с выгодными акциями & 0.0908 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий поиска развлечений для туристов/выходного дня}} & сервис поиска достопримечательностей в городе & 0.0319 \\ \cline{2-3}
+		& сервис построения живописных маршрутов & 0.0317 \\ \cline{2-3}
+		& сервис выставок в городе & 0.0768 \\
+		\hline
+		
+		\multirow{3}{0.3\textwidth}{\textbf{Сценарий использования сервисов в позднее время суток}} & сервис график разведения мостов & 0.5464 \\ \cline{2-3}
+		& сервис круглосуточных заведений питания & 0.1279 \\ \cline{2-3}
+		& сервис ближайших ночных заведений & 0.1086 \\
+		\hline
+		
+		\caption{Сценарии использования сервисов при определенном контексте кластеров}
+		\label{tab:scenario_table}
+	\end{longtable}
+\end{center}
+
+\subsection{Классификация}
+
+Классификация пользователей социальной сети VK.com была произведена на основе нейронных сетей. 
+На вход классификатору подается набор данных о цифровых личностях умного города. 
+Каждая цифровая личность обладает определенным набором характеристик, на основе которых можно произвести классификацию. 
+Вдобавок, для обучения нейронной модели были использованы данные кластерного анализа цифровых личностей, 
+на основании которых были выделены определенные группы пользователей. Таким образом, обучение нейронное модели можно характеризовать как обучение с учителем.
+
+Для реализации задач классификации был использован язык программирования Python. 
+Для работы с нейронными сетями были использованы открытое программное обеспечение Tensorflow\footnote{https://www.tensorflow.org/} и Keras\footnote{https://keras.io/}. 
+Обработка набора данных цифровых личностей реализована при помощи пакета Pandas\footnote{https://pandas.pydata.org/}. 
+Нейронная модель состоит из входного слоя, в котором задаются параметры цифровой личности, 
+два внутренних скрытых слоев размерностью 128 нейрона и выходной слой, который содержит результат классификации (размерность~---~20 нейронов). 
+Для внутренних слоев используется функция активации ReLU, для выходного~---~сигмоида.
+
+Обучение нейронной классификационной модели происходит на протяжении 20 эпох. 
+В результате точность предсказания на итоговой выборке составляет около 91.4\%, что является допустимым результатом. 
+Процесс обучения представлен на рисунке~\ref{fig:classification_nn_graph}.
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/classification_nn_graph}
+  \caption{Процесс обучения классифицирующей нейронной сети}
+  \label{fig:classification_nn_graph}
+\end{figure}
+
+\subsection{Рекомендация сервисов}
+
+В рамках данной работы была создана модель рекомендации с учетом контекста (где каждый уникальный набор значений свойств контекста пользователя рассматривался как отдельный субъект).
+Для обучения и тестирования модели исходный набор данных, содержащий 3.6 млн экземпляров оценок релевантности одного сервиса для одного пользователя, 
+был случайным образом разделены 90/10. 
+Результаты обучения представлены на рисунках~\ref{fig:recommendations_1} и~\ref{fig:recommendations_2}, изображающих зависимость среднеквадратической ошибки от различных параметров. 
+На оси абсцисс рисунка~\ref{fig:recommendations_1} изображено количество латентных факторов, разные графики показывают ошибку при разных коэффициентах регуляризации. 
+На оси абсцисс рисунка~\ref{fig:recommendations_2} изображен весовой коффциент, а разные графики показывают ошибку при разных добавочных коэффициентах. 
+Таком образом, были опробованы различные комбинации параметров моделей (количество латентных факторов, коэффициент регуляризации, добавочный вес и весовой коэффициент), 
+лучше результаты были получены с использованием следующих параметров: количества латентных факторов 75, коэффициента регуляризации 0.1, добавочным весом 0.1, 
+весовым коэффициентом 500. Обучение происходило до тех пор, пока функция потерь убывала, плюс дополнительно 10 итераций. 
+Для каждого набора параметров количество итераций не превосходило 50. 
+Слабое влияние добавочного коэффициента на результат можно объяснить малым количеством пропущенных оценок в обучающей выборке.
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/recommendations_1}
+  \caption{графики среднеквадратической ошибки рекомендации при различном количестве скрытых факторов (ось абсцисс) 
+  и различных коэффициентах регуляризации при фиксированном значении весового коэффициента 500 и добавочного веса 0.1}
+  \label{fig:recommendations_1}
+\end{figure}
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/recommendations_2}
+  \caption{графики среднеквадратической ошибки рекомендации при различных весовых коэффициентах (ось абсцисс) 
+  и добавочных коэффициентов при фиксированном количестве латентных факторов 75 и коэффициента регуляризации 0.1}
+  \label{fig:recommendations_2}
+\end{figure}
+
+\subsection{Семантический анализ запроса}
+
+Для успешной реализации выполнения пользовательского запроса на естественном языке в сервисах умного города требуется решить задачу семантического анализа запросов пользователя, 
+а именно~---~семантической связность групп токенов из пользовательского запроса на естественном языке и сущностей из онтологии. 
+Субъекты могут быть известны заранее и присутствовать в общих или специализированных базах знаний. 
+Они также могут быть созданы на основе открытых номенклатур и словарей, и их невозможно перечислить заранее.
+
+Рассмотрим алгоритм работы реализованного сервиса по семантическому анализу запроса на естественном языке:
+
+\begin{enumerate}
+	\item Берем базу запросов из Facebook с размеченными сущностями из базы знаний Freebase;
+	\item Делаем маппинг сущностей базы знаний Freebase в сущности в Wikidata;
+	\item Подготавливаем данные;
+	\item Обрабатываем данные;
+	\item Сохраняем полученные результаты для выявления оптимальной стратегии поиска связанных сущностей;
+	\item Вычисляем точность алгоритмов по следующим параметрам:
+	\begin{enumerate}
+		\item Для каждого варианта представления строк;
+		\item Для разного числа результатов: 1, 3, 5, 10, 30, 50, 100.
+	\end{enumerate}
+\end{enumerate}
+
+Варианты представления строк запросов:
+
+\begin{enumerate}
+	\item Переводим nls на русский язык.
+	\item Переводим nls с леммами на русский язык.
+	\item Переводим nls без стоп слов до первого не стоп слова на русский язык.
+	\item Переводим nls без стоп слов на русский язык.
+	\item Переводим nls на русском без стоп слов до первого не стоп слова на русский язык.
+	\item Переводим nls на русском без стоп слов на русский язык.
+	\item Добавляем nls с леммами.
+	\item Добавляем nls без стоп слов до первого не стоп слова.
+	\item Добавляем nls без стоп слов.
+	\item Добавляем nls на русском без стоп слов до первого не стоп слова.
+	\item Добавляем nls на русском без стоп слов.
+\end{enumerate}
+
+В таблице~\ref{tab:wikidata_table} представлены результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке.
+В результате была реализована группа алгоритмов по определению сущностей wikidata в запросах на русском языке и определена точность реализованных алгоритмов.
+
+\begin{center}
+	\begin{longtable}{|p{0.3\textwidth}|c|c|c|c|c|c|c|}
+		\hline 
+		& top1 & top3 & top5 & top10 & top30 & top50 & top100 \\
+		\hline \endfirsthead
+		String & 20\% & 25\% & 27\% & 32\% & 36\% & 39\% & 45\% \\
+		\hline
+		String lemmas & 29\% & 33\% & 36\% & 40\% & 43\% & 47\% & 51\% \\
+		\hline
+		Cut start & 20\% & 23\% & 26\% & 31\% & 37\% & 40\% & 44\% \\
+		\hline
+		Cut all & 20\% & 21\% & 24\% & 26\% & 35\% & 37\% & 42\% \\
+		\hline
+		Cut start by lemmas & 23\% & 25\% & 27\% & 34\% & 40\% & 42\% & 46\% \\
+		\hline
+		Cut all by lemmas & 17\% & 20\% & 22\% & 24\% & 29\% & 31\% & 45\% \\
+		\hline
+		String lemmas processed & 14\% & 17\% & 19\% & 23\% & 27\% & 29\% & 33\% \\
+		\hline
+		Cut start processed & 15\% & 20\% & 22\% & 26\% & 29\% & 32\% & 38\% \\
+		\hline
+		Cut all processed & 12\% & 14\% & 16\% & 19\% & 22\% & 24\% & 28\% \\
+		\hline
+		Cut start by lemmas ru processed & 10\% & 13\% & 15\% & 19\% & 22\% & 24\% & 26\% \\
+		\hline
+		Cut all by lemmas ru processed & 9\% & 11\% & 13\% & 16\% & 19\% & 20\% & 24\% \\
+		\hline
+		
+		\caption{Результаты работы алгоритма поиска сущностей Wikidata в запросах на естественном языке}
+		\label{tab:wikidata_table}
+	\end{longtable}
+\end{center}
+
+\subsection{Анализ эмоционального состояния в зависимости от контекста пользователя}
+
+Сервис будет реализован при помощи API Microsoft Azure для распознавания лиц на фотографиях с указанием эмоций. 
+На вход подается кадр с камеры. 
+При помощи API на кадре определяется человек, его пол и возраст, а также вероятности наблюдения той или иной эмоции: 
+злости, сомнения, отвращения, страха, счастья, грусти и удивления.
+
+На основе информации о поле и возрасте зрителя определяется демографическая группа, к которой принадлежит пользователь. 
+Информация о демографической группе пользователя и его текущем эмоциональном состоянии позволяет подобрать рекомендуемые значения эмоционального состояния. 
+Для определения этих значений необходимо проведение соответствующих экспериментов с участием квалифицированных экспертов. 
+Предполагается, что нахождения зрителя в подобном состоянии позволит более эффективно демонстрировать рекламу. 
+
+На основе текущего и желаемого эмоциональных состояний пользователя производится подбор рекламных роликов. 
+Ролики должны быть подобраны таким образом, чтобы приблизить текущее эмоциональное состояние пользователя к желаемому. 
+Оценка изменения эмоционального состояния для пользователей, принадлежащих к определенной демографической группе, 
+производится на основе статистических данных о результатах демонстрации данного ролика представителям данной демографической группы. 
+При холодном старте предполагается, что результат от демонстрации ролика совпадает с желаемым эмоциональным состоянием пользователя.
+
+\subsection{Подбор персонала в организацию}
+
+Сервис реализован в рамках системы управления компетенциями, так как в ней имеются возможности профилирования организаций и работников, 
+а также формализованы компетенции работников. 
+Backend реализован с использованием Java и фреймворка Spring\footnote{https://spring.io/}. Интерфейс сервиса представлен на рисунке~\ref{fig:cmpt_1}.
+
+% cmpt_1
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=\textwidth, keepaspectratio]{inc/img/cmpt_1}
+  \caption{Интерфейс настройки предпочтений организации}
+  \label{fig:cmpt_1}
+\end{figure}
+
+Организация представлена в системе в виде профиля, содержащего информацию о ней, а также компетенции, которыми организация владеет. 
+Компетенция представляет собой совокупность навыка и уровня владения. 
+Профили работников также содержат информацию о работнике и его профессиональные компетенции. 
+Помимо этого, профиль работника содержит информацию о профессиональном опыте, которая используется при подборе персонала.
+
+Подбор персонала происходит на основе обязательных и дополнительных требований к компетенциям работников, а также дополнительных критериев, таких как образование и опыт работы. 
+Данные предпочтения можно задавать перед поиском, при этом для удобства пользования они заполняются автоматически с возможностью изменения 
+на основе данных о компетенциях организации и истории пользования сервисом. 
+Так, в обязательные требования заносятся компетенции, в которых у организации наивысший профессиональный уровень владения. 
+Остальные компетенции заносятся в дополнительные требования. Для быстрого добавления требований предоставляется список компетенций, смежных тем, 
+которыми владеет организация. Дополнительные критерии отбора показываются в том порядке, в каком они чаще всего указываются при подборе персонала. 
+Порядок критериев учитывается в дальнейшем при ранжировании найденных работников. 
+При повторном использовании сервиса есть возможность скопировать предпочтения, которые были заданы в предыдущий раз.
+
+При подборе персонала происходит отсев профилей работников, содержащихся в системе, и ранжировка оставшихся работников. 
+Отсев выполняется на основе обязательных требованиев и критериев, указанных организацией. 
+Если работник не владеет на необходимом уровне хотя бы одной компетенцией, указанных в качестве обязательных, или не обладает обязательным критерием, 
+то он не будет показан в результатах. Работники, подходящие обязательным требованиям, ранжируются в соответствии с дополнительными требованиями и критериями в том порядке, 
+в каком они указаны в предпочтениях организации. 
+Таким образом среди работников, прошедших отсев, первыми будут показаны те из них, которые обладают критерием, указанным организацией в качестве приоритетного. 
+За ними будут следовать работники, которые прошли отсев, но не обладают этим критерием, ранжированные между собой аналогичным способом. 
+Пример вывода результата подбора персонала показан на рисунке~\ref{fig:cmpt_2}.
+
+\begin{figure}[htb]
+  \centering
+  \includegraphics[width=0.7\textwidth, keepaspectratio]{inc/img/cmpt_2}
+  \caption{Результат работы сервиса подбора персонала}
+  \label{fig:cmpt_2}
+\end{figure}
+
+Страница результатов подбора персонала содержит требования и критерии, на основе которых проводился отбор, а также ранжированный список работников. 
+Для каждого работника указывается ссылка на его профиль, те его компетенции и критерии, которые учитывались при отборе и ранжировании, и стоимость его работы. 
+Таким образом, есть возможность оценить подобранных работников и сравнить их между собой. 
+
+Для оценки быстродействия сервиса было подсчитано среднее время, затрачиваемое на подбор персонала. 
+При наличии в системе 50 профилей работников, среди которых производится отбор, сервису необходимо менее секунды для обработки данных и формирования результатов. 
+При добавлении в систему 50 000 сгенерированных профилей, каждый из которых обладал 10-15 случайными компетенциями, среднее время работы сервиса составило чуть более 5 секунд. 
+Таким образом, данный сервис можно применять в крупных системах с большим количеством пользователей без серьёзных временных затрат. 
+
+\section{Примеры работы прототипа и оценка точности используемых методов машинного обучения}
+
+%%% Local Variables:
+%%% mode: latex
+%%% TeX-master: "rpz"
+%%% End: