В последнее время система виртуального музея становится популярной, многие музейные учреждения создают свою политику цифрового сохранения музейных данных, разрабатывают онлайн-сайты, демонстрируют виртуальные коллекции и создают выставки в различных СМИ, создавая тем самым новую форму представления и изучения музейной информации. Вместе с этим феномен цифровой трансформации предоставляет гораздо больше доступной информации, чем прежде, что порождает новые проблемы. Одна из них – помочь обычным посетителям виртуального музея с определением, где находится лучшая информация, которая им действительно необходима. Другая – развитие музейных онлайн-магазинов, которые могут стать для бизнеса новым рынком продаж продуктов, связанных с музейным контекстом. Для решения данных проблем автор разработал и внедрил автоматизированную систему управления тематическими виртуальными музеями (АСУ ТВМ), которая имеет универсальную конвертацию любых цифровых музейных данных, собственную индексную структуру, микросервисы и программные компоненты тематического моделирования. В данной работе приведены результаты работы АСУ ТВМ и ее качественной оценки 111 респондентами, где эксперимент показал, что среднее время отклика запросов по четырем основным компонентам АСУ ТВМ составляло 7 мс, что соответствует критериям времени отклика или задержки в микросервисах. Большая часть опрошенных респондентов по восьми основным параметрам качества системы ТВМ (51,61%) согласны с высоким качеством системы, 36.23% респондентов полностью согласны. Суммарная оценка по четырем категориям параметров показала 49,39% согласных и 38,75% полностью согласных пользователей, что в целом указывает на высокий уровень согласованности оценки со стороны респондентов разработанной автором АСУ ТВМ.
Nowadays, virtual museum become popular, many museum institutions are creating their policy of digital preservation of museum data, developing online sites, demonstrating virtual collections and creating exhibitions in various media, and thus creating a new form of presentation and study of museum information. Along with this, the phenomenon of digital transformation provides much more accessible information than before, which gives rise to new problems. One of them is to help ordinary visitors to a virtual museum with a definition of where is the best information they actually needed. Another one is the development of museum online stores, which can become a new market for selling products related to the museum context for business. To solve these problems, the author has developed and implemented an automated management system for thematic virtual museums (AMS TVM), which has a universal conversion of any digital museum data, index structure, microservices and program components of thematic modeling. In this paper, shows the results work of the AMS TVM and its qualitative assessment by 111 respondents, where the experimental results show the averages requests latency on four main components of the AMS TVM system was 7ms, which meets the criteria of response time or latency in microservices. The majority of the interviewed respondents on the eight main parameters of the quality of the TVM system (51.61%) agree with the high quality of the system, 36.23% of respondents strongly agree. The total score for four categories of parameters showed 49.39% agree and 38.75% strongly agree users, which generally indicates a high level of consistency of the respondents’ assessment of the AMS TVM developed by the author.
1. Lord B., Piacente M. Manual of Museum Exhibitions. 2nd Edition. Maryland: Rowman & Littlefield Publisher. 2014. Р. 28–29.
2. Falk J.H. Identity and the Museum Visitor Experience. California: Left Coast Press. 2009. Р. 51.
3. Biedermann B. Virtual museums as digital collection complexes. A museological perspective using the example of Hans-Gross-Kriminalmuseum. Museum Management and Curatorship. Abingdon: Routledge. 2017. vol. 32. issue 2. Р. 281–297.
4. Delgado M.J.B.L., Albuquerque M.H.F. Sustainable Museographies – The Museum Shops. Procedia Manufacturing. Amsterdam: Elsevier B.V., 2015. vol. 3. Р. 6414–6420.
5. Wang C., Wood L.C., Abdul-Rahman H., Lee Y.T. When traditional information technology project managers encounter the cloud: Opportunities and dilemmas in the transition to cloud services. International Journal of Project Management. Amsterdam: Elsevier. 2016. vol. 34. issue 3. Р. 371–388.
6. Hyseni L.N., Ibrahimi A. Comparison of the cloud computing platforms provided by Amazon and Google. 2017 Computing Conference. London: IEEE. 2017. Р. 236–243.
7. Salah T., Zemerly M.J., Yeun C.Y., Al-Qutayri M., Al-Hammadi Y. The evolution of distributed systems towards microservices architecture. 2016 11th International Conference for Internet Technology and Secured Transactions (ICITST). Barcelona: IEEE. 2016. Р. 318–325.
8. Shadija D., Rezai M., Hill R. Towards an Understanding of Microservices. 2017 23rd International Conference on Automation and Computing (ICAC). Huddersfield: IEEE. 2017. Р. 1–6.
9. Anggai S., Blekanov I.S., Sergeev S.L. Index Data Structure, Functionality, and Microservices in Thematic Virtual Museums. Vestnik 10 Applied Mathematics. Computer Science. Control Processes. Saint Petersburg: Saint Petersburg State University. 2018. vol. 10. issue 1. Р. 31–39.
10. Manning C. D., Raghavan P., Schutze H. Introduction to Information Retrieval. N.Y.: Cambridge University Press. 2008. Р. 1–138.
11. Adomavicius G., Tuzhilin A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering. 2005. vol. 17. no. 6. Р. 734–749.
12. Lu J., Wu D., Mao M., Wang W., Zhang G. Recommender system application developments: a survey. Decision Support Systems. 2015. vol. 74. Р. 12–32.
13. Lops P., Gemmis M., Semeraro G. Content-based Recommender Systems: State of the Art and Trends. Recommender Systems Handbook. Boston: Springer U.S. 2011. Р. 73–105.
14. Chen L., Chen G., Wang F. Recommender systems based on user reviews: the state of the art. User Modeling and User-Adapted Interaction. Netherlands: Springer. 2015. vol. 25. issue 2. Р. 99–154.
15. Heinrich G. Parameter estimation for text analysis. Leipzig: University of Leipzig. 2004. Р. 1–31.
16. Steyvers M., Griffiths T. Probabilistic topic models. Latent Semantic Analysis: A Road to Meaning. New Jersey: Laurence Erlbaum. 2007. Р. 1–15.
17. Hall D., Jurafsky D., Manning C. D. Studying the history of ideas using topic models. Proceedings of the Conference on Empirical Methods in Natural Language Processing. Hawaii: Association for Computational Linguistics. 2008. Р. 363–371.
18. Pu P., Chen L., Hu R. A user-centric evaluation framework for recommender systems. Proceedings of the fifth ACM conference on Recommender systems. Chicago: ACM. 2011. Р. 157–164.
19. Newman S. Building Microservices: Designing Fine-Grained Systems. California: O’Reilly Media. 2015. ed. 1. Р. 55.
20. Herlocker J.L., Konstan J.A., Terveen L.G., Riedl J.T. Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS). N.Y.: ACM. 2004. vol. 22. issue 1. Р. 5–53.
21. Taber K.S. The use of Cronbach’s alpha when developing and reporting research instruments in science education. Research in Science Education. 2017. Р. 6.