Your SlideShare is downloading. ×
Aprendizaje de reglas para sistemas de recomendación
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Aprendizaje de reglas para sistemas de recomendación

669
views

Published on

Published in: Education

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
669
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Aprendizaje de reglas ´ ´para sistemas de recomendacion aplicando miner´a semantica ı Blanca A. Vargas Govea ´ Grupo de Sistemas de Recomendacion Departamento de Ciencias Computacionales cenidet 30 de noviembre de 2011
  • 2. Contenido1 ´ Motivacion2 Estado actual3 ´ ´ Propuesta de solucion: miner´a semantica ı 2 / 16
  • 3. ´Resultados seleccion de atributos 0.70 0.35 0.65 subset 0.30 subset All All 0.60 0.25 Precision B B Recall C C 0.55 0.20 D D 0.50 E 0.15 E F F 0.45 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Lambda Lambda 0.56 0.54 subset 0.52 All B NDCG 0.50 C 0.48 D E 0.46 F 0.0 0.2 0.4 0.6 0.8 1.0 Lambda Enfoque contextual: el peor evaluado 3 / 16
  • 4. Problemas comunes Overfitting Underfitting El numero de ´ El modelo tiene muy ´ parametros en el ´ pocos parametros. modelo es muy grande. Incapacidad de Redundancia. capturar la variabilidad Ajuste al ruido. importante en los datos. Pobres resultados de ´ prediccion. Pobres resultados de ´ prediccion.ObjetivoObtener mediante aprendizaje, reglas que describan el conjunto de ´datos de modo que la evaluacion mejore. 4 / 16
  • 5. ´Surfeous: as´ estan las cosas ı Modelo del usuario Modelo Reglas del entorno Modelo de servicios 5 / 16
  • 6. Atributos Service model (23 attributes) latitude,longitude,address,city,state,country,fax,ZIP, alcohol,smoking,dress,accessibility,price,franchise, ambiance,space,services,parking,cuisine,phone,accepts, days,hours User model (21 attributes) latitude,longitude,smoking,alcohol,dress,ambiance,age, transportation,marital-status,children,interests, personality,religion,occupation,favorite-color,weight, height,budget,accepts,accessibility,cuisine Environment model (2 attributes) time,weather 6 / 16
  • 7. Las reglas 1/4Son 95 / a partir de un estudio de mercadotecnia / grupos deconsumidores user - service profile person(X ) ∧ hasOccupation(X , student) ∧ restaurant(R) ∧ hasCost(R, low) → select(X , R) user - environment profile person(X ) ∧ isJapanese(X , true) ∧ queryPlace(X , USA) ∧ restaurant(R) ∧ isVeryClose(R, true) → select(X , R) environment - service profile currentWeather(today , rainy ) ∧ restaurant(R) ∧ space(R, closed) → select(R) Relations likesFood(X , Y ) X : person, Y : cuisine-type currentWeather(X , Y ) X : query, Y : weather space(X , Y ) X : restaurant, Y : {closed, open} 7 / 16
  • 8. Las reglas 2/4</regla><regla nombre="chaviza3"><antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^swrlb:greaterThanOrEqual(?y, 12) ^swrlb:lessThanOrEqual(?y, 24) ^ Restaurant(?r) ^IDPlace(?r,?id) ^ esFranquicia(?r, true)</antecedente><consecuente>sqwrl:selectDistinct(?id)</consecuente><tipo>2</tipo></regla> 8 / 16
  • 9. Las reglas 3/4<regla nombre="retro"><antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^swrlb:greaterThanOrEqual(?y, 18) ^swrlb:lessThanOrEqual(?y, 50) ^ interes(?x, "retro") ^tieneNacionalidad(?x, ?n) ^ tieneCuisineNacional(?n, ?c) ^Restaurant(?r) ^ IDPlace(?r,?id) ^sirveAlimento(?r, ?c)</antecedente><consecuente>sqwrl:selectDistinct(?id)</consecuente><tipo>2</tipo></regla> 9 / 16
  • 10. Las reglas 4/4<regla nombre="bioconsumidor"><antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^swrlb:greaterThanOrEqual(?y, 18) ^swrlb:lessThanOrEqual(?y, 60) ^ interes(?x, "naturaleza") ^Restaurant(?r) ^ IDPlace(?r,?id) ^sirveAlimento(?r, Vegetarian)</antecedente><consecuente>sqwrl:selectDistinct(?id)</consecuente><tipo>2</tipo></regla> 10 / 16
  • 11. ´¿Que se hace? ˜ Generalmente disenadas por un experto Tendencia Semantic Web Mining [Lavraˇ et al., 2011, Vavpeti & Lavrac, 2011, c Eiter et al., 2008] Relaciones entre conceptos [Ciaramita et al., 2005] Reglas [Aitken, 2002, Tegos et al., 2008, Manine et al., 2009, Teflioudi, 2011, Siebers & Kruijsen, 2006] Reglas de comportamiento [Valiente-Rocha & Tello, 2010, Angeletou et al., 2011] 11 / 16
  • 12. ´Miner´a Semantica ı ´ ´ Con la expansion de la Web Semantica y la disponibilidad de ´ ´ ´ ontolog´as la cantidad de informacin semantica esta en rapido ı crecimiento. ´ Las ontolog´as de dominio definen el espacio de hipotesis. ı Los datos son usados como medio para restringir y guiar el ´ ´ proceso de busqueda de hipotesis y evaluacion. ´ El reto actual es minar el conocimiento contenido en ontolog´as ı de dominio. [Lavraˇ et al., 2011] c 12 / 16
  • 13. Lo que se propone 1 ´ ´ Seleccion de atributos de los modelos. Uno ya esta. 2 Proceso de aprendizaje relacional a partir de datos y ontolog´a, ı ´ ´ ILP (Programacion Logica Inductiva). 3 Obtener relaciones/reglas. 4 Pruebas: se espera que el enfoque contextual mejore. 13 / 16
  • 14. ILP ´ Enfoque de aprendizaje automatico en el cual las relaciones son aprendidas a partir de ejemplos. ´ ´ La logica de predicados es usada como lenguaje de hipotesis y los resultados son programas en Prolog. A diferencia de los enfoques proposicionales permite incorporar conocimiento del dominio. Aleph (A Learning Engine for Proposing Hypotheses). 14 / 16
  • 15. ILP 15 / 16
  • 16. En proceso Estado del arte detallado. ´ Seleccion de atributos del perfil de usuario. 16 / 16
  • 17. Aitken, J. S. (2002).Learning information extraction rules: An inductive logic programming approach.Angeletou, S., Rowe, M., & Alani, H. (2011).Modelling and analysis of user behaviour in online communities.In International Semantic Web Conference (1) (pp. 35–50). ˇCiaramita, M., Gangemi, A., Ratsch, E., Saric, J., & Rojas, I. (2005).Unsupervised learning of semantic relations between concepts of a molecular biology ontology.In Proceedings of the 19th international joint conference on Artificial intelligence, IJCAI’05 (pp. 659–664). San Francisco,CA, USA: Morgan Kaufmann Publishers Inc.Eiter, T., Ianni, G., Krennwallner, T., & Polleres, A. (2008).Reasoning web.(pp. 1–53).Lavraˇ , N., Vavpetiˇ , A., Soldatova, L., Trajkovski, I., & Novak, P. K. (2011). c cUsing ontologies in semantic data mining with segs and g-segs.In Proceedings of the 14th international conference on Discovery science, DS’11 (pp. 165–178). Berlin, Heidelberg:Springer-Verlag.Manine, A.-P., Alphonse, ., & Bessires, P. (2009).Learning ontological rules to extract multiple relations of genic interactions from text.I. J. Medical Informatics, 78(12), 31–38.Siebers, Q. H. & Kruijsen, P.-P. (2006).Implementing inference rules in the topic maps model.In Proceedings of the Topic Maps Research and Applications Conference (TMRA).Teflioudi, C. (2011).Learning soft inference rules in large and uncertain knowledge bases. ¨Master’s thesis, Universitat des Saarlandes, Saarbrucken. ¨Tegos, A., Karkaletsis, V., & Potamianos, A. (2008).Learning of semantic relations between ontology concepts using statistical techniques. 16 / 16
  • 18. In Proceedings of the Workshop on High-Level Information Extraction at ECML-PKDD 2008, HLIE 2008 Antwerp, Belgium.Valiente-Rocha, P. A. & Tello, A. L. (2010).Ontology and swrl-based learning model for home automation controlling.In ISAmI (pp. 79–86).Vavpeti, A. & Lavrac, N. (2011).Using ontologies in semantic data mining with g-segs and aleph.In The 21st International Conference on Inductive Logic Programming (ILP 2011) Cumberland Lodge, United Kingdom. 16 / 16

×