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

Aprendizaje de reglas para sistemas de recomendación

on

  • 886 views

 

Statistics

Views

Total Views
886
Views on SlideShare
886
Embed Views
0

Actions

Likes
0
Downloads
2
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Aprendizaje de reglas para sistemas de recomendación Aprendizaje de reglas para sistemas de recomendación Presentation Transcript

  • 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
  • Contenido1 ´ Motivacion2 Estado actual3 ´ ´ Propuesta de solucion: miner´a semantica ı 2 / 16
  • ´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
  • 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
  • ´Surfeous: as´ estan las cosas ı Modelo del usuario Modelo Reglas del entorno Modelo de servicios 5 / 16
  • 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
  • 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
  • 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
  • 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
  • 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
  • ´¿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
  • ´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
  • 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
  • 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
  • ILP 15 / 16
  • En proceso Estado del arte detallado. ´ Seleccion de atributos del perfil de usuario. 16 / 16
  • 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
  • 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