TeRRAS

Técnicas de Recomendación de Recursos Anotados Semánticamente 24 Junio 2009 Director: José Emilio Labra Gayo Autor: Iván Mínguez Pérez Codirector: Diego Berrueta Muñoz

Tabla de contenidos Objetivos del proyecto Estado del arte Deﬁniciones y características Aproximaciones realizadas Estudio del rendimiento Resultados: Caso de uso y publicaciones Conclusiones y trabajo futuro

Motivación Ofrecer a las aplicaciones un sistema de recomendación de recursos que permita la personalización de los servicios ofrecidos en función de las preferencias del usuario

¿Qué es un sistema de recomendación? Deﬁnición: Un sistema de recomendación busca encontrar los mejores recursos para el usuario. Para ello, puede utilizar diferentes aspectos, como, por ejemplo, las preferencias del usuario Puede ser utilizado en diferentes dominios: alquiler de coches y alojamientos, sugerencia de recursos turísticos, búsqueda de artículos de compra, etc.

Objetivos del proyecto Estudio de diferentes técnicas de recomendación de recursos Deﬁnición de una propuesta de función de recomendación Independiente del dominio, es decir, puede ser utilizado para realizar recomendaciones sobre cualquier tema Basada en tecnologías semánticas, como RDF, OWL o SPARQL

Tecnologías semánticas Resumen RDF: Lenguaje para la representación de grafos OWL: Lenguaje para la representación de ontologías basado en lógica descriptiva SPARQL: Lenguaje de consulta sobre grafos en RDF

Estado del arte Podemos dividir el estado del arte en dos partes: Métricas de similitud Técnicas de toma de decisiones

Estado del arte Métricas de similitud Basadas en: la información contenida la estructura en sistemas colaborativos en lógica descriptiva en lenguajes de consulta

Estado del arte Métricas de similitud Basadas en lógica descriptiva Utilizan lenguajes de lógica descriptiva Representación de los recursos y demandas como conceptos lógicos Uso de los razonadores para comprobar la inclusión de los conceptos en las demandas [Borg 05], [Paol 02], [Colu 03], [Rago 07]

Estado del arte Métricas de similitud Basadas en lenguajes de consulta Uso de lenguajes de consulta como SQL o SPARQL para la comprobación de las preferencias Enriquecer las consultas según el contexto Por ejemplo, en función de los gustos del usuario [Chu 96], [Pahl 07], [Kief 07], [Seab 08]

Estado del arte Técnicas de toma de decisiones Técnica de toma de decisiones multicriterio Comparación de aspectos representados en diferentes escalas Ayuda para la valoración de las preferencias por parte del usuario Uso de la técnica de AHP (Analytic Hierarchy Process) para ayudar al usuario a valorar las preferencias

Nuestra propuesta Sistema de recomendación de recursos en función de las preferencias del usuario Independiente del dominio Basada en tecnologías semánticas Requisitos: Disponer de descripciones semánticas de los recursos a recomendar Resultados: Conjunto de recursos más útiles para el usuario en función de sus preferencias

Representación semántica de los recursos

Preferencias Deﬁnición: Cada una de las características que los usuarios desean que tengan los recursos Representación como fórmulas lógicas utilizando operadores lógicos disponibles en lógica descriptiva

Preferencias Tipos de preferencias Preferencias obligatorias: Nos sirven para ﬁltrar los resultados de la consulta Preferencias opcionales: Nos sirven para puntuar la utilidad del recurso

Demanda del usuario Deﬁnición: Petición por parte del usuario para que se le recomienden recursos. Formada por preferencias obligatorias y opcionales

Ejemplo de demanda Quiero películas interpretadas por un actor con algún premio. Además... Preﬁero las películas de Tim Roth Me gustan mucho las películas de crimen También me gustan las comedias Mejor si tiene una puntuación > 8 sobre 10 Preﬁero que sea corta, no más de 120 minutos

Ejemplo de demanda Preferencias Obligatorias Quiero películas interpretadas por un actor con algún premio. Además... Preﬁero las películas de Tim Roth Me gustan mucho las películas de crimen También me gustan las comedias Mejor si tiene una puntuación > 8 sobre 10 Preﬁero que sea corta, no más de 120 minutos Preferencias Opcionales

Demanda expresada como fórmulas lógicas

Demanda expresada como fórmulas lógicas Preferencias Obligatorias Preferencias Opcionales

Lenguaje QIL Lenguaje deﬁnido en este proyecto para facilitar la escritura de las demandas del usuario Elimina la necesidad de agregar símbolos lógicos, sustituyéndolos por palabras clave que ayudan a su lectura Uso de este lenguaje como lenguaje intermedio entre posibles representaciones de las preferencias y nuestros métodos

Demanda usando el lenguaje QIL

Función de Matchmaking Deﬁnición: Calcular la utilidad de los recursos para el usuario Está dividida en 2 partes: Función match: Comprobación de las preferencias del usuario que cumple un recurso Función utility: Utilidad del recurso en función de las preferencias que cumple

Aproximaciones realizadas Función match: Método basado en lógica descriptiva Método basado en lenguaje de consulta Función utility: Utilización de la técnica de toma de decisiones AHP

Aproximaciones realizadas

Aproximaciones realizadas Demand (QIL) PREFIX (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos Demand (QIL) PREFIX (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_ﬁlms} P1 = "starring.{Tim_Roth} P2 = "directed.{Tarantino} Demand (QIL) PREFIX (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_ﬁlms} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) PREFIX (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_ﬁlms} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador PREFIX (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_ﬁlms} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4.

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_ﬁlms} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_ﬁlms} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. Transformación en SPARQL

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_films} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. SPARQL Query SELECT ?x ?x1 ?x2 WHERE{ ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL }

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_films} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL }

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_films} . OPTIONAL dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL } Base de conocimiento

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_films} . OPTIONAL Calcular dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. utilidad SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL } Base de conocimiento

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Vector de pesos µ(Pi) Demand (QIL) Razonador Matriz de instancias y PREFIX Condiciones que cumple (...) OBLIGATORY dbowl:Film. skos:subject some {dbpedia:Gangter_films} . OPTIONAL Calcular dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. utilidad SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL } Base de conocimiento

Aproximaciones realizadas Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Vector de pesos µ(Pi) Demand (QIL) Razonador Lista de sugerencias Matriz de instancias y PREFIX Condiciones que cumple (...) score(!1) 1 OBLIGATORY dbowl:Film. score(!2) 0.7 skos:subject some {dbpedia:Gangter_films} . score(!3) 0.5 OPTIONAL ... Calcular dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. utilidad SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL } Base de conocimiento

Funcionamiento D = { PR } , { PO1, PO2, PO3 } Marketplace

Funcionamiento D = { PR } , { PO1, PO2, PO3 } Marketplace PR

Funcionamiento D = { PR } , { PO1, PO2, PO3 } PO2 Marketplace PO1 PR PO3 Pesos de las Preferencias PO1 = 6 PO2 = 9 PO3 = 3

Funcionamiento D = { PR } , { PO1, PO2, PO3 } PO2 Marketplace PO1 0,91 0,68 1 0,23 0,75 0,3 0,07 0 PR PO3 Pesos de las Preferencias PO1 = 6 PO2 = 9 PO3 = 3

Función match (basado en Instance Checking) Utilización de preferencias representadas por fórmulas lógicas para construir conceptos en lógica descriptiva Utilización de la equivalencia lógica No es necesaria ninguna transformación

Función match (basado en Instance Checking) Utilización de un razonador para comprobar qué preferencias cumplen los recursos Operación Instance Checking

Función match (basado en SPARQL) Transformación de las preferencias en patrones de grafo Utilización de motor de SPARQL para ejecutarlas

Reglas de transformación de QIL a SPARQL

SPARQL generada

Interpretación de los resultados de la consulta Una variable para los recursos (?result) Y una variable extra (?pi) por cada preferencia opcional representando el cumplimiento o no de la preferencia asociada

Función utility Utilización de la puntuación base del recurso y de las preferencias que cumple (función match) para calcular la utilidad del recurso para el usuario

Función utility Utilización de la puntuación base del recurso y de las preferencias que cumple (función match) para calcular la utilidad del recurso para el usuario Puntuación base Puntuación de del recurso cada preferencia

Función utility Puntuación de los recursos y preferencias Puntuación base para los recursos Puntuación de la importancia de cada preferencia. Uso de los métodos de toma de decisiones: Método AHP

Tabla de contenidos Objetivos del proyecto Estado del arte Deﬁniciones y características Aproximaciones realizadas Estudio del rendimiento Resultados: Caso de uso y publicaciones Conclusiones y trabajo futuro

Recordemos Transformación en conceptos DL Concepts R = Film ! "subject.{Gangster_films} P1 = "starring.{Tim_Roth} Instance P2 = "directed.{Tarantino} Checking Vector de pesos µ(Pi) Demand (QIL) Razonador Lista de sugerencias Matriz de instancias y PREFIX Condiciones que cumple (...) score(!1) 1 OBLIGATORY dbowl:Film. score(!2) 0.7 skos:subject some {dbpedia:Gangter_films} . score(!3) 0.5 OPTIONAL ... Calcular dbowl:starring some {dbpedia:Tim_Roth}, 8. dbowl:directed some {dbpedia:Tarantino}, 4. utilidad SPARQL Query Ejecutar SELECT ?x ?x1 ?x2 WHERE{ consulta ?x rdf:type Film . ?x subject Gadget_films . OPTIONAL{ ?x1 starring Tim_Roth . FILTER (?x=?x1) }. Transformación OPTIONAL{ ?x2 directed Tarantino . FILTER (?x=?x2) en SPARQL } Base de conocimiento

Rendimiento (en función del nº de preferencias opcionales) basado en SPARQL basado en DL

Rendimiento (en función del nº de recursos) basado en SPARQL basado en DL

Rendimiento El tiempo de respuesta se comporta bien en función del número de preferencias Pero, el comportamiento del algoritmo en función del número de instancias no es satisfactorio Existen posibles mejoras haciendo uso de repositorios RDF profesionales, pero esto queda fuera del alcance del proyecto

Ventajas Independiente del dominio Nivel de expresividad de las preferencias Valoración númerica tanto de las preferencias y como de los recursos Puntuación numérica para la utilidad ﬁnal del recurso Compromiso entre rendimiento y expresividad (dependiendo de la implementación elegida)

Inconvenientes Comunes a las 2 implementaciones Rendimiento insatisfactorio Especiﬁcas de la implementación usando DL No soporta restricciones sobre tipos de datos Especiﬁcas de la implementación usando SPARQL No todos los operadores lógicos tienen transformación Pérdida de la inferencia

Operadores soportados Operador DL Sparql Clase Enumeraciones Existencial Universal Cardinalidad Tipo de dato Intersección Unión

Resultados Caso de uso: CruZar Aplicación realizada por la Fundación CTIC para el Ayuntamiento de Zaragoza para la EXPO2008 Generación de rutas turísticas personalizadas Uso del modulo TeRRAS para la selección de recursos turísticos en función de los gustos del usuario

Resultados Caso de uso: CruZar

Resultados Publicaciones Capítulo del libro “Case on Semantic Interoperability for information system integration” editado por Yannis Kalfoglou en la editorial IGI Global (Publicación prevista para Octubre) Enviado el articulo “TeRRAS: SPARQL- based matchmaking system” a la revista Journal of Web Semantics

La biblioteca TeRRAS Ha sido liberada en SourceForge, bajo licencia GPL.

Conclusiones Estudio de técnicas de recomendación de recursos Estudio de la aplicación de las tecnologías semánticas Deﬁnición de una función de recomendación, utilizando el concepto de preferencias Implementación de las aproximaciones deﬁnidas en este proyecto: Intérprete para el lenguaje QIL Transformaciones a OWL y a SPARQL Uso del método AHP para la valoración de las preferencias

Trabajo futuro Estudio de nuevas técnicas de comprobación de preferencias utilizando otro tipo de lógicas (ej: lógica difusa) Uso de las nuevas características de estándares todavía en desarrollo como OWL 2 y la nueva versión de SPARQL

Gracias por su atención

Técnicas de Recomendación de Recursos Anotados Semánticamente 24 Junio 2009 Director: José Emilio Labra Gayo Autor: Iván Mínguez Pérez Codirector: Diego Berrueta Muñoz

Información inferida Patrón buscado

Información inferida Base de conocimiento (KB) Patrón buscado

Información inferida Base de conocimiento (KB) Patrón buscado Coincidencias

Información inferida Base de conocimiento (KB) Patrón buscado Razonador Coincidencias

Información inferida Base de conocimiento (KB) Patrón buscado Razonador Coincidencias Conocimiento inferido

Lógica descriptiva Deﬁnición: Las lógicas descriptivas (DL) son una familia de formalismos lógicos bien conocidos para la representación e inferencia sobre el conocimiento de un dominio de aplicación Esta formada por varios elementos: El TBox: incluye todos los axiomas de la base de conocimiento El ABox: incluye todos los hechos de la base de conocimiento

Método AHP Se basa en la comparación de las diferentes alternativas en función de una tabla.

Método AHP Se realizan una serie de de cálculos para obtener un vector de pesos para las diferentes alternativas Este vector buscar tener una puntuación normalizada Se veriﬁca que:

Método AHP

¿Dónde podemos encontrar información en este formato? Transformando las bases de datos existente en grafos RDF Utilizando por ejemplo software como D2R Datos compartidos en la iniciativa Linking Open Data

Evolución de LOD Mayo de 2007

Evolución de LOD Septiembre de 2008

Evolución de LOD Marzo de 2009 Número de tripletas: 4.712.896.432

TeRRAS

by Ivan Minguez on Jul 13, 2010

Accessibility

Categories

Tags

Upload Details

Usage Rights

Statistics

TeRRAS — Presentation Transcript