Los primeros enfoques para representar los gustos de usuarios se basan en vectores de palabras claves o en matrices de recursos de usuarios. Sin embargo, el crecimiento en cuanto a número de usuarios como de recursos en el sistema impacta negativamente a su eficiencia.
El uso de ontologías sobre un dominio permite un conocimiento común de la información de un área, define el vocabulario cognitivo común y da una definición clara de los términos del dominio.
El artículo utiliza la estructura jerárquica de las ontologías para representar los intereses de los usuarios mientras que una técnica de razonamiento y extensión obtiene los intereses potenciales.
Para efectos del artículo, se hace uso del dominio de fósiles y minerales para construir la ontología. La ontología es creada en base a auto construcción y algunos componentes definidos a mano. Primero se introducen los códigos recursos para crear un árbol de clasificación jerárquica de meta-datos. Después, usando el árbol anteriormente creado, se genera un árbol jerárquico de los conceptos de la ontología. La siguiente figura muestra una parte del árbol de clasificación jerárquica de meta-datos.
Se siguen tres pasos para construir el modelo de usuario:
- Se analizan los registros del servidor web para obtener los puntajes de acceso de los usuarios en los nodos hoja del árbol jerárquico de conceptos de la ontología.
- Se hace uso de técnicas de razonamiento de ontologías con los nodos hoja para acceder a las puntuaciones del resto de los nodos.
- Se juntan los vectores con las puntuaciones de los nodos hoja y del resto para crear el modelo. El modelo consiste en un conjunto de vectores.
El modelo de similitud presentado se basa en lo siguiente:
- Si dos usuarios tienen una mayor cantidad de recursos en común (y menos recursos que no tengan en común), la similitud entre dichos usuarios será mayor.
- Si las puntuaciones entre los recursos comunes son cercanas, la similitud entre ambos usuarios será mayor.
- Si el ángulo entre los vectores de puntuación de los dos usuarios es pequeña, la similitud entre ambos usuarios será mayor.
El primer experimento muestra el error absoluto medio (MAE – Mean Absolute Error) del algoritmo de similitud frente a otras medidas (coseno, correlación y coseno ajustado). La siguiente figura muestra los resultados:
La segunda prueba se basa en la cobertura de las medidas de similitud. La siguiente figura muestra los resultados.
Para la segunda fase de pruebas se enfocaron en el modelo de usuario propuesto. La siguiente figura muestra el MAE del uso del modelo basado en ontologías contra los modelos basados en matrices.
La siguiente figura muestra el experimento con otro conjunto de datos pero los resultados siguen siendo consistentes con la mejoría.
En general, el artículo presenta un modelo de usuario basado en ontologías (representada por vectores) y una nueva medida de similitud que resulta ser más efectiva que las usadas tradicionalmente y basada en la similitud entre usuarios.
Yuan, J., Zhang, H., & Ni, J. (2010). A new ontology-based user modeling method for personalized recommendation. Computer Science and Information Technology (ICCSIT), 2010 3rd IEEE International Conference on (pp. 363–367). Retrieved from http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5564577
No comments:
Post a Comment