El documento describe un sistema de recomendación de recursos semánticamente anotados. Propone representar las preferencias del usuario y los recursos como fórmulas lógicas y utilizar técnicas como razonamiento basado en ontologías y consultas SPARQL para emparejar recursos con preferencias y calcular su utilidad para el usuario.

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

2. 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

3. 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

4. ¿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.

5. 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

6. 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

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

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

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

10. 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]

11. 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]

12. 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

13. 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

14. Representación semántica de los
recursos

15. 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

16. 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

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

18. 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

19. 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

20. Demanda expresada como
fórmulas lógicas

21. Demanda expresada como
fórmulas lógicas
Preferencias Obligatorias
Preferencias Opcionales

22. 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

23. Demanda usando el
lenguaje QIL

24. Demanda usando el
lenguaje QIL

25. 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

26. 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

27. Aproximaciones realizadas

28. 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.

29. 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.

30. 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.

31. 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.

32. 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.

33. 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.

34. 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

35. 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 }

36. 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 }

37. 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 }

38. 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

39. 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

40. 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

41. 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

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

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

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

45. 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

46. 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

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

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

49. Reglas de transformación de
QIL a SPARQL

50. SPARQL generada

51. SPARQL generada

52. 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

53. 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

54. 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

55. 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

56. Demo

57. 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

58. 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

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

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

61. 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

62. 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)

63. 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

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

65. 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

66. Resultados
Caso de uso: CruZar

67. 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

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

69. 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

70. 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

71. Gracias por su atención

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

73. Información inferida
Patrón buscado

74. Información inferida
Base de conocimiento (KB)
Patrón buscado

75. Información inferida
Base de conocimiento (KB)
Patrón buscado
Coincidencias

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

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

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

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

80. 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

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

82. 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:

83. Método AHP

84. ¿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

85. Evolución de LOD
Mayo de 2007

86. Evolución de LOD
Septiembre de 2008

87. Evolución de LOD
Marzo de 2009
Número de tripletas:
4.712.896.432