Modelo de recomendación basado en conocimiento empleando números SVN

31

Neutrosophic Computing and Machine Learning , Vol. 1, 2018 University of New Mexico

Modelo de recomendación basado en conocimiento empleando números SVN A knowledge-based recommendation framework using SVN numbers Roddy Cabezas Padilla1, José González Ruiz2, Milton Villegas Alava3, Maikel Leyva Vázquez4 1

Universidad de Guayaquil, Facultad de Ciencias Administrativas, Guayaquil Ecuador. E-mail: roddy.cabezasp@ug.edu.ec

Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Guayaquil Ecuador. E-mail: jose.gonzalezr@ug.edu.ec 3 Universidad de Guayaquil, Facultad de Ciencias Administrativas, Guayaquil Ecuador. E-mail: milton.villegasa@ug.edu.ec 4 Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Guayaquil Ecuador. E-mail: mleyvaz@gmail.com

2

Abstract. Knowledge based recommender systems despite its usefulness and high impact have some shortcomings. Among its limitations are lack of more flexible models, the inclusion of indeterminacy of the factors involved for computing a global similarity. In this paper, a new knowledge based recommendation models based SVN number is presented. It includes data base construction, client profiling, products filtering and generation of recommendation. Its implementation makes possible to improve reliability and including indeterminacy in product and user profile. An illustrative example is shown to demonstrate the model applicability.

Keywords: recommendation systems, neutrosophy, SVN numbers .

1.

Introducción

Los modelos de recomendación basada en conocimiento realizan sugerencias haciendo inferencias sobre las necesidades del usuario y sus preferencias [1-3]. El enfoque basado en conocimiento se distingue en el sentido que usan conocimiento sobre cómo un objeto en particular puede satisfacer las necesidades del usuario, y por lo tanto tiene la capacidad de razonar sobre la relación entre una necesidad y la posible recomendación que se mostrará. Se basan en la construcción de perfiles de usuario como una estructura de conocimiento que apoye la inferencia la cual se puede ser enriquecida con la utilización de expresiones que emplea lenguaje natural [2, 4]. En [5]se propone un modelo de recomendación que hace uso de las redes sociales y la neutrosofía para en el campo del elearning pero no puede ser clasificado en el campo de los sistemas de recomendación basados en conocimiento. En el presente trabajo se propone un modelo de recomendación basado en conocimiento utilizando el de números neutrosófica de valor único (SVN por sus siglas en inglés) permitiendo la utilización de variables lingüísticas [6]. El artículo continúa de la siguiente forma: en la sección 2 se discute la neutrosófica y los números SVN, a continuación, se analizan los modelos de recomendación basados en conocimiento. Se presenta el modelo propuesto y un ejemplo en las secciones 4 y 5 respectivamente. El trabajo termina con las conclusiones y recomendaciones de trabajo futuro.

Roddy Cabezas Padilla1, José González Ruiz2, Milton Villegas Alava3, Maikel Leyva Vázquez Modelo de recomendación basado en conocimiento empleando números SVN

32

Neutrosophic Computing and Machine Learning , Vol. 1, 2018

2.

NeutrosofĂ­a y nĂşmeros SVN

La neutrosofĂ­a fue propuesta por y Smarandache [7] para el tratamiento de la neutralidades. Esta ha formado las bases para una serie de teorĂ­as matemĂĄticas que generalizan las teorĂ­as clĂĄsicas y difusas tales como los conjuntos neutrosĂłficos y la lĂłgica neutrosĂłfica[8, 9] . La definiciĂłn original de valor de verdad en la lĂłgica neutrosĂłfica es mostrado a continuaciĂłn [10]: sean đ?‘

= {(đ?‘‡, đ??ź, đ??š) âˆś đ?‘‡, đ??ź, đ??š ⊆ [0, 1]}đ?‘?đ?‘›, una valuaciĂłn neutrosĂłfica es un mapeo de un grupo de fĂłrmulas proposicionales a đ?‘ , esto es que por cada sentencia p tenemos: đ?‘Ł (đ?‘?) = (đ?‘‡, đ??ź, đ??š) (1) Con el propĂłsito facilitar la aplicaciĂłn prĂĄctica a problema de la toma de decisiones y de la ingenierĂ­a se realizĂł la propuesta los conjuntos neutrosĂłficos de valor Ăşnico [11] (SVNS por sus siglas en inglĂŠs) los cuales permiten el empleo de variable lingßísticas [12] lo que aumenta la interpretabilidad en los modelos de recomendaciĂłn y el empleo de la indeterminaciĂłn. Sea đ?‘‹ un universo de discurso. Un SVNS đ??´ sobre đ?‘‹ es un objeto de la forma.

đ??´ = {⌊đ?‘Ľ, đ?‘˘đ??´ (đ?‘Ľ), đ?‘&#x;đ??´ (đ?‘Ľ), đ?‘Łđ??´ (đ?‘Ľ)âŒŞ: đ?‘Ľ ∈ đ?‘‹}đ?‘‘ donde

(2)

đ?‘˘đ??´ (đ?‘Ľ): đ?‘‹ → [0,1] , đ?‘&#x;đ??´ (đ?‘Ľ), âˆś đ?‘‹ → [0,1] y đ?‘Łđ??´ (đ?‘Ľ): đ?‘‹ → [0,1] con 0 ≤ đ?‘˘đ??´ (đ?‘Ľ) + đ?‘&#x;đ??´ (đ?‘Ľ) +

đ?‘Łđ??´ (đ?‘Ľ):≤ 3 para todo đ?‘Ľ ∈ đ?‘‹. El intervalo đ?‘˘đ??´ (đ?‘Ľ), đ?‘&#x;đ??´ (đ?‘Ľ) y đ?‘Łđ??´ (đ?‘Ľ) denotan las membrecĂ­as a verdadero, indeterminado y falso de x en A, respectivamente. Por cuestiones de conveniencia un nĂşmero SVN serĂĄ expresado como đ??´ = (đ?‘Ž, đ?‘?, đ?‘?), donde đ?‘Ž, đ?‘?, đ?‘? ∈ [0,1], y + đ?‘? + đ?‘? ≤ 3. Para la obtenciĂłn del base de datos de los productos el perfil de los usuarios es obtenido mediante nĂşmeros neutrosĂłficos de valor Ăşnico (SVN por sus siglas en inglĂŠs)[13, 14].

đ??´ ∗ = ( đ??´1∗ , đ??´âˆ—2 , . . , đ??´âˆ—đ?‘› ) sea un vector de nĂşmeros SVN tal que đ??´đ?‘— ∗ = (đ?‘Žđ?‘—∗ , đ?‘?đ?‘—∗ , đ?‘?đ?‘—∗ ) j=(1,2, ‌ , đ?‘›) y đ??ľđ?‘– = (đ??ľđ?‘–1, đ??ľđ?‘–2, ‌ , đ??ľđ?‘–đ?‘š ) (đ?‘– = 1,2, ‌ , đ?‘š) sean đ?‘š vectores de đ?‘› SVN nĂşmeros tal que y đ??ľđ?‘–đ?‘— = ( đ?‘Žđ?‘–đ?‘— , đ?‘?đ?‘–đ?‘— , đ?‘?đ?‘–đ?‘— ) (đ?‘– = 1,2, ‌ , đ?‘š), (đ?‘— = 1,2, ‌ , đ?‘›) entonces la distancia euclidiana es definida como. Las đ??ľđ?‘– y đ??´ ∗ resulta[14]: Sea

1

2 2 2 2 di = (3 ∑nj=1 {(|aij -a*j |) +(|bij -b*j |) +(|cij -c*j |) }) 1

(3)

(� = 1,2, ‌ , �)

A partir de esta distancia euclidiana se puede definir una medida de similitud [15]. En la medida en que la alternativa se đ??´đ?‘– se encuentra mĂĄs semejante perfil del usuario (đ?‘ đ?‘– ) mayor) mejor serĂĄ esta, permitiendo establecer un orden entre alternativas [12].

3. Modelo propuesto A continuación, se presenta el flujo de trabajo. Estå basado fundamentalmente en la propuesta de Cordón [2, 16, 17] para sistemas de recomendación basados en conocimiento permitiendo representar tÊrminos lingßísticos y la indeterminación mediante números SVN.

Roddy Cabezas Padilla1, JosĂŠ GonzĂĄlez Ruiz2, Milton Villegas Alava3, Maikel Leyva VĂĄzquez Modelo de recomendaciĂłn basado en conocimiento empleando nĂşmeros SVN

33

Neutrosophic Computing and Machine Learning , Vol. 1, 2018 CreaciĂłn de la base de datos con los perfiles de los productos

ObtenciĂłn del perfil del usuario

Filtrado de las de los productos

RealizaciĂłn de las recomendaciones

Figura 1. Modelo propuesto La descripciĂłn detallada de cada una de sus actividades y del modelo matemĂĄtico que soporta la propuesta es presentada a continuaciĂłn. 3.1 CreaciĂłn de la base de datos con los perfiles de los productos Cada una de los productos đ?‘Žđ?‘– serĂĄn descritas por un conjunto de caracterĂ­sticas que conformarĂĄn el perfil de los productos.

đ??ś = {đ?‘?1 , ‌ , đ?‘?đ?‘˜ , ‌ , đ?‘?đ?‘™ }

(4)

Este perfil puede ser obtenido de forma directa a partir de expertos: đ?‘—

đ?‘—

đ?‘—

đ??šđ?‘Žđ?‘— = {đ?‘Ł1 , ‌ , đ?‘Łđ?‘˜ , . . . đ?‘Łđ?‘™ }, đ?‘— = 1, ‌ đ?‘›

(5)

Las valoraciones de las características del producto, aj , serån expresadas utilizando la escala lingßística S, j

vk ∈ S donde S = {s1 , ‌ , sg } es el conjunto de tĂŠrmino lingßísticos definidos para evaluar la caracterĂ­stica ck utilizando los nĂşmeros SVN. Para esto los tĂŠrminos lingßísticos a emplear son definidos. Una vez descritas el conjunto de productos

A = {a1 , ‌ , aj , ‌ , an }

(6)

Estos se guardan en una base de datos 3.2 ObtenciĂłn del perfil del usuario En esta actividad se obtiene la informaciĂłn del usuario sobre las preferencias de estos almacenĂĄndose en un perfil:

đ?‘ƒđ?‘’ = {đ?‘?1đ?‘’ , ‌ , đ?‘?đ?‘˜đ?‘’ , ‌ , đ?‘?đ?‘™đ?‘’ }

(7)

Dicho perfil estarĂĄ integrado por un conjunto de atributos:

đ??ś đ?‘’ = {đ?‘?1đ?‘’ , ‌ , đ?‘?đ?‘˜đ?‘’ , ‌ , đ?‘?đ?‘™đ?‘’ } Donde đ?‘?đ?‘˜đ?‘’

(8)

∈đ?‘†

Este puede ser obtenido mediante ejemplo o mediante el llamado enfoque conversacional y mediante ejemplos los cuales pueden ser adaptados [18].

3.3 Filtrado de las de los productos Roddy Cabezas Padilla1, JosĂŠ GonzĂĄlez Ruiz2, Milton Villegas Alava3, Maikel Leyva VĂĄzquez Modelo de recomendaciĂłn basado en conocimiento empleando nĂşmeros SVN

34

Neutrosophic Computing and Machine Learning , Vol. 1, 2018

En esta actividad se filtran los productos de acuerdo al perfil del usuario para encontrar cuĂĄles son las mĂĄs adecuadas para este. Con este propĂłsito es calculada la similitud entre perfil de usuario, Pe y cada producto đ?‘Žđ?‘— registrado en la base de datos. Para el cĂĄlculo de la similitud total se emplea la siguiente expresiĂłn:

n

1 2 2 2 đ?‘†đ?‘– = 1 − ( ∑ {(|aij -a*j |) +(|bij -b*j |) +(|cij -c*j |) }) 3

1 2

j=1

(

) (9)

La función � calcula la similitud entre los valores de los atributos del perfil de usuario y la y de los productos, �� [19].

3.4 RealizaciĂłn de las recomendaciones Una vez calculada la similitud entre el perfil del usuario en la base de datos y cada uno de los productos se ordenan de acuerdo a la similitud obtenida representado por el siguiente vector de similitud.

đ??ˇ = (đ?‘‘1 , ‌ , đ?‘‘đ?‘› )

(10)

Los mejores serĂĄn aquellos que mejor satisfagan las necesidades del perfil del usuario o sea con mayor similitud. 4.

Ejemplo

A continuaciĂłn se presenta un ejemplo demostrativo basado en [20], supongamos una base de datos:

đ??´ = {đ?‘Ž1 , đ?‘Ž2 , đ?‘Ž3 , đ?‘Ž4 , đ?‘Ž5 } Descrito por el conjunto de atributos

đ??ś = {đ?‘?1 , đ?‘?2 , đ?‘?3 , đ?‘?4, , đ?‘?5 } Los atributos se valorarĂĄn en la siguiente escala lingßística (Tablas 1). Estas valoraciones serĂĄn almacenadas por el sistema en una base de datos.

Roddy Cabezas Padilla1, JosĂŠ GonzĂĄlez Ruiz2, Milton Villegas Alava3, Maikel Leyva VĂĄzquez Modelo de recomendaciĂłn basado en conocimiento empleando nĂşmeros SVN

35

Neutrosophic Computing and Machine Learning , Vol. 1, 2018

TÊrmino lingßístico

NĂşmeros SVN

Extremadamente buena(EB)

(1,0,0)

Muy muy buena (MMB)

(0.9, 0.1, 0.1)

Muy buena (MB)

(0.8,0,15,0.20)

Buena(B)

(0.70,0.25,0.30)

Medianamente buena (MDB)

(0.60,0.35,0.40)

Media(M)

(0.50,0.50,0.50)

Medianamente mala (MDM)

(0.40,0.65,0.60)

Mala (MA)

(0.30,0.75,0.70)

Muy mala (MM)

(0.20,0.85,0.80)

Muy muy mala (MMM)

(0.10,0.90,0.90)

Extremadamente mala (EM)

(0,1,1) Tabla 1: TÊrminos lingßísticos empleados [14].

La vista de la base de datos utilizado en este ejemplo, la podemos ver en la Tabla 2 .

đ?‘?1

đ?‘?2

đ?‘?3

đ?‘?4

đ?‘Ž1

MDB

M

MMB

B

đ?‘Ž2

B

MD

MB

M

đ?‘Ž3

MMB

M

M

B

đ?‘Ž4

M

B

MMB

B

Tabla 2: Base de datos de productos.

Si un usuario �� , desea recibir las recomendaciones del sistema deberå proveer información al mismo expresando sus preferencias. En este caso:

đ?‘ƒđ?‘’ = {MDB, MB, MMB, MB} El siguiente paso en nuestro ejemplo es el cĂĄlculo de la similitud entre el perfil de usuario y los productos almacenada en la base de datos.

đ?‘Ž1 0.44

đ?‘Ž2 0.76

đ?‘Ž3 0.42

đ?‘Ž4 0.84

Tabla 3: Similitud entre los productos y el perfil de usuario En la fase de recomendaciĂłn se recomendarĂĄ aquellos productos que mĂĄs se acerquen al perfil del usuario. Un ordenamiento de los productos basado en esta comparaciĂłn serĂ­a el siguiente.

{đ?‘Ž4 , đ?‘Ž2 , đ?‘Ž1 , đ?‘Ž3 } Roddy Cabezas Padilla1, JosĂŠ GonzĂĄlez Ruiz2, Milton Villegas Alava3, Maikel Leyva VĂĄzquez Modelo de recomendaciĂłn basado en conocimiento empleando nĂşmeros SVN

Neutrosophic Computing and Machine Learning , Vol. 1, 2018

36

En caso de que el sistema recomendara los dos productos mĂĄs cercanos, estas serĂ­an las recomendaciones:

�4 , � 2 Con este ejemplo queda demostrada la aplicabilidad de la propuesta. Conclusiones En este trabajo se presentó un modelo de recomendación productos siguiendo el enfoque basado en conocimiento. El mismo se basa en el empleo de los números SVN para expresar tÊrminos lingßísticos. Trabajos futuros estarån relacionados con la creación de la base de datos a partir de múltiples expertos, así como la obtención de los pesos de las características utilizando valoraciones en grupo. Adicionalmente se trabajarå en la inclusión de modelos de agregación mås complejos, así como la hibridación con otros modelos de recomendación. Referencias 1.

Dietmar Jannach, Tutorial: Recommender Systems, in International Joint Conference on Artificial Intelligence Beijing, August 4, 2013. 2013. 2. CordĂłn, L.G.P., Modelos de recomendaciĂłn con falta de informaciĂłn. Aplicaciones al sector turĂ­stico. 2008, Universidad de JaĂŠn. 3. Freire, J.B., et al., Modelo de recomendaciĂłn de productos basado en computaciĂłn con palabras y operadores OWA [A product recommendation model based on computing with word and OWA operators]. International Journal of Innovation and Applied Studies, 2016. 16(1): p. 78. 4. Herrera, F. and L. MartĂ­nez, A 2-tuple fuzzy linguistic representation model for computing with words. Fuzzy Systems, IEEE Transactions on, 2000. 8(6): p. 746-752. 5. Salama, A., et al., Review of recommender systems algorithms utilized in social networks based e-Learning systems & neutrosophic system. Neutrosophic Sets and Systems, 2015. 8: p. 32-40. 6. Biswas, P., S. Pramanik, and B.C. Giri, TOPSIS method for multi-attribute group decision-making under single-valued neutrosophic environment. Neural computing and Applications, 2016. 27(3): p. 727-737. 7. Smarandache, F., A Unifying Field in Logics: Neutrosophic Logic. Philosophy, 1999: p. 1-141. 8. Smarandache, F., A Unifying Field in Logics: Neutrosophic Logic. Neutrosophy, Neutrosophic Set, Neutrosophic Probability: Neutrsophic Logic. Neutrosophy, Neutrosophic Set, Neutrosophic Probability. 2005: Infinite Study. 9. PĂŠrez-Teruel, K. and M. Leyva-VĂĄzquez, Neutrosophic logic for mental model elicitation and analysis. Neutrosophic Sets and Systems, 2012: p. 30. 10. Wang, H., et al., Interval Neutrosophic Sets and Logic: Theory and Applications in Computing: Theory and Applications in Computing. 2005: Hexis. 11. Wang, H., et al., Single valued neutrosophic sets. Review of the Air Force Academy, 2010(1): p. 10. 12. VĂĄzquez, M.Y.L., et al., Modelo para el anĂĄlisis de escenarios basados en mapas cognitivos difusos: estudio de caso en software biomĂŠdico. Ingenieria y Universidad: Engineering for Development, 2013. 17(2): p. 375-390. 13. Ye, J., Single-valued neutrosophic minimum spanning tree and its clustering method. Journal of intelligent Systems, 2014. 23(3): p. 311-324. 14. Ĺžahin, R. and M. YiÄ&#x;ider, A Multi-criteria neutrosophic group decision making metod based TOPSIS for supplier selection. arXiv preprint arXiv:1412.5077, 2014. 15. PĂŠrez-Teruel, K., M. Leyva-VĂĄzquez, and V. Estrada-SentĂ­, Mental models consensus process using fuzzy cognitive maps and computing with words. IngenierĂ­a y Universidad, 2015. 19(1): p. 173-188. 16. Arroyave, M.R.M., A.F. Estrada, and R.C. GonzĂĄlez, Modelo de recomendaciĂłn para la orientaciĂłn vocacional basado en la computaciĂłn con palabras [Recommendation models for vocational orientation based on computing with words]. International Journal of Innovation and Applied Studies, 2016. 15(1): p. 80. 17. Padilla, R.C., et al., A Knowledge-based Recommendation Framework using SVN Numbers. Neutrosophic Sets and Systems, 2017: p. 24. 18. PĂŠrez, L., Modelo de recomendaciĂłn con falta de informaciĂłn. Aplicaciones al sector turĂ­stico. 2008, Tesis doctoral. Universidad de JaĂŠn. 19. PĂŠrez-Teruel, K., M. Leyva-VĂĄzquez, and V. Estrada-SentĂ­, Mental Models Consensus Process Using Fuzzy Cognitive Maps and Computing with Words. Ingenieria y Universidad, 2015. 19(1): p. 7-22. 20. Arroyave, M.R.M., A.F. Estrada, and R.C. GonzĂĄlez, Modelo de recomendaciĂłn para la orientaciĂłn vocacional basado en la computaciĂłn con palabras International Journal of Innovation and Applied Studies, 2016. Vol. 15 (No. 1): p. 80-92.

Roddy Cabezas Padilla1, JosĂŠ GonzĂĄlez Ruiz2, Milton Villegas Alava3, Maikel Leyva VĂĄzquez Modelo de recomendaciĂłn basado en conocimiento empleando nĂşmeros SVN