actas del iii simposio sobre lógica fuzzy y soft...

Actas del III Simposio sobre Lógica Fuzzy y Soft Computing, LFSC2010 (EUSFLAT)

Editores: Luis Martínez, Edurne Barrenechea, Macarena Espinilla Jesús Alcalá, Victoria López, Manuel Mucientes, José Ángel Olivas, Rosa Mª Rodríguez ISBN: 978-84-92812-65-3 IBERGARCETA PUBLICACIONES, S.L., Madrid, 2010

Edición: 1ª Impresión: 1ª Nº de páginas: 494 Formato: 17 x 24 Materia CDU: 004 Ciencia y tecnología de los ordenadores. Informática

Reservados los derechos para todos los países de lengua española. De conformidad con lo dispuesto en el artículo 270 y siguientes del código penal vigente, podrán ser castigados con penas de multa y privaci6n de libertad quienes reprodujeren o plagiaren, en todo o en parte, una obra literaria, artística o científica fijada en cualquier tipo de soporte sin la preceptiva autorización. Ninguna parte de esta publicación, incluido el diseño de la cubierta, puede ser reproducida, almacenada o trasmitida de ninguna forma, ni por ningún medio, sea éste electrónico, químico, mecánico, e1ectro-óptico, grabación, fotocopia o cualquier otro, sin la previa autorización escrita por parte de la editorial.

Diríjase a CEDRO (Centro Español de Derechos Reprográficos), www.cedro.org, si necesita fotocopiar o escanear algún fragmento de esta obra.

COPYRIGHT © 2010 IBERGARCETA PUBLICACIONES, S.L. [email protected] Actas del III Simposio sobre Lógica Fuzzy y Soft Computing, LFSC2010 (EUSFLAT) Derechos reservados ©2010 respecto a la primera edición en español, por LOS AUTORES Derechos reservados ©2010 respecto a la primera edición en español, por IBERGARCETA PUBLICACIONES, S.L. 1ª Edición, 1ª Impresión

ISBN: 978-84-92812-65-3

Depósito legal: M- Maquetación: Los Editores

Coordinación del proyecto: @LIBROTEX

Portada: Estudio Dixi Impresión y encuadernación: OI: 28/2010 PRINT HOUSE, S.A. IMPRESO EN ESPAÑA -PRINTED IN SPAIN

Nota sobre enlaces a páginas web ajenas: Este libro puede incluir referencias a sitios web gestionados por terceros y ajenos a IBERGARCETA PUBLICACIONES, S.L., que se incluyen sólo con finalidad informativa. IBERGARCETA PUBLICACIONES, S.L., no asume ningún tipo de responsabilidad por los daños y perjuicios derivados del uso de los datos personales que pueda hacer un tercero encargado del mantenimiento de las páginas web ajenas a IBERGARCETA PUBLICACIONES, S.L., y del funcionamiento, accesibilidad y mantenimiento de los sitios web no gestionados por IBERGARCETA PUBLICACIONES, S.L., directamente. Las referencias se proporcionan en el estado en que se encuentran en el momento de publicación sin garantías expresas o implícitas, sobre la información que se proporcione en ellas.

Contenido

III Simposio sobre Lógica Fuzzy y Soft Computing, LFSC2010 (EUSFLAT)

SESIÓN ESPECIAL 1 Aplicaciones del Soft Computing Organizador: Manuel Mucientes

Cálculo del Grado de la Normalidad en Sistemas Expertos de Vídeo-Vigilancia Escalables........................................................................................................................ 3

Javier Albusac, David Vallejo, J. J. Castro-Schez, L. Jiménez-Linares

Localización probabilística del humanoide Nao en el campo de la Robocup............... 11

Francisco J. Rdez. Lera, Juan F. García, Camino Fdez. Llamas, Vicente Matellán

Reconstrucción volumétrica de personas utilizando la teoría de Dempster-Shafer....... 19

Luis Díaz, Rafael Muñoz, Enrique Yeguas, Rafael Medina

Expert Fuzzy System for Prediction of Pedestrian Accidents......................................... 27

J. L. Castro, M. Delgado, J. Medina, M. D. Ruiz-Lozano

Un Modelo Evolutivo para el Diseño de Materiales Compuestos Laminados Simétricos........................................................................................................................ 35

E. Tenorio, J. I. Peláez, J. M. Doña, J. Gómez Ruiz

Localización de Olivos en Imágenes de Alta Resolución mediante Técnicas de Razonamiento Aproximado............................................................................................. 41

J. Moreno-Garcia, L. Jiménez, L. Rodriguez-Benítez, C. Solana-Cipres

SESIÓN ESPECIAL 2 Toma de Decisiones en Ambientes de Incertidumbre Organizadoras: Macarena Espinilla y Rocío de Andrés

A new mobile decision support system to manage dynamic decisión situations............ 51

I. J. Pérez, F. J. Cabrerizo, S. Alonso, E. Herrera-Viedma

Modelo Lingüístico de QoS para Servicios de Red........................................................ 59

Sergio Gramajo, Luis Martínez

Aplicación Web para Evaluación de Desempeño 360 Grados Basada en un Modelo Lingüístico Multigranular................................................................................................ 67

Macarena Espinilla, Francisco J. Martínez, Luis Martínez

Consensus reaching with different aggregation techniques......................................... 75

Francisco Mata, Juan Carlos Martínez

Valoración de proyectos públicos mediante escalas finitas: un enfoque basado en distancias......................................................................................................................... 83

Edurne Falcó Díaz de Cerio, José Luis García Lapresta

Modelo para imputar valores perdidos en evaluación de Nuclear Safeguards............... 91

R.M. Rodríguez, D. Ruan, J. Liu, L. Martínez

Aplicación de un Algoritmo de Inducción de Reglas Borrosas para la Estimación del Tiempo de Trabajo Efectivo........................................................................................... 99

Francisco P. Romero, Juan Moreno-García, Arturo Peralta

Integración de sistemas de clasificación difusos en una guía clínica ejecutable............. 107

U. Segundo, J. M. Pikatza, D. Buenestado, A. Iruetaguena, R. Barrena, J. J. García, L. Aldámiz-Echevarría, P. Sanjurjo

Transitividad colectiva en mayorías con umbral de apoyo............................................. 115

Bonifacio Llamazares, Patrizia Pérez Asurmendi, José Luis García Lapresta

Evaluación de riesgos en redes eléctricas: una aproximación difusa.............................. 123

Juan Gómez-Romero, Antonio Berlanga, José M. Molina, Ángel Ramos Gómez

SESIÓN ESPECIAL 3 Lógica Difusa y Procesamiento de Imagen Organizadores: Edurne Barrenechea, Miguel Pagola y Francisco Javier Fernández

Segmentación dinámica en escenas de tráfico sobre vídeo comprimido H.264/AVC.... 133

C.J. Solana-Ciprés, L. Rguez-Benítez, L. Jiménez, J. Moreno-García

Operadores apertura y cierre en la morfología matemática derivada de t-normas discretas. Transformaciones de Top-Hat y filtros básicos............................................... 141

M. González-Hidalgo, S. Massanet, J. Torrens

Morfología Matemática sobre sistemas relacionales borrosos. Una interpretación de conceptos básicos de Lógica Borrosa mediante erosiones y dilataciones morfológicas. 149

Ramón Fuentes-González

Generación de imágenes difusas de bordes a partir de imágenes de gradientes........... 157

C. López-Molina, H. Bustince, B. De Baets, J. Fernández, A. Jurio

VI Actas del III Simposio sobre Lógica Fuzzy y Soft Computing

Medidas de similaridad difusas e intuicionistas de Atanassov aplicadas a reconocimiento de patrones............................................................................................. 165

F. Casado, D. Paternain, M. Pagola, E. Barrenechea

Un método orientado a píxeles para la clasificación difusa de imágenes aéreas............ 173

A. Sánchez, D. de Miguel, A. Conci, E. Nunes

SESIÓN ESPECIAL 4 Teoría de la Lógica Fuzzy y Funciones de Agregación

Organizador: Luis Martínez

Una formulación axiomática de la noción de antagonismo semántico.......................... 133

J. Tinguaro Rodriguez, Begoña Vitoriano, Javier Montero

Sobre la antonimia y su extensión a los conjuntos de Atanassov................................... 189

Susana Cubillo, Elena E. Castiñeira, Wilmer Montilla

Multi-Adjoint Viewpoint on Property/Object-Oriented Concept Lattices..................... 197

Jesús Medina

Un análisis de las funciones que generalizan a las medias ponderadas y a los operadores OWA............................................................................................................. 205

Bonifacio Llamazares

Sobre implicaciones borrosas basadas en uninormas que verifican la ecuación I(x; y) = I(x; I(x; y)).................................................................................................................... 213

Sebastià Massanet, Joan Torrens

Funciones de agregación discretas “kernel”................................................................................... 221

M. Mas, M. Monserrat, J. Torrens

SESIÓN ESPECIAL 5 Arte y Soft Computing Organizador: Vicente Liern

Un compositor musical automático basado en una metaheurística cooperativa............ 231

G. Acampora, J. M. Cadenas, R. De Prisco, V. Loia, E. Muñoz, R. Zaccagnino

Generación de objetos arquitectónicos usando lógica fuzzy: aplicación a diseños de Gaudí............................................................................................................................... 239

Amadeo Monreal Pujadas, Joan Jacas Moral

Un algoritmo de recuperación por contenidos en bases de datos de audio................... 247

Contenido VII

Pedro Zuccarello, Teresa León, Concepción Díaz Vicedo

Herramientas informáticas flexibles para la clase de música......................................... 255

José Luis Godofredo, Vicente Liern

Una solución de consenso entre la teoría y la práctica musicales: la lógica fuzzy.......... 263

Teresa León, Vicente Liern

SESIÓN ESPECIAL 6 Aplicaciones de Soft Computing para Educación y Aprendizaje

Organizadores: Victoria López y Luis Garmendia

Control de Trenes Basado en Lógica Borrosa: una Aplicación Didáctica..................... 273

Daniel Alonso Fernández, Matilde Santos, Victoria López

Depuradora de piscina borrosa: ejemplo para el aprendizaje de razonamiento aproximado..................................................................................................................... 281

Raúl Martín Bonilla, Luis Garmendia

Nuevas oportunidades para la Universidad: Educación para el Desarrollo Sostenible a través de la lógica borrosa............................................................................................... 287

Raquel Caro, Adela Salvador, Alfonso Garmendia

Un sistema de recomendaciones basado en técnicas de soft computing para el filtrado de objetos de aprendizaje................................................................................................. 295

Alfredo Zapata, Mateus Ferreira-Satler, Víctor H. Menéndez, Manuel E. Prieto, José Ángel Olivas, Christian L. Vidal

E-Learning Migration: Un recomendador de plataformas............................................... 303

Pablo Esteve, Juan C. de Mendoza, Victoria López

Determinación Taxonómica Inteligente de Flora Ibérica mediante Lógica Fuzzy.......... 311

Diana Díaz Agrela, Luis Garmendia, Alfonso Garmendia

Uso de Técnicas Soft Computing en el Análisis de Consumo de Marcas de Distribuidor........................................................................................................................ 319

Jorge Caballero, Pablo Jimeno, Raúl Ortega, Victoria López

Análisis de garantías bajo incertidumbre con EMSI........................................................ 327

Marcos Álvarez, Jesús de Lara, Celia Padellano, Victoria López

Técnicas de soft computing en prospectiva tecnológica.................................................. 335

M. T. Lamata, D. A. Pelta, J.L. Verdegay

VIII Actas del III Simposio sobre Lógica Fuzzy y Soft Computing

Generando una partición fuzzy óptima para clasificar..................................................... 343

J.M. Cadenas, M.C. Garrido, R. Martínez

SESIÓN ESPECIAL 7 Soft Computing y Recuperación de Información en Internet

Organizadores: Francisco P. Romero, Jesús Serrano, Carlos Porcel y Antonio Gabriel López

Extracción, Análisis y Representación de Oraciones Causales y Condicionales Imperfectas a través de un proceso Semi-Automático........................................................... 353

Cristina Puente, Alejandro Sobrino, José Ángel Olivas, Roberto Merlo

Un sistema de recomendaciones mejorado para evitar la sobrecarga de información persistente en una biblioteca digital universitaria............................................................ 361

La similitud borrosa en la generación de metadatos de objetos de aprendizaje............... 369

Víctor Menéndez, Manuel Prieto

Análisis de opiniones en la red y monitorización del eWOM apartir de una red social de microblogging (Twitter).............................................................................................. 377

Roberto Merlo, David Contreras, Cristina Puente

PLINIO: Observatorio de Efectos del Cambio Climático basado en la extracción inteligente de Información en Internet................................................................................................................... 385

Francisco P. Romero, Mateus Ferreira-Satler, José A. Olivas, Jesús Serrano-Guerrero

Softening SQL queries to textual fields by multilingualism............................................ 393

Luchiana C. Brodeala Maria J. Martin-Bautista

Técnicas de Expansión de Consultas aplicadas a repositorios Web de Historias Clínicas Electrónicas..................................................................................................................................... 401

Israel Alonso Martínez, Francisco Pascual Romero

Fuzzy Linguistic Modelling in Information Access Systems: A Review........................ 409

E. Herrera-Viedma, A.G. López-Herrera, M.J. Cobo

Estudio del uso del factor tiempo en las folksonomías.................................................... 417

Pedro López-Juárez, José A. Olivas

SESIÓN ESPECIAL 8 Métodos Difusos en Minería de Datos y Extracción de Conocimiento

Organizadores: Jesús Alcalá y Daniel Sánchez

Contenido IX

Last results on constrained microaggregation..................................................................

427

Isaac Cano, Guillermo Navarro-Arribas, Vicenç Torra

Comparación estadística de algoritmos de aprendizaje estocásticos usando tests extendidos a datos intervalo-valorados y borrosos..........................................................

435

José Otero, Luciano Sánchez, Inés Couso

Influencia de un aprendizaje basado en costes lingüísticos a partir de datos de baja calidad y no balanceados respecto al preprocesamiento de balanceado de los datos...... 443

Ana Palacios, Luciano Sánchez, Inés Couso

Linguistic local change comparison of time series.......................................................... 451

Rita Castillo-Ortega, Nicolás Marín, Daniel Sánchez

Un primer estudio sobre el uso de aprendizaje sensible al coste con sistemas de clasificación basados en reglas difusas para problemas no balanceados......................... 459

Victoria López, Alberto Fernández, Francisco Herrera

Análisis del impacto del ruido en clases y atributos para Sistemas de Clasificación Basados en Reglas Difusas............................................................................................. 467

José A. Sáez, Julián Luengo, Francisco Herrera

Are fuzzy systems as interpretable (readable and understandable) as the fuzzy community usually claims?..............................................................................................

475

Jose M. Alonso, Luis Magdalena

X Actas del III Simposio sobre Lógica Fuzzy y Soft Computing

Un sistema de recomendaciones mejorado para evitar la sobrecargade información persistente en una biblioteca digital universitaria

Carlos Porcel Álvaro Tejeda Enrique Herrera-ViedmaDept. de Informática Dept. de Ciencias de la Computación e Inteligencia Artificial

Universidad de Jaén Universidad de Granada

23071, Jaén 18071, Granada

[email protected] [email protected] , [email protected]

Resumen

Continuamente nos saturan con una grancantidad de información que provoca que ten-gamos serios problemas para acceder a infor-mación relevante, es decir, sufrimos problemasde sobrecarga de información. Los sistemas derecomendaciones han sido aplicados con éxi-to en numerosos ámbitos para evitar este pro-blema, pero el número de recursos electróni-cos generados diariamente continúa creciendoy el problema aparece de nuevo. Por tanto, nosenfrentamos a un problema persistente de so-brecarga de información. En este trabajo pro-ponemos un sistema de recomendaciones mejo-rado para evitar el problema de la sobrecargade información persistente que podemos en-contrar en una biblioteca digital universitaria.La idea es incorporar una memoria para recor-dar ítems seleccionados en alguna ocasión peropor algún motivo no recomendados, y así el sis-tema podría incorporarlos en futuras recomen-daciones para completar el panel de recomen-daciones realizadas.

1. Introducción

A diario recibimos una enorme cantidad deemails, la mayoría etiquetados como spam. Sinembargo también recibimos algunos con infor-mación útil. El problema es que al recibir tantainformación, podríamos no prestar la atenciónadecuada a algo que pensemos que carece deimportancia y así malinterpretemos el men-saje o incluso podríamos perder dicha infor-

mación. Nos enfrentamos, pues, a un proble-ma bien conocido por todos, la sobrecarga deinformación [20]. Se podría definir como la im-posibilidad de extraer conocimiento relevantea partir de una gran cantidad de información.Esto puede significar que tengamos más infor-mación relevante de la que podamos asimilaro que nos saturemos de información que nohemos solicitado, de la cual algo podría serrelevante [4, 20].

Este problema está presente con especial im-portancia en el entorno de las bibliotecas di-gitales, donde la información se genera muchomás rápido que los usuarios puedan procesar-la. Nos centramos en un contexto académi-co, donde las Bibliotecas Digitales Universi-tarias (BDU) proporcionan recursos y servi-cios a estudiantes, profesores y personal enun entorno donde confluyen aprendizaje, en-señanza e investigación [6]. Un servicio parti-cularmente importante es la difusión selectivade información [21]. Los usuarios desarrollansus perfiles de interés y conforme se añade nue-vo material a la colección, se compara con losperfiles y la BDU envía alertas a los usuariosinformándoles de los ítems relavantes [18].

Debido al uso cada vez más extendido dela Web, los usuarios de una BDU necesitanherramientas que les faciliten el acceso a losrecursos. Una solución muy extendida para re-ducir el problema de la sobrecarga de informa-ción es el uso de sistemas de recomendaciones[7, 24, 27]. Los sistemas de recomendacionesevalúan y filtran la gran cantidad de informa-ción disponible y asisten a los usuarios en sus

procesos de acceso a la información [3, 7, 24].Para conseguir la personalización en el accesoa la información, se usan las preferencias de losusuarios a la hora de definir perfiles de usua-rios que son aplicados como filtros sobre el flu-jo de documentos. Hay distintos tipos y clasifi-caciones de sistemas de recomendaciones, perodesde un punto de vista teórico, podríamosconsiderar dos [3, 7, 24]. Los basados en con-tenidos, que recomiendan información basán-dose en el contenido del recurso y la experien-cia pasada de los usuarios cuando han recibidoítems similares. Y los colaborativos, que re-comiendan basándose en usuarios con perfilessimilares, es decir, ignorando el contenido delos recursos. En una BDU el enfoque colabora-tivo es muy interesante porque permite a losusuarios compartir sus experiencias [18, 25],aunque en las fases iniciales, cuando aún nohay suficientes valoraciones, habría que traba-jar con el esquema basado en contenidos.

En trabajos previos ya hemos aplicado conéxito los sistemas de recomendaciones en BDU[22, 23]. Los resultados obtenidos revelan queambas propuestas han sido satisfactorias parareducir el problema de sobrecarga de informa-ción. Sin embargo, el número de recursos elec-trónicos disponibles en una BDU continúa cre-ciendo continuamente y el problema aparecede nuevo. Por tanto, encontramos un proble-ma persistente de sobrecarga de información.

En este trabajo proponemos un sistemade recomendaciones mejorado que se basa enla memoria para evitar ese problema persis-tente de sobrecarga de información presente en[22, 23]. Definimos el sistema en un contextolingüístico difuso multi-granular [5, 10, 11, 19].El enfoque adoptado en esta propuesta es si-milar al presentado en [23], pero en este casousamos una memoria para recordar recursosseleccionados pero no recomendados y de estaforma, el sistema podría incorporarlos en fu-turas recomendaciones para completar el panelde recursos recomendados. Como en [22, 23] elsistema recomienda tanto recursos como posi-bilidades de colaboración con otros usuarios, loque permite conocer a investigadores de áreasrelacionadas con los que se podría colaborarpara acceder a proyectos conjuntos.

En la sección 2 trataremos los antecedentesnecesarios. En la sección 3 presentamos el nue-vo sistema de recomendaciones mejorado basa-do en memoria. Terminaremos apuntando lasconclusiones obtenidas.

2. Antecedentes

2.1. Sistemas de recomendaciones

Son sistemas que ayudan a los usuarios aacceder a ítems de interés, en aquellas situa-ciones en las que hay que elegir entre un grannúmero de posibilidades [3]. Se trata de unárea de investigación que ofrece herramientaspara discernir entre información relevante eirrelevante, proporcionando asistencia perso-nalizada en los procesos de acceso a la infor-mación [24].

En la literatura se pueden encontrar nu-merosas técnicas para generar las recomenda-ciones [3, 7, 24], todas ellas con sus ventajase inconvenientes. En este trabajo proponemosel uso de un enfoque híbrido entre las técni-cas basadas en contenidos y las colaborativas,para suavizar las desventajas que cada una deellas presenta por separado y aprovecharnos desus beneficios [16].

En este tipo de sistemas, las preferencias deinformación de los usuarios son usadas paradefinir perfiles que actúan como filtros sobreel flujo de ítems. Por tanto, la construcción deperfiles precisos, así como mantenerlos actuali-zados dinámicamente, es una tarea fundamen-tal y el éxito del sistema dependerá en granmedida de ello. Para mantener este esquema,la actividad de generación de recomendacioneses seguida por una fase de realimentación en laque los usuarios valoran la relevancia de las re-comendaciones suministradas, y el sistema usaestas evaluaciones para actualizar automática-mente los perfiles de los usuarios [7, 24].

Dada su utilidad, su uso es cada vez máscomún en diversos campos de cara a reducirla sobrecarga de información a la que nos en-frentamos hoy en día. Así por ejemplo, se apli-can en portales web de comercio electrónicopara mejorar las ventas [15], en sistemas deayuda en toma de decisiones [17], en entornos

362 Actas del III Simposio sobre Lógica Fuzzy y Soft Computing

universitarios para recomendar recursos de in-vestigación [22, 23], o incluso como herramien-tas de ayuda al aprendizaje [14], etc.

2.2. Enfoque lingüístico difuso 2-tupla

Hay situaciones en las que la informaciónno puede ser valorada precisamente de for-ma cuantitativa, pero podría serlo de formacualitativa. El uso de la Teoría de Conjun-tos Difusos ha dado muy buenos resultadospara el modelado de información cualitativa[28] y se ha demostrado su utilidad en multi-tud de problemas [8, 12, 13]. Se trata de unaherramienta basada en el concepto de variablelingüística [28].

El Modelado Lingüístico Difuso (MLD) 2-tupla [9] es un modelo continuo de represen-tación de información. Para definirlo, tenemosque establecer el modelo de representación y elmodelo computacional 2-tupla para represen-tar y agregar respectivamente la informaciónlingüística.

Consideremos que S = {s0, ...,sg} es un con-junto de términos lingüísticos con cardinalidadimpar, donde la semántica asociada con cadauna de las etiquetas viene dada por medio defunciones de pertenencia triangulares y con-sideramos todos los términos distribuidos so-bre una escala sobre la que hay establecidauna relación de orden total. Si mediante unmétodo simbólico de agregación de informa-ción lingüística, obtenemos un valor β ∈ [0, g],y β /∈ {0, ..., g}, podemos representar β co-mo una 2-tupla (si, αi), donde si representa laetiqueta lingüística, y αi es un valor numéri-co que expresa la traslación de β con respec-to al índice de la etiqueta más cercana, i, enel conjunto de términos lingüísticos (si ∈ S).Este modelo define un conjunto de funcionesde transformación entre valores numéricos y 2-tupla: ∆(β) = (si, α) y ∆−1(si, α) = β ∈ [0, g][9].

Para establecer el modelo computacional,definimos operadores de negación, de com-paración y de agregación. Usando las funciones∆ y ∆−1, podemos extender cualquiera delos operadores de agregación ya definidos paratrabajar con 2-tupla [9].

En función del grado de incertidumbre queun experto encargado de cualificar un fenó-meno tenga sobre el mismo, el conjunto de tér-minos lingüísticos elegido para proporcionarese conocimiento tendrá más o menos térmi-nos. Cuando distintos expertos tienen diferen-tes grados de incertidumbre sobre el fenómenoo cuando un experto tiene que valorar distin-tos conceptos, se necesitan varios conjuntos detérminos lingüísticos de diferente granularidad[10]. En tales situaciones necesitamos herra-mientas que nos permitan gestionar la infor-mación lingüística multi-granular. En [10] sepropuso un MLD 2-tupla multi-granular basa-do en el concepto de jerarquía lingüística. UnaJerarquía Lingüística, LH, es un conjunto deniveles l(t, n(t)), donde cada nivel t es un con-junto de términos lingüísticos con una granu-laridad n(t) diferente [10]. Los niveles estánordenados por granularidad, de manera quepodemos definir un nivel a partir del ante-rior: l(t, n(t)) → l(t + 1, 2 · n(t) − 1). En [10]se definió una familia de funciones de trans-formación entre etiquetas de diferentes nive-les. Para establecer el modelo computacionalseleccionamos un nivel que usamos para uni-formizar la información y así podemos usar losoperadores definidos en el modelo 2-tupla.

2.3. Relaciones de preferencia lingüísticasdifusas incompletas

Una relación de preferencia difusa P sobreun conjunto de alternativas X = {x1, .., xn},es un conjunto difuso sobre el conjunto X ×X, es decir, se caracteriza por una función depertenencia µP : X ×X −→ [0, 1].

Cuando la cardinalidad de X es pequeña, larelación de preferencia podría ser conveniente-mente representada por la matriz P = (pij),de n × n, siendo pij = µP (xi, xj) (∀i, j ∈{1, . . . , n}) interpretado como el grado de pre-ferencia de la alternativa xi sobre xj , dondepij = 1/2 indica indiferencia, pij = 1 indicaque xi es totalmente preferida a xj , y pij > 1/2indica que xi es preferida a xj .

Sin embargo, nuestro sistema integra elMLD multi-granular basado en 2-tupla, demanera que definimos una relación de prefe-rencia lingüística como se indica a continua-

Soft Computing y Recuperación de Información en Internet 363

ción. Sea X = {x1, .., xn} un conjunto de al-ternativas y S un conjunto de términos lingüís-ticos. Una relación de preferencia lingüísticaP = pij(∀i, j ∈ {1, . . . , n}) sobre X se definecomo: µP : X × X −→ S × [0,5, 0,5), dondepij = µP (xi, xj) es una 2-tupla que indica elgrado de preferencia de la alternativa xi res-pecto xj .

En muchos problemas de la vida cotidianalos expertos no suelen proporcionar todos losvalores requeridos. Para poder modelar estassituaciones, usamos relaciones de preferenciadifusas incompletas [1, 2].

Una función f : X −→ Y es parcial cuandono todos los elementos del conjunto X nece-sariamente se corresponden con un elementodel conjunto Y . Cuando cada elemento delconjunto X se corresponde a un elemento delconjunto Y , tenemos una función total.

Una relación de preferencia lingüística di-fusa basada en 2-tupla P sobre un conjunto dealternativas X con una función de pertenenciaparcial, se trata de una relación de preferencialingüística difusa incompleta.

3. Un sistema de recomendacionesmejorado basado en memoria

En esta sección presentamos un sistema derecomendaciones mejorado basado en memo-ria. Nuestra propuesta consiste en añadir unasegunda selección sobre los recursos selecciona-dos en una primera ronda. De esta forma, elsistema evita la sobrecarga persistente de in-formación presente en una BDU. Esta segundaselección se hace teniendo en cuenta las restric-ciones definidas por los usuarios sobre la can-tidad de recursos que desean recibir y sobre lanovedad de los mismos.

Normalmente, la cantidad de recursos re-comendados por el sistema es mayor que lacantidad de recursos que los usuarios deseanrecibir. Nuestra idea es mantener todos estosrecursos considerados relevantes pero que porrestricciones de los usuarios, no se les han re-comendado. Podrían ser útiles después, en pos-teriores rondas de recomendación. Por ejem-plo, cuando en un momento dado la cantidadde recursos recomendados no sea suficiente

para satisfacer las restricciones de los usuarios.Hemos optado por un enfoque de recomen-

dación híbrido basado en un MLD multi-granular. Para conseguir una mayor flexibili-dad en los procesos de comunicación del sis-tema, usamos diferentes conjuntos de etique-tas (S1, S2, ...) para representar los distin-tos conceptos que tienen que ser valoradosen la actividad de filtrado. Estos conjuntosde etiquetas son seleccionados de una LH. Elnúmero de conjuntos de etiquetas que pode-mos usar, está limitado por el número de nive-les de la jerarquía LH, y por tanto, en al-gunos casos, dos conjuntos de etiquetas Si ySj pueden estar asociados al mismo nivel deLH, pero con diferentes interpretaciones de-pendiendo del concepto que se esté modelando.En nuestro sistema, vamos a considerar cincoconceptos:

• Grado de importancia de una disciplinacon respecto al ámbito de un recurso olas preferencias de un usuario (S1).

• Grado de relevancia de un recurso paraun usuario (S2).

• Grado de compatibilidad entre dos usua-rios (S3).

• Grado de preferencia de un recurso res-pecto de otro (S4).

• Número aproximado de recursos que unusuario desea recibir (S5).

En concreto, usaremos etiquetas selecciona-das de una LH de 3 niveles (de 3, 5 y 9 etique-tas), con S1 = S5, S2 = S9, S3 = S9, S4 = S5

y S5 = S3.En la figura 1 se representa el proceso de

recomendación.

3.1. Representación de los recursos

En esta fase el sistema obtiene una represen-tación interna de los recursos según su ámbito.Usamos el modelo vectorial y una clasificaciónde 25 disciplinas para identificar el ámbito deun recurso, de manera que para cada recursoi vamos a usar un vector de disciplinas, V Ri,


Figura 1: Esquema de recomendación.

de 25 elementos, donde en cada posición se al-macena una 2-tupla ∈ S1 que indica el gradode importancia en que el recurso cubre la dis-ciplina correspondiente a dicha posición:

V Ri = (V Ri1, V Ri2, . . . , V Ri25)

Estos grados de importancia son asignadospor el personal de la BDU cuando se añade unnuevo recurso.

3.2. Perfiles de usuario

Los perfiles de usuario se establecen en fun-ción de restricciones sobre las recomendacionesque los usuarios quieren recibir, preferenciassobre sus temas de interés y preferencias sobrecolaboraciones con otros usuarios.

Los usuarios pueden establecer dos tipos derestricciones sobre las recomendacionesque desean recibir:

1. Número de recursos que desean recibir.Pueden especificarlo de forma cuantitati-va (número exacto) o de forma cualita-tiva (valor aproximado especificado me-diante una etiqueta lingüística de S5). Siel número de recursos considerados rele-vantes es mayor que el número de recur-sos deseados X, el sistema recomienda losX recursos más relevantes y el resto losrecuerda para posteriores rondas de re-comendación.

2. Restricciones acerca del tipo de recur-sos que desean recibir. Algunos usua-rios sólo quieren recibir información sobre

nuevos recursos, mientras que otros po-drían querer recibir información sobre re-cursos ya existentes considerados relevan-tes, pero no recomendados aún. Es más,un recurso de este tipo podría ser más in-teresante que uno nuevo.

Las preferencias sobre los temas de in-terés de los usuarios se adquieren siguiendo elproceso descrito en [23]. Básicamente, el sis-tema presenta una selección de los 4 o 5 recur-sos más representativos y el usuario especificasus preferencias sobre estos recursos por mediode una relación de preferencia difusa incom-pleta. El usuario asigna etiquetas de S4, deforma que cada valor de preferencia pij repre-senta el grado de preferencia lingüística del re-curso i sobre el recurso j. Es suficiente rellenaruna única fila, porque siguiendo el método pro-puesto en [2], completamos la relación de pre-ferencia. Una vez completada, agregamos losvectores que representan a cada recurso pon-derados según los grados de preferencia. Asíobtenemos un vector V Ux de 25 posiciones querepresenta las preferencias sobre los temas deinterés del usuario x.

Para completar el perfil, el sistema pide alusuario que exprese sus preferencias sobresi desea colaboraciones con otros usuarios.Sencillamente responde “Sí” o “No”.

3.3. Estrategia de recomendación basadaen memoria

Fase 1. Proceso de generación de recomen-daciones.

En esta fase el sistema genera las recomen-daciones basándose en un proceso de cálculode similitud entre los perfiles de los usuarios yla representación de los recursos [7]. Para cal-cular la similitud entre dos vectores V1 y V2

usamos la medida del coseno, pero definida enun contexto lingüístico de 2-tupla:

σl(V1, V2) = ∆(g×∑n

k=1(~1 × ~2)√∑nk=1(~1)2 ×

√∑nk=1(~2)2

)

(1)donde g es la granularidad de S1, n es el

número de términos usado para definir los vec-


tores, ~i = ∆−1(vik, αvik) y (vik, αvik) es la 2-tupla de la disciplina k en el vector del recursoo del usuario (Vi). El resultado es una etiquetade S1.

Cuando se inserta un nuevo recurso i se cal-cula su similitud, σl(V Ri, V Uj), con los vec-tores que representan a todos los usuarios. Siσl(V Ri, V Uj) es mayor que el umbral definidopor el usuario, j es seleccionado para que lesea recomendado el recurso i. Para calcular larelevancia, etiqueta de S2, tenemos que usarla función de transformación definida en [10].

Las preferencias de colaboración se usanpara clasificar a los usuarios en UC (deseancolaborar) o UN (no desean colaborar). Paracada dos usuarios x, y ∈ UC se estimanlas posibilidades de colaboración calculandoσl(V Ux, V Uy) y transformando el resultado auna etiqueta de S3.Fase 2. Segundo filtrado.En la fase 1, el sistema ha seleccionado un

número de recursos NRSu para recomendaral usuario U . Ahora aplicamos un nuevo filtroteniendo en cuenta las restricciones impuestaspor U . El número de recursos que U desea,RECu, puede ser una cantidad exacta o unaetiqueta lingüística; la idea es similar, pero enel segundo caso tenemos que usar operadoresde comparación definidos en [9].

Si NRSu < RECu significa que no se hanrecuperado suficientes recursos, por lo que elsistema recuerda recursos previamente selec-cionados pero no recomendados. El sistemarepite el proceso de la fase 1, pero incorpo-rando estos recursos que hemos recordado.

Si la cantidad de recursos seleccionados essuficiente, NRSu ≥ RECu, el sistema com-prueba las restricciones de U , para ver si deseasólo nuevos recursos o también le pueden in-teresar recursos previos pero aún con validez yque podrían resultar más interesantes que unonuevo. Si U desea ambos ambos tipos de re-cursos, el sistema repite la fase 1, pero ahoraincorporando recursos previamente selecciona-dos para U pero no recomendados.

Por último, el sistema envía la informa-ción correspondiente a los usuarios selecciona-dos junto con su grado estimado de relevancialingüística. Para los usuarios de UC el sistema

también envía las posibilidades de colabora-ción junto con el grado estimado de compati-bilidad.

Posteriormente, se entraría en fase de rea-limentación. Una vez que los usuarios hayanpodido analizar los recursos y colaboracionesrecomendadas por el sistema, se les pediráque valoren la relevancia de dichas recomen-daciones. El sistema usará estas valoracionespara actualizar automáticamente los perfilesde los usuarios [7, 24].

3.4. Evaluación del sistema

Actualmente tenemos implementada unaversión de pruebas que trabaja con pocosusuarios, pero nos sirve para evaluar la fun-cionalidad del sistema y comprobar que efec-tivamente los recursos recomendados son deinterés y se reduce el impacto de la sobrecargade información. Cuando los usuarios recibenuna recomendación la valoran, de manera quesi están satisfechos asignan un valor alto.

Inicialmente hemos limitado nuestro estudioa 30 recursos de distintas áreas y 10 usuarios,que completaron el proceso de registro propor-cionando sus preferencias sobre los 5 recur-sos más relevantes mostrados por el sistemay especificando sus restricciones sobre los re-cursos a recibir. Estos perfiles, junto con losrecursos previamente insertados, constituyennuestro conjunto de entrenamiento. Posterior-mente añadimos 40 nuevos recursos, como con-junto de pruebas, que fueron recomendadossiguiendo el nuevo enfoque propuesto. Paraobtener datos para comparar, estos nuevos re-cursos también fueron recomendados por elpersonal de biblioteca. Con esta informacióncalculamos la precisión (proporción de ítemsrelevantes seleccionados del total de ítems se-leccionados), recall (proporción de ítems rele-vantes seleccionados del total de ítems rele-vantes) y F1 (combina con igual importancialas otras dos), ampliamente usadas en la eva-luación de sistemas de recomendaciones [26].La media para la precisión, recall y F1 es de68.06%, 67.13% y 67.95%, respectivamente,mejorando los resultados obtenidos con el sis-tema propuesto en [23] (67.50%, 61.39% y63.51% respectivamente).


4. Conclusiones

Las BDU proporcionan canales muy efec-tivos para la difusión de conocimiento y suexpansión en la sociedad, pero continuamentenos saturan con una gran cantidad de infor-mación, de manera que nos enfrentamos a se-rios problemas de sobrecarga de información.Los sistemas de recomendaciones se usan conéxito para asistir a los usuarios en sus proce-sos de acceso a la información, pero el númerode recursos electrónicos generados diariamentecontinúa creciendo y el problema de sobrecar-ga aparece de nuevo. Por tanto, nos enfrenta-mos a un problema persistente de sobrecargade información. En este trabajo hemos pro-puesto un sistema de recomendaciones mejo-rado, basado en memoria, para evitar la sobre-carga encontrada en sistemas previos. La ideaes recordar recursos previamente seleccionadospero no recomendados, para hacer una nuevaselección. Esta selección se hace teniendo encuenta las restricciones definidas por los usua-rios sobre la cantidad de recursos que deseanrecibir y sobre la novedad de los mismos. Co-mo principal trabajo futuro nos planteamosautomatizar la representación de los recursos,de forma que el personal de la BDU no tengaque introducir manualmente los grados paracada una de las disciplinas.

Agradecimientos. Este trabajo ha sido de-sarrollado con la financiación de los proyec-tos FUZZYLING (TIN2007-61079) y PETRI(PET2007-0460).

Referencias

[1] Alonso S., Cabrerizo F.J., Chiclana F.,Herrera F., Herrera-Viedma E., Groupdecision-making with incomplete fuzzy lin-guistic preference relations. InternationalJournal of Intelligent Systems, 24(2), 201-222 (2009).

[2] Alonso S., Chiclana F., Herrera F.,Herrera-Viedma E., Alcalá-Fdez J., PorcelC., A Consistency-Based Procedure to Es-timating Missing Pairwise Preference Va-

lues. International Journal of IntelligentSystems, 23, 155-175 (2008).

[3] Burke R., Hybrid Web Recommender Sys-tems. P. Brusilovsky, A. Kobsa, andW. Ne-jdl (Eds.): The Adaptive Web, LNCS 4321,377-408 (2007).

[4] Butcher, H., Meeting managers´ informa-tion needs. London: Aslib (1998).

[5] Chang S.L., Wang R.C., Wang S.Y., Ap-plying a direct multigranularity linguis-tic and strategy-oriented aggregation ap-proach on the assessment of supply perfor-mance. European Journal of OperationalResearch, 177(2), 1013-1025 (2007).

[6] Chao H., Assessing the quality of academiclibraries on the Web: The development andtesting of criteria. Library & InformationScience Research, 24, 169-194 (2002).

[7] Hanani U., Shapira B., Shoval P., In-formation Filtering: Overview of Issues,Research and Systems. User Modelingand User-Adapted Interaction, 11, 203-259(2001).

[8] Herrera F., Herrera-Viedma E., VerdegayJ.L., Direct approach processes in group de-cision making using linguistic OWA opera-tors. Fuzzy Sets and Systems, 79, 175-190,1996.

[9] Herrera F., Martínez L., A 2-tuple fuzzylinguistic representation model for com-puting with words. IEEE Transactions onFuzzy Systems, 8(6), 746-752, 2000.

[10] Herrera F., Martínez L., A model based onlinguistic 2-tuples for dealing with multi-granularity hierarchical linguistic con-texts in multiexpert decision-making. IEEETransactions on Systems, Man and Cyber-netics. Part B: Cybernetics, 31(2), 227-234(2001).

[11] Herrera-Viedma E., Cordón O., LuqueM., López A.G., Muñoz A.M., A Modelof Fuzzy Linguistic IRS Based on Multi-Granular Linguistic Information. Interna-tional Journal of Approximate Reasoning,34(3), 221-239 (2003).


[12] Herrera-Viedma E., López-Herrera A. G.,Luque M., Porcel C., A Fuzzy Linguis-tic IRS Model Based on a 2-Tuple FuzzyLinguistic Approach. International Journalof Uncertainty, Fuzziness and Knowledge-based Systems, 15(2), 225-250, 2007.

[13] Herrera-Viedma E., Pasi G., López-Herrera A. G., Porcel C., Evaluating the in-formation quality of web sites: A methodo-logy based on fuzzy computing with words.Journal of the American Society for In-formation Science and Technology, 57(4),538-549, 2006.

[14] Hsu M.H., A personalized English lear-ning recommender system for ESL stu-dents. Expert Systems with Applications,34, 683-688, 2008.

[15] Kim K.J., Ahn H., A recommender sys-tem using GA K-means clustering in anonline shopping market. Expert systemswith applications, 34, pág. 1200-1209,2008.

[16] Lekakos G., Caravelas P., A hybrid ap-proach for movie recommendation. Multi-media tools and applications, 36, pág. 55-70, 2008.

[17] Liang T.P., Recommendation systems fordecision support: An editorial introduction.Decision Support Systems, 45, 385-386,2008.

[18] Marchionini G., Research and De-velopment in Digital Libraries.http://ils.unc.edu/~march/digital_library_R_and_D.html. Last access:April, 2010.

[19] Mata F., Martínez L., Herrera-ViedmaE., An Adaptive Consensus Support Mo-del for Group Decision Making Problemsin a Multi-Granular Fuzzy Linguistic Con-text. IEEE Transactions on Fuzzy Systems,17(2), 279-290 (2009).

[20] Meghabghab G., Kandel A., Search En-gines, Link Analysis, and Userś Web Be-havior. Springer-Verlag Berlin Heidelberg(2008).

[21] Morales del Castillo J.M., Pedraza-Jiménez R., Ruíz A.A., Peis E., Herrera-Viedma E., A Semantic Model of SelectiveDissemination of Information for DigitalLibraries. Information Technology and Li-braries, 28(1), 22-31 (2009).

[22] Porcel C., Moreno J.M., Herrera-ViedmaE., A multi-disciplinar recommender sys-tem to advice research resources in Univer-sity Digital Libraries. Expert Systems withApplications, 36(10), 12520-12528 (2009).

[23] Porcel C., Herrera-Viedma E., Dealingwith incomplete information in a fuzzy lin-guistic recommender system to disseminateinformation in university digital libraries.Knowledge-Based Systems, 23(1), 32-39,(2010).

[24] Reisnick P., Varian H.R., RecommenderSystems. Special issue of Communicationsof the ACM, 40(3), 56-59 (1997).

[25] Ross L., Sennyey P., The Library is Dead,Long Live the Library! The Practice ofAcademic Librarianship and the DigitalRevolution. The Journal of Academic Li-brarianship, 34(2), 145-152 (2008).

[26] Sarwar B., Karypis G., Konstan J.,Riedl J., Analysis of recommendation al-gorithms for e-comerce. Proceedings ofACM E-Commerce 2000 conference, 158-167 (2000).

[27] Symeonidis P., Nanopoulos A., Pa-padopoulos A.N., Manolopoulos Y., Colla-borative recommender systems: Combiningeffectiveness and efficiency. Expert Sys-tems with Applications, 34, 2995-3013(2008).

[28] Zadeh L.A., The concept of a linguisticvariable and its applications to approxi-mate reasoning. Part I. Information Sci-ences, 8, 199-249, 1975. Part II, Informa-tion Sciences, 8, 301-357, 1975. Part III,Information Sciences, 9, 43-80, 1975.


Monserrat, M., 221 Montero, Javier, 183 Montilla, Wilmer, 189 Moreno-García, Juan, 41, 99, 133 Mucientes Manuel, 1 Muñoz, E., 231 Muñoz, Rafael, 19 Navarro-Arribas, Guillermo, 427 Nunes, E., 173 Olivas, José Ángel, 295, 353, 385, 417 Ortega, Raúl, 319 Otero, José, 435 Pablo Jimeno, 319 Padellano, Celia, 327 Pagola, M., 131, 165 Palacios, Ana, 443 Pascual Romero, Francisco, 401 Paternain, D., 165 Peláez, J. I., 35 Pelta, D. A., 335 Peralta, Arturo 99 Pérez Asurmendi, Patrizia, 115 Pérez, I. J., 51 Pikatza, J. M., 107 Porcel, Carlos, 351, 361 Prieto, Manuel E., 295, 369 De Prisco, R., 231 Puente, Cristina, 353, 377 Ramos Gómez, Ángel, 123 Rdez. Lera, Francisco J., 11 Rodríguez, R.M., 91 Rodriguez-Benítez, L., 41, 133 Romero, Francisco P., 99, 351, 385 Ruan, D., 91 Ruiz-Lozano, M.D., 27 Sáez, José A., 467 Salvador, Adela, 287 Sánchez, A., 173 Sánchez, Daniel, 425, 451 Sánchez, Luciano, 435, 443 Sanjurjo, P., 107 Santos, Matilde, 273 Segundo, U., 107 Serrano-Guerrero, Jesús, 351, 385 Sobrino, Alejandro, 353 Solana-Cipres, C., 41, 133 Tejeda, Álvaro, 361 Tenorio, E., 35 Tinguaro Rodriguez, J., 183 Torra, Vicenç, 427 Torrens, Joan, 141, 221, 213 Vallejo, David, 3

Verdegay, J. L., 335 Vidal, Christian L., 295 Vitoriano, Begoña, 183 Yeguas, Enrique, 19 Zaccagnino, R., 231 Zapata, Alfredo, 295 Zuccarello, Pedro, 247


actas del iii simposio sobre lógica fuzzy y soft...

Documents