Sistema de recomendación de contenidos audiovisuales: Algoritmo de inferencia semántica
Resumen
RESUMEN
Este artículo presenta el análisis de un Algoritmo de Inferencia Semántica utilizado en un Sistema de Recomendación de Contenidos Audiovisuales en el contexto de la Televisión Digital. Los resultados obtenidos muestran que la inclusión de diferentes propiedades semánticas y sus combinaciones, influye directamente en la reducción del error absoluto promedio obtenido en la predicción de la calificación otorgada por un usuario a un ítem determinado. Además se ha determinado que la propiedad Actor tiene un impacto mayor con respecto a otras propiedades analizadas.
Palabras clave: Televisión digital, sistemas de recomendación semánticos, Web semántica, propiedades semánticas, ontologías.
ABSTRACT
This article presents the analysis of a Semantic Inference Algorithm used in an Audiovisual Content Recommender System in the domain of Digital Television. The obtained results show that the inclusion of distinct semantic properties and their combinations lead to a considerable reduction of the Mean Absolute Error (MAE) obtained for user rating prediction computation and that the semantic property Actor has the major influence over recommendation estimation.
Keywords: Digital television, semantic recommender systems, Web semantic, semantic properties, ontologies.
Descargas
Métricas
Citas
Alulema D., 2012. La televisión digital terrestre en el ecuador es interactiva. EIDOS Universidad Tecnológica Equinoccial, (5), 12-19.
Ávila J., X. Riofrío, M. Espinoza-Mejía, V. Saquicela, K. Palacio-Baus, H. Albán, 2014a. Análisis de la influencia de las propiedades semánticas en los sistemas de recomendación. Revista Politécnica (EPN), 34(2), 68-76.
Ávila J., X. Riofrío, K. Palacio, 2014b. Sistema de recomendación de contenido para tv digital basado en ontologías. Tesis pregrado, Escuela de Ingeniería de Sistemas, Facultad de Ingeniería, Universidad de Cuenca, 136 pp.
Cantador I., A. Bellogín, P. Castells, 2008. A multilayer ontology-based hybrid recommendation model. AI Communications, 21(2), 203-210.
Codina V., L. Ceccaroni, 2010. Taking advantage of semantics in recommendation systems. In: Alquézar, R., A. Moreno, J. Aguilar-Martin (Eds.). IOS Press, CCIA, Frontiers in Artificial Intelligence and Applications, 210, 163-172.
Espinoza-Mejía, M., V. Saquicela, K. Palacio-Baus, H. Albán, 2014. Extracción de preferencias televisivas desde los perfiles de redes sociales. Revista Politécnica (EPN), 34(2), 66-74.
Fernández, Y.B., J.J. Pazos Arias, M.L. Nores, A.G. Solla, M.R. Cabrer, 2006. Avatar: An improved solution for personalized tv based on semantic inference. IEEE Transactions on Consumer Electronics, 52(1), 223-231.
Herlocker J., J. Konstan, 2014. Movielens dataset. Disponible en http://files.grouplens.org/datasets/ movielens/ml-100k-README.txt.
Kantor, P.B., L. Rokach, F. Ricci, B. Shapira, 2011. Recommender systems handbook. Springer, 842 pp.
Lopez-Nores, M., Y. Blanco-Fernandez, J.J. Pazos-Arias, R.P. Díaz-Redondo, 2010. Property-based collaborative filtering: A new paradigm for semantics-based, health-aware recommender systems. IEEE 5th International Workshop on Semantic Media Adaptation and Personalization (SMAP), 98-103 pp.
Martin, A., 2006. Older adulthood, education and social change (Australia, New Zealand). PhD thesis, ResearchSpace Auckland. Disponible en https://researchspace.auckland.ac.nz/ handle/2292/88. 323 pp.
Nakahara, S., S. Moriyama, T. Kuroda, M. Sasaki, S. Yamazaki, O. Yamada, 1996. Efficient use of frequencies in terrestrial isdb system. IEEE Transactions on Broadcasting, 42(3), 173-178.
Rodríguez, J.E.R., E.A.R. Blanco, R.O.F. Camacho, 2013. Clasificación de datos usando el método k-nn. Vínculos, 4(1), 4-18.
Saquicela, V., M. Espinoza-Mejía, K. Palacio-Baus, H. Albán, 2014. Enriching electronic program guides using semantic technologies and external resources. Computing Conference (CLEI), XL Latin American, 8 pp.
Scuoteguazza, A., M. Juayek, 2012. Evaluación de sistemas recomendadores de contenidos audiovisuales basados en técnicas inteligentes. Universidad de Montevideo, Montevideo, Uruguay.
Sotelo, R., M. Juayek, A. Scuoteguazza, 2013. A comparison of audiovisual content recommender systems performance: Collaborative vs. semantic approaches. IEEE International Symposium on Broadband Multimedia Systems and Broadcasting (BMSB), 5 pp.
Superintendencia de Telecomunicaciones, 2010. Informe para la definición e implementación de la televisión digital terrestre en el Ecuador. Disponible en http://www.supertel.gob.ec/pdf/ publicaciones/informe_tdt_mar26_2010.pdf, 108 pp.
Yu, K., A. Schwaighofer, V. Tresp, X. Xu, H.-P. Kriegel, 2004. Probabilistic memory-based collaborative filtering. IEEE Transactions on Knowledge and Data Engineering, 16(1), 56-69.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Copyright © Autors. Creative Commons Attribution 4.0 License para cualquier artículo enviado a partir del 6 de junio de 2017. Para los manuscritos presentados anteriormente, se utilizó la licencia CC BY 3.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
Mayor información sobre este acuerdo de autoría y licencia, transferencia de derechos o solicitudes de reproducción, pueden ser consultados en este enlace.
