Mejorando el sistema de recomendaciones SIRE2IN: un enfoquein terdisciplinar.

Carlos Porcel Enrique Herrera-Viedma José M. Morales del CastilloDept. de Informática y Análisis Dept. de Ciencias de la Computación Dept. de Biblioteconomía

Numérico e In teligencia Artificial y Do cumentación

Universidad de Córdoba Universidad de Granada Universidad de Granada

14071, Córdoba 18071 Granada 18071 Granada

carlos.p orcel@uco.es viedma@decsai.ugr.es josemdc@ugr.es

Resumen

El uso cada vez más extendido de la Web estápro vocando una gran expansión de la can tidadde información que se crea y distribuye en for-mato electrónico. Los sistemas de recomenda-ciones son herramientas que evalúan y filtranla gran can tidad de información disponible enla Web para ayudar a los usuarios en sus pro-cesos de acceso a la información. En este tra-bajo presentamos una mejora de SIRE2IN,un sistema de recomendaciones an teriormentepropuesto con el ob jetivo de ayudar a inves-tigadores y empresas del entorno a acceder aproyectos de investigación en sus áreas de in-terés. La mejora consiste en la inclusión derecomendaciones interdisciplinares que favore-cen la puesta en contacto con otros investi-gadores con los que en principio no se contaba,pero con los que se puede acceder a pro yectosconjuntos.

1. Introducción

La Oficina de Transferencia de Resultados deInvestigación (OTRI) es resp onsable de pro-mover y gestionar las actividades de genera-ción de cono cimien to y colaboración científicay técnica, fomen tando la interrelación entre in-vestigadores de la univ ersidad y el mundo em-presarial, así como su participación en diversosprogramas diseñados para llevar a cabo activi-dades de I+D+I (In vestigación, Desarrollo e

Innovación). Uno de sus objetivos fundamen-tales es fomen tar y ayudar en la generación decono cimien to, así como en su difusión y trans-ferencia a la sociedad, con el propósito de iden-tificar las demandas y necesidades del entornopro ductivo.

Para llevar a cab o este ob jetiv o, la OTRI secompone de un equip o de técnicos en trans-ferencia de tecnología, que difunden informa-ción sobre recursos de investigación (con voca-torias de pro yectos, eventos, congresos, cursos,etc.) entre los investigadores de la univ ersi-dad y las empresas del entorno. Ello impli-ca la selección por parte de los técnicos, delos investigadores o empresas a los que másles podría interesar cada una de las convoca-torias que vayan surgiendo. La gran can tidadde información y recursos de investigación alos que los técnicos de OTRI pueden acceder,está pro vocando que no sean capaces de di-fundir la información a los usuarios adecuadosde forma rápida y sencilla. En [21] se propu-so SIRE2IN, un Sistema de Recomendaciones(SR) [7, 23, 24] para ayudar a investigadoresy empresas a encon trar posibles pro yectos decolab oración, recomendándoles pro yectos enlos que podrían cooperar. SIRE2IN fue dise-ñado incorporando el enfoque de recomenda-ciones basado en contenidos [7, 23] jun to conun Modelado Lingüístico Difuso (MLD) multi-granular para representar y gestionar informa-ción flexible por medio de etiquetas lingüísti-cas [11, 28].

SIRE2IN basa sus recomendaciones en me-didas de similaridad tradicionales [19], por loque recomienda colaboraciones entre investi-gadores cuyas líneas de trabajo sean muy si-milares. El problema es que estas recomenda-ciones, aunque eficientes, no son realmente in-teresantes porque es muy probable que los in-vestigadores ya conozcan a esos otros inves-tigadores que trabajan en sus mismas áreas.En este trabajo proponemos un SR mejora-do basándonos en la idea de lo que podríamosdenominar recomendaciones sociales, facilitan-do la interconexión entre individuos de distin-tas áreas [3, 20]. Para ello, el sistema asignauna relevancia mayor a las recomendacionesde colaboraciones entre investigadores de áreasafines y una relevancia menor para colabora-ciones entre investigadores de la misma área ode áreas totalmente diferentes.

En la sección 2 trataremos los SR y en lasección 3 estudiaremos el MLD. A continua-ción, en la sección 4 propondremos el SR mejo-rado y terminaremos apuntando algunas con-clusiones en la sección 5.

2. Sistemas de Recomendaciones

En la actualidad disponemos de un gran volu-men de información en cualquier ámbito, porejemplo para alquilar o comprar una película,elegir un libro o incluso para planificar un via-je disponemos de cientos de opciones. Debidoa ello, tomar una decisión es una tarea com-plicada [2]. Los SR fueron diseñados para ayu-dar a los usuarios en tales situaciones [20, 25].Los SR se definen como aplicaciones que ex-ploran las fuentes de información para sugerirproductos y proporcionar a los usuarios infor-mación para facilitar sus procesos de toma dedecisiones [24].

Los SR se caracterizan por [7]:

• Se pueden aplicar sobre datos sin estruc-turar o semi-estructurados (por ejemplodocumentos Web o mensajes e-mail).

• Basados en perfiles de usuario, en lugar deque los usuarios expresen sus necesidadesmediante consultas.

• Gestionan grandes cantidades de informa-ción.

• Trabajan fundamentalmente con informa-ción en modo texto.

• Su objetivo es eliminar información irre-levante del flujo de entrada.

Tradicionalmente los SR se dividen en doscategorías [7, 23]. Los sistemas basados encontenidos que realizan las recomendacionesbasándose en la similaridad entre las carac-terísticas usadas en la representación de losítems y aquéllas de las mismas que se usanen la representación de perfil de los usuarios.Para recomendar a un usuario dado, única-mente se tiene en cuenta la información de di-cho usuario, ignorado al resto de usuarios. Porotro lado, los sistemas colaborativos identificanusuarios con preferencias similares agrupándo-los según perfiles, de manera que para generarlas recomendaciones para un usuario dado, setienen en cuenta las valoraciones de los usua-rios afines con su perfil. Por ello, el estableci-miento de perfiles precisos es una tarea clave,pero además es deseable que los perfiles sevayan actualizando conforme vayan cambian-do las necesidades o preferencias de los usua-rios [3, 6, 22]. Numerosos investigadores hanadoptado enfoques híbridos entre los SR basa-dos en contenidos y colaborativos, para reducirlas desventajas y aprovechar las ventajas quecada uno presenta por separado.

Además de los dos enfoques comentados,en la bibliografía existen otras clasificaciones,pero no nos parece adecuado profundizar enesos detalles en esta contribución.

La actividad de generación de recomen-daciones es seguida por una fase de reali-mentación, en la que los usuarios suministranal sistema evaluaciones sobre la relevancia delos items recuperados y el sistema usa estasevaluaciones para actualizar los perfiles de losusuarios [3, 7].

Otro aspecto a tener en cuenta es el méto-do para obtener información sobre el usuarioy así poder discernir entre información rele-vante e irrelevante [3, 7, 22]. La informaciónsobre las preferencias de los usuarios puede

82 II Simposio sobre Lógica Fuzzy y Soft Computing

ser obtenida de forma explícita o de formaimplícita. Un enfoque explícito interaccionadirectamente con los usuarios a través de unproceso de realimentación en el que especifi-can lo que desean, por ejemplo interrogandoa los usuarios mediante un formulario. Un en-foque implícito realiza inferencias a partir dealgún tipo de observación sobre los usuarios,por ejemplo analizando el comportamiento delos mismos. En este caso, también se suelenadoptar métodos mixtos que combinan carac-terísticas conjuntas de ambos.

3. Modelado Lingüístico Difuso

Hay numerosas situaciones en las que la in-formación no puede ser valorada cuantitati-vamente de forma precisa, pero puede que sísea factible hacerlo de forma cualitativa. Porejemplo, cuando valoramos algún aspecto rela-cionado con percepciones humanas, solemosusar palabras del lenguaje natural en lugar devalores numéricos. En otros casos, no pode-mos trabajar con información cuantitativa bi-en porque no está disponible o bien porque elcoste computacional es demasiado elevado ynos basta con aplicar un valor aproximado. Eluso de la Teoría de Conjuntos Difusos ha da-do muy buenos resultados para modelar infor-mación cualitativa [28] y ha sido aplicada conéxito en numerosos ámbitos como por ejemploen toma de decisiones [10], evaluación de cali-dad [18], modelos de recuperación de informa-ción [14, 15], diagnósticos clínicos [5], análisispolítico [1], etc. Se trata de una herramientabasada en el concepto de variable lingüística[28].

En esta sección vamos a revisar las dos téc-nicas de MLD que vamos a usar en el sistemapropuesto, el MLD 2-tuplas [11, 13] y el MLDmulti-granular [9, 12, 17].

3.1. Modelado lingüístico difuso 2-tuplas

El MLD 2-tuplas [11, 13] es un modelo con-tinuo de representación de la información, quepermite reducir la pérdida de información quese produce con otros enfoques (clásico y or-dinal [8, 10, 28]). Para definirlo, tenemos que

establecer el modelo de representación y el mo-delo computacional de las 2-tuplas para repre-sentar y agregar respectivamente la informa-ción lingüística.

Consideremos que S = {s0, ...,sg} es un con-junto de términos lingüísticos con cardinalidadimpar, donde el término intermedio represen-ta una valoración de aproximadamente 0,5 yel resto de términos se distribuyen simétri-camente alrededor de ese punto intermedio.Asumimos que la semántica asociada con cadauna de las etiquetas viene dada por medio defunciones de pertenencia triangulares, repre-sentadas por 3-tuplas (a, α, β) y consideramostodos los términos distribuidos sobre una es-cala sobre la que hay establecida una relaciónde orden total, es decir, si ≤ sj ⇐⇒ i ≤ j.En este contexto lingüístico difuso, si median-te un método simbólico de agregación de in-formación lingüística [8, 10] obtenemos un va-lor β ∈ [0, g], y β /∈ {0, ..., g}, podemos usaruna función de aproximación para expresarel resultado obtenido como un valor de S.Para ello, representamos β como una 2-tupla(si, αi), donde:

• si representa la etiqueta lingüística, y

• αi es un valor numérico que expresa latraslación de β al índice de la etiquetamás cercana, i, en el conjunto de térmi-nos lingüísticos (si ∈ S).

Este modelo define un conjunto de funcionesde transformación entre valores numéricos y2-tuplas: ∆(β) = (si, α) y ∆−1(si, α) = β ∈[0, g] [11].

Para establecer el modelo computacional,definimos los siguientes operadores:

1. Operador de negación: Neg((si, α)) =∆(g − (∆−1(si, α))).

2. Comparación de 2-tuplas (sk, α1) y(sl, α2):

• Si k < l entonces (sk, α1) es menorque (sl, α2).

• Si k = l entonces:

Recuperación de Información en la Web 83

a) Si α1 = α2 entonces (sk, α1) y(sl, α2) representan la misma in-formación.

b) Si α1 < α2 entonces (sk, α1) esmenor que (sl, α2).

c) Si α1 > α2 entonces (sk, α1) esmayor que (sl, α2).

3. Operadores de agregación: al tenerdefinidas funciones de transformación en-tre valores numéricos y 2-tuplas, podemosusar cualquier operador de agregacióndefinido para dichos valores, como porejemplo la media aritmética, alguna me-dia ponderada o media ponderada lingüís-tica.

3.2. Modelado lingüístico difuso multi-granular

En cualquier enfoque lingüístico difuso, unaspecto fundamental es determinar la granu-laridad de la incertidumbre, es decir, la car-dinalidad del conjunto de términos lingüísti-cos S. En función del grado de incertidum-bre que un experto encargado de cualificar unfenómeno tenga sobre el mismo, el conjuntode términos lingüísticos elegido para propor-cionar ese conocimiento tendrá más o menostérminos. Por lo tanto, cuando distintos ex-pertos tienen diferentes grados de incertidum-bre sobre el fenómeno, es conveniente que cadauno trabaje con conjuntos de términos lingüís-ticos de diferente granularidad [12, 17]. El usode diferentes conjuntos de etiquetas es tambiénnecesario cuando un experto tiene que valorarconceptos diferentes, como por ejemplo ocurreen los problemas de recuperación de informa-ción, al evaluar la importancia de los términosde la consulta y la relevancia de los documen-tos recuperados [16], que son conceptos dis-tintos. En ese tipo de situaciones necesitamosherramientas que nos permitan gestionar la in-formación lingüística multi-granular, es decir,necesitamos definir un MLD multi-granular.Para ello vamos a seguir el modelo propuestoen [12] que hace uso del concepto de jerarquíaslingüísticas.

Una Jerarquía Lingüística es un conjun-to de niveles, donde cada nivel es un conjunto

de términos lingüísticos con una granularidaddiferente del resto de niveles de la jerarquía[4]. A cada uno de los niveles de una jerarquíalingüística lo vamos a denotar como l(t, n(t)),siendo t un número que indica el nivel de lajerarquía y n(t) la granularidad del conjuntode términos lingüísticos del nivel t. Los dis-tintos niveles están ordenados por granulari-dad, de manera que un nivel t + 1 es un refi-namiento del nivel anterior t. Podemos definirun nivel a partir del anterior, de la siguientemanera: l(t, n(t)) → l(t + 1, 2 · n(t) − 1). En[12] fue definida una familia de funciones detransformación entre etiquetas de diferentesniveles. Para establecer el modelo computa-cional seleccionamos un nivel que usamos parauniformizar la información (por ejemplo, el demayor granularidad) y entonces podemos usarlos operadores definidos en el modelo 2-tuplas.

4. Un Sistema de RecomendacionesInterdisciplinar

En esta sección presentamos un nuevo SRque mejora algunas deficiencias encontradasen SIRE2IN. Este nuevo sistema ha sido di-señado basándonos en el enfoque de generaciónde recomendaciones basado en contenidos [7,23, 25] pero añadiéndole una fase posterioren la que se realiza una recomendación social[20]. El objetivo de estas recomendaciones so-ciales es favorecer la interconexión entre inves-tigadores de áreas afines pero no coincidentes,con la idea de que las recomendaciones propor-cionadas sean realmente interesantes para losinvestigadores de cara a la posibilidad de acce-der a proyectos conjuntos. Además, se hace usodel MLD multi-granular para un manejo flexi-ble de la información [9, 12, 17].

Este SR es usado por los técnicos de OTRIpara ayudarles en su labor de difusión de infor-mación. El sistema va filtrando la informaciónque recibe y recomendando las convocatoriasde proyectos únicamente a aquellos usuarios alos que les pueda interesar en función de susáreas de interés. Concretamente, el sistema en-vía un email con un resumen de la convoca-toria, una estimación del grado de relevanciaque tendrá para el usuario y recomendaciones

84 II Simposio sobre Lógica Fuzzy y Soft Computing

sobre posibilidades de colaboración con otrosusuarios de áreas afines.

4.1. Arquitectura del sistema

El sistema consta de tres componentes:

• Gestión de convocatorias. Módulo res-ponsable de la gestión de las fuentes deinformación de las que los técnicos deOTRI reciben toda la información sobrelas convocatorias, y se obtiene una re-presentación interna de las mismas. Paraobtener esta representación usamos todala información que tengamos disponiblecomo título de la convocatoria, resumen,texto completo, fecha de publicación, or-ganismo, enlace, rango de financiación, aquién se dirige (investigadores, empresaso ambos) y el ámbito. Para representarel ámbito usamos la clasificación de códi-gos UNESCO para la Ciencia y de la Tec-nología [26]. Vamos a usar un modelo vec-torial [19], según el cual para cada recur-so i almacenamos un vector V Ri con loscódigos UNESCO de nivel 2 (248 disci-plinas), por lo que necesitamos un vec-tor de 248 posiciones, donde cada posiciónV Ri[j] almacena el grado de importanciadel código j para el ámbito de la convo-catoria i.

• Gestión de perfiles de usuario. El sis-tema trabaja con una representación in-terna de los usuarios en la que se incluyensus preferencias o necesidades, es decir,que el sistema representa a cada usuariomediante de un perfil de usuario [3, 7].Para definir los perfiles de los usuariosvamos a usar información general sobrecada uno de ellos como su identificación,password, nombre y apellidos, datos decontacto, email, grupo de investigación(sólo para investigadores), etc. Tambiénalmacenamos sus preferencias de colabo-ración (si desea colaborar con otros inves-tigadores, empresas, con ambos o no de-sea colaborar), preferencias sobre el ran-go de financiación y sus temas de interés.Para ello también usamos la clasificación

UNESCO [26] de nivel 2, por lo que ca-da usuario tendrá asociada una lista decódigos UNESCO con aquellas disciplinasque mejor representan sus necesidades deinformación. Para cada usuario x almace-namos un vector [19] V Rx con los códigosUNESCO de nivel 2, por lo que necesita-mos un vector de 248 posiciones, dondecada posición V Rx[y] almacena el gradode importancia del código y para el áreade interés de x.

• Generación de recomendaciones.Basándose en un proceso de cálculo desimilaridades [20], el sistema filtra la in-formación y la recomienda únicamente alos usuarios adecuados.

Como hemos comentado, para representarlos distintos conceptos que tienen que servalorados en la actividad del sistema, va-mos a usar distintos conjuntos de etique-tas (S1, S2, ...) seleccionados de una jerar-quía lingüística [4]. En nuestro sistema, dis-tinguimos tres conceptos que tienen que servalorados:

• Grado de importancia (S1) de un códi-go UNESCO con respecto al ámbito deuna convocatoria o respecto a los temasde interés de un usuario.

• Grado de relevancia (S2) de una con-vocatoria para un usuario.

• Grado de compatibilidad (S3) entredos usuarios.

Por ello usaremos conjuntos de etiquetas se-leccionados de una jerarquía lingüística de 3niveles de 3, 5 y 9 etiquetas cada uno. Enconcreto, seleccionamos el segundo nivel paraasignar grados de importancia, y el tercer nivelpara asignar grados de relevancia y de compa-tibilidad (S1 = S5, S2 = S9 y S3 = S9).

4.2. Fase de generación de recomenda-ciones

La base del sistema propuesto es SIRE2IN[21] y al tratarse de un SR basado en con-tenidos, genera las recomendaciones mediante

Recuperación de Información en la Web 85

un proceso de cálculo de similaridad entre lostérminos usados en la representación de losperfiles de usuario y los términos usados en larepresentación de los recursos [2]. Como hemoscomentado, usamos un modelo vectorial [19]para la representación de los temas de interésdel usuario y los ámbitos de los recursos, por loque para el cálculo de la similaridad hemos op-tado por usar la medida del coseno. El motivoes que se trata de una medida angular que re-presenta una vista del espacio desde un puntofijo, el origen, pero no considera la distancia decada elemento respecto del origen, sino única-mente su dirección. Ello nos permite conside-rar igualmente relevantes para un usuario, unanuncio de convocatoria que una descripcióndetallada de la misma. Se define como:

σ(V R, V U) =

∑n

k=1(rk × uk)√∑n

k=1(rk)2 ×

√∑n

k=1(uk)2

donde n es el número de términos (248 ennuestro caso), rk es el valor del término k parael vector del ámbito del recurso y uk es su va-lor en el vector de temas de interés del usuario.Con esta medida, obtenemos un valor de 1para los casos máxima similaridad y 0 para losde mínima, de manera que podemos establecerun valor de umbral α por debajo del cual serechaza la información.

A continuación debemos tener en cuenta laspreferencias de colaboración de los usuarios.En caso de que un usuario desee colaborar,el sistema calcula la similaridad entre superfil y el del resto de perfiles de usuariosque también desean colaborar (usando lamedida del coseno). Para conseguir recomen-daciones sociales, al valor obtenido mediantela medida del coseno le aplicamos una fun-ción de interdisciplinariedad. Esta funcióndebe aplicar un mayor peso a los valoresintermedios de similaridad (cercanos al 0,5),porque los valores cercanos al 1 no aportaríanrecomendaciones interesantes y los valorescercanos al 0 implican una afinidad muyescasa. Para establecer esta función podemosutilizar operadores OWA centrados [27]. Enconcreto, en el sistema propuesto usamos lafunción triangular mostrada en la figura 1:

g(x) =

{2x para 0 ≤ x ≤ 1/22 − 2x para 1/2 < x ≤ 1

0 10,5

1

g(x

)

Figura 1: Función triangular.

Una vez calculado el valor de interdisciplina-riedad, podemos recomendar o no la colabo-ración entre los dos investigadores, según sesupere o no un valor de umbral α previamenteestablecido. Por último, el sistema envía a losusuarios seleccionados la información del re-curso, su grado de relevancia estimado (eti-queta de S2) y recomienda sobre posibilidadesde colaboración con otros usuarios justificán-dolas con el grado de compatibilidad calculadomediante la función de interdisciplinarierdad.Este grado será una etiqueta de S3. Para trans-formar las etiquetas de un nivel a otro usamoslas funciones de transformación definidas en elMLD multi-granular.

5. Conclusiones

El incremento exponencial de sitios Web ydocumentos que se crean y distribuyen en for-mato electrónico provoca que los técnicos deOTRI no sean capaces de acceder a la infor-mación de forma eficiente, por lo que necesi-tan herramientas automáticas que les facilitensu acceso a la información. En este trabajohemos presentado una mejora de SIRE2IN, unSR anteriormente propuesto. Se trata de unSR que genera recomendaciones mediante los

86 II Simposio sobre Lógica Fuzzy y Soft Computing

enfoques basado en contenidos y social, e in-cluyendo un MLD multi-granular. El sistemafiltra la información y la distribuye entre aque-llos usuarios a los que más les pueda intere-sar, recomendando además sobre posibilidadesde colaboración con otros usuarios con perfilesafines, pero no totalmente del mismo perfil.Con ello conseguimos que las recomendacionessean más interesantes para el usuario, pues sonrecomendaciones que en principio no esperaba,y al mismo tiempo se consigue una interdisci-plinariedad que fomenta el acceso a proyectosconjuntos.

Agradecimientos. Este trabajo ha sido de-sarrollado con la financiación del proyecto dela Junta de Andalucía SAINFOWEB, cod.P05-TIC-602.

Referencias

[1] B. Arfi. Fuzzy decision making in poli-tics: a linguistic fuzzy-set approach (LF-SA). Political Analysis, 13 (1), 23-56, 2005.

[2] Y. Cao, Y. Li. An intelligent fuzzy-based recommendation system for con-sumer electronic products. Expert Systemswith Applications, 33, 230-240, 2007.

[3] Y.-L. Chen et al. A group recommenda-tion system with consideration of interac-tions among group members. Expert Sys-tems with Applications, in press, 2007.

[4] O. Cordón, F. Herrera and I. Zwir. Lin-guistic modelling by hierarchical systemsof linguistic rules. IEEE Transactions onFuzzy Systems, 10 (1), 2-20, 2001.

[5] R. Degani, G. Bortolan. The problem oflinguistic approximation in clinical deci-sion making. Int. J. of Approximate Rea-soning, 2, 143-162, 1988.

[6] N. Good, J.B. Schafer, J.A. Konstan, A.Borchers, B.M. Sarwar, J.L. Herlocker,J. Riedl. Combining collaborative filteringwith personal agents for better recommen-dations. Proc. of the Sixteenth National

Conference on Artificial Intelligence, 439-446, 1999.

[7] U. Hanani, B. Shapira, P. Shoval. Informa-tion filtering: Overview of issues, researchand systems. User Modeling and User-Adapted Interaction, 11, 203-259, 2001.

[8] F. Herrera, E. Herrera-Viedma. Aggrega-tion operators for linguistic weighted in-formation. IEEE Trans. on Systems, Manand Cybernetics, Part A: Systems, 27, 646-656, 1997.

[9] F. Herrera, E. Herrera-Viedma, L.Martínez. A fusion approach for managingmulti-granularity linguistic term sets indecision making. Fuzzy Sets and Systems,114, 43-58, 2000.

[10] F. Herrera, E. Herrera-Viedma, J.L.Verdegay. Direct approach processes ingroup decision making using linguisticOWA operators. Fuzzy Sets and Systems,79, 175-190, 1996.

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

[12] F. Herrera, L. Martínez. A modelbased on linguistic 2-tuples for dea-ling with multigranularity hierarchical lin-guistic contexts in multiexpert decision-making. IEEE Transactions on Systems,Man and Cybernetics. Part B: Cybernetics,31(2), 227-234, 2001.

[13] F. Herrera, L. Martínez. The 2-tuple lin-guistic computational model. Advantagesof its linguistic description, accuracy andconsistency. Int. J. of Uncertainty, Fuzzi-ness and Knowledge-Based Systems, 9, 33-48, 2001.

[14] E. Herrera-Viedma. Modeling the re-trieval process of an information retrievalsystem using an ordinal fuzzy linguis-tic approach. J. of the American Societyfor Information Science and Technology,52(6), 460-475, 2001.

Recuperación de Información en la Web 87

[15] E. Herrera-Viedma. An information re-trieval system with ordinal linguisticweighted queries based on two weightingelements. Int. J. of Uncertainty, Fuzzinessand Knowledge-Based Systems, 9, 77-88,2001.

[16] E. Herrera-Viedma, O. Cordón, M.Luque, A.G. López, A.M. Muñoz. A mo-del of fuzzy linguistic IRS based on multi-granular linguistic information. Interna-tional Journal of Approximate Reasoning,34 (3), 221-239, 2003.

[17] E. Herrera-Viedma, L. Martínez, F. Ma-ta, F. Chiclana. A consensus support sys-tem model for group decision-making pro-blems with multi-granular linguistic prefe-rence relations. IEEE Trans. on Fuzzy Sys-tems, 13 (5), 644-658, 2005.

[18] E. Herrera-Viedma, E. Peis. Evaluatingthe informative quality of documents inSGML-format using fuzzy linguistic tech-niques based on computing with words.Information Processing & Management,39(2), 195-213, 2003.

[19] R.R. Korfhage. Information storage andretrieval. New York: Wiley Computer Pu-blishing, 1997.

[20] G. Lekakos, G.M. Giaglis. Improving theprediction accuracy of recommendation al-gorithms: Approaches anchores on humanfactors. Interacting with Computers, 18,410-431, 2006.

[21] C. Porcel, E. Herrera-Viedma, S. Alon-so, A.G. López-Herrera. A personalized

information filtering system for researchresources based on multi-granular fuzzylinguistic modeling. Proccedings of theEUROFUSE Workshop, New Trends inPreference Modeling, 111-116, 2007.

[22] L.M. Quiroga, J. Mostafa. An experimentin building profiles in information filtering:the role of context of user relevance feed-back. Information Processing and Manage-ment, 38, 671-694, 2002.

[23] P. Reisnick, H.R. Varian. Recommendersystems. Special issue of Comm. of theACM, 40 (3), 56-59, 1997.

[24] J.B. Schafer, J.A. Konstan, J. Riedl.ECommerce recommendation appli-cations. Data Mining and KnowledgeDiscovery, vol. 5, nos 1-2, 115-153, 2001.

[25] V. Schickel-Zuber, B. Faltings. Overco-ming incomplete user models in recommen-dation systems via an ontology. LNAI4198, 39-57, 2006.

[26] Clasificación UNESCO. Ministerio deEducación y Ciencia. http://www.mec.es/ciencia/jsp/plantilla.jsp ?area=plan_idi&id=6&contenido=/files/portada.jsp

[27] R.R. Yager. Centered OWA operators.Soft Computing, 11, 631-639, 2007.

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

88 II Simposio sobre Lógica Fuzzy y Soft Computing

Modelo semántico-difuso de un sistema de recomendaciones de información para bibliotecas digitales universitarias ...............................................................................................73

José M. Morales-del-Castillo, Enrique Herrera-Viedma, Eduardo Peis Universidad de Granada

Mejorando el sistema de recomendaciones SIRE2IN: un enfoque interdisciplinar .....................81 Carlos Porcel Gallego, Enrique Herrera Viedma, José M. Morales del Castillo Universidad de Córdoba

Análisis y detección de determinadas estructuras condicionales en documentos de texto .............................................................................................................................................89

Cristina Puente, José A. Olivas Universidad Pontificia de Comillas

Clustering documental basado en mapas de Kohonen optimizados mediante técnicas de lógica borrosa ............................................................................................................97

Francisco Pascual Romero, Arturo Peralta, José Ángel Olivas, Jesús Serrano-Guerrero Universidad de Castilla-La Mancha

Resúmenes de textos basados en conjeturas ..............................................................................105 Alejandro Sobrino Cerdeiriña Universidad de Santiago de Compostela

Applying fuzzy linguistic tools to evaluate the quality of airline web sites...............................113 L. Hidalgo, F.J. Cabrerizo, J. López Gijón, E. Herrera-Viedma Universidad de Granada

Toma de Decisiones I: Modelos Consistency of reciprocal fuzzy preference relations.................................................................123

Sergio Alonso Burgos, Francisco Chiclana, Enrique Herrera-Viedma, Francisco Herrera, Universidad de Granada

A procedure to estimate missing information in group decision-making with fuzzy linguistic information.................................................................................................................139

Sergio Alonso Burgos, Francisco Javier Cabrerizo Lorite, Francisco Herrera, Enrique Herrera-Viedma, Francisco Chiclana Universidad de Granada

Borda decision rules within the linguistic framework ...............................................................149 José Luis García Lapresta, Bonifacio Llamazares, Miguel Martínez Panero Universidad de Valladolid

Un sistema de apoyo al consenso adaptativo para problemas de toma de decisiones en grupo con información heterogénea ....................................................................157

Luis Martínez López, Juan C. Martínez, Francisco Mata, Enrique Herrera Viedma Universidad de Jaén

Toma de decisión en grupo basada en las alternativas ideal y anti-ideal en un ambiente difuso..........................................................................................................................163

Mª Teresa Lamata, Mª Socorro García-Cascales, Antonio Masegosa Universidad de Granada

viii II Simposio sobre Lógica Fuzzy y Soft Computing

ACTAS DEL II SIMPOSIO SOBRE LÓGICA FUZZY Y

SOFT COMPUTING (LFSC 2007)

EDITORES

Enrique Herrera Viedma Juan Luis Castro

Jorge Casillas Rafael Alcalá Sergio Alonso Luis Martínez

José Ángel Olivas Organizadas por:

European Society for Fuzzy logic and Technology (EUSFLAT)

ACTAS DELII SIMPOSIO SOBRE LÓGICA FUZZY Y SOFT COMPUTING (LFSC 2007)

No está permitida la reproducción total o parcial de este libro, ni su tratamiento informático, ni la transmisión de ninguna forma o por cualquier otro medio, ya sea electrónico, mecánico, por fotocopia, por registro u otros medios, sin el permiso previo y por escrito de los titulares del Copyright.

Derechos reservados ©2007 respecto a la primera edición en español, por LOS AUTORES Derechos reservados ©2007International Thomson Editores Spain, S.A.

Magallanes, 25; 28015 Madrid, ESPAÑA Teléfono 91 4463350 Fax: 91 4456218 clientes@paraninfo.es

ISBN: 978-84-9732-609-4 Depósito legal: M-

Maquetación: Los Autores Coordinación del proyecto: @LIBROTEX Portada: Estudio Dixi Impresión y encuademación: FER Fotocomposición, S. A. IMPRESO EN ESPAÑA-PRINTED IN SPAIN