CELULA NEURONA

En tan solo tres pasos podés convertirte en el ganador del desafío. Solo necesitás un buen nivel de conocimiento del producto, concentración y creatividad. ¡Nosotros te ayudamos!

¡Hay en juego USD1000 en American Express Travelers Cheques, 2 Netbooks Asus EEE y tu oportunidad para hacer famosa tu Demo en los Newsletters, Sitios

Abstract

Se explica en el presente trabajo la aplicación de redes neuronales artificiales para identificar las características del usuario de acuerdo a sus preferencias, a medida que navega por un sitio web determinado. Teniendo en cuenta la interacción del mismo con el sistema, se recolecta la información dada por las entradas que genera el visitante en el mismo. La identificación de perfiles de usuario puede implementarse en sitios web de noticias y sirve para poder brindar un servicio que se asimile a los gustos de los visitantes.

Con esta técnica se busca no recurrir al ingreso de usuario y contraseña para identificarse, como comúnmente se lleva a cabo; por el contrario solamente se toma la información de las secciones visitadas por el navegante.

El fin de esta aplicación es proponerles, a partir de su comportamiento en el sitio, una serie de artículos (música, deportes, política, economía, etc.) para su lectura y así ir permitir el reconocimiento de perfiles, asociando usuarios similares, ofreciendo así un servicio mejorado y más amigable.

Palabras Claves

Redes neuronales, inteligencia artificial, perfiles de usuarios web, Algoritmo Back Propagation

Introducción

Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales[1]. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.

Las RNA, combinan patrones matemáticos de células nerviosas y arquitecturas que describen las interconexiones existentes entre ellas. Una característica importante de estos modelos es la representación interna del conocimiento que es capaz de organizar en las capas de células para conseguir cualquier correspondencia entre la entrada y la salida de la red.

De forma simplificada, el funcionamiento de una red neuronal, específicamente las de propagación hacia atrás o retropropagación (backpropagation net BPN) consiste en un aprendizaje de un conjunto predefinido de pares entradas-salidas dados como ejemplo, empleando un ciclo propagación-adaptación de dos fases: primero se aplica un patrón de entrada como estímulo para la primera capa de las neuronas de la red, se va propagando a través de todas las superiores hasta generar una salida, se compara el resultado obtenido en las neuronas de salida con la salida que se desea obtener y se calcula un valor del error para cada neurona de salida. A continuación, estos errores se transmiten hacia atrás, partiendo de la capa de salida, hacia la capa anterior. Este proceso se repite, capa a capa hasta que cada neurona haya recibido un error que describa su aportación relativa al error total. Basándose en el valor del error recibido, se reajustan los pesos de conexión de cada neurona, de manera que en la siguiente vez que se presente el mismo patrón, la salida esté más cercana a la deseada; es decir el error disminuya.

Fig. 1

La importancia de la red backpropagation consiste en su capacidad de autoadaptar los pesos de las neuronas de las capas intermedias para “aprender” la relación que existe entre un conjunto de patrones de entrada y sus salidas correspondientes. Una característica muy importante es poder aplicar esa misma relación, después del entrenamiento, a patrones de entrada con ruido o incompletos que no se han visto en la fase de entrenamiento[2].

Elementos del Trabajo y Metodología

Estructura de la Red Neuronal

El siguiente paso de la etapa anterior es analizar el problema para identificar aquellos elementos que son relevantes, es decir las secciones de noticias en combinación con la navegación del usuario. En particular, representaremos con una neurona de entrada a cada una de las secciones que se ofrezcan en el sitio (ver Fig. 1). De esta manera, se codifica un vector que supone la elección de ciertos temas. Un ejemplo de tal vector sería:

E₁ = [1 -1 -1 -1 1 -1 -1 1 -1 1 -1]

Aquí los temas podrían variar entre deporte, música, política, sociedad, arte, cine, teatro, televisión, autos, ocio y viajes. En el arreglo cada sección tiene una posición, la cual se completa con 1 o con -1 según el usuario la lea o no.

E₁ = [deporte música política sociedad arte cine teatro televisión autos ocio viajes]

En este caso el lector visita artículos sobre deporte, arte, televisión y ocio dejando de lado los demás temas de lectura.

De la misma manera se forman tantas colecciones E₂, E₃, etc. como perfiles se desee que la red reconozca.

Una vez codificados los perfiles a vectores calcula los pesos de las conexiones entre las neuronas, que bien podría considerarse el “conocimiento” de la red. Dichos pesos se obtienen de la siguiente manera:

1. Se aplican los vectores de entrada indicando las salidas esperadas

2. Se comparan las salidas esperadas con las salidas obtenidas y se determina la medida del error

3. Se determina la medida en que se deben modificar los pesos de las conexiones internas (se propaga hacia atrás el error, por ello el nombre Back Propagation Network)

4. Se aplican los nuevos pesos de las conexiones

5. Se repiten los pasos del 1 al 4 con todos los vectores de entrenamiento hasta que el error quede reducido a un valor aceptable

Ya con los pesos estabilizados de las conexiones ha concluido el entrenamiento de la red, ahora no queda más que implementar el modelo.

Una vez implementada la técnica descripta, se procede a la identificación de perfiles. Es decir se puede inferir que clase de usuario está navegando la aplicación web de acuerdo a los datos recabados y sugerir contenido no visto hasta el momento.

De esta manera es posible sugerir artículos al lector evitando la necesidad de que este recorra el amplio espacio de búsqueda entre las crónicas.

Discusión

Para comprobar el desempeño de la red neuronal se da ingreso de una serie de patrones simulando la adquisición de datos de la aplicación web. Para realizar esto se utilizan 16 neuronas de entrada que se corresponden con 16 temas referentes a artículos de noticias.

Los temas son:

· Autos

· Natación

· Pesca

· Viajes

· Economía

· Política

· Idiomas

· Comercio

· Pymes

· Equitación

· Educación

· Cine

· Teatro

· Radio

· Televisión

· Informática

Cada tópico se relaciona con una de las posiciones de los siguientes vectores dados como entrada para el aprendizaje de la red.

Perfil1: autos, equitación, pesca, viajes

P₁ = [1 1 1 1 -1 -1 -1 -1 -1 -1- 1 -1 -1 -1 -1 -1]

Perfil 2: economía, política, comercio, pymes

P₂ = [-1 -1 -1 -1 1 -1 -1 1 -1 -1 1 1 -1 -1 -1 -1]

Con los vectores de entrada dispuestos, se calculan los valores de salida de la red aplicando el algoritmo de propagación hacia atrás.

Patrón 1: economía, política, comercio, pymes

E₁ = [1 1 1 1 -1 -1 -1 -1 -1 -1- 1 -1 -1 -1 -1 -1]

Salida: perfil 2

Patrón 2: economía, idiomas, comercio, televisión

E₂ = [-1 -1 -1 -1 1 -1 1 1 -1 -1- 1 -1 -1 -1 1 -1]

Salida: perfil 2

Patrón 3: informática, cine, política, viajes

E₃ = [-1 -1 -1 -1 -1 1 -1 -1 -1 -1- 1 1 -1 -1 -1 1]

Salida: Perfil1

Conclusión

Como se puede ver en el análisis la técnica de redes neuronales de retropropagación es muy potente contrastando los resultados obtenidos con la complejidad de implementación y los recursos necesarios para ponerla en ejecución.

Es necesario resaltar también que la identificación de los patrones entrada/salida requiere de considerable conocimiento del dominio del problema ya que se deben escoger los perfiles previo al entrenamiento de la red. El pre-procesamiento inicial de estos patrones juega un papel importante para la correcta respuesta del modelo neuronal.

El obstáculo que se revela es la necesidad de ajustar los parámetros de la red para obtener resultados favorables de acuerdo al escenario planteado. El inconveniente que esto trae es que no se conoce el funcionamiento interno de las redes neuronales “son una caja negra”, no se tienen estrategias formales para la elección de una u otra determinada topología. La mejor opción es hacer pruebas sobre el caso en cuestión y hacer interpolaciones a partir de los resultados obtenidos para procurar dar con la mejor estrategia.

Una vez arribados a los parámetros buscados se habrá contribuido a mejorar el ofrecimiento de información disponible en el sitio.

Agradecimientos

El grupo agradece la colaboración y participación en la elaboración de este trabajo a: Ing. Carlos Pérez, Ing. Marcelo Karanik, Ivana Tilca, Mara Lopez

Referencias

[1] Red neuronal artificial. Es.wikipedia.org

[2] Redes Neuronales Artificiales. Fundamentos, Modelos Y Aplicaciones. José Ramón Hilera González (Editorial Ra-ma) ISBN: 8478971556

Datos de Contacto

Martín Frisone. Universidad Tecnológica Nacional, Facultad Regional Resistencia. French 414, Resistencia, Chaco (3500). martinf032@yahoo.com.ar