cenidet     Centro Nacional de Investigación y Desarrollo Tecnológico             Departamento de Ciencias Computacionales...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social4.4    Creación de un sistema de re...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialFigura 21. Pantalla principal mostr...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialnDCG              Normalized discou...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                 de datos geográfic...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                             Capítu...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialciudad, guías hoteleras o servicios...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialpermiten a los usuarios etiquetar s...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.1     Descripción del problemaDen...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.3     Justificación y beneficiosC...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.4     HipótesisSe persigue que el...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                              Capít...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social2.1     Información geográfica en m...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialFigura 5. Factores de éxito en las ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social               Ejemplar            ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialrecuperación de información. Su uso...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social       Contexto: Cultural y social...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialprovee de una capacidad de estructu...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialmismo patrón. Este patrón sigue la ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social        Los machine tags se compone...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social   Recomendadores. Usuarios que co...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialopiniones de los usuarios; con esto...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social        La mayoría de los algoritmo...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social                                   ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social        La regla anterior trata de ...
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Upcoming SlideShare
Loading in …5
×

Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social

720 views

Published on

El siguiente documento presenta la investigación realizada por el alumno Ismael Rafael Ponce
Medellín durante el desarrollo de su tema de tesis: Búsquedas contextuales de Servicios Basados en
Localización en un entorno de Web Social, dentro del programa de postgrado doctoral en el Centro
Nacional de Investigación y Desarrollo Tecnológico.
Conforme la cantidad de información crece, los problemas de la relevancia y sobrecarga de
información se vuelven más severos. Los sistemas de recomendación por filtrado colaborativo se
han presentado como una alternativa útil para proporcionar sugerencias relevantes y útiles para
cada usuario dentro de un sistema.
Los sistemas de recomendación han tomado auge, al contener una colección de juicios o
calificaciones por otras personas sobre contenido disponible en un sitio o servicio, lo que a su vez
proporciona una invaluable fuente de información que puede ser usada para proporcionar
recomendaciones a cada usuario.
Sin embargo, en el rubro de los servicios y lugares geolocalizables se torna importante
también considerar las características individuales de los usuarios que quieren localizar algún
servicio, puesto que cada persona presenta atributos diferentes, tanto sociales, culturales y
económicos, por lo que sus necesidades de información son diferentes. Diferentes situaciones
implican necesidades diferentes. Es por ello necesario conocer el contexto.
Dentro de los sistemas de recomendación, la consideración directa de aspectos de
mercadotecnia no han sido ampliamente explotados, siendo esta fuente de información valiosa con
respecto al efecto de la información contextual sobre los usuarios, ya que presenta patrones de
comportamiento para abordar las necesidades particulares de los distintos nichos de mercado a los
cuales se les puede ofrecer una recomendación.
El uso de tecnologías de Web Semántica, como ontologías y reglas de Web Semántica,
permiten representar al modelo del usuario y su contexto, así como los patrones identificados en el
área de mercadotecnia, lo que permite llevar a cabo un proceso de inferencia para identificar los
elementos a recomendar contextualmente relevantes para un usuario.
Para mejorar el proceso de los sistemas de recomendación sobre servicios geolocalizables,
el presente trabajo presenta un acercamiento que aprovecha tanto anotaciones sociales como
información contextual, haciendo uso del conocimiento colectivo de la comunidad de usuarios y de
la información del usuario, su entorno y de los elementos a recomendar. El caso de estudio se
centro a la recomendación de restaurantes como servicios geolocalizables.

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
720
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
12
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social

  1. 1. cenidet Centro Nacional de Investigación y Desarrollo Tecnológico Departamento de Ciencias ComputacionalesBúsquedas contextuales de ServiciosBasados en Localización en un entornode Web Social Documento de tesis Tesista: Ismael Rafael Ponce Medellín Director: Gabriel González Serna 2011
  2. 2. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Tabla de contenidoLista de figuras ...............................................................................................................4Lista de tablas ................................................................................................................6Glosario .........................................................................................................................7Resumen ..................................................................................................................... 101. Introducción ........................................................................................................ 111.1 Descripción del problema...................................................................................................................... 141.2 Objetivo ......................................................................................................................................................... 141.3 Justificación y beneficios ........................................................................................................................ 151.4 Hipótesis ....................................................................................................................................................... 162 Marco teórico ...................................................................................................... 172.1 Información geográfica en mapas y sistemas LBS....................................................................... 182.2 Ontologías en los sistemas de información geográfica.............................................................. 192.3 Dependencia contextual ......................................................................................................................... 212.4 Web Semántica........................................................................................................................................... 222.5 Anotaciones sociales ................................................................................................................................ 232.6 Perfil de usuario y personalización ................................................................................................... 252.7 Sistemas de recomendación por filtrado colaborativo.............................................................. 25 2.7.1 Sistemas tradicionales de recomendación por filtrado colaborativo ...................... 27 2.7.2 Sistemas de recomendación por filtrado colaborativo utilizando anotaciones sociales ................................................................................................................................ 282.8 Reglas de Web semántica ...................................................................................................................... 292.9 Recuperación de información .............................................................................................................. 302.10 Mapas Web................................................................................................................................................... 322.11 Mercadotecnia ............................................................................................................................................ 343 Estado del arte ..................................................................................................... 374 Metodología de solución ...................................................................................... 454.1 Recopilación de datos.............................................................................................................................. 46 4.1.1 Prototipo ................................................................................................................. 46 4.1.2 Datos obtenidos ...................................................................................................... 474.2 Propuesta de un sistema de recomendación contextual por filtrado colaborativo....... 48 4.2.1 Obtención de reglas contextuales para la recomendación de servicios basados en localización .............................................................................................................................. 48 4.2.2 Utilización de reglas de Web Semántica sobre información contextual en una ontología de dominio ............................................................................................................... 50 4.2.3 Sistema de recomendación contextual por filtrado colaborativo ........................... 534.3 Aplicación de un sistema de recomendación por filtrado colaborativo basado enanotaciones sociales. ............................................................................................................................................... 54 2
  3. 3. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social4.4 Creación de un sistema de recomendación por filtrado colaborativo contextual ybasado en anotaciones sociales. ......................................................................................................................... 544.5 Experimentación y comparación entre los sistemas. ................................................................. 55 4.5.1 Consideración de facetas sobre un sistema de recomendación por filtrado colaborativo con anotaciones sociales ..................................................................................... 55 4.5.2 Prueba diferenciando contexto – sin diferenciar contexto ..................................... 58 4.5.3 Prueba sobre el sistema de recomendación por filtrado colaborativo usando anotaciones sociales e información contextual. ....................................................................... 62 4.5.4 Prueba de un sistema de recomendación por filtrado colaborativo propuesto. ...... 645 Conclusiones ........................................................................................................ 696 Trabajo Futuro ..................................................................................................... 717 Reconocimientos y publicaciones ......................................................................... 72Anexos ........................................................................................................................ 74Anexo A: XFOAF, extensión del vocabulario FOAF para definir el perfil contextual delusuario ........................................................................................................................ 74Anexo B: Conceptos, relaciones y atributos de una ontología de restaurantes .............. 82Anexo C: Reglas de Web Semántica en SWRL y SQWRL ................................................ 89Anexo D: Capturas del prototipo de captura .............................................................. 102Anexo E: Análisis de la varianza ................................................................................. 105Anexo F: Mercadotecnia ............................................................................................ 125Bibliografía ................................................................................................................ 145 3
  4. 4. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Lista de figurasFigura 1. Problema de la caja negra para la recuperación de los elementos geo-localizablesmás pertinentes a la búsqueda de un usuario. ...................................................................... 12Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para laconsulta contextual y social de resultados geo-localizables. ............................................... 13Figura 3. Áreas relacionadas con la investigación de la presente investigación. ................ 17Figura 4. Componentes básicos de un LBS: Usuario, Medio de posicionamiento, Red decomunicación, Proveedor de servicios y contenidos. .......................................................... 18Figura 5. Factores de éxito en las transacciones móviles. ................................................... 19Figura 6. Una ontología se compone de clases y subclases, que a su vez contienenejemplares para las mismas. Dentro de este enfoque, las clases pueden comprender desdeusuarios hasta lugares. ......................................................................................................... 20Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintostipos de clases y cómo sus ejemplares las heredan. ............................................................. 20Figura 8. Modelo de un proceso de recomendación (Terveen 2001). ................................. 27Figura 9. Funcionamiento general de un sistema de recuperación de información. ........... 30Figura 10. La intersección entre los documentos relevantes y los documentos recuperadosen un sistema RI son los documentos relevantes recuperados tras una consulta. ............... 31Figura 11. Interacción de un usuario para agregar o eliminar anotaciones sobre un lugargeo-localizable. .................................................................................................................... 46Figura 12. Etapas para la recomendación de resultados en base a la aplicación de reglas deWeb Semántica. ................................................................................................................... 53Figura 13. Índice de recuerdo, precisión y medida F para los sistemas de recomendaciónbasado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) yLiang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales ........ 57Figura 14. Índice de recuerdo para los sistemas de recomendación basado en ítem (1-0) ysu fusión con el sistema contextual, al 90%-10% y al 80%-20%, bajo distintasponderaciones contextuales entre contexto de ítem-perfil de usuario y contexto de ítem-contexto de entorno. ............................................................................................................ 60Figura 15. Índice de recuerdo para los sistemas de recomendación basado en ítemextendido con anotaciones (1-0) y su fusión con el sistema contextual, al 90%-10% y al80%-20%, bajo distintas ponderaciones contextuales entre contexto de ítem-perfil deusuario y contexto de ítem-contexto de entorno. ................................................................. 61Figura 16. Índice de recuerdo sobre sistemas de recomendación: normal, con anotaciones,con contexto y con anotaciones y contexto. ........................................................................ 63Figura 17. Precisión sobre sistemas de recomendación: tradicional, con anotaciones, concontexto y con anotaciones y contexto. ............................................................................... 63Figura 18. Comparación del índice de recuerdo medio entre distintos sistemas derecomendación contra el sistema propuesto. ....................................................................... 65Figura 19. Comparación de la precisión media entre distintos sistemas de recomendacióncontra el sistema propuesto. ................................................................................................ 66Figura 20. Pantalla de inicio del prototipo ........................................................................ 102 4
  5. 5. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialFigura 21. Pantalla principal mostrando puntos de interés al usuario. .............................. 103Figura 22. Captura del perfil personal del usuario. ........................................................... 103Figura 23. Lugares valorados por un usuario. ................................................................... 104Figura 24. Recomendación bajo un enfoque social y contextual. ..................................... 104Figura 25. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo basado en ítem. ............................... 105Figura 26. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo basado en ítem con anotacionessociales y contexto. ............................................................................................................ 105Figura 27. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo basado en usuario. .......................... 106Figura 28. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo de Tso-Sutter. ................................. 106Figura 29. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo de Liang. ......................................... 106Figura 30. Distribución normal del índice de recuerdo y precisión obtenidos mediante elsistema de recomendación por filtrado colaborativo propuesto. ....................................... 107 5
  6. 6. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Lista de tablasTabla 1. Comparativa general de los trabajos revisados. .................................................... 43Tabla 2. Tabla comparativa con respecto a la investigación por realizar. ........................... 44Tabla 3. Atributos contextuales de perfil de usuario. .......................................................... 48Tabla 4. Atributos contextuales de ítem. ............................................................................. 48Tabla 5. Resultados de las medias del índice de recuerdo y la precisión reportadas para elsistema de recomendación basado en usuario (columna 1-0), en ítem (columna 0-1) y lasfusiones entre ellos en intervalos de 10%, considerando y sin considerar facetas. ............. 56Tabla 6. Índice de recuerdo, precisión y medida F para los sistemas de recomendaciónbasado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) yLiang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales. ....... 57Tabla 7. Resultados de índice de recuerdo para los sistemas de recomendación basado enítem (columna 1-0) y contextual (columna 0-1), así como sus fusiones, considerandodistintas ponderaciones entre contextos y sin considerarlas. ............................................... 59Tabla 8. Resultados de índice de recuerdo para los sistemas de recomendación basado enítem extendido con anotaciones (columna 1-0) y contextual (columna 0-1), así como susfusiones, considerando distintas ponderaciones entre contextos y sin considerarlas. ......... 60Tabla 9. Índice de recuerdo medio entre las fusiones de los sistemas de recomendación porfiltrado colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales,junto con un acercamiento contextual. ................................................................................ 62Tabla 10. Precisión media entre las fusiones de los sistemas de recomendación por filtradocolaborativo basado en ítem y basado en ítem extendido con anotaciones sociales, juntocon un acercamiento contextual. ......................................................................................... 62Tabla 11. Ìndice de recuerdo y precisión entre el sistema tagctx con la similitud poranotaciones sociales entre usuario e ítem. ........................................................................... 65Tabla 12. Media del índice de recuerdo y precisión obtenidos tras la experimentación conlos datos del prototipo bajo distintos sistemas de recomendación ...................................... 65Tabla 13. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadísticaentre medias del índice de recuerdo y de la precisión para distintos sistemas derecomendación, bajo un intervalo de confianza del 95%. ................................................... 66Tabla 14. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadísticaentre medias del índice de recuerdo y de la precisión para distintos sistemas derecomendación, bajo un intervalo de confianza del 99%. ................................................... 67Tabla 15. Descripción de las clases de la ontología sobre resturantes utilizada para elprocesamiento de las reglas en SWRL. ............................................................................... 82Tabla 16. Descripción de las relaciones de la ontología sobre resturantes utilizada para elprocesamiento de las reglas en SWRL. ............................................................................... 83Tabla 17. Descripción de los atributos de la ontología sobre resturantes utilizada para elprocesamiento de las reglas en SWRL. ............................................................................... 87 6
  7. 7. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social GlosarioAJAX XML y Javascript asíncrono (Asynchronous Javascript and XML). Es la integración de tecnologías de desarrollo Web usadas del lado cliente para la creación de aplicaciones Web interactivas.AllBut1 Todos menos 1. Forma de prueba dentro de los sistemas de recomendación en la que de un conjunto de ítems valorados por parte de un grupo de usuarios, se toma aleatoriamente un elemento evaluado por cada usuario, mientras que el resto de los datos se usan como conjunto de entrenamiento; tras el proceso de recomendación se busca que el elemento tomado aleatoriamente se encuentre dentro de los elementos recomendados, considerándose un hit o acierto en caso de así serlo.API Interfaz de programación para aplicación (Application Programming Interface). Conjunto de funciones y procedimientos que se ofrecen para utilizar una aplicación o repositorio de datos, a manera de capa de abstracción.FOAF Amigo de un amigo (Friend Of A Friend). Ontología expresada en RDF y OWL, usada para describir personas, sus actividades y sus relaciones con otras personas y objetos, permitiendo describir redes sociales sin necesidad de una base de datos centralizada.Geo Vocabulario en RDF por parte del W3C para geo posicionamiento. Incluye los atributos latitude y longitude.Jess Motor de inferencia a partir de reglas declarativas desarrollado en Java para el trabajo de sistemas expertos.JSP Páginas de servidor en Java (JavaServer Pages). Aplicación de la tecnología Java que permite a los desarrolladores a presentar páginas Web dinámicamente generadas, basadas en HTML, XML y otros tipos de documentos.Mashup Un mashup se refiere a una página o aplicación Web que combina datos o funcionalidades de dos o más fuentes externas, creando así un nuevo servicio. Dentro de los mashups más populares, se encuentran los que utilizan mapas Web con alguna otra fuente de datos.Medida-F Medida F es una métrica que evalúa el desempeño conjunto tanto de la precisión como del índice de recuerdo dentro de un sistema de recuperación de información. 7
  8. 8. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialnDCG Normalized discounted cumulative gain, métrica basada en la posición que ocupan los resutados recuperados dentro de un sistema de recuperación de información.OWL Lenguaje de ontologías Web (Web Ontology Language). Lenguaje de representación de conocimiento para ontologías; basado en RDF y con una semántica formal, es utilizado como una especificación del W3C dentro del desarrollo de la Web Semántica.PostGIS Módulo dentro del sistema gestor de bases de datos llamado PostgreSQL que añade soporte para objetos geográficos dentro de una base de datos.PostgreSQL Sistema gestor de bases de datos relacional de código abierto.Protégé Editor de código abierto para ontologías, basado en Java y con soporte para OWL.RDF Marco de trabajo para la descripción de recursos (Resource Description Framework). Especificación del W3C generalmente usada para la descripción conceptual o el modelado de la información a manera de recursos Web usando una sintaxis definida a manera de tripletas objeto-relación-objeto.RDF-S Esquema RDF (RDF-Schema), es un lenguaje para la representación de conocimiento que proporciona los elementos base para la descripción de ontologías, mediante la estructuración de recursos RDF. Es una recomendación del W3C y es usado dentro de OWL.REST Tranferencia de estado representacional (Representational State Transfer) es un acercamiento a la obtención de contenido de un sitio Web a partir de la lectura de una página Web designada para ello, conteniendo un archivo XML o texto en algún otro formato que incluya el contenido deseado.Rule-ML Lenguaje de marcado de reglas (Rule Markup Language), que busca representar reglas en XML para la deducción, reescritura y tareas de inferencia.SBL Servicios basados en localización (LBS, Location-based Services) que hacen uso de la posición geográfica de quien los utiliza.SIG Sistema de información geográfica (GIS, Geographical Information System). Es una integración de hardware, software y 8
  9. 9. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social de datos geográficos, con el fin de capturar, almacenar, analizar y desplegar información geográficamente referenciada. También puede definirse como un modelo de una parte de la realidad referido a un sistema de coordenadas terrestres que es construido para satisfacer necesidades concretas de información.SOAP Protocolo de acceso a objetos simple (Simple Object Access Protocol). Es un protocolo para el intercambio de información estructurada, dentro de la aplicación de servicios Web.SPARQL Lenguaje de consultas RDF y protocolo SPARQL (SPARQL Protocol And RDF Query Language). Es una recomendación del W3C como herramienta de consulta dentro de la Web Semántica.SPSS Software para minería de datos y análisis estadístico.SQWRL Lenguaje de reglas de consultas de Web Semántica (Semantic Query Web Rule Language). Extensión del lenguaje SWRL en el que el consecuente de una regla se maneja como una consulta SQL.SWRL Lenguaje de reglas de Web Semántica (Semantic Web Rule Language). Lenguaje de reglas basado en OWL y Rule-ML, desarrollado por la Universidad de Stanford. Este lenguaje permite la formulación de reglas en base a la implicación entre un antecedente y un consecuente, lo que puede traducirse como: cuando los antecedentes de una regla se cumplen, el consecuente se lleva a cabo.SWRLTab Extensión dentro del editor de ontologías Protégé para poder utilizar reglas SWRL y SQWRL.TRIPLE Lenguaje de transformación, inferencia y consulta RDF para la Web Semántica.W3C World Wide Web Consortium. Consorcio internacional que define recomendaciones a ser utilizadas dentro de la Web.XFOAF Extensión de FOAF realizada durante esta investigación, con el fin de poder describir las preferencias de una persona.XML Lenguaje de marcado extensible (Extensible Markup Language). Especificación del W3C, es un lenguaje extensible enfocado al manejo y almacenamiento de datos y que puede ser usado para describir otros lenguajes. 9
  10. 10. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social ResumenEl siguiente documento presenta la investigación realizada por el alumno Ismael Rafael PonceMedellín durante el desarrollo de su tema de tesis: Búsquedas contextuales de Servicios Basados enLocalización en un entorno de Web Social, dentro del programa de postgrado doctoral en el CentroNacional de Investigación y Desarrollo Tecnológico. Conforme la cantidad de información crece, los problemas de la relevancia y sobrecarga deinformación se vuelven más severos. Los sistemas de recomendación por filtrado colaborativo sehan presentado como una alternativa útil para proporcionar sugerencias relevantes y útiles paracada usuario dentro de un sistema. Los sistemas de recomendación han tomado auge, al contener una colección de juicios ocalificaciones por otras personas sobre contenido disponible en un sitio o servicio, lo que a su vezproporciona una invaluable fuente de información que puede ser usada para proporcionarrecomendaciones a cada usuario. Sin embargo, en el rubro de los servicios y lugares geolocalizables se torna importantetambién considerar las características individuales de los usuarios que quieren localizar algúnservicio, puesto que cada persona presenta atributos diferentes, tanto sociales, culturales yeconómicos, por lo que sus necesidades de información son diferentes. Diferentes situacionesimplican necesidades diferentes. Es por ello necesario conocer el contexto. Dentro de los sistemas de recomendación, la consideración directa de aspectos demercadotecnia no han sido ampliamente explotados, siendo esta fuente de información valiosa conrespecto al efecto de la información contextual sobre los usuarios, ya que presenta patrones decomportamiento para abordar las necesidades particulares de los distintos nichos de mercado a loscuales se les puede ofrecer una recomendación. El uso de tecnologías de Web Semántica, como ontologías y reglas de Web Semántica,permiten representar al modelo del usuario y su contexto, así como los patrones identificados en elárea de mercadotecnia, lo que permite llevar a cabo un proceso de inferencia para identificar loselementos a recomendar contextualmente relevantes para un usuario. Para mejorar el proceso de los sistemas de recomendación sobre servicios geolocalizables,el presente trabajo presenta un acercamiento que aprovecha tanto anotaciones sociales comoinformación contextual, haciendo uso del conocimiento colectivo de la comunidad de usuarios y dela información del usuario, su entorno y de los elementos a recomendar. El caso de estudio secentro a la recomendación de restaurantes como servicios geolocalizables. Se trabajó la demostración o refutación de la hipótesis sobre si la consideración deinformación contextual (haciendo uso de tecnologías de Web Semántica) así como de Web social,pueden mejorar el desempeño de la recuperación de información dentro de los sistemas derecomendación tradicionales, midiendo esto bajo las métricas de precisión e índice de recuerdo. Como parte de la investigación, se ha llevado a cabo la realización de un prototipofuncional que permitiera la experimentación correspondiente, prototipo que se ha denominadoSurfeous. 10
  11. 11. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Capítulo 1 1. IntroducciónEn el albor de la integración entre la sociedad y la tecnología cada vez se busca la manera desatisfacer las crecientes necesidades de sus usuarios y de facilitar el acceso a la información, deforma que ésta sea oportuna, actual y útil para quién la solicite. La tarea de acceder y recuperarinformación se convierte en una actividad de importancia para la toma de decisiones, pero condistintos obstáculos a vencer en lo que a esto concierne. Es así como los sistemas de recomendación por filtrado colaborativo han tomado auge paraproporcionar sugerencias relevantes y útiles al usuario (Lathia, 2009), ya que mantienen unacolección de juicios o calificaciones realizados por personas sobre contenido disponible en un sitioo servicio Web, lo que a su vez proporciona una invaluable fuente de información que puede serusada para proporcionar a cada usuario recomendaciones derivadas de las evaluaciones realizadassobre estos contenidos. No se puede considerar que los resultados recomendados por un sistema traten a losusuarios como si todos fueran iguales, existen rubros en los cuales esta diferenciación es másnecesaria y toma mayor realce, como es el caso de la búsqueda de lugares y serviciosgeolocalizables. En los últimos años se ha destacado el uso de los mapas digitales, con serios competidorescomo Google Maps, Yahoo Maps, Live Maps, entre muchos otros; la importancia de lainformación geográfica ha tomado gran interés y se encuentra en la mira de usuarios ydesarrolladores. En este rubro se torna importante considerar las características individuales de losusuarios que quieren localizar algún servicio o lugar, puesto que cada persona presenta atributosdiferentes, tanto sociales, culturales y económicos, por lo que sus necesidades de información encuanto a esto se refiere son implícitamente diferentes. Actualmente existen diferentes servicios basados en localización ofrecidos por losproveedores de comunicación móvil. Por ejemplo, servicios de planeación de rutas, guías de la 11
  12. 12. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialciudad, guías hoteleras o servicios de localización de estaciones de gasolina cercanas; la mayoríade las aplicaciones comerciales y académicas sólo usan unas cuantas dimensiones contextuales,principalmente la localización. La conciencia del contexto permite el filtrado de la información en base a la informacióncontextual específica del usuario, como la localización, el momento e incluso información delperfil del usuario. Diferentes situaciones implican diferentes necesidades de información y deservicios que ayuden al usuario a lograr sus objetivos (Holtkamp et al, 2008). Se debe considerar que un mismo usuario, en distintas circunstancias va a tener distintosobjetivos, es decir, una misma persona puede estar bajo distintas situaciones. Con lo anterior, surgeuna pregunta: ¿cómo abordar la recomendación de este tipo de servicios geo-localizables,considerando la individualidad de cada usuario? La Figura 1 presenta este problema bajo elparadigma de la caja negra.Figura 1. Problema de la caja negra para la recuperación de los elementos geo-localizables máspertinentes a la búsqueda de un usuario.Los distintos atributos que se pueden obtener para definir un perfil personal pueden ser usadoscomo filtro inicial para eliminar aquellos resultados que no sean deseados, dejando en primerainstancia los que se acerquen más a la necesidad de información del usuario. Para realizar una selección de resultados pertinentes para el usuario, además de losatributos que describen su perfil, es necesario conocer atributos que describan el contexto en el quese requiere realizar una recomendación. La construcción de modelos de usuario ayuda a la administración de conocimientocolectivo para proporcionar información relevante, personalizada y sensitiva al contexto (Cayzer &Michlmayr, 2009). Entre las previsiones tecnológicas de mediano plazo, definidas por Cayzer &Michlmayr, se identifican los servicios de acceso personalizado, lo cual implica que se necesitanmejoras en aspectos como los modelos semánticos de perfiles de usuario, su edición y el diseño deinterfaces para su captura. Es claro que conforme la cantidad de información en Internet crece de manera exponencial,los problemas de la relevancia de los datos y la sobrecarga de información son cada vez máscomplicados (Perry et al, 2009), por lo tanto, el uso de modelos semánticos es una solucióntecnológica para combatir esta problemática (Berners-Lee et al, 2001). Considerando las tecnologías de Web Semántica, Brut et al. (2009) presentan el desarrollode un modelo de usuario para sistemas de recomendación, usando técnicas de Web Semántica,especialmente ontologías; estos modelos permiten migrar el perfil de usuario de un sistema a otro,además de que el sistema de recomendación se independiza de la plataforma. Por otro lado, una vertiente actual recae directamente en la Web social, que permiteconectar personas con personas, incentivándolos a compartir sus destrezas en lugar de coleccionary almacenar información descontextualizada (Delalonde & Soulier, 2009). Con respecto a estaconsideración social, los sistemas de anotaciones sociales (conocidas en inglés como tags) 12
  13. 13. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialpermiten a los usuarios etiquetar sus recursos favoritos, misma actividad que como mencionaWeinberg (2007), ha traído un nuevo orden con respecto a la manera en que se busca y encuentrainformación. Una manera de aprovecharlas es mediante su uso dentro de los sistemas derecomendación por filtrado colaborativo (Tso-Sutter 2008), para encontrar los ítems más popularesy recomendados por la comunidad de usuarios, haciendo uso del conocimiento colectivo inherenteen este tipo de sistemas. El presente trabajo considera que el manejo de información contextual (auxiliado medianteel uso de tecnologías de Web Semántica), así como su interacción con elementos de Web social, enparticular, sistemas de anotación social (para el filtrado colaborativo de los resultados), puedenmejorar la precisión e índice de recuerdo dentro de la recuperación de información de los serviciosgeolocalizables, con respecto a los sistemas de recomendación tradicionales. Tanto la precisión como el índice de recuerdo son métricas comúnmente usadas dentro dela literatura de los sistemas de recomendación; éstas evaluán la relación entre los elementosrelevantes recuperados en una recomendación, con respecto a los elementos recuperados(precisión) y los elementos relevantes (índice de recuerdo). Una explicación más detallada de estasmétricas se encuentra en la sección 2.9. De lo anterior se distingue que este trabajo abarca dos vertientes. Por un lado, dentro de unenfoque de Web Semántica se considera que mediante el manejo ontológico de perfiles de usuarioy de perfiles de servicios especializados, así como de reglas de inferencia, puede mejorar larecuperación de información sobre los tipos de servicios geo-localizables que más se ajusten a lasnecesidades de información de quien consulte. El manejo de ontologías proporciona un mecanismointeroperable para almacenar y consultar información, además de que el uso de lenguajes basadosen reglas de Web Semántica permite inferir resultados que no se encuentren explícitos y puedansatisfacer una necesidad de información. Tanto con el uso de tecnologías de Web Semántica y de sistemas de recomendación, sepersigue obtener un conjunto de resultados que sean contextual y socialmente relevantes al usuario(Figura 2). Tecnologías de Web semántica Repositorio de datos de servicios geo-localizables Utiliza Maneja datos Realiza consulta Motor de consulta Usuario Utiliza Sistema de recomendación Anotaciones sociales Maneja datosFigura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la consultacontextual y social de resultados geo-localizables. 13
  14. 14. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.1 Descripción del problemaDentro de los sistemas de recomendación, se presenta el problema de la ordenación de lasrespuestas que son devueltas al usuario, ya que si se devuelve un conjunto extenso de resultados, elusuario puede no tener el tiempo ni el interés de consultarlos todos, por lo que es necesariogarantizar que los resultados que ocupen los primeros lugares sean los más relacionados con lanecesidad de información planteada. Con respecto a la recomendación de servicios basados en localización, surgen una serie deconsideraciones que no son comunes en los servicios de recomendación tradicionales, entre las quese incluyen: las necesidades particulares de quien consulta y las condiciones de su entorno, asícomo la información espacial y temporal que influyen en la relevancia o no de los resultadosrecuperados, es decir, su contexto. Las necesidades de una persona son distintas a las de otra, por loque no se debe esperar que el conjunto de resultados devueltos ante una misma consulta, bajodistintas condiciones, momento y lugar, sean iguales. Además, también interviene la valoración que dan los usuarios a los elementos arecomendar, siendo la misma comunidad, por ejemplo para el caso de servicios basados enlocalización, la que indica los lugares a los que prefiere asistir, conformando de esta manera a lallamada inteligencia colectiva. Ésta puede ser aprovechada por medio de las anotaciones socialesque utilizan los usuarios. El uso de anotaciones sociales permite identificar información ycontenidos relevantes y populares mediante palabras comunes que la describan y, por otra parte,también se pueden utilizar para encontrar resultados similares que se encuentren descritos bajo lasmismas anotaciones. Es así como se presenta el aprovechar la información de contexto y las anotacionessociales para este problema en los sistemas de recomendación, en particular para la recomendaciónde servicios basados en localización.1.2 ObjetivoEl objetivo de esta investigación fue encontrar una mejora en el desempeño de los sistemas derecomendación para una consulta de servicios basados en localización, medido en cuanto a lasmétricas basadas en precisión e índice de recuerdo, haciendo uso de anotaciones sociales y delmanejo de información contextual. Para ello se siguió el análisis y diseño de una metodología para la recuperación yordenamiento de resultados en un sistema de recomendación por filtrado colaborativo, evaluandosu desempeño con respecto a los sistemas de recomendación tradicionales. El sistema derecomendación perseguido combina tecnologías de sistemas de información geográfica, el manejode información contextual mediante tecnologías de Web Semántica y el uso de anotacionessociales. Para lograr el objetivo general, se contemplan los siguientes objetivos específicos: El manejo de una metodología que permita la recomendación de servicios, basada en anotaciones sociales e información contextual. Presentar un mecanismo de ordenación jerárquica que incorpore tanto el impacto contextual como social al momento de presentar los resultados. Experimentación con una arquitectura que considere módulos para el manejo de la información contextual, de anotaciones sociales y la visualización en un mapa de los puntos de interés seleccionados. 14
  15. 15. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.3 Justificación y beneficiosComo una manera de demostrar las limitaciones con las que cuentan los sistemas actuales debúsqueda de servicios basada en la localización del usuario, si se toman en cuenta los servicios deGoogle Maps1, Yahoo local maps2 y Bing Mapas3 (anteriormente Live Search Maps), no presentanuna manera en la que el uso de información contextual pueda ser utilizada al momento de buscar unservicio geolocalizable. Existen servicios en línea TrustedPlaces4, que se limitan a identificar eltipo de servicio geolocalizable solicitado, la limitante de este tipo de servicios es que no es posibleaplicar consideraciones contextuales para la obtención de resultados. El uso de sitios sociales como Tagzania5, es útil para encontrar lugares dentro de una zona,que hayan sido anotados socialmente con determinadas palabras, pero no presenta utilidad parabúsquedas particulares ni contextuales; el uso de anotaciones por sí solas, se muestran insuficientespara poder realizar búsquedas sobre algún servicio en particular, sin embargo, cobran relevanciacuando se incorporan a un sistema de recomendación (Tso-Sutter, 2008). Mediante el empleo de anotaciones se brinda libertad al usuario de escribir y describir loque quiera y en la forma que quiera, bajo los términos que considere más convenientes, usando unlenguaje común para él; conceptos como la usabilidad parten de la retroalimentación del usuario,pues a final de cuentas, es quien tiene la última palabra sobre lo que le gusta o no, su participacióny retroalimentación es pues un medio para un desarrollo usable. Por otra parte, un aspecto no abordado de manera explícita dentro de los sistemas derecomendación recae en la consideración de aspectos de mercadotecnia dentro de los mismos,siendo una alternativa para explotar la información contextual. La relevancia de la mercadotecniarecae directamente en las distintas consideraciones que se toman en cuenta para abordar lasnecesidades particulares de los distintos nichos de mercado a los cuales se les puede ofrecer unarecomendación. La mercadotecnia parte de la premisa de que no todos los consumidores u organizacionestienen necesidades idénticas, por lo tanto, es necesario dividir al mercado total en segmentos declientes potenciales con necesidades semejantes. La segmentación permite obtener respuestas másprecisas a las necesidades de los clientes, sin embargo estos segmentos de mercado van cambiandogradualmente de acuerdo a cambios culturales y generacionales (Bennett 2010). Esta capacidad deevolución de los segmentos es aprovechado en esta investigación mediante la aplicación de reglasheurísticas que representen patrones de comportamiento identificados previamente por lamercadotecnia y que puedan ser adaptables y extendibles de acuerdo a los nuevos cambios de lasociedad, aprovechando la escalabilidad que permiten las ontologías dentro de la Web Semántica. Tras la conjunción de la aplicación de anotaciones sociales y de información contextualdentro de los sistemas de recomendación, los beneficios de esta investigación son: Aprovechamiento de la retroalimentación de los usuarios con información de primera mano de sus preferencias. Proporcionar una manera de contextualizar las recomendaciones a los usuarios. Ordenación de los resultados en cuanto a la popularidad y valoración social de los mismos, incrementando la precisión y el índice de recuerdo sobre los sistemas de recomendación tradicionales.1 Google Maps, www.maps.google.com2 Yahoo! Local, http://local.yahoo.com/3 Bing Mapas, http://www.bing.com/maps4 Trustedplaces by Yell http://www.yell.com/reviews5 Tagzania, http://www.tagzania.com/ 15
  16. 16. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social1.4 HipótesisSe persigue que el índice de recuerdo y la precisión dentro de un sistema de recomendación queconsidere anotaciones sociales y contexto, sea mayor que el índice de recuerdo y la precisión de lossistemas de recomendación tradicionales. Las hipótesis de investigación perseguidas en este proyecto de investigación consideran: I. El uso de aspectos contextuales permiten una mayor precisión e índice de recuerdo sobre los sistemas de recomendación tradicionales. II. Es posible mejorar el desempeño de consultas de servicios basados en localización, en cuanto a la precisión e índice de recuerdo, mediante la incorporación en conjunto de elementos contextuales y anotaciones sociales. Para estas hipótesis, es necesario considerar el siguiente modelo matemático: Un conjunto de usuarios: U = { u1, u2, ..., u|U|} Un conjunto de ítems: I = { i1, i2, ..., i|I|} Un conjunto de anotaciones sociales: A = {a1, a2, ..., a|A|} Un conjunto de reglas contextuales: R = {r1, r2, …, r|R|} Se considera a la acción de tagging (el uso de anotaciones sociales de los usuarios sobre losítems) a t: U × I × A  {0, 1}, para indicar si un ítem ha sido o no etiquetado por un usuario, esdecir t(um, in, ao) = 1 o bien t(um, in, ao) =0 en caso contrario. Para el uso de las reglas contextuales, se tiene que reg (um, in, ro) =1 o reg (um, in, ro)=0, dependiendo si bajo la regla ro se recomienda o no el ítem in al usuario um. El problema de la recomendación consiste en que, sea un u m  U , I u m el conjunto de ítemsvalorado del usuario um, se busquen elementos a recomendar in, tales que in  I  I um , es decir,que no pertenezcan a los elementos ya evaluados por el usuario. Para ello se considera a P(um, in) elvalor de la predicción del ítem in al usuario um, y se busca un conjunto ordenado de ítems tales quei x ,..., i z  I  I um , donde la recomendación al usuario um consiste de los ítems rec(um) = {ix,…iz},donde P(um, ix)>= …>=P(um, iz). 16
  17. 17. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Capítulo 22 Marco teóricoConforme crece la integración de la sociedad con la tecnología, la tarea de acceder y recuperarinformación se vuelve una actividad de importancia para la toma de decisiones ante las crecientesnecesidades de los usuarios. Estas necesidades se avocan a una recuperación de información másnatural, rápida y pertinente, características relevantes si se considera que los resultados obtenidosmuchas veces no satisfacen las expectativas de los usuarios. Bajo este ámbito, el uso de losservicios basados en localización permite a los usuarios acceder a información para la localizacióngeográfica de lugares o puntos de interés. Sin embargo, la presente investigación abarca no sólo a los servicios basados enlocalización, sino que hace uso también de distintas áreas (ver Figura 3). A continuación sedescriben brevemente las áreas consideradas dentro de este trabajo.Figura 3. Áreas relacionadas con la investigación de la presente investigación. 17
  18. 18. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social2.1 Información geográfica en mapas y sistemas LBSLos LBS son servicios que a partir de la localización geográfica de un usuario, puedenproporcionarle información relevante a su posición. Steiniger (2006) presenta la infraestructura delos LBS compuesta por (ver Figura 4): Usuario, junto con su dispositivo móvil. Red de comunicación, que transfiere los datos entre el usuario y el proveedor del servicio. Componente de posicionamiento, como el medio para determinar la localización del usuario. Proveedores, que son el proveedor del servicio y el proveedor de datos y contenidos; éste último es a quién recurre el proveedor del servicio para obtener la información y los datos geográficos necesarios para atender la solicitud del usuario.Figura 4. Componentes básicos de un LBS: Usuario, Medio de posicionamiento, Red de comunicación,Proveedor de servicios y contenidos. Las necesidades principales que deben poder satisfacer los LBS son: la identificación,búsqueda y verificación, con lo cual, se puedan responder a preguntas como ¿dónde estoy?, ¿dóndeencuentro este servicio? y ¿qué hay a mí alrededor? respectivamente. La característica primordial de los servicios LBS es que proporcionen a los usuariosinformación “justo en el momento”, que dicha información sea de un dominio particular de interéspara el usuario y que puede ser usada mientras permanezca en el área en que actualmente seencuentra. Pekkinen (2002) referencia a Durlacher, al indicar que los factores de éxito para lastransacciones móviles sobre LBS con mapas (Figura 5), son:  La locación, que el mapa mostrado al usuario sea del área de interés.  Personalización, que se adapte la información mostrada a la tarea que se esté realizando, por ejemplo, ya sea navegación en vehículos o de contenido individual, según sea la necesidad.  Inmediatez. Se refiere a que el contenido sea actual. 18
  19. 19. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web SocialFigura 5. Factores de éxito en las transacciones móviles.En los últimos años el uso de mapas geográficos vía Web ha tomado gran interés, ya que estossistemas de información geográfica incluyen puntos de interés, que toman su información a partirde distintas fuentes de datos y se combinan con otras aplicaciones para dar una experiencia de usomás completa a los usuarios, a esta tendencia de aplicativos se les conoce como mapas mashups(Clarkin & Holmes, 2007). Los mashups son un género de aplicaciones Web interactivas que permiten recuperarcontenido de fuentes externas para crear nuevos servicios. Los mashups son un sello de la segundageneración de aplicaciones Web conocida informalmente como Web 2.0. Involucran un conjuntode tecnologías relacionadas, su arquitectura básica se compone de una API / proveedor decontenidos, del sitio Web donde se encuentre el mashup y del navegador Web del cliente. EmpleanAJAX y hacen uso de protocolos Web como SOAP y REST; también como se menciona en(Merrill, 2006), algunos están relacionados con el uso de Web Semántica y ontologías RDF. La relevancia que han tomado los mashups con respecto a información geolocalizable,queda manifestada en los mashups de mapas, que combinan distintas APIs de mapas en línea(como Google Maps, MapQuest, entre una creciente variedad de los mismos) con otros servicios,permitiendo incluso que actualmente cualquier persona pueda mostrar un mapa con sus puntos deinterés y publicarlo en línea. En palabras de Mills (2005): “ahora vemos que en todo rededor hayuna gran cantidad de información interesante relacionada con la localización, pero antes no habíamanera de expresarla ni hacer algo útil con ella”. Finalmente, considerar que el uso de información geográfica a través de la Web, permitelibrar barreras espaciales y temporales y en donde también se considera que sus interfaces enInternet se presenten como clientes ligeros que permitan usar mapas y descargar informaciónespacial sin necesidad de tener instalada una aplicación sobre sistemas de información geográfica(SIG) (Bleecker, 2005).2.2 Ontologías en los sistemas de información geográficaEn una ontología se definen los conceptos de un dominio. Un mismo dominio puede tener distintasinterpretaciones y por ende, distintas ontologías, dependiendo del fin para el que vaya a serutilizado o su contexto de aplicación. Dentro de las ontologías se definen clases, relaciones entrelas clases y ejemplares de las clases (Figura 6 y Figura 7). 19
  20. 20. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Ejemplar Subclase Propiedad Clase Clase Subclase: Restaurante Ejemplar: Rafael Ponce prefiere Clase: Usuario Clase: LugarFigura 6. Una ontología se compone de clases y subclases, que a su vez contienen ejemplares para lasmismas. Dentro de este enfoque, las clases pueden comprender desde usuarios hasta lugares. geo:latitud float Lugar geo:longitud float Subclass of Subclass of Has a Hotel Restaurante Subclass of Instance of Restaurante geo:latitud 128 Italiano Instance of Hotel X geo:longitud Instance of 34 geo:latitud 128 Restaurante Y geo:longitud 34Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintos tipos de clasesy cómo sus ejemplares las heredan. El uso de ontologías en desarrollos SIG permite el intercambio de conocimiento y laintegración de información, ya sea para definir vocabularios comunes que minimicen los problemasde semántica en la interoperabilidad, para el modelado de metadatos, la comunicación designificado de los datos entre dominios, la integración de datos, la clasificación de recursos y la 20
  21. 21. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialrecuperación de información. Su uso presenta una serie de ventajas para integrar informacióngeográfica por Internet, como: - La posibilidad de hacer consultas basadas en valores semánticos. - La disponibilidad de información a diferentes niveles de detalle. - El acceso dinámico a la información. Fonseca (2000) maneja que si las ontologías forman parte de un sistema activo deinformación, como un SIG, se puede hablar entonces de las Ontology-Driven GeographicInformation Systems (ODGIS), o Sistemas de Información Geográfica Manejados por Ontologías.La ventaja de los ODGIS es su capacidad de tener múltiples interpretaciones (roles) de una mismacaracterística geográfica, con lo cual, se pueden atender a distintos segmentos de mercado.2.3 Dependencia contextualExisten distintas acepciones para definir lo que es el contexto, por ejemplo, todo aquello quepermita determinar un conjunto de posibles respuestas, o lo necesario para entender una pregunta;la Real Academia de la Lengua Española lo define como un entorno físico o de situación, ya seapolítico, histórico, cultural o de cualquier otra índole, en el cual se considera un hecho. Así, se dabase a afirmaciones como “todo es dependiente del contexto”, que consideran al contexto como unelemento ubicuo. Los primeros trabajos relacionados a la conciencia del contexto se remontan a la década delos 90s. Schilit fue uno de los primeros en acuñar el término, mientras que Dey extendió la nociónde contexto a la idea de que la información contextual puede ser usada para caracterizar unasituación y responder a ella (Vert 2011). A su vez, Sun (2004) denota que el contexto puede serdesde aspectos externos del entorno de una persona (ambiente geográfico físico, eventos culturales)hasta aspectos internos (como la condición física de la persona). Un sistema consciente del contexto es el que usa el contexto para proporcionar informaciónrelevante y servicios al usuario, en el que la relevancia depende de la tarea del usuario. Existendistintas clasificaciones del contexto, como la definida en (Nivala, 2003), orientadas haciausabilidad:  Contexto: Localización. La principal ventaja con respecto a los mapas tradicionales, es saber la ubicación actual del usuario.  Contexto: Sistema. Involucra los tamaños de pantalla, las funciones de los botones, los colores por pantalla, el poder de procesamiento y las capacidades de memoria, características que podrían servir para que el sistema las tomara en cuenta al momento de mostrar información en el mapa.  Contexto: Propósito de uso. Los mapas tienen distintos usos (topográficos, de turismo, pesca, etc.), el mapa se debería adaptar a cada situación particular.  Contexto: Tiempo. Dependiendo del momento del día, serían los elementos a ser mostrados, disponibles según la hora, como cafeterías o negocios abiertos, también influenciados por la estación del año.  Contexto: Alrededores físicos. La iluminación, usar el móvil de día o de noche debería cambiar los colores de despliegue. En el caso de la sugerencia de las rutas para llegar a un destino determinado, se debería indicar que tan largo es el camino, cuanto tardaría en llegar, cómo varía el terreno en el recorrido, etc.).  Contexto: Historial de navegación. Usar previas localizaciones del usuario para llevar una bitácora de recorridos del usuario.  Contexto: Orientación. Poder agregar un sensor de orientación para saber hacia dónde mira el usuario y rotar el mapa a su posición actual. 21
  22. 22. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social  Contexto: Cultural y social. Se deben cuidar aspectos culturales, como la simbología mostrada y los colores utilizados, entre otras características como del tipo formato de fechas, pesos y medidas, formalidad, capitalización, etc.  Contexto: Usuario. Aspectos personales como género, hábitos, etc. Por su parte, Yu (2005) identifican los siguientes elementos que influyen para determinar elcontexto de un usuario: Contexto ambiental. El tiempo y clima de la localización del usuario. Perfil de usuario. Los gustos y preferencias que tiene el individuo que solicite un servicio. Perfil de datos. Referente a la información de las fuentes de datos que puede solicitar un usuario, ya sea, horarios de apertura y cierre, tipos de comida, etc., de los proveedores de algún servicio. Finalmente, otra clasificación de contextos, hecha por Chen y Kotz, que a la vezcomplementa la efectuada por Schilit (Nivala, 2003) considera:  Contexto computacional (conectividad de red, recursos cercanos como impresoras).  Contexto de usuario (perfil de usuario, ubicación, personas cercanas, situación social actual).  Contexto físico (luz, ruido, tráfico, temperatura).  Contexto temporal (momento del día, semana, mes o estación del año). La importancia de la información contextual recae en la posibilidad de poder proporcionarinformación más personalizada. Dentro de los LBS, la localización del usuario es el componenteprimario del contexto. Dentro de este escenario, los tipos de contexto considerados, a partir de trabajos como(Nivala 2003), (Sun 2004) y (Yu 2005), quedan denotados de la siguiente manera:- Contexto ambiental / temporal. El tiempo y clima de la localización del usuario, el momento del día, semana, mes o estación del año. Su importancia radica en que dependiendo del momento del día, se seleccionarán los elementos a ser mostrados, disponibles según la hora, como cafeterías o negocios abiertos, también influenciados por la estación del año y la condición del clima.- Perfil de usuario. Los gustos y preferencias que tiene el individuo que solicite un servicio, su ubicación y su situación social actual- Perfil de datos. Referente a la información de las fuentes de datos que puede solicitar un usuario, ya sea, horarios de apertura y cierre, tipos de comida, etc., de los proveedores de algún servicio.2.4 Web SemánticaLa Web Semántica se presenta como una extensión de la Web actual, partiendo de una visión delfuturo de la Web por parte de Tim Berners-Lee; esta visión incluye el tener relaciones entre losdistintos elementos de información, manejando meta datos adicionales para que las máquinas seancapaces de procesar la información de la Web. La Web Semántica se centra en dos aspectos: a) Formatos comunes para el intercambio dedatos y b) un lenguaje para registrar cómo los datos se relacionan con los objetos del mundo real(Zhao, 2009). La llegada de la Web Semántica promete un framework genérico para usar lasontologías en la captura de significados y relaciones, y para la recuperación de información. Dentro de la Web Semántica entran en juego distintas tecnologías, como base se tiene aXML que suministra la base sintáctica para la interoperabilidad en la Web, a XML Schema quien 22
  23. 23. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialprovee de una capacidad de estructuración como bases de datos para los objetos Web. RDF/Sproporciona un lenguaje simple para la expresión de conceptos de ontologías, sus relaciones yejemplares, mientras que OWL permite definir una ontología con mayor expresividad, usandoRDF/S para la representación de los ejemplares que conforman a la misma. Las ontologías, como una especificación de una conceptualización (Gruber 1993),proporcionan un acuerdo común sobre el entendimiento del conocimiento de un dominio, enfocadoal intercambio entre aplicaciones y grupos (Chandrasekaran, 1999). Dentro de la misma evolución de la Web Semántica, recientemente también se haempezado a mencionar la Web Semántica geoespacial (GSW, Geospatial Semantic Web), siendoésta una versión específica del dominio geoespacial de la Web Semántica (Zhao et al, 2009). Con eldesarrollo del razonamiento semántico geoespacial se podrá inferir conclusiones de unconocimiento geoespacial dado, al descubrir conocimiento ontológico implícito. Por ejemplo,supóngase que el área Y está dentro de X, que el área Z está en el área Y, se podría deducir que Zestá dentro de X si el significado de dentro y en están bien definidos, por ejemplo, como que dentroes lo mismo que (is same as) en, y que ambas son propiedades transitivas6. De la lógica derepresentación a la lógica computacional, la GSW aumenta la habilidad de expresar y deducirconceptos y relaciones geoespaciales, para lograr la interoperabilidad entre aplicaciones y datosgeoespaciales heterogéneos.2.5 Anotaciones socialesLos sistemas de anotación social son una herramienta usada por los usuarios para seguir, compartiry encontrar información en la Web (Smith, 2008). La anotación social (tagging) de recursos es unamanera de hacer más útil y accesibles los contenidos y recursos de algún tipo en la Web; el taggingse refiere tanto a la gente que usa estos sistemas, los recursos, las anotaciones (tags) que losdescriben y las diferentes maneras de interacción que estos sistemas permiten. Smith describe el modelo básico de un sistema de anotaciones sociales de la siguientemanera:  Usuarios. Las personas que usan el sistema al crear anotaciones y ocasionalmente agregar nuevos recursos; los usuarios tienen el objetivo de compartir o etiquetar un recurso, de manera que después también puedan encontrarlo.  Recursos. Son los elementos que son etiquetados por los usuarios. Pueden ser cualquier cosa, desde un libro, una página Web o una locación geográfica.  Anotaciones. Son las palabras clave agregadas por los usuarios a un recurso. Pueden ser cualquier clase de término, ya que su uso es recordar o describir algo, para su posterior localización. Las anotaciones son metadatos acerca de los recursos; la NISO (National Information Standards Organization) describe a los metadatos como “estructuras de información que describen, explican, localizan o de alguna manera hacen más sencillo el recuperar, usar o administrar un recurso de información”. Un patrón común que aparece en los sistemas de tagging es la ley del poder (power law), lacual es una distribución que se caracteriza por que unos pocos elementos ocurren con una altafrecuencia, mientras que muchos presentan una baja frecuencia. Por ejemplo, en la Web esto seejemplifica cuando unas pocas páginas Web atraen la mayoría de los enlaces y visitas, mientras quela mayoría del tráfico viene de unos pocos recursos. En un ambiente de tagging, sin importar elcontenido del sitio o las anotaciones usadas por las personas, la distribución de anotaciones sigue el6 Una relación es transitiva si un elemento a que está relacionado con un elemento b y ese elemento b tiene lamisma relación con un elemento c, implica que a también está relacionado con c. 23
  24. 24. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialmismo patrón. Este patrón sigue la idea de que si una anotación ya ha sido usada, hay una altaprobabilidad de que vuelva a utilizarse. Algunas razones por las que el uso de anotaciones es más sencillo que el uso de unesquema de categorías, es que al usarlas no es necesario conocer en su totalidad el sistema decategorización, ya que se pueden agregar la cantidad de anotaciones que se deseen, en vez deencontrar la categoría que mejor describa a un recurso. También es utilizada la clasificación por facetas, como una manera de organizar las cosas através de sus características relevantes, lo que permite que un elemento sea clasificado bajomúltiples dimensiones y a la vez, pueda ser encontrado siguiendo distintos caminos. Por ejemplo,en un sitio de ventas de ropa, las facetas que tiene una prenda varían, ya sea su color, talla omaterial, siendo cada una de estas características una manera de clasificar los elementos en venta. Algunos sistemas de anotaciones aprovechan la clasificación por facetas para aumentar elvalor semántico de sus anotaciones, por ejemplo Buzzillions.com considera las siguientes cuatrofacetas: pros, contras, mejores usos y descripción; dentro de cada una de estas facetas, se sugierenposibles anotaciones para etiquetar un producto en cuestión, permitiendo también agregar laspropias. En el etiquetado bajo facetas, aunque las facetas ya se encuentran definidas, los términos enellas no, ya que estos corresponden a las anotaciones usadas por los usuarios. Entre los beneficiosde la creación de facetas destacan: - Las facetas hacen a las anotaciones más precisas. - Las facetas mejoran el poder encontrar elementos y hacer una búsqueda más fácil, al agrupar a las anotaciones bajo conceptos delineados. Mientras que en otros sistemas de clasificación, las relaciones entre los términos estándefinidas, en las folcsonomías (sistemas en los que se aplica el uso de anotaciones sociales) lasrelaciones entre las anotaciones pueden ser inferidas a partir de los patrones de uso, ya que no hayrelaciones formales entre ellas, excepto la de “tiene cierto grado de relación con”. Por lo tanto, yaque las anotaciones no tienen una relación semántica definida, sí pueden tener una relaciónestadística, basada en la co-ocurrencia de tags. Las folcsonomías son útiles bajo las siguientessituaciones: - Cuando la nomenclatura es incierta o evoluciona constantemente. - Cuando el espacio de información es dinámico. - Cuando las relaciones semánticas no son críticas. - Cuando se requieren múltiples puntos de vista. Las folcsonomías pueden capturar las perspectivas de multitudes. - Cuando se puede contar con una base de usuarios activos. A diferencia de otros sistemas controlados, las anotaciones no fuerzan a los usuarios a usarcategorías existentes, sino que los motivan a usar un vocabulario natural. La ciencia clásica deinformación y bibliotecas trataron de imponer un orden sobre la Web, en pro de facilitar larecuperación de información, pero fallaron, ya que la información en la Web es grande, caótica ymuy dinámica. A diferencia de estos intentos, Google por ejemplo, trató de buscar característicasdentro de este caos y las explotó para obtener un mejor sistema de recuperación. El uso de anotaciones ha abarcado incluso a los recursos sobre lugares geográficos, dandolugar al geotagging. El geotagging consiste en agregar tags como latitud, longitud y nombre dellugar a un recurso, por ejemplo en fotos, como en el servicio de Flickr, que usa machine tags. Lasmachine tags son una convención usada para crear tags que puedan ser procesados y entendidos porlas computadoras; al igual que los tags, no necesitan ser predefinidos para su uso, aunque algunosmachine tags estándares han ido emergiendo. Ejemplo, los usados para definir valores geográficoscomo: “geo-lat=46.9870”, “geo:lon=”114.0932”. 24
  25. 25. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Los machine tags se componen de tres elementos: un nombre de espacio, una clave y suvalor. Su uso se asemeja a los sistemas por facetas, en donde el nombre de espacio representa aldominio (“geo”), la clave a la faceta (“lat”) y el valor a la propiedad de la faceta (“46.9870”).2.6 Perfil de usuario y personalizaciónEl entendimiento de las necesidades y deseos de información de los usuarios reside en su mente, loque dificulta su representación directa y el emparejamiento de sus necesidades con un sistema(Cregan, 2008). El tener perfiles de usuario puede ayudar a predecir la intensión de las consultas ambiguasde los usuarios, también puede ser una manera de ayudarlo cuando no sabe lo que está buscando;Sugiyama (2004) los usa para modificar los resultados de una consulta y para ser usados en lasredes sociales con distintos fines, como encontrar colegas, expertos o comunidades de interés(Adamic, 2005). Este tipo de nuevas tendencias ha impactado, en los últimos años, los métodos deevaluación de recuperación de información (RI), ya que se han orientado a aspectos másrelacionados a los usuarios finales, es decir, tomando en cuenta la personalización de los mismos. La personalización se basa en perfiles de usuario, preferencias de usuario, políticas de usoy otros componentes de conocimiento (Tsetsos, 2009). La personalización es el proceso de entregarcontenido o servicios a un usuario, en base a sus preferencias, intereses, necesidades y a sucontexto en general, con el propósito de adaptarlos a las características específicas del usuario enpro de lograr un desempeño óptimo. Entre las aplicaciones que requieren de personalización, seencuentran los servicios basados en localización, por ejemplo, para servicios de navegación, dechequeo o de emergencias (Gartner, 2004; Tsetsos et al, 2006; Kikiras et al, 2006), o en losservicios de e-turismo para proporcionar guías turísticas personalizadas a los usuarios (Srivihok,2005; Puhretmair, 2002). Por lo tanto, la mayoría de las aplicaciones sobre personalización decontenido se enfocan a los sistemas de recuperación y de recomendación (Tsetsos, 2009). Dentro del área de la personalización, las ontologías son la mejor herramienta para expresarlos atributos que describen el perfil de un usuario ya que los lenguajes ontológicos proporcionandistintas maneras de representar las características del usuario (Tsetsos, 2009), esto es debido a queel modelado de los elementos de la aplicación con ontologías proporciona interoperabilidad,reutilización y extensibilidad al sistema. Concluyendo, para lograr una mayor personalización, es necesario tomar en cuentaaspectos del contexto del usuario, lo que permitirá un filtrado de la información en base a sulocalización, el momento e incluso información de su perfil, entre otras fuentes. Diferentessituaciones implican la necesidad de diferente información y servicios que ayuden al usuario alograr sus objetivos.2.7 Sistemas de recomendación por filtrado colaborativoLos sistemas de recomendación han sido trabajados desde la década de los 90s, incluyendoinvestigaciones como la de Resnick et al (1994), el sistema de filtrado automático Tapestry(Goldberg, 1992), el proyecto de investigación de GroupLens usado sobre Usenet (Konstan, 1997),entre otros. El éxito inicial de estos sistemas de recomendación fue aplicado a sitios de comercioelectrónico, aunque en la actualidad su uso es aplicado en diferentes áreas como recomendación demúsica, libros, entre otras. Los sistemas de recomendación actuales consideran los siguienteselementos: Usuario. Usuario final del sistema o la persona a la que se le van a proporcionar recomendaciones. 25
  26. 26. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social Recomendadores. Usuarios que contribuyen a la recomendación. Rating. El problema de generar recomendaciones es descrito comúnmente como un problema de predecir que tanto le gustará o la calificación exacta que un usuario le dará a un ítem. Perfil. Los usuarios de un sistema de recomendación pueden ser modelados de acuerdo a una variedad de información, pero la más importante es el conjunto de ratings que los usuarios han proporcionado al sistema, lo que corresponde a cada perfil de usuario. Burke (2007) resume las siguientes técnicas de recomendación automáticas: - Recomendación basada en contenido. Usa la información de los contenidos de los documentos y los correlaciona con la información del perfil de usuario. - Recomendación colaborativa. Basada en el filtrado social de la información, donde la recomendación se da en base a las calificaciones de los usuarios similares. - Recomendación demográfica. Considera las calificaciones de los usuarios similares en base a datos geográficos. - Recomendación basada en utilidad. Se codifican las preferencias de los usuarios como una función de utilidad que es aplicada a todos los documentos o ítems. - Recomendación basada en conocimiento. Usa un cuerpo de conocimiento auxiliar que describe cómo los ítems pueden satisfacer distintas necesidades, para aplicar un proceso de inferencia que empareje la descripción de las necesidades del usuario y seleccionar los ítems más útiles.Dentro de las técnicas de recomendación, las más comunes son el filtrado colaborativo, el filtradobasado en contenidos y el filtrado híbrido, combinación de las dos anteriores (Lathia 2009;Candillier, 2009). Los sistemas de recomendación por filtrado colaborativo parten de la inteligencia colectiva,la cual se refiere a la combinación del comportamiento, las preferencias e ideas de un grupo depersonas para llegar a nuevas conclusiones (Segaran, 2007). Los inicios de la inteligencia colectivase remontan antes de la era de Internet, aprovechando la información de los censos, puesto que lacolección de respuestas obtenidas de grandes grupos de personas permite obtener conclusionesestadísticas sobre ellos, descubriendo características que incluso los miembros del grupo puedendesconocer que tienen. Esta actividad se ha potenciado gracias a que en la Web se puede colectarinformación de hasta miles de usuarios, ya que muchas de las tecnologías actuales permiten unaamplia participación social, como lo ha demostrado la Wikipedia y Google. Estos sistemas han tomado auge al contener una colección de juicios o calificaciones porotras personas sobre contenido disponible en un sitio o servicio, lo que a su vez proporciona unainvaluable fuente de información que puede ser usada para proporcionar a cada usuario conrecomendaciones. Su objetivo radica en filtrar contenido para proporcionar sugerencias relevantesy útiles para cada usuario del sistema (Lathia, 2009). El filtrado colaborativo es el algoritmo dominante, consistiendo de una predicción deratings o de elementos de interés, basados en las preferencias de varios usuarios, lo cual ha sidoaplicado en sitios de comercio electrónico, aplicaciones sociales, etc. (Herlocker, 2004). El modelode este proceso incluye a los usuarios que usan el sistema, mismos a los que el sistema derecomendación les devolverá una lista con ítems que puedan ser de su agrado; para ello lainformación de las preferencias de los usuarios ya almacenada es usada para lograr esta predicción(Terveen, 2001) (ver Figura 8). Este acercamiento se centra en el juicio humano, basándose en laopinión de las comunidades de usuario, orientando su poder de filtrado hacia las cualidades,presentando recomendaciones personalizadas y únicas, basadas en los intereses de los usuarios y enla opinión de los demás usuarios en el sistema. El filtrado colaborativo difiere de los sistemas de recuperación de informacióntradicionales en dos aspectos: a) la construcción de un modelo de usuario y b) la selección de las 26
  27. 27. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Socialopiniones de los usuarios; con esto, el usuario puede ser comparado de acuerdo a característicascomunes sobre los ítems en el sistema y crear así vecindarios de usuarios.Figura 8. Modelo de un proceso de recomendación (Terveen 2001).2.7.1 Sistemas tradicionales de recomendación por filtrado colaborativoDentro de los sistemas de recomendación por filtrado colaborativo, se distinguen dos enfoques: elbasado en usuario y el basado en ítem. Para la predicción del filtrado colaborativo basado en usuario, las recomendaciones son unalista de ítems jerarquizada mediante la frecuencia decreciente de la ocurrencia de los ítemsvalorados por los vecinos de un usuario, es decir, toma en cuenta la cantidad de vecinos Vu de unusuario um que han etiquetado un ítem in, es decir, está dada por la fórmula (1). {v Vum | in  I uv P usuario(u m , in )  (1) Vm Mientras que para el filtrado colaborativo basado en ítem se consideran el topN derecomendaciones, a partir de la lista de ítems jerarquizada en forma decreciente de la suma de lassimilitudes entre un ítem in a recomendar contra sus vecinos Vi que han sido calificados por unusuario um, como muestra la figura (2): P item (u m , in )   w(i , i ) ix Vin  I u m n x (2) Como se menciona en (Segaran, 2007), para el cálculo de la similitud, se pueden utilizardistintas métricas, como la distancia euclidiana, el coeficiente de Jaqcard, la distancia deManhattan, la correlación de Pearson o el coeficiente de Tanimoto (especialmente para los casosdonde el peso se maneja como 1s o 0s, es decir, presencia o ausencia), midiendo así el traslapeentre dos vectores con respecto a los elementos que comparten. Entre dos vectores u y v, bajo elcoeficiente de Tanimoto, su similitud está dada por la fórmula (3): Iu  Iv wuv  (3) Iu  Iv  Iu  Iv 27
  28. 28. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social La mayoría de los algoritmos de recomendación son evaluados por el desempeño de suexactitud, donde los ratings estimados son comparados con los actuales. Las métricas de exactitudevalúan que tan bien el sistema hace predicciones (Lathia, 2009), entre las más comunes seencuentran las medidas de a) precisión y b) de índice de recuerdo. La primera evalúa la capacidadde ordenar una lista de ítems en base a los gustos del usuario mientras que la segunda evalúa lacapacidad de recuperar los elementos relevantes (ver la Sección 2.9).2.7.2 Sistemas de recomendación por filtrado colaborativo utilizando anotaciones socialesSi bien existen trabajos que abordan el manejo de anotaciones, como señala Tso-Sutter (2008),estos se restringen a la recomendación de anotaciones hacia el usuario y no propiamente al usomismo de éstas dentro del proceso de recomendación para determinar los ítems al usuario. En losúltimos años, han comenzado a aparecer trabajos como los que se mencionan a continuación, queincorporan el uso de anotaciones sociales dentro del modelo usado por los sistemas derecomendación por filtrado colaborativo. Tso-Sutter et al. (2008) presentaron un acercamiento que añadía información deanotaciones sociales de los usuarios, probando que esto mejora el desempeño de un sistema derecomendación. Para lograrlo, no solo se consideran los atributos de los ítems en una relaciónbidimensional <usuario, ítem>, si no que las anotaciones mantienen una relación tridimensional<usuario, ítem, anotación>, por lo que se propone la proyección a tres problemas bidimensionales:<usuario, anotación>, <ítem, anotación> y <usuario, ítem>, lo cual se consigue aumentando lamatriz estándar usuario-ítem tanto vertical como horizontalmente, con las anotaciones de losusuarios y las anotaciones a los ítems, respectivamente. Así, las anotaciones de los usuarios sonvistas como ítems en la matriz usuario-item y las anotaciones a los ítems son vistas como usuariosen la misma matriz. El acercamiento de Tso-Sutter para incluir las anotaciones sociales dentro del proceso derecomendación parte de lo siguiente: Un conjunto de usuarios U y un conjunto de ítems I. Un conjunto de anotaciones usadas por el usuario, Au. Un conjunto de anotaciones usadas sobre un ítem, Ai. Las anotaciones sobre los ítems, consideradas como un nuevo conjunto de usuarios junto al conjunto U, formando el conjunto extendido de usuarios Uextendido = U + Ai. Las anotaciones usadas por los usuarios, considerados como un nuevo conjunto de ítems junto al conjunto I, formando el conjunto extendido de ítems Iextendido = I + Au. El filtrado colaborativo basado en usuario se aplica sobre la matriz U × Iextendido, mientrasque para el basado en ítem, se aplica sobre la matriz Uextendido × I. Tso-Sutter et al., proponen comosistema de recomentación la fusión de estos sistemas de recomendación,. Por otra parte, Liang (2010) presenta un acercamiento basado en usuario, donde lapredicción de un ítem a recomendar está dada por las similitudes simu(ui,uj) entre usuarios ui, uj, apartir de un conjunto T de anotaciones utilizadas entre ambos y a partir de la similitud entre losproductos P valorados, comunes entre ellos, como se muestra en la fórmula (4). A esto, se lefusiona la similitud obtenida entre un usuario y un ítem a recomendar, simu,i(um,in), que esobtenida en base a las anotaciones sociales que comparten, como muestra la fórmula (5), la cual esobtenida mediante la similitud del coseno entre un usuario um que ha utilizado un conjunto deanotaciones sociales T, contra un ítem in. simu (ui , u j )  (1   ) * simu (ui , u j )   * simu (ui , u j ) T P (4) 28
  29. 29. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social  T y 1 u m, y * in, y cos(u m , in )  T (5) ( y 1 u m, y ) * ( y 1 in, y ) T 2 T 2 Finalmente, el sistema de recomendación propuesto por Liang fusiona los resultadosobtenidos de las fórmulas (4) y (5), como se muestra en la fórmula (6). P(u m , in )  u N (u )U ( * simu (ui , u j )  (1   ) * cos(u m , in )) T (6) j i pk2.8 Reglas de Web semánticaEl modelado de los elementos de una aplicación con ontologías proporciona interoperabilidad,reutilización y extensibilidad al sistema, donde las reglas constituyen una manera natural ydeclarativa de representar la lógica de negocio (Tsetsos, 2009). Los lenguajes de reglas sonlenguajes diseñados para especificar reglas de transformación de datos que definen cómo obtenernuevos hechos de aquellos almacenados en una base de conocimiento (Breitman, 2007). Algunosde los lenguajes de reglas más conocidos son: Datalog, Rule Markup Language (RuleML),Semantic Web Rule Language (SWRL) y TRIPLE. Las reglas de Web Semántica se componen de un antecedente y de un consecuente; elantecedente de una regla describe una posible situación del sistema, del usuario, del historial deactividades o del contexto ambiental, mientras que el consecuente describe una posible decisión deadaptación. Las acciones de una regla son disparadas cuando todas sus condiciones del antecedentese cumplen. El lenguaje de reglas de Web Semántica SWRL (Horrocks 2004, 2005), es un formalismopresentado para la integración de reglas con ontologías dentro de la Web Semántica; se basa en lacombinación de OWL y RuleML. La idea base de SWRL es extender los axiomas de OWL paraincluir reglas de Horn7, mientras se mantiene un máximo de compatibilidad retroactiva con lasintaxis y semántica de OWL. Los átomos de una regla pueden ser de las siguientes formas:  Conceptos, C(x), donde C es una descripción OWL o un rango de datos, y x es tanto una variable, un ejemplar OWL o el valor de un dato.  Propiedades de objeto o de tipo de dato, P(x,y), donde P es una propiedad OWL y x, y son ya sea, variables, individuos o valores de datos.  sameAs(x,y), differentFrom(x,y) o builtIn(r,x,…), donde r es una relación built-in y x,y son ya sea, variables, individuos o valores de datos. Si bien existe el lenguaje de consulta de ontologías SPARQL, también ha sido diseñado unequivalente de consulta pero enfocado a trabajar como una regla de Web Semántica, partiendo de labase de SWRL. Una consulta en SQWRL (Semantic Query Web Rule Language, lenguaje de reglasde consulta de Web Semántica) consiste de un cuerpo y una cabecera (consecuente), radicando ladiferencia en que en la consulta, la cabecera se indica por: sqwrl:select(?a) Donde las variables consultadas (en este caso: ?a) puede ser una o más de una. Porejemplo, una regla como la siguiente: Persona(?x) ^ tienePariente(?x,?y) ^ Persona(?y) ^ tienePariente(?y,?z) ^ Persona(?z)  tienePariente(?x,?z)7 Una regla de Horn es una cláusila de Horn que tiene a lo más un literal positivo y al menos un literalnegativo. Una regla tiene la forma: “~P1 V ~P2 V … V ~Pk V Q”, lo que es lógicamente equivalente a “P1 ^P2 ^ … ^ Pk  Q”, es decir, una implicación si-entonces con cualquier número de condiciones pero una solaconclusión. 29
  30. 30. Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social La regla anterior trata de abordar una regla para una relación transitiva, como lo es, si unapersona x es pariente de una y, y una persona y es pariente de una z, entonces, por transitividad, x espariente de z. Continuando con la regla anterior, realizar una consulta preguntando por los parientesde un x (tanto directos como indirectos, es decir, parientes sucesivos de otras generaciones), sepuede directamente consultar: hasPariente(?x,?y)  sqwrl:select(?x,?y)Lo anterior bien se pudo haber resumido en:Person(?x) ^ hasPariente(?x,?y) ^ Person(?y) ^ hasPariente(?y,?z) ^ Person(?z) sqwrl:select(?x,?y) El manejo de reglas de Web Semántica se presenta en esta investigación como una formade explotar la Web Semántica en pro de permitir recuperar información más personalizada, quepueda conjuntar la información de un perfil explícito con la información de los servicios geo-localizables.2.9 Recuperación de informaciónPara la recuperación de información supóngase una colección de documentos a los que una personahace una consulta y obtiene un conjunto de resultados que satisfacen su necesidad de informaciónconsultada; leerá toda la colección de documentos almacenados, conservará los relevantes ydescartará los demás. Esta solución es impráctica, puesto que un usuario no tiene el tiempo o eldeseo de revisar la colección completa o incluso es algo que le puede resultar imposible de realizar.Es por ello que la recuperación de información se centra en tratar de recuperar un conjunto deresultados que sea relevantes ante una solicitud de información. Un modelo de caja negra de unsistema de recuperación de información se muestra en la Figura 9.Figura 9. Funcionamiento general de un sistema de recuperación de información. La recuperación de información es interdisciplinaria, está basada en las cienciascomputacionales, las matemáticas, la bibliotecología, psicología, lingüística y estadística. Se hadesarrollado mucha investigación para tratar el problema de la evaluación de los sistemas derecuperación de información, RI (Rijsbergen, 1979). Una de las preguntas que se hacen en estossistemas es ¿qué evaluar? Cleverdon lista una serie de cantidades medibles, siendo las dosprincipales la precisión y el índice de recuerdo. 30

×