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

cenidet Centro Nacional de Investigación y Desarrollo Tecnológico

Departamento de Ciencias Computacionales

08 Otoño

Documento de tesis Tesista: Ismael Rafael Ponce Medellín Director: Gabriel González Serna

2011

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


2

Tabla de contenido

Lista de figuras ...............................................................................................................4

Lista de tablas ................................................................................................................6

Glosario .........................................................................................................................7

Resumen ..................................................................................................................... 10

1. Introducción ........................................................................................................ 11

1.1 Descripción del problema ...................................................................................................................... 14 1.2 Objetivo ......................................................................................................................................................... 14 1.3 Justificación y beneficios ........................................................................................................................ 15 1.4 Hipótesis ....................................................................................................................................................... 16

2 Marco teórico ...................................................................................................... 17

2.1 Información geográfica en mapas y sistemas LBS ....................................................................... 18 2.2 Ontologías en los sistemas de información geográfica .............................................................. 19 2.3 Dependencia contextual ......................................................................................................................... 21 2.4 Web Semántica ........................................................................................................................................... 22 2.5 Anotaciones sociales ................................................................................................................................ 23 2.6 Perfil de usuario y personalización ................................................................................................... 25 2.7 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 ................................................................................................................................ 28

2.8 Reglas de Web semántica ...................................................................................................................... 29 2.9 Recuperación de información .............................................................................................................. 30 2.10 Mapas Web................................................................................................................................................... 32 2.11 Mercadotecnia ............................................................................................................................................ 34

3 Estado del arte ..................................................................................................... 37

4 Metodología de solución ...................................................................................... 45

4.1 Recopilación de datos.............................................................................................................................. 46 4.1.1 Prototipo ................................................................................................................. 46

4.1.2 Datos obtenidos ...................................................................................................... 47

4.2 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 ........................... 53

4.3 Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones sociales. ............................................................................................................................................... 54


3

4.4 Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en anotaciones sociales. ......................................................................................................................... 54 4.5 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. ...... 64

5 Conclusiones ........................................................................................................ 69

6 Trabajo Futuro ..................................................................................................... 71

7 Reconocimientos y publicaciones ......................................................................... 72

Anexos ........................................................................................................................ 74

Anexo A: XFOAF, extensión del vocabulario FOAF para definir el perfil contextual del usuario ........................................................................................................................ 74

Anexo B: Conceptos, relaciones y atributos de una ontología de restaurantes .............. 82

Anexo C: Reglas de Web Semántica en SWRL y SQWRL ................................................ 89

Anexo D: Capturas del prototipo de captura .............................................................. 102

Anexo E: Análisis de la varianza ................................................................................. 105

Anexo F: Mercadotecnia ............................................................................................ 125

Bibliografía ................................................................................................................ 145


4

Lista de figuras Figura 1. Problema de la caja negra para la recuperación de los elementos geo-localizables

más pertinentes a la búsqueda de un usuario. ...................................................................... 12

Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la

consulta contextual y social de resultados geo-localizables. ............................................... 13

Figura 3. Áreas relacionadas con la investigación de la presente investigación. ................ 17

Figura 4. Componentes básicos de un LBS: Usuario, Medio de posicionamiento, Red de

comunicación, Proveedor de servicios y contenidos. .......................................................... 18

Figura 5. Factores de éxito en las transacciones móviles. ................................................... 19

Figura 6. Una ontología se compone de clases y subclases, que a su vez contienen

ejemplares para las mismas. Dentro de este enfoque, las clases pueden comprender desde

usuarios hasta lugares. ......................................................................................................... 20

Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintos

tipos de clases y cómo sus ejemplares las heredan. ............................................................. 20

Figura 8. Modelo de un proceso de recomendación (Terveen 2001). ................................. 27

Figura 9. Funcionamiento general de un sistema de recuperación de información. ........... 30

Figura 10. La intersección entre los documentos relevantes y los documentos recuperados

en un sistema RI son los documentos relevantes recuperados tras una consulta. ............... 31

Figura 11. Interacción de un usuario para agregar o eliminar anotaciones sobre un lugar

geo-localizable. .................................................................................................................... 46

Figura 12. Etapas para la recomendación de resultados en base a la aplicación de reglas de

Web Semántica. ................................................................................................................... 53

Figura 13. Índice de recuerdo, precisión y medida F para los sistemas de recomendación

basado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y

Liang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales ........ 57

Figura 14. Índice de recuerdo para los sistemas de recomendación basado en ítem (1-0) y

su fusión con el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas

ponderaciones contextuales entre contexto de ítem-perfil de usuario y contexto de ítem-

contexto de entorno. ............................................................................................................ 60

Figura 15. Índice de recuerdo para los sistemas de recomendación basado en ítem

extendido con anotaciones (1-0) y su fusión con el sistema contextual, al 90%-10% y al

80%-20%, bajo distintas ponderaciones contextuales entre contexto de ítem-perfil de

usuario y contexto de ítem-contexto de entorno. ................................................................. 61

Figura 16. Índice de recuerdo sobre sistemas de recomendación: normal, con anotaciones,

con contexto y con anotaciones y contexto. ........................................................................ 63

Figura 17. Precisión sobre sistemas de recomendación: tradicional, con anotaciones, con

contexto y con anotaciones y contexto. ............................................................................... 63

Figura 18. Comparación del índice de recuerdo medio entre distintos sistemas de

recomendación contra el sistema propuesto. ....................................................................... 65

Figura 19. Comparación de la precisión media entre distintos sistemas de recomendación

contra el sistema propuesto. ................................................................................................ 66

Figura 20. Pantalla de inicio del prototipo ........................................................................ 102


5

Figura 21. Pantalla principal mostrando puntos de interés al usuario. .............................. 103

Figura 22. Captura del perfil personal del usuario. ........................................................... 103

Figura 23. Lugares valorados por un usuario. ................................................................... 104

Figura 24. Recomendación bajo un enfoque social y contextual. ..................................... 104

Figura 25. Distribución normal del índice de recuerdo y precisión obtenidos mediante el

sistema de recomendación por filtrado colaborativo basado en ítem. ............................... 105


sistema de recomendación por filtrado colaborativo basado en ítem con anotaciones

sociales y contexto. ............................................................................................................ 105


sistema de recomendación por filtrado colaborativo basado en usuario. .......................... 106


sistema de recomendación por filtrado colaborativo de Tso-Sutter. ................................. 106


sistema de recomendación por filtrado colaborativo de Liang. ......................................... 106


sistema de recomendación por filtrado colaborativo propuesto. ....................................... 107


6

Lista de tablas Tabla 1. Comparativa general de los trabajos revisados. .................................................... 43

Tabla 2. Tabla comparativa con respecto a la investigación por realizar. ........................... 44

Tabla 3. Atributos contextuales de perfil de usuario. .......................................................... 48

Tabla 4. Atributos contextuales de ítem. ............................................................................. 48

Tabla 5. Resultados de las medias del índice de recuerdo y la precisión reportadas para el

sistema de recomendación basado en usuario (columna 1-0), en ítem (columna 0-1) y las

fusiones entre ellos en intervalos de 10%, considerando y sin considerar facetas. ............. 56

Tabla 6. Índice de recuerdo, precisión y medida F para los sistemas de recomendación

basado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y

Liang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales. ....... 57

Tabla 7. Resultados de índice de recuerdo para los sistemas de recomendación basado en

ítem (columna 1-0) y contextual (columna 0-1), así como sus fusiones, considerando

distintas ponderaciones entre contextos y sin considerarlas. ............................................... 59

Tabla 8. Resultados de índice de recuerdo para los sistemas de recomendación basado en

ítem extendido con anotaciones (columna 1-0) y contextual (columna 0-1), así como sus

fusiones, considerando distintas ponderaciones entre contextos y sin considerarlas. ......... 60

Tabla 9. Índice de recuerdo medio entre las fusiones de los sistemas de recomendación por

filtrado colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales,

junto con un acercamiento contextual. ................................................................................ 62

Tabla 10. Precisión media entre las fusiones de los sistemas de recomendación por filtrado

colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales, junto

con un acercamiento contextual. ......................................................................................... 62

Tabla 11. Ìndice de recuerdo y precisión entre el sistema tagctx con la similitud por

anotaciones sociales entre usuario e ítem. ........................................................................... 65

Tabla 12. Media del índice de recuerdo y precisión obtenidos tras la experimentación con

los datos del prototipo bajo distintos sistemas de recomendación ...................................... 65

Tabla 13. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística

entre medias del índice de recuerdo y de la precisión para distintos sistemas de

recomendación, bajo un intervalo de confianza del 95%. ................................................... 66

Tabla 14. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística

entre medias del índice de recuerdo y de la precisión para distintos sistemas de

recomendación, bajo un intervalo de confianza del 99%. ................................................... 67

Tabla 15. Descripción de las clases de la ontología sobre resturantes utilizada para el

procesamiento de las reglas en SWRL. ............................................................................... 82

Tabla 16. Descripción de las relaciones de la ontología sobre resturantes utilizada para el


Tabla 17. Descripción de los atributos de la ontología sobre resturantes utilizada para el



7

Glosario

AJAX 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.


8

nDCG 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


9

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.


10

Resumen

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.

Se trabajó la demostración o refutación de la hipótesis sobre si la consideración de

información 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 de

recomendación 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 prototipo

funcional que permitiera la experimentación correspondiente, prototipo que se ha denominado

Surfeous.


11

1. Introducción

En el albor de la integración entre la sociedad y la tecnología cada vez se busca la manera de

satisfacer las crecientes necesidades de sus usuarios y de facilitar el acceso a la información, de

forma que ésta sea oportuna, actual y útil para quién la solicite. La tarea de acceder y recuperar

información se convierte en una actividad de importancia para la toma de decisiones, pero con

distintos obstáculos a vencer en lo que a esto concierne.

Es así como los sistemas de recomendación por filtrado colaborativo han tomado auge para

proporcionar sugerencias relevantes y útiles al usuario (Lathia, 2009), ya que mantienen una

colección de juicios o calificaciones realizados por personas sobre contenido disponible en un sitio

o servicio Web, lo que a su vez proporciona una invaluable fuente de información que puede ser

usada para proporcionar a cada usuario recomendaciones derivadas de las evaluaciones realizadas

sobre estos contenidos.

No se puede considerar que los resultados recomendados por un sistema traten a los

usuarios como si todos fueran iguales, existen rubros en los cuales esta diferenciación es más

necesaria y toma mayor realce, como es el caso de la búsqueda de lugares y servicios

geolocalizables.

En los últimos años se ha destacado el uso de los mapas digitales, con serios competidores

como Google Maps, Yahoo Maps, Live Maps, entre muchos otros; la importancia de la

información geográfica ha tomado gran interés y se encuentra en la mira de usuarios y

desarrolladores. En este rubro se torna importante considerar las características individuales de los

usuarios que quieren localizar algún servicio o lugar, puesto que cada persona presenta atributos

diferentes, tanto sociales, culturales y económicos, por lo que sus necesidades de información en

cuanto a esto se refiere son implícitamente diferentes.

Actualmente existen diferentes servicios basados en localización ofrecidos por los

proveedores de comunicación móvil. Por ejemplo, servicios de planeación de rutas, guías de la

Capítulo 1


12

ciudad, guías hoteleras o servicios de localización de estaciones de gasolina cercanas; la mayoría

de 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 información

contextual específica del usuario, como la localización, el momento e incluso información del

perfil del usuario. Diferentes situaciones implican diferentes necesidades de información y de

servicios 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 distintos

objetivos, es decir, una misma persona puede estar bajo distintas situaciones. Con lo anterior, surge

una 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 el

paradigma de la caja negra.

Figura 1. Problema de la caja negra para la recuperación de los elementos geo-localizables más

pertinentes a la búsqueda de un usuario.

Los distintos atributos que se pueden obtener para definir un perfil personal pueden ser usados

como filtro inicial para eliminar aquellos resultados que no sean deseados, dejando en primera

instancia los que se acerquen más a la necesidad de información del usuario.

Para realizar una selección de resultados pertinentes para el usuario, además de los

atributos que describen su perfil, es necesario conocer atributos que describan el contexto en el que

se requiere realizar una recomendación.

La construcción de modelos de usuario ayuda a la administración de conocimiento

colectivo 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 necesitan

mejoras en aspectos como los modelos semánticos de perfiles de usuario, su edición y el diseño de

interfaces 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 más

complicados (Perry et al, 2009), por lo tanto, el uso de modelos semánticos es una solución

tecnológica para combatir esta problemática (Berners-Lee et al, 2001).

Considerando las tecnologías de Web Semántica, Brut et al. (2009) presentan el desarrollo

de 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 permite

conectar personas con personas, incentivándolos a compartir sus destrezas en lugar de coleccionar

y almacenar información descontextualizada (Delalonde & Soulier, 2009). Con respecto a esta

consideración social, los sistemas de anotaciones sociales (conocidas en inglés como tags)


13

permiten a los usuarios etiquetar sus recursos favoritos, misma actividad que como menciona

Weinberg (2007), ha traído un nuevo orden con respecto a la manera en que se busca y encuentra

información. Una manera de aprovecharlas es mediante su uso dentro de los sistemas de

recomendación por filtrado colaborativo (Tso-Sutter 2008), para encontrar los ítems más populares

y recomendados por la comunidad de usuarios, haciendo uso del conocimiento colectivo inherente

en este tipo de sistemas.

El presente trabajo considera que el manejo de información contextual (auxiliado mediante

el uso de tecnologías de Web Semántica), así como su interacción con elementos de Web social, en

particular, sistemas de anotación social (para el filtrado colaborativo de los resultados), pueden

mejorar la precisión e índice de recuerdo dentro de la recuperación de información de los servicios

geolocalizables, con respecto a los sistemas de recomendación tradicionales.

Tanto la precisión como el índice de recuerdo son métricas comúnmente usadas dentro de

la literatura de los sistemas de recomendación; éstas evaluán la relación entre los elementos

relevantes recuperados en una recomendación, con respecto a los elementos recuperados

(precisión) y los elementos relevantes (índice de recuerdo). Una explicación más detallada de estas

métricas se encuentra en la sección 2.9.

De lo anterior se distingue que este trabajo abarca dos vertientes. Por un lado, dentro de un

enfoque de Web Semántica se considera que mediante el manejo ontológico de perfiles de usuario

y de perfiles de servicios especializados, así como de reglas de inferencia, puede mejorar la

recuperación de información sobre los tipos de servicios geo-localizables que más se ajusten a las

necesidades de información de quien consulte. El manejo de ontologías proporciona un mecanismo

interoperable para almacenar y consultar información, además de que el uso de lenguajes basados

en reglas de Web Semántica permite inferir resultados que no se encuentren explícitos y puedan

satisfacer una necesidad de información.

Tanto con el uso de tecnologías de Web Semántica y de sistemas de recomendación, se

persigue obtener un conjunto de resultados que sean contextual y socialmente relevantes al usuario

(Figura 2).

Usuario

Tecnologías de

Web semántica

Motor de

consulta

Repositorio de datos de

servicios geo-localizables

Anotaciones sociales

Sistema de

recomendación

Realiza consulta

Utiliza

Utiliza

Maneja datos

Maneja datos

UsuarioUsuario

Tecnologías de

Web semántica

Tecnologías de

Web semántica

Motor de

consulta







Anotaciones socialesAnotaciones socialesAnotaciones sociales

Sistema de

recomendación

Realiza consulta

Utiliza

Utiliza

Maneja datos

Maneja datos

Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la consulta

contextual y social de resultados geo-localizables.


14

1.1 Descripción del problema Dentro de los sistemas de recomendación, se presenta el problema de la ordenación de las

respuestas que son devueltas al usuario, ya que si se devuelve un conjunto extenso de resultados, el

usuario puede no tener el tiempo ni el interés de consultarlos todos, por lo que es necesario

garantizar que los resultados que ocupen los primeros lugares sean los más relacionados con la

necesidad de información planteada.

Con respecto a la recomendación de servicios basados en localización, surgen una serie de

consideraciones que no son comunes en los servicios de recomendación tradicionales, entre las que

se incluyen: las necesidades particulares de quien consulta y las condiciones de su entorno, así

como la información espacial y temporal que influyen en la relevancia o no de los resultados

recuperados, es decir, su contexto. Las necesidades de una persona son distintas a las de otra, por lo

que no se debe esperar que el conjunto de resultados devueltos ante una misma consulta, bajo

distintas condiciones, momento y lugar, sean iguales.

Además, también interviene la valoración que dan los usuarios a los elementos a

recomendar, siendo la misma comunidad, por ejemplo para el caso de servicios basados en

localización, la que indica los lugares a los que prefiere asistir, conformando de esta manera a la

llamada inteligencia colectiva. Ésta puede ser aprovechada por medio de las anotaciones sociales

que utilizan los usuarios. El uso de anotaciones sociales permite identificar información y

contenidos 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 las

mismas anotaciones.

Es así como se presenta el aprovechar la información de contexto y las anotaciones

sociales para este problema en los sistemas de recomendación, en particular para la recomendación

de servicios basados en localización.

1.2 Objetivo El objetivo de esta investigación fue encontrar una mejora en el desempeño de los sistemas de

recomendación para una consulta de servicios basados en localización, medido en cuanto a las

métricas basadas en precisión e índice de recuerdo, haciendo uso de anotaciones sociales y del

manejo de información contextual.

Para ello se siguió el análisis y diseño de una metodología para la recuperación y

ordenamiento de resultados en un sistema de recomendación por filtrado colaborativo, evaluando

su desempeño con respecto a los sistemas de recomendación tradicionales. El sistema de

recomendación perseguido combina tecnologías de sistemas de información geográfica, el manejo

de información contextual mediante tecnologías de Web Semántica y el uso de anotaciones

sociales.

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.


15

1.3 Justificación y beneficios Como una manera de demostrar las limitaciones con las que cuentan los sistemas actuales de

búsqueda de servicios basada en la localización del usuario, si se toman en cuenta los servicios de

Google Maps1, Yahoo local maps

2 y Bing Mapas

3 (anteriormente Live Search Maps), no presentan

una manera en la que el uso de información contextual pueda ser utilizada al momento de buscar un

servicio geolocalizable. Existen servicios en línea TrustedPlaces4, que se limitan a identificar el

tipo de servicio geolocalizable solicitado, la limitante de este tipo de servicios es que no es posible

aplicar 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 para

búsquedas particulares ni contextuales; el uso de anotaciones por sí solas, se muestran insuficientes

para poder realizar búsquedas sobre algún servicio en particular, sin embargo, cobran relevancia

cuando se incorporan a un sistema de recomendación (Tso-Sutter, 2008).

Mediante el empleo de anotaciones se brinda libertad al usuario de escribir y describir lo

que quiera y en la forma que quiera, bajo los términos que considere más convenientes, usando un

lenguaje 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 participación

y retroalimentación es pues un medio para un desarrollo usable.

Por otra parte, un aspecto no abordado de manera explícita dentro de los sistemas de

recomendación recae en la consideración de aspectos de mercadotecnia dentro de los mismos,

siendo una alternativa para explotar la información contextual. La relevancia de la mercadotecnia

recae directamente en las distintas consideraciones que se toman en cuenta para abordar las

necesidades particulares de los distintos nichos de mercado a los cuales se les puede ofrecer una

recomendación.

La mercadotecnia parte de la premisa de que no todos los consumidores u organizaciones

tienen necesidades idénticas, por lo tanto, es necesario dividir al mercado total en segmentos de

clientes potenciales con necesidades semejantes. La segmentación permite obtener respuestas más

precisas a las necesidades de los clientes, sin embargo estos segmentos de mercado van cambiando

gradualmente de acuerdo a cambios culturales y generacionales (Bennett 2010). Esta capacidad de

evolución de los segmentos es aprovechado en esta investigación mediante la aplicación de reglas

heurísticas que representen patrones de comportamiento identificados previamente por la

mercadotecnia y que puedan ser adaptables y extendibles de acuerdo a los nuevos cambios de la

sociedad, aprovechando la escalabilidad que permiten las ontologías dentro de la Web Semántica.

Tras la conjunción de la aplicación de anotaciones sociales y de información contextual

dentro 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.com

2 Yahoo! Local, http://local.yahoo.com/

3 Bing Mapas, http://www.bing.com/maps

4 Trustedplaces by Yell http://www.yell.com/reviews

5 Tagzania, http://www.tagzania.com/


16

1.4 Hipótesis Se persigue que el índice de recuerdo y la precisión dentro de un sistema de recomendación que

considere anotaciones sociales y contexto, sea mayor que el índice de recuerdo y la precisión de los

sistemas 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 los

ítems) a t: U × I × A {0, 1}, para indicar si un ítem ha sido o no etiquetado por un usuario, es

decir 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 Uum , muI el conjunto de ítems

valorado del usuario um, se busquen elementos a recomendar in, tales que mun IIi , es decir,

que no pertenezcan a los elementos ya evaluados por el usuario. Para ello se considera a P(um, in) el

valor de la predicción del ítem in al usuario um, y se busca un conjunto ordenado de ítems tales que

muzx IIii ,..., , donde la recomendación al usuario um consiste de los ítems rec(um) = {ix,…iz},

donde P(um, ix)>= …>=P(um, iz).


17

2 Marco teórico

Conforme crece la integración de la sociedad con la tecnología, la tarea de acceder y recuperar

información se vuelve una actividad de importancia para la toma de decisiones ante las crecientes

necesidades de los usuarios. Estas necesidades se avocan a una recuperación de información más

natural, rápida y pertinente, características relevantes si se considera que los resultados obtenidos

muchas veces no satisfacen las expectativas de los usuarios. Bajo este ámbito, el uso de los

servicios basados en localización permite a los usuarios acceder a información para la localización

geográfica de lugares o puntos de interés.

Sin embargo, la presente investigación abarca no sólo a los servicios basados en

localización, sino que hace uso también de distintas áreas (ver Figura 3). A continuación se

describen brevemente las áreas consideradas dentro de este trabajo.

Figura 3. Áreas relacionadas con la investigación de la presente investigación.

Capítulo 2


18

2.1 Información geográfica en mapas y sistemas LBS Los LBS son servicios que a partir de la localización geográfica de un usuario, pueden

proporcionarle información relevante a su posición. Steiniger (2006) presenta la infraestructura de

los 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?, ¿dónde

encuentro este servicio? y ¿qué hay a mí alrededor? respectivamente.

La característica primordial de los servicios LBS es que proporcionen a los usuarios

información “justo en el momento”, que dicha información sea de un dominio particular de interés

para el usuario y que puede ser usada mientras permanezca en el área en que actualmente se

encuentra.

Pekkinen (2002) referencia a Durlacher, al indicar que los factores de éxito para las

transacciones 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.


19

Figura 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 estos

sistemas de información geográfica incluyen puntos de interés, que toman su información a partir

de distintas fuentes de datos y se combinan con otras aplicaciones para dar una experiencia de uso

más 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 recuperar

contenido de fuentes externas para crear nuevos servicios. Los mashups son un sello de la segunda

generación de aplicaciones Web conocida informalmente como Web 2.0. Involucran un conjunto

de tecnologías relacionadas, su arquitectura básica se compone de una API / proveedor de

contenidos, del sitio Web donde se encuentre el mashup y del navegador Web del cliente. Emplean

AJAX 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 de

interés y publicarlo en línea. En palabras de Mills (2005): “ahora vemos que en todo rededor hay

una gran cantidad de información interesante relacionada con la localización, pero antes no había

manera de expresarla ni hacer algo útil con ella”.

Finalmente, considerar que el uso de información geográfica a través de la Web, permite

librar barreras espaciales y temporales y en donde también se considera que sus interfaces en

Internet se presenten como clientes ligeros que permitan usar mapas y descargar información

espacial sin necesidad de tener instalada una aplicación sobre sistemas de información geográfica

(SIG) (Bleecker, 2005).

2.2 Ontologías en los sistemas de información geográfica En una ontología se definen los conceptos de un dominio. Un mismo dominio puede tener distintas

interpretaciones y por ende, distintas ontologías, dependiendo del fin para el que vaya a ser

utilizado o su contexto de aplicación. Dentro de las ontologías se definen clases, relaciones entre

las clases y ejemplares de las clases (Figura 6 y Figura 7).


20

Propiedad

Clase Clase

Subclase

Ejemplar

Propiedad

Clase Clase

Subclase

Ejemplar

prefiere

Clase: Usuario Clase: Lugar

Subclase: Restaurante

Ejemplar: Rafael Ponce

prefiere

Clase: Usuario Clase: Lugar

Subclase: Restaurante

Ejemplar: Rafael Ponce

Figura 6. Una ontología se compone de clases y subclases, que a su vez contienen ejemplares para las

mismas. Dentro de este enfoque, las clases pueden comprender desde usuarios hasta lugares.

Lugar

Hotel Restaurante

Restaurante

Italiano

geo:latitud

geo:longitud

float

floatSubclass of Subclass of

Subclass of

Has a

Hotel X

Restaurante Y

geo:latitud

geo:longitud

128

34

geo:latitud

geo:longitud

128

34

Instance of

Instance of

Instance of

Lugar

Hotel Restaurante

Restaurante

Italiano

geo:latitud

geo:longitud

float

floatSubclass of Subclass of

Subclass of

Has a

Hotel X

Restaurante Y

geo:latitud

geo:longitud

128

34

geo:latitud

geo:longitud

128

34

Instance of

Instance of

Instance of

Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintos tipos de clases

y cómo sus ejemplares las heredan.

El uso de ontologías en desarrollos SIG permite el intercambio de conocimiento y la

integración de información, ya sea para definir vocabularios comunes que minimicen los problemas

de semántica en la interoperabilidad, para el modelado de metadatos, la comunicación de

significado de los datos entre dominios, la integración de datos, la clasificación de recursos y la


21

recuperación de información. Su uso presenta una serie de ventajas para integrar información

geográfica 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 de

información, como un SIG, se puede hablar entonces de las Ontology-Driven Geographic

Information 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 misma

característica geográfica, con lo cual, se pueden atender a distintos segmentos de mercado.

2.3 Dependencia contextual Existen distintas acepciones para definir lo que es el contexto, por ejemplo, todo aquello que

permita 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 sea

político, histórico, cultural o de cualquier otra índole, en el cual se considera un hecho. Así, se da

base a afirmaciones como “todo es dependiente del contexto”, que consideran al contexto como un

elemento ubicuo.

Los primeros trabajos relacionados a la conciencia del contexto se remontan a la década de

los 90s. Schilit fue uno de los primeros en acuñar el término, mientras que Dey extendió la noción

de contexto a la idea de que la información contextual puede ser usada para caracterizar una

situación y responder a ella (Vert 2011). A su vez, Sun (2004) denota que el contexto puede ser

desde 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 información

relevante y servicios al usuario, en el que la relevancia depende de la tarea del usuario. Existen

distintas clasificaciones del contexto, como la definida en (Nivala, 2003), orientadas hacia

usabilidad:

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.


22

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 el

contexto 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 vez

complementa 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 proporcionar

información más personalizada. Dentro de los LBS, la localización del usuario es el componente

primario 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 Semántica La Web Semántica se presenta como una extensión de la Web actual, partiendo de una visión del

futuro de la Web por parte de Tim Berners-Lee; esta visión incluye el tener relaciones entre los

distintos elementos de información, manejando meta datos adicionales para que las máquinas sean

capaces de procesar la información de la Web.

La Web Semántica se centra en dos aspectos: a) Formatos comunes para el intercambio de

datos 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 las

ontologías 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 a

XML que suministra la base sintáctica para la interoperabilidad en la Web, a XML Schema quien


23

provee de una capacidad de estructuración como bases de datos para los objetos Web. RDF/S

proporciona un lenguaje simple para la expresión de conceptos de ontologías, sus relaciones y

ejemplares, mientras que OWL permite definir una ontología con mayor expresividad, usando

RDF/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, enfocado

al intercambio entre aplicaciones y grupos (Chandrasekaran, 1999). Dentro de la misma evolución de la Web Semántica, recientemente también se ha

empezado a mencionar la Web Semántica geoespacial (GSW, Geospatial Semantic Web), siendo

ésta una versión específica del dominio geoespacial de la Web Semántica (Zhao et al, 2009). Con el

desarrollo del razonamiento semántico geoespacial se podrá inferir conclusiones de un

conocimiento 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 Z

está dentro de X si el significado de dentro y en están bien definidos, por ejemplo, como que dentro

es lo mismo que (is same as) en, y que ambas son propiedades transitivas6. De la lógica de

representación a la lógica computacional, la GSW aumenta la habilidad de expresar y deducir

conceptos y relaciones geoespaciales, para lograr la interoperabilidad entre aplicaciones y datos

geoespaciales heterogéneos.

2.5 Anotaciones sociales Los sistemas de anotación social son una herramienta usada por los usuarios para seguir, compartir

y encontrar información en la Web (Smith, 2008). La anotación social (tagging) de recursos es una

manera de hacer más útil y accesibles los contenidos y recursos de algún tipo en la Web; el tagging

se refiere tanto a la gente que usa estos sistemas, los recursos, las anotaciones (tags) que los

describen y las diferentes maneras de interacción que estos sistemas permiten.

Smith describe el modelo básico de un sistema de anotaciones sociales de la siguiente

manera:

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), la

cual es una distribución que se caracteriza por que unos pocos elementos ocurren con una alta

frecuencia, mientras que muchos presentan una baja frecuencia. Por ejemplo, en la Web esto se

ejemplifica cuando unas pocas páginas Web atraen la mayoría de los enlaces y visitas, mientras que

la mayoría del tráfico viene de unos pocos recursos. En un ambiente de tagging, sin importar el

contenido del sitio o las anotaciones usadas por las personas, la distribución de anotaciones sigue el

6 Una relación es transitiva si un elemento a que está relacionado con un elemento b y ese elemento b tiene la

misma relación con un elemento c, implica que a también está relacionado con c.


24

mismo patrón. Este patrón sigue la idea de que si una anotación ya ha sido usada, hay una alta

probabilidad de que vuelva a utilizarse.

Algunas razones por las que el uso de anotaciones es más sencillo que el uso de un

esquema de categorías, es que al usarlas no es necesario conocer en su totalidad el sistema de

categorización, ya que se pueden agregar la cantidad de anotaciones que se deseen, en vez de

encontrar la categoría que mejor describa a un recurso.

También es utilizada la clasificación por facetas, como una manera de organizar las cosas a

través de sus características relevantes, lo que permite que un elemento sea clasificado bajo

múltiples 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 o

material, 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 el

valor semántico de sus anotaciones, por ejemplo Buzzillions.com considera las siguientes cuatro

facetas: pros, contras, mejores usos y descripción; dentro de cada una de estas facetas, se sugieren

posibles anotaciones para etiquetar un producto en cuestión, permitiendo también agregar las

propias.

En el etiquetado bajo facetas, aunque las facetas ya se encuentran definidas, los términos en

ellas no, ya que estos corresponden a las anotaciones usadas por los usuarios. Entre los beneficios

de 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 están

definidas, en las folcsonomías (sistemas en los que se aplica el uso de anotaciones sociales) las

relaciones entre las anotaciones pueden ser inferidas a partir de los patrones de uso, ya que no hay

relaciones formales entre ellas, excepto la de “tiene cierto grado de relación con”. Por lo tanto, ya

que las anotaciones no tienen una relación semántica definida, sí pueden tener una relación

estadística, basada en la co-ocurrencia de tags. Las folcsonomías son útiles bajo las siguientes

situaciones:

- 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 usar

categorías existentes, sino que los motivan a usar un vocabulario natural. La ciencia clásica de

información y bibliotecas trataron de imponer un orden sobre la Web, en pro de facilitar la

recuperación de información, pero fallaron, ya que la información en la Web es grande, caótica y

muy dinámica. A diferencia de estos intentos, Google por ejemplo, trató de buscar características

dentro 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, dando

lugar al geotagging. El geotagging consiste en agregar tags como latitud, longitud y nombre del

lugar a un recurso, por ejemplo en fotos, como en el servicio de Flickr, que usa machine tags. Las

machine tags son una convención usada para crear tags que puedan ser procesados y entendidos por

las computadoras; al igual que los tags, no necesitan ser predefinidos para su uso, aunque algunos

machine tags estándares han ido emergiendo. Ejemplo, los usados para definir valores geográficos

como: “geo-lat=46.9870”, “geo:lon=”114.0932”.


25

Los machine tags se componen de tres elementos: un nombre de espacio, una clave y su

valor. Su uso se asemeja a los sistemas por facetas, en donde el nombre de espacio representa al

dominio (“geo”), la clave a la faceta (“lat”) y el valor a la propiedad de la faceta (“46.9870”).

2.6 Perfil de usuario y personalización El entendimiento de las necesidades y deseos de información de los usuarios reside en su mente, lo

que 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 ambiguas

de 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 las

redes 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 de

evaluación de recuperación de información (RI), ya que se han orientado a aspectos más

relacionados 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 uso

y otros componentes de conocimiento (Tsetsos, 2009). La personalización es el proceso de entregar

contenido o servicios a un usuario, en base a sus preferencias, intereses, necesidades y a su

contexto en general, con el propósito de adaptarlos a las características específicas del usuario en

pro de lograr un desempeño óptimo. Entre las aplicaciones que requieren de personalización, se

encuentran los servicios basados en localización, por ejemplo, para servicios de navegación, de

chequeo o de emergencias (Gartner, 2004; Tsetsos et al, 2006; Kikiras et al, 2006), o en los

servicios 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 de

contenido 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 expresar

los atributos que describen el perfil de un usuario ya que los lenguajes ontológicos proporcionan

distintas maneras de representar las características del usuario (Tsetsos, 2009), esto es debido a que

el 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 cuenta

aspectos del contexto del usuario, lo que permitirá un filtrado de la información en base a su

localización, el momento e incluso información de su perfil, entre otras fuentes. Diferentes

situaciones implican la necesidad de diferente información y servicios que ayuden al usuario a

lograr sus objetivos.

2.7 Sistemas de recomendación por filtrado colaborativo Los sistemas de recomendación han sido trabajados desde la década de los 90s, incluyendo

investigaciones 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 comercio

electrónico, aunque en la actualidad su uso es aplicado en diferentes áreas como recomendación de

música, libros, entre otras. Los sistemas de recomendación actuales consideran los siguientes

elementos:

Usuario. Usuario final del sistema o la persona a la que se le van a proporcionar

recomendaciones.


26

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 filtrado

basado 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 de

personas para llegar a nuevas conclusiones (Segaran, 2007). Los inicios de la inteligencia colectiva

se remontan antes de la era de Internet, aprovechando la información de los censos, puesto que la

colección de respuestas obtenidas de grandes grupos de personas permite obtener conclusiones

estadísticas sobre ellos, descubriendo características que incluso los miembros del grupo pueden

desconocer que tienen. Esta actividad se ha potenciado gracias a que en la Web se puede colectar

información de hasta miles de usuarios, ya que muchas de las tecnologías actuales permiten una

amplia participación social, como lo ha demostrado la Wikipedia y Google.

Estos sistemas 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 a cada usuario con

recomendaciones. Su objetivo radica en filtrar contenido para proporcionar sugerencias relevantes

y útiles para cada usuario del sistema (Lathia, 2009).

El filtrado colaborativo es el algoritmo dominante, consistiendo de una predicción de

ratings o de elementos de interés, basados en las preferencias de varios usuarios, lo cual ha sido

aplicado en sitios de comercio electrónico, aplicaciones sociales, etc. (Herlocker, 2004). El modelo

de este proceso incluye a los usuarios que usan el sistema, mismos a los que el sistema de

recomendación les devolverá una lista con ítems que puedan ser de su agrado; para ello la

información 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 la

opinión 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 en

la opinión de los demás usuarios en el sistema.

El filtrado colaborativo difiere de los sistemas de recuperación de información

tradicionales en dos aspectos: a) la construcción de un modelo de usuario y b) la selección de las


27

opiniones de los usuarios; con esto, el usuario puede ser comparado de acuerdo a características

comunes 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 colaborativo

Dentro de los sistemas de recomendación por filtrado colaborativo, se distinguen dos enfoques: el

basado en usuario y el basado en ítem.

Para la predicción del filtrado colaborativo basado en usuario, las recomendaciones son una

lista de ítems jerarquizada mediante la frecuencia decreciente de la ocurrencia de los ítems

valorados por los vecinos de un usuario, es decir, toma en cuenta la cantidad de vecinos Vu de un

usuario um que han etiquetado un ítem in, es decir, está dada por la fórmula (1).

m

unu

nm

usuario

V

IiVviuP

vm

|{

),( (1)

Mientras que para el filtrado colaborativo basado en ítem se consideran el topN de

recomendaciones, a partir de la lista de ítems jerarquizada en forma decreciente de la suma de las

similitudes entre un ítem in a recomendar contra sus vecinos Vi que han sido calificados por un

usuario um, como muestra la figura (2):

munix IVi

xnnm

item iiwiuP ),(),( (2)

Como se menciona en (Segaran, 2007), para el cálculo de la similitud, se pueden utilizar

distintas métricas, como la distancia euclidiana, el coeficiente de Jaqcard, la distancia de

Manhattan, la correlación de Pearson o el coeficiente de Tanimoto (especialmente para los casos

donde el peso se maneja como 1s o 0s, es decir, presencia o ausencia), midiendo así el traslape

entre dos vectores con respecto a los elementos que comparten. Entre dos vectores u y v, bajo el

coeficiente de Tanimoto, su similitud está dada por la fórmula (3):

vuvu

vu

uvIIII

IIw

(3)


28

La mayoría de los algoritmos de recomendación son evaluados por el desempeño de su

exactitud, donde los ratings estimados son comparados con los actuales. Las métricas de exactitud

evalúan que tan bien el sistema hace predicciones (Lathia, 2009), entre las más comunes se

encuentran las medidas de a) precisión y b) de índice de recuerdo. La primera evalúa la capacidad

de ordenar una lista de ítems en base a los gustos del usuario mientras que la segunda evalúa la

capacidad de recuperar los elementos relevantes (ver la Sección 2.9).

2.7.2 Sistemas de recomendación por filtrado colaborativo utilizando anotaciones sociales

Si 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 uso

mismo de éstas dentro del proceso de recomendación para determinar los ítems al usuario. En los

últimos años, han comenzado a aparecer trabajos como los que se mencionan a continuación, que

incorporan el uso de anotaciones sociales dentro del modelo usado por los sistemas de

recomendación por filtrado colaborativo.

Tso-Sutter et al. (2008) presentaron un acercamiento que añadía información de

anotaciones sociales de los usuarios, probando que esto mejora el desempeño de un sistema de

recomendación. Para lograrlo, no solo se consideran los atributos de los ítems en una relación

bidimensional <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 la

matriz estándar usuario-ítem tanto vertical como horizontalmente, con las anotaciones de los

usuarios y las anotaciones a los ítems, respectivamente. Así, las anotaciones de los usuarios son

vistas como ítems en la matriz usuario-item y las anotaciones a los ítems son vistas como usuarios

en la misma matriz.

El acercamiento de Tso-Sutter para incluir las anotaciones sociales dentro del proceso de

recomendación 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, mientras

que para el basado en ítem, se aplica sobre la matriz Uextendido × I. Tso-Sutter et al., proponen como

sistema de recomentación la fusión de estos sistemas de recomendación,.

Por otra parte, Liang (2010) presenta un acercamiento basado en usuario, donde la

predicción de un ítem a recomendar está dada por las similitudes simu(ui,uj) entre usuarios ui, uj, a

partir de un conjunto T de anotaciones utilizadas entre ambos y a partir de la similitud entre los

productos P valorados, comunes entre ellos, como se muestra en la fórmula (4). A esto, se le

fusiona la similitud obtenida entre un usuario y un ítem a recomendar, simu,i(um,in), que es

obtenida en base a las anotaciones sociales que comparten, como muestra la fórmula (5), la cual es

obtenida mediante la similitud del coseno entre un usuario um que ha utilizado un conjunto de

anotaciones sociales T, contra un ítem in.

),(*),(*)1(),( ji

P

uji

T

ujiu uusimuusimuusim (4)


29

T

y

T

y ynym

T

y ynym

n

T

m

iu

iuiu

1 1

2

,

2

,

1 ,,

)(*)(

*),cos( (5)

Finalmente, el sistema de recomendación propuesto por Liang fusiona los resultados

obtenidos de las fórmulas (4) y (5), como se muestra en la fórmula (6).

)),cos(*)1(),(*(),()(

kpij UuNu n

T

mjiunm iuuusimiuP (6)

2.8 Reglas de Web semántica El modelado de los elementos de una aplicación con ontologías proporciona interoperabilidad,

reutilización y extensibilidad al sistema, donde las reglas constituyen una manera natural y

declarativa de representar la lógica de negocio (Tsetsos, 2009). Los lenguajes de reglas son

lenguajes diseñados para especificar reglas de transformación de datos que definen cómo obtener

nuevos hechos de aquellos almacenados en una base de conocimiento (Breitman, 2007). Algunos

de 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; el

antecedente de una regla describe una posible situación del sistema, del usuario, del historial de

actividades o del contexto ambiental, mientras que el consecuente describe una posible decisión de

adaptación. Las acciones de una regla son disparadas cuando todas sus condiciones del antecedente

se cumplen.

El lenguaje de reglas de Web Semántica SWRL (Horrocks 2004, 2005), es un formalismo

presentado para la integración de reglas con ontologías dentro de la Web Semántica; se basa en la

combinación de OWL y RuleML. La idea base de SWRL es extender los axiomas de OWL para

incluir reglas de Horn7, mientras se mantiene un máximo de compatibilidad retroactiva con la

sintaxis 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 un

equivalente de consulta pero enfocado a trabajar como una regla de Web Semántica, partiendo de la

base de SWRL. Una consulta en SQWRL (Semantic Query Web Rule Language, lenguaje de reglas

de consulta de Web Semántica) consiste de un cuerpo y una cabecera (consecuente), radicando la

diferencia 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. Por

ejemplo, 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 literal

negativo. 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 sola

conclusión.


30

La regla anterior trata de abordar una regla para una relación transitiva, como lo es, si una

persona x es pariente de una y, y una persona y es pariente de una z, entonces, por transitividad, x es

pariente de z. Continuando con la regla anterior, realizar una consulta preguntando por los parientes

de un x (tanto directos como indirectos, es decir, parientes sucesivos de otras generaciones), se

puede 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 forma

de explotar la Web Semántica en pro de permitir recuperar información más personalizada, que

pueda conjuntar la información de un perfil explícito con la información de los servicios geo-

localizables.

2.9 Recuperación de información Para la recuperación de información supóngase una colección de documentos a los que una persona

hace una consulta y obtiene un conjunto de resultados que satisfacen su necesidad de información

consultada; leerá toda la colección de documentos almacenados, conservará los relevantes y

descartará los demás. Esta solución es impráctica, puesto que un usuario no tiene el tiempo o el

deseo 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 de

resultados que sea relevantes ante una solicitud de información. Un modelo de caja negra de un

sistema 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 ciencias

computacionales, las matemáticas, la bibliotecología, psicología, lingüística y estadística. Se ha

desarrollado mucha investigación para tratar el problema de la evaluación de los sistemas de

recuperación de información, RI (Rijsbergen, 1979). Una de las preguntas que se hacen en estos

sistemas es ¿qué evaluar? Cleverdon lista una serie de cantidades medibles, siendo las dos

principales la precisión y el índice de recuerdo.


31

(7)

(8)

La precisión y el índice de recuerdo intentan medir lo que se conoce como la efectividad de

un sistema de recuperación. Son una medida de la habilidad del sistema para recuperar documentos

relevantes de los irrelevantes (Figura 10). Se asume que mientras más efectivo sea el sistema, el

resultado será más satisfactorio para el usuario. También se asume que la precisión y el índice de

recuerdo son suficientes para la medición de la efectividad.

Figura 10. La intersección entre los documentos relevantes y los documentos recuperados en un

sistema RI son los documentos relevantes recuperados tras una consulta.

La relevancia de los elementos a recuperar es una noción subjetiva. La relevancia o no

relevancia de un documento particular dada una consulta puede diferir entre distintos usuarios. Sin

embargo, las diferencias no son lo suficientemente grandes como para invalidar una

experimentación hecha con consultas de prueba y colecciones de documentos disponibles con las

evaluaciones de relevancia correspondientes.

Esto origina una situación donde un número de consultas existen, de las cuales, las

respuestas “correctas” son conocidas. En la RI se asume de manera general que si una estrategia de

recuperación se desempeña bien bajo un número de condiciones experimentales, entonces se espera

que se desempeñe bien en una situación operacional donde la relevancia no es conocida. Una

noción interesante con respecto a la relevancia, la brinda (Frants, 1997), al considerar que un

sistema RI tendrá un alto nivel de relevancia si la mayoría de los documentos recuperados

satisfacen la demanda de información de un usuario, es decir, que le sean útiles; por su parte,

Lancaster (1993) reafirma lo anterior, al considerar que la relevancia se asocia con el concepto de

la relación existente entre los contenidos de un documento hacia una temática determinada y la

pertinencia se enfoca a la relación de utilidad entre un documento recuperado y una necesidad de

información individual.

Por lo anterior, se asume que un elemento será relevante para una necesidad de

información, si éste aporta algún contenido relacionado con la solicitud, con lo cual, al hablar de

relevancia se habla de pertinencia, al referirse al punto de vista del usuario final que realiza una

operación de recuperación de información (Martínez, 2002). Para cada consulta hecha a un sistema

de recuperación se puede construir una tabla de contingencia y calcular los valores de precisión y

de índice de recuerdo correspondientes.

Relevantes No relevantes

Recuperados A ∩ E Ā ∩ E E

No recuperados A ∩ Ē Ā ∩ Ē Ē

A Ā

Se puede apreciar que la precisión (fórmula 7) es el cálculo obtenido de dividir el total de

documentos relevantes recuperados entre el total de los documentos recuperados. El caso del índice

Precisión = A ∩ E

E

Ìndice de

recuerdo =

A ∩ E

A


32

de recuerdo (fórmula 8), si bien se obtiene tras el cálculo de los documentos relevantes recuperados

entre el total de documentos relevantes, el cálculo del denominador resulta problemático, ya que si

se supiera de antemano cuales son los documentos relevantes, bastaría con sólo presentarlos a los

usuarios; desgraciadamente esta cantidad no se puede conocer de antemano, a lo más, sólo se puede

inferir un estimado.

Al respecto de estas métricas, baste considerar la situación común de un conjunto de

documentos recuperados en respuesta a una consulta; en condiciones ideales el conjunto debería

contener solamente documentos relevantes a la consulta, es decir, un 100% de precisión y un 100%

de índice de recuerdo. En la práctica, este no es el caso y el conjunto recuperado consiste tanto de

elementos relevantes y no relevantes.

Finalmente, si bien la precisión y el índice de recuerdo son las métricas más comúnes,

dentro de la literatura también se encuentran otras, como lo son la medida F y la ganancia

acumulada descontada normalizada o nDCG (Herlocker, 2004). La medida F es una métrica que

evalúa el desempeño conjunto tanto de la precisión como del índice de recuerdo, como lo muestra

la fórmula (9), mientras que nDCG es una métrica basada en la posición que ocupan los resutados

recuperados, como lo muestra la fórmula (10).

recuerdodeíndiceprecisión

recuerdodeíndiceprecisiónF

__

__**2

(9)

n

i

rel

n

n

n

ni

DCGdondeIDCG

DCGnDCG

i

1 2 )1(log

12, (10)

Donde, para la fórmula (10), n es el top de resultados tomados, reli ∈ {0, 1} indica si el resultado i

es un elemento relevante recuperado, y el IDCG representa el orden ideal de elementos relevantes

recuperados.

2.10 Mapas Web Actualmente el uso de la geolocalización está ejecutándose en los equipos actuales como portátiles,

celulares y dispositivos móviles, creando un nuevo paradigma en el que además de importar el qué,

también importa el cuándo y el dónde. Pero para ello primero se debe obtener la localización del

usuario.

La obtención de la localización de los usuarios si bien puede ser obtenida manualmente,

dispositivos como GPS (sistema de posicionamiento global) permiten obtener información como la

latitud y la longitud en la que se encuentra un usuario. Otra manera de obtener tales coordenadas es

directamente a través de los navegadores de Internet, como lo demuestra el esfuerzo de compañías

como Google o Mozilla, que a partir de un navegador Web buscan una manera de obtener la

localización aproximada del usuario, siguiendo la W3C Geolocation Specification, la cual busca

habilitar la identificación de la localización del usuario directamente por parte de los sitios Web,

previa autorización del usuario.

Distintos sitios brindan herramientas para que los desarrolladores puedan crear sus propias

aplicaciones basadas en la geolocalización (i.e. Yahoo! FireEagle), o bien para aprovechar el uso

que tiene dentro de las comunidades sociales de la red.

El auge de las aplicaciones con mapas e información geolocalizable ha tomado apogeo. Así

lo demuestran sitios como www.programmableweb.com, que a julio de 2010, registraba que de sus

casi 5000 mashups registrados, 34% de los cuales correspondían a mapas mashups.

Con respecto a las redes sociales y servicios de microblogging, Facebook ha anunciado la

incorporación de geolocalización dentro de su servicio, mientras que Twitter y Google Buzz ya han


33

comenzado lo propio al permitir identificar el lugar desde donde se escriben los mensajes que son

publicados. También la popularidad en aumento de sitios como Foursquare (que incentiva a los

usuarios a asistir a lugares físicos a modo de juego) y Gowalla (enfocado a compartir lugares y

eventos a los que se asiste físicamente), y de otros que antaño comenzaban a aprovechar las

bondades de la geolocalización, como Yelp y Yumit (para compartir lugares favoritos) e inclusive

Waze, que comparte la ubicación del usuario mientras conduce con lo que ayuda a informar del

tráfico de manera colaborativa.

Entre las ventajas consideradas por la geolocalización y los mapas digitales se encuentran:

Facilidad de consultar mapas y encontrar ubicaciones de manera más exacta. Actualmente

las interfaces presentadas por la mayoría de los mapas Web, como Google Maps, Bing

Maps o Map Quest son amigables y se encuentran en constante innovación, a fin de

proveer una mejor experiencia de navegación al usuario, como lo es Google Street View.

Presentación de información geoposicionada. Con servicios como Flickr que presenta la

localización en la cual fue tomada una foto.

Existencia de distintas APIs que permiten crear mashups y combinar los servicios de

localización en mapas con otras herramientas de la Web 2.0.

Fuerte integración con las redes sociales y la conformación de comunidades.

Personalización de la información que se presenta al usuario. Un servicio como Twitter que

rápidamente se ha posicionado como una nueva opción de búsqueda de información,

empieza a tomar en cuenta la geolocalización de los tweets que son publicados por los

usuarios, para darle mayor relevancia a aquellos que son locales a la ubicación de sus

miembros.

Publicidad contextualizada. Servicios como Google AdSense hacen uso de la

geolocalización a partir de la dirección IP del usuario, para determinar ya sea el país o

región en que se encuentra y de esa manera proporcionales anuncios más relevantes al

lugar donde se encuentre. Con una localización más exacta, también el sistema de anuncios

de Apple iAd sigue una fórmula semejante.

Nueva interacción y aplicaciones que aprovechan la realidad aumentada. Así, estas

aplicaciones sobreponen una capa virtual sobre la realidad, haciendo uso de la cámara de

un celular, por ejemplo, con la que se puede ver la dirección en la que se encuentra algún

restaurant.

Concluyendo, al conocer la ubicación, distintos servicios que hagan uso de ella pueden

ayudar a saber lo que pasa alrededor de la persona, qué hay y dónde se encuentran, agilizando la

comunicación y haciendo el acceso a la información más intuitivo.

Entre las desventajas actuales se pueden mencionar:

Problemas de privacidad. Es necesario que las aplicaciones que hagan uso de la

geolocalización también proporcionen mecanismos de seguridad que permitan establecer a

que otros usuarios u otras aplicaciones se les va a permitir el acceso a dichos datos.

Si no se tienen medidas de seguridad con respecto al acceso de la información del usuario,

ésta pueda ser usada para fines de phising y spamming.

Que las personas publiquen información delicada y personal sin tomar en cuenta los

riesgos que ello implica. Para evitarlo es necesario una previa concientización de los

riesgos inherentes en este tipo de aplicaciones, situación que se ha venido presentando en

distintas redes sociales donde las personas dejan pública su información personal para que

cualquier persona pueda acceder a ella; y si bien los distintos sitios de redes sociales

implementan cada vez más medidas de seguridad para evitar estas situaciones, de nada

sirven si las personas las omiten.

Si bien la búsqueda de lugares e información geolocalizable puede ser usada para brindar

recomendaciones a los usuarios acorde a su ubicación, existe más información que puede ser


34

tomada en cuenta para brindar una personalización de los resultados más acorde a cada persona,

información como la hora, el día, el clima, la popularidad del lugar, así como aspectos culturales y

sociales en los que se ven inmersos las personas, es decir, su contexto. La siguiente sección revisa

brevemente a los sistemas de recomendación, para posteriormente abarcar nuestro acercamiento del

manejo del contexto mediante reglas de Web Semántica y el uso de anotaciones sociales.

2.11 Mercadotecnia La mercadotecnia parte de que no todos los consumidores u organizaciones tendrán necesidades

idénticas, de que es necesario dividir al mercado total en segmentos de clientes potenciales que

tengan necesidades semejantes. La segmentación permite una respuesta más precisa a las

necesidades de los clientes y si bien existen varios segmentos de mercado, estos van cambiando

gradualmente de acuerdo a cambios culturales, de tiempo en tiempo, pero no de manera drástica

(Bennett, 2010), información que ha permitido identificar y clasificar patrones de comportamiento

de los consumidores.

La mercadotecnia busca identificar macro tendencias, éstas son las fuerzas que influyen en

el comportamiento del consumidor, lo que incluye: hábitos económicos, sociales, valores, estilos de

vida, la tecnología y aspectos demográficos. Entre los mercados internacionales, las bases de los

hábitos de consumo son muy semejantes, y si bien hay diferencias particulares en especial respecto

a la cultura, estos permiten generalizarse. Los deseos, la jerarquía de necesidades y la adopción de

patrones influyen en los consumidores en cada país (Bennett 2010).

Dentro del área de mercadotecnia se siguen dos principios (Kotler 2007):

Principio 1: Adoptar un enfoque centrado en el consumidor. Los programas y servicios que

han sido diseñados para alcanzar los deseos y necesidades del consumidor objetivo requerirán

una menor promoción ya que los consumidores satisfechos se vuelven evangelistas de la

compañía. Este principio es bien ejemplificado mediante la Web Social, en el que los

comentarios y valoraciones de los usuarios se pueden volver determinantes al momento de

elegir o no una opción. En este punto se puede notar la interrelación existente entre los aspectos

contextuales y sociales perseguidos en esta investigación.

Principio 2: Segmentos y mercado objetivo. Los segmentos difieren principalmente en los

deseos, valores, actitudes, recursos, localización geográfica y experiencias previas con el

producto u organización. A través de la segmentación de mercados, las organizaciones dividen

mercados grandes y heterogéneos en otros más pequeños, más homogéneos, mismos que

pueden ser buscados más eficientemente y efectivamente con productos y servicios que encajen

con sus necesidades únicas. Las principales variables usadas para la segmentación del mercado

incluyen aquellas que son descriptivas, relacionadas con los beneficios o con el

comportamiento. Los factores descriptivos incluyen factores geográficos como nación, región,

estado, ciudad, vecindarios o lugares de trabajo; las variables demográficas incluyen: edad,

género, familia, ciclo de vida, ingresos, ocupación, educación, religión, raza y nacionalidad; los

factores psicográficos se basan en características sociales, de clase, valores, estilo de vida y de

personalidad (Kotler 2007). Parte de estos atributos han sido considerados dentro de la

implementación del sistema de recomendación contextual propuesto.

Cabe destacar el cambio de paradigma que ha pasado de la mercadotecnia general a la

mercadotecnia objetivo (o meta), la cual se enfoca en atender necesidades específicas de un

determinado mercado, considerando sus gustos y necesidades diferentes, para finalmente llegar a la

mercadotecnia personalizada, un mercado enfocado a la medida del cliente. Es por ello que se

considera relevante el comprender al cliente.

Dentro de la mercadotecnia también destaca la importancia que se le da a la influencia que

tienen las personas para afectar el proceso de selección de servicios y productos. Esto se manifiesta


35

con el llamado boca-a-boca, que es la manera en que las personas comentan y opinan sobre lo que

les gusta o no. Este fenómeno se puede apreciar fácilmente en una gran cantidad de redes sociales y

servicios de la Web 2.0, como la recomendación de videos, por ejemplo.

También la mercadotecnia considera la forma en que influye el impacto de aspectos

políticos, fenómenos naturales o recesiones económicas en el proceso de selección. De ello se

concluye que el proceso para la formulación de reglas es un proceso constante, adaptable y en

continua evolución, es decir, que debe ir adaptándose según se determinen nuevas situaciones que

generen una influencia o ejerzan un cambio en la conducta del consumidor.

Prueba de este aspecto cambiante, es que la investigación del comportamiento del

consumidor ha pasado por distintos cambios a través de la historia, ajustándose a sus contextos

sociales y políticos, sin embargo, si algo mantienen en común estas etapas, son los patrones de

gusto y preferencias por parte del público, lo que bien puede generalizarse en un conjunto de reglas

de comportamiento.

Como resultado de esta tesis se sugieren un conjunto de reglas (ver Anexo C), basadas en

la literatura estudiada con respecto a mercadotecnia (ver Anexo F, secciones F.5, F.6 y F.10), que

representan patrones y características de los consumidores, partiendo de la información contextual

del consumidor. Este conjunto de reglas puede extenderse o modificarse con el transcurso del

tiempo, para adaptarse a los nuevos cambios contextuales que se presenten, pero que sin embargo

ya dejan asentada una base.

Como ejemplo, considerense los siguientes patrones de comportamiento (Marin, 2005;

Galindo, 2007; Sahui, 2008):

Los estudiantes relacionan una franquicia con calidad y estandarización, cumpliendo más sus

expectativas, ya que ellos consumen marcas consolidadas de manera simple, mientras que los

profesionistas tienden a preferir los restaurantes independientes, ya que cumplen más sus

expectativas. Esto puede traducirse de la siguiente manera:

o Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y existe Restaurante(r)

y tiene-identificador(r,id) y es-franquicia(r, falso) entonces obtener el id del

restaurante.

o Si existe una Persona(x) y tiene-ocupacion(x, "estudiante") y tieneEdad(x, y) y es-

mayor-o-igual(y, 12) y es-menor-o-igual(y, 24) y existe Restaurante(r) y tiene-

identificador(r,id) y es-Franquicia(?r, true) entonces obten el id del restaurante.

En cuanto a subculturas identificadas, los llamados baby bursters (nacidos entre 1965-1976) se

caracterizan por ser desleales a las marcas, ser materialistas, adictos al trabajo, cínicos e

irónicos. Esto puede traducirse de la siguiente forma:

o Si existe una Persona(x) y tiene-edad(x, y) y edad-mayor-igual(y, 34) y edad-

menor-igual(y, 45) y existe Restaurante(r) y tiene-identificador(r,id) y

esFranquicia(r, falso) ^ tiene-formalidad(r, "formal") entonces obtener el id del

restaurante.

Por aspectos religiosos, considerese la época de cuaresma, donde los católicos consumen

mayormente mariscos:

o Si fecha-actual(hoy, d) y fecha-dentro-de-período(d, "2011-03-09", "2011-04-23") y

existe Persona(x) y persona-profesa(x, “católico”) y existe-Restaurante(r) y tiene-

identificador(r,id) y sirve-alimento(r, “mariscos”) entonces obtener el id del

restaurante.

El tipo de consumidores denominados bioconsumidores son personas entre 18 y 60 años, que

tienen un interés por la naturaleza y por la nutrición de su alimentación:

o Si existe una Persona(x) y tiene-edad(x, y) y edad-mayor-igual(y, 18) y edad-

menor-igual(y, 60) y tiene-interés(x, "naturaleza") y existe Restaurante(r) y tiene-

identificador(r,id) y sirve-alimento(r, Vegetariano) entonces obtener el id del

restaurante.


36

Con respecto al tipo de personalidad, se han identificado distintos comportamientos

relacionadas con el dinero, entre ellas: cazadores, que asumen riesgos, son agresivo y gastan

dinero; ostentosos, que les gusta el lujo, son egocéntricos y buscan primera clase; ahorrativos,

son prósperos, apréstamistas y conservadores.

o Si existe una Persona(x) y tiene-personalidad(x, “Cazador-Ostentoso”) y existe

Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces obtener el

id del restaurante.

o Si existe una Persona(x) y tiene-personalidad(x, “Ahorrativo”) y tiene-ingreso(x,

"medio o bajo") y existe Restaurante(r) y tiene-identificador(r,id) y tiene-costo(?r,

"bajo") y esFranquicia(?r, falso) entonces obtener el id del restaurante.

Sobre la clase social, las clases identificadas como de nivel A y B se caracterizan por personas

que son jefes de familia con estudios superiores, empresarios con negocios grandes o

medianos, ejecutivos o profesionistas destacados, cuyos hijos reciben educación en escuelas

privadas nacionales o en el extranjero, cuentan con hogar propio, tienen varios automóviles,

utilizan tarjetas de crédito, entre otras características.

o Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y tiene-

ingreso(x,”alto”) y existe Restaurante(r) y tiene-identificador(r,id) y

tieneEstacionamiento(r, "propio") entonces obtener el id del restaurante.

o Si existe una Persona(x) y paga-con(x, “MasterCard, VISA”) y existe Restaurante(r)

^ tiene-identificador(r,id) y acepta-pago(r, “MasterCard, VISA”) entonces obtener el

id del restaurante.

Con respecto a la etapa de vida de una persona, la etapa recién casado identifica a personas que

están casadas, aún sin hijos y sin los gastos que ello implica, por lo que pueden usar ese dinero

en si mismos; la etapa conocida como nido completo I presenta a una persona casada, con hijos

pequeños, lo que implica una escasa liquidez económica ya que los gastos se centran en los

hijos, también se caracteriza por la alimentación infantil. Otro caso es el nido vacío I, en el que

la persona ya se encuentra en una posición más satisfactoria, donde los hijos ya son

independientes y el gasto que se avocaba hacia ellos ya puede ser usado para la persona misma.

o Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "no") y existe

Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces obtener el

id del restaurante.

o Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "chico") y existe

Restaurante(?r) y tiene-identificador(r,id) y tiene-costo(?r, "medio") entonces

obtener el id del restaurante.

o Si existe Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "independiente") y

existe Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces

obtener el id del restaurante.


37

3 Estado del arte

En este apartado se describe el estado del arte encontrado sobre investigaciones y desarrollos con

características afines o útiles para el trabajo de investigación propuesto.

Se presentan una serie de tablas que recopilan distintos trabajos e investigaciones en

diversas áreas relacionadas con el ámbito del trabajo de investigación que se desarrolló. Se aborda

de manera general las mejoras surgidas como producto de este trabajo con respecto a los

competidores identificados y los puntos que no serán contemplados al no ser de prioridad para esta

tesis.

Área: SIG Móvil (Mobile GIS)

Relación con el trabajo Descripción

La geolocalización permite que los usuarios

puedan valorar o realizar consultas de la manera

que más le sea propicia al lugar y momento donde

se encuentren.

Este apartado presenta aplicaciones y

trabajos de los SIG enfocados a la

recuperación de información geográfica.

Estado del arte

En los últimos años se han popularizado aplicaciones y servicios sobre mapas,

accesibles desde teléfonos celulares, como lo son Nokia Maps8, Google SMS

9, Google

Mobile Maps10

, MapQuest Mobile11

, Ask Mobile12

e inclusive trabajos de

investigación afines, como la aplicación m-Chartis presentada por Garofalakis (2006)

El proyecto GiMoDig (Hermans, 2003), (Nivala, 2003), busca el empleo de

dispositivos móviles para la localización de puntos de interés en un lugar determinado,

8 Nokia Europe – Nokia Maps, http://europe.nokia.com/A4509271

9 Google Mobile: Text message Google for quick results, http://www.google.com/intl/en_us/mobile/sms/.

10 Google Mobile: Google Maps, http://www.google.com/gmm

11 MapQuest: Mobile Maps & Driving Directions, AOL, http://www.mapquest.com/mobile/

12 Ask Mobile, http://gps.ask.com/

Capítulo 3


38

haciendo hincapié en las consideraciones necesarias para llevar a cabo un proyecto de

dicha índole, desde la interacción del usuario hasta la manera de presentar y procesar

la información.

Se han buscado alternativas para brindar una mejor experiencia de navegación del

usuario al investigar puntos de interés sobre un mapa, inclusive mediante el uso de

tecnologías como la realidad aumentada (Schoning, 2007).

El área de entretenimiento también trata de sacar provecho de ésta área, como lo

demuestra por ejemplo (Lonthoff, 2003) con Mobile Hunters, juego que aprovechan la

localización de los usuarios para su funcionamiento.

Y de manera general, una gran variedad de aplicaciones basadas en la localización de

lugares, trazado de rutas, informes de tráfico, localización de contactos, publicación de

fotos con información geográfica en la Web, entre otros, ya sea para fines comerciales,

de seguridad o de entretenimiento (como lo demuestran los participantes del concurso

NAVTEQ13

).

Los trabajos anteriores consideran de manera limitada (o no consideran) la dependencia

contextual en sus tres enfoques (personal, de ambiente o de datos); tampoco aprovechan la

retroalimentación que se puede obtener de la comunidad que utiliza sus servicios, como parte

del conocimiento colectivo que puede proveer.

Principales “jugadores”

Comerciales

1. Google

2. Nokia

3. AOL

4. Ask

Académicos

1. Universidad de Munster, Alemania (trabajo: Magic

lenses)

2. Helsinki University of Technology, Finlandia

(trabajo: GiMoDig)

3. Universidad de Patras, Grecia (trabajo: m-Chartis)

Competidores más cercanos

Nokia, Google, AOL, Ask, GiMoDig

Mejoras

Consideración de anotaciones sociales para consultas personalizadas y el ordenamiento de los

resultados mediante la participación de los usuarios en conjunto con la dependencia contextual

para determinar los servicios más pertinentes para la solicitud del usuario.

Puntos a no tratar

No se trabajará con guías que indiquen recorridos a seguir; la visualización en mapas es un

medio de complementar la información mostrada al usuario, no el fin. Empero, el objetivo de

esta tesis es una investigación que usa un prototipo experimental, siendo que el prototipo es un

auxiliar de la investigación y no el fin de la misma.

Aplicación: Mashups

Relación con el trabajo Historia / Descripción

Los mashups permiten la edición y visualización

de mapas con puntos de interés para algún usuario

en algún sitio Web.

Un mashups es un software híbrido que

combina el contenido de más de una

fuente, son un género de aplicaciones

Web interactivas que permiten recuperar

contenido de fuentes externas para crear

nuevos servicios. Actualmente, su uso en

13

NAVTEQ Global LBS Challenge, http://www.nn4d.com/site/global/market/lbs_challenge/p_lbs_home.jsp


39

la Web es muy popular, gracias al manejo

de la API de Google Maps.

Estado del arte

Gracias a servicios como Google Maps, Yahoo! y MSN, han surgido mashups que

integran y combinan sus mapas, así como información de otras fuentes, buscando dar

una mayor experiencia al usuario; un ejemplo representativo es ONGMAP14

.

También han aparecido aplicaciones Web y librerías que permiten usar en línea la API

de Google Maps para que el usuario realice su propio mashup, como son MapBuilder15

y J2MEMap16

. Otra API para el manejo de la localización del usuario es FireEagle17

,

por parte de Yahoo!.

La parte social también ha tenido su participación en los mashups, como lo demuestran

algunos proyectos para describir lugares (e inclusive el mundo), como GlobalMotion18

,

WikiMapia19

o Tagzania20

.

Otro ejemplo, es WikiMiniAtlas, usado dentro de contenidos de la Wikipedia para

enlazar información sobre algún lugar con su mapa correspondiente.

Rummble21

es un servicio social que permite que los participantes compartan sus

lugares visitados y sus fotos. Manejan búsqueda de lugares haciendo uso de

“rummbles” (inserción de puntos de interés para los usuarios) de los contactos

de un usuario y de los contactos de sus contactos, manejando así una red social

de consulta.

Google continúa presentando nuevas aplicaciones relacionadas con los mapas y la

geolocalización, como lo es el servicio Google Latitude22

, una aplicación para

dispositivos móviles que puede ser usada para buscar y encontrar amigos a partir de su

localización geográfica. Otro es la aplicación Places Directory, para los sistemas

Android, que permite encontrar lugares cercanos a la ubicación actual del usuario.

Los mashups combinan distintas fuentes para crear un producto al usuario, sin embargo, como

es el caso de los mapas geográficos, no están enfocados a la localización de servicios ni al

manejo de información contextual.


Mashups realizados por usuarios o grupos de usuarios, que combinan los mapas y servicios de

Google Maps, Yahoo! y MSN, como ONGMAP; sitios como MapBuilder y APIs como

J2MEMap. Proyectos para describir lugares, como GlobalMotion, WikiMapia o Tagzania.


Tagzania

Mejoras

Permitir la búsqueda de servicios en base a un criterio contextual.

Puntos a no tratar

El objetivo de la investigación no es el desarrollo de un mashup, si bien se utiliza como parte

del prototipo de la misma.

14

http://ongmap.com 15

www.mapbuilder.net 16

http:// j2memap.landspurg.net 17

http://fireeagle.yahoo.net/ 18

www.globalmotion.com 19

http://wikimapia.org 20

www.tagzania.com 21

http://www.rummble.com 22

Google Latitude, http://www.google.com/latitude


40

Área: Dependencia contextual


Para poder proveer un conjunto de resultados más

personalizados se requiere conocer el contexto en

el cual se encuentra quien realice una consulta, su

situación, sus gustos, lo que sucede a su

alrededor. Con estas consideraciones se busca

proporcionarle resultados que le sean útiles y no

información que en su contexto o situación le

resulte innecesaria.

El uso de información contextual permite

definir el medio en el que se encuentra

inmerso el usuario, para poder

proporcionarle servicios acordes a su

preferencia y necesidad, útiles de acuerdo

al lugar y momento donde se encuentre.

Dependiendo del grupo de usuarios

dependerá el contexto de aplicación. Es

por ello que se ha buscado la manera de

identificar distintos contextos de uso para

la misma información.

Estado del arte

Spaccapietra et. al. han presentado trabajos enfocados a determinar la información que

influye en el contexto que rodea al usuario (Yu, 2003, 2004), (Spaccapietra, 2005),

cómo esta información ayuda a una mayor delimitación semántica de lo que el usuario

puede estar consultando (Yu, 2005) y cómo los datos pueden ser almacenados y

representados bajo diferentes contextos (Benslimane, 2003), (Vangenot, 2004),

(Spaccapietra, 2006).

Nivala (2003) realiza una prueba de usabilidad con un grupo de usuarios, sobre el uso

de dispositivos móviles para la localización y orientación de los usuarios, con lo que

identifica un conjunto de elementos contextuales que influyen en la interacción con los

usuarios.

Una aplicación de la importancia contextual la presenta Sun (2004), mostrando un

trabajo encaminado a determinar recorridos turísticos, indicando una ponderación a

cada sitio de interés, basada en el criterio de expertos así como por el interés del

usuario.

Uno de los problemas para determinar el contexto en que se encuentra el usuario, es obtener la

información que lo rodea, desde los intereses de la persona y lo que sucede a su alrededor. Lo

que puede ser relevante para un usuario, para otro puede no serlo. Esta investigación buscó

conjuntar el manejo de información contextual junto con anotaciones sociales en el marco de

los sistemas de recomendación dentro de un lugar y momento determinado.

Área: Uso de ontologías en un SIG


Las ontologías permiten mantener una estructura

ordenada de conceptos sobre un dominio, así

como una relación explícita entre los conceptos

que la integran; ello permitiría una estructura

sobre la cual manejar la información concerniente

a la dependencia contextual y de los servicios y

lugares accesibles por el usuario.

El uso de ontologías para almacenar

información permite un orden y estructura

donde se puede integrar y compartir la

información. Su uso es variado, pues

permite modelar distintos enfoques de un

mismo dominio, además de hacerlo bajo

diferentes niveles de abstracción que

abarquen conceptos generales y un

contenido más específico.


41

Estado del arte

Fonseca (2001) presenta un marco de trabajo para la integración de información

geográfica mediante ontologías (ODGIS) en una tesis que muestra que un modelo que

incorpora jerarquías y roles, tiene el potencial de integrar más información de distintas

fuentes geográficas que un modelo que no los incorporan.

Spaccapietra (2004) presenta un estudio de la importancia de las ontologías espaciales,

temporales, ontologías de dominio geográfico y ontologías espacio-temporales.

A su vez, trabajos como el de Tomai (2006), presentan una herramienta Web para la

creación de ontologías de dominio geográfico, como una manera más sencilla para el

desarrollo de éstas y su utilización.

Otros trabajos (Bernard, 2003), (Lutz, 2003, 2005, 2006), (Klien, 2004, 2005),

[Lutz05], [Lutz06]) presentan el uso de las ontologías en el dominio geográfico para la

descripción de servicios, como una manera de atacar el problema de la ambigüedad en

las consultas de los usuarios.

Holtkamp (2008) presentan un trabajo sobre el uso de ontologías para la información

personalizada consciente de la situación y el suministro de servicios para usuarios

móviles; presentan el sistema COMPASS, una aplicación de turistas para las

Olimpiadas de Beijing.

En esta investigación se recurrió al uso de ontologías para la estructuración de la información

relacionada con los servicios geolocalizables, así como del perfil contextual del usuario.


Universidad de Maine, EUA (trabajo: ODGIS),

Swiss Federal Institute of Technology, Suiza (trabajos: ontologías espaciales),

Universidad Nacional Técnica de Atenas, Grecia (trabajo: editor de ontologías

geográficas),

Universidad de Munster, Alemania (trabajo: emparejamiento de ontologías

geográficas).


Fonseca (ODGIS, Fonseca, 2001),

Spaccapietra (2004),

Tomai (2006),

Lutz (2005, 2006).

Holtkamp (2008).

Mejoras / Puntos a no tratar

La prioridad de la investigación recayó sobre el uso de aspectos sociales y contextuales. El uso

de ontologías recayó como una herramienta usada para realizar consultas, inferir y establecer

relaciones entre los servicios geolocalizables que pueden ser consultados y del perfil de

usuario.

Área: Sistemas de recomendación


Distintos aspectos de la participación directa de

los usuarios han afectado la forma en que se

utiliza la Web actualmente; los sistemas de

colaboración por filtrado colaborativo buscan

aprovechar el conocimiento colectivo de la

comunidad de usuarios para la recomendación de

ítems. En esta investigación los ítems a

recomendar se orientan a servicios

Tapestry fue el primer sistema de

recomendación por filtrado colaborativo,

surgido en 1992, sin embargo la evolución

de este tipo de sistemas a continuado,

teniendo un impacto actual, por ejemplo

en sitios de comercio electrónico. Se

continúan buscando maneras de mejorar

el desempeño de estos sistemas, desde


42

geolocalizables. distintos enfoques, como el seguido por

esta investigación.

Estado del arte

Tso-Sutter (2008) presenta el manejo de anotaciones sociales dentro del modelo usado

por los sistemas de recomendación, pasando de una matriz usuario-ítem hacia una

matriz tridimensional que considera usuario-ítem-anotación social.

Cai et al. (2010) proponen un modelo que considera los roles de las interacciones del

usuario dentro de una red social (bajo dos enfoques, la similitud del usuario por su

“atractivo” a otros usuarios y su “gusto”, es decir, que tan semejante es a otros),

presentando un filtrado colaborativo para permitir recomendaciones de personas a

otras personas.

Tapucu et al. (2010) presentan una arquitectura para la mejora del desempeño de los

sistemas de recomendación haciendo uso de las preferencias del usuario que se

encuentran implícitamente dentro del conocimiento de un dominio.

Cakiroglu & Birturk (2010) evalúan el efecto de los círculos sociales sobre las

preferencias de los usuarios, con un caso de estudio dentro de una aplicación en

Facebook.

Liang et al. (2010) presentan un acercamiento de anotaciones sociales dentro de los

sistemas de recomendación, a través de las similitudes entre los usuarios y los ítems a

partir de las anotaciones comunes que tengan.

En esta investigación se considero seguir el trabajo de Tso-Sutter como una manera de

incorporar el uso de anotaciones sociales dentro de los sistemas de recomendación; sobre esta

base se sigue un enfoque contextual para la recomendación de lugares socialmente relevantes y

contextualmente adecuados para el usuario. Finalmente, también se consideró el aporte de

Liang para lograr un mejor desempeño en los resultados de la recomendación.


Universidad de Hildesheim, Alemania (trabajo de la Dra. Tso-Sutter).

Universidad de Tecnología de Queensland, Australia (trabajo de Liang Huizhi).


Tso-Sutter (2008).

Liang (2010).

Mejoras / Puntos a no tratar

Dentro de la investigación se encontró que el manejo de anotaciones sociales podía ser usado

sobre los sistemas de recomendación. La investigación se oriento a comprobar si existía mejora

sobre estos sistemas al seguir también un enfoque contextual o bien un enfoque contextual en

conjunto con el enfoque social.

En la Tabla 1, se muestra un resumen comparativo de las características de los trabajos revisados.

Los elementos numerados de dicha tabla corresponden a los siguientes:

Característica

1 Proyectos GIS – LBS

2 Aplicación para la Web

3 Manejo de dependencia del contexto

4 Orientación Web 2.0

5 Desarrollo tipo mashup

6 Manejo de ontologías

7 Personalización por parte del usuario

8 Uso de la Web social

9 Ataca heterogeneidad semántica


43

Tabla 1. Comparativa general de los trabajos revisados.

Proyecto / Investigación 1 2 3 4 5 6 7 8 9

ODGIS (Fonseca 2001) ● ●

MADS (Spaccapietra, 2006), (Vangenot, 2004) ● ● ● ●

Herramienta Web para ontologías geográficas

(Tomai, 2006) ●

● ●

●

Descubrimiento de servicios SIG basado en

ontologías (Klien, 2004, 2005), (Lutz, 2005,2006)

●

●

WOS (Lacasta, 2007) ● ● ●

COMPASS (Holtkam,2008) ● ● ●

Lenguaje visual en consultas SIG (Loranca,2000) ●

Dependencia contextual en SIG (Yu,

2003,2004,2005), (Vangenot 2004), (Spaccapietra

2005)

●

●

Rutas turísticas (Sun 2004) ● ● ●

Lentes mágicos, contenido de la Wikipedia en

mapas (Schoning 2007) ● ● ●

Nokia Maps ●

Google Mobile Maps ● ● ● ●

FireEagle ● ● ● ●

we♥places23

● ● ● ●

GiMoDig (Sarjakoski 2005), (Nivala2003) ● ● ●

m-Chartis (Garofalakis 2006) ● ●

WikiMapia ● ● ● ● ●

Tagzania ● ● ● ● ●

WikiProjekt Georeferenzierung ● ● ●

MapBuilder ● ● ● ● ●

Rummble ● ● ● ● ●

Ongmap ● ● ● ●

GoPlanit24

● ● ● ● ● ●

Recomendaciones de citas (Cai 2010) ●

Anotaciones sociales en sistemas de

recomendación (Tso-Sutter 2008)

●

Recomendación de contactos en Facebook

(Cakiroglu 2010)

●

Anotaciones ponderadas para recomendaciones

personalizadas (Liang 2010)

●

Participantes NAVTEQ 1 2 3 4 5 6 8 9 10

Atlas Book, Where,

Loc Aid People, Aleona, Smarter Agent, W-

PlanIt

●

ParkWhiz ● ●

PocketCaster GPS, relive!, 8motions ● ●

Proxpro, Beacon, loopt ● ●

Wuh-sup? ● ●

23

We love places, http://www.weheartplaces.com/ 24

GoPlanit, http://www.goplanit.com/


44

Una tabla comparativa entre los principales exponentes con el trabajo de investigación aquí

propuesto, se muestra en la Tabla 2. Las columnas sobre dependencia contextual indican si el

proyecto toma en cuenta de alguna manera la dependencia contextual, ya sea computacional, del

perfil personal, del entorno o de los datos de los proveedores de servicios. La columna de

folcsonomía indica si se hace algún uso de anotaciones sociales para describir las locaciones y la

última indica si se sigue algún procedimiento para la ordenación jerárquica de los resultados tras

una consulta.

Tabla 2. Tabla comparativa con respecto a la investigación por realizar.

Trabajos

relacionados

Dependencia contextual Construcción

ontológica

Folcso-

nomía

LBS Ordena-

miento

Personal Entorno Datos

Foursquare

Nokia Maps

Servidores Mapas

Web Móviles

(Ask, MapQuest)

(Fonseca 2001)

(Lutz 2005)

(Sarjakoski 2005)

(Spaccapietra 06)

Google Maps (Tso-Sutter, 2008)

(Liang, 2010)

Investigación


45

4 Metodología de solución

La atención del trabajo se enfocó en el manejo de la información geoespacial, contextual y la

retroalimentación proporcionada por los usuarios a través de anotaciones sociales para la obtención

de un conjunto recomendado de resultados ante la solicitud de servicios basados en localización. El

caso de estudio realizado se efectuó sobre el dominio de restaurantes.

El manejo de información contextual se siguió bajo un enfoque basado en teoría de

mercadotecnia y de razonamiento del sentido común. El razonamiento de sentido común es un área

de la inteligencia artifical que involucra tomar información sobre ciertos aspectos de un escenario

en el mundo y hacer inferencias sobre otros aspectos de ese mismo escenario, tomando como base

el conocimiento del sentido común o conocimiento de cómo el mundo funciona. Usando el cálculo

de eventos, se puede representar conocimiento de sentido común y representar escenarios para

razonar sobre ellos. En el acercamiento basado en lógica para el razonamiento de sentido común, el

conocimiento es representado declarativamente como fórmulas lógicas (Mueller 2006).

Para la contextualización se consideraron el perfil del usuario, la información del entorno y

de los proveedores de servicios. Como mencionan Vanathi & Rhymend (2011), dentro de los

distintos acercamientos al modelado contextual, el basado en ontologías es el más adecuado para el

cómputo de conciencia contextual.

Con respecto al manejo de la recomendación social, se siguió la incorporación de

anotaciones sociales propuesta por Tso-Sutter (2008) y Liang (2010).

Con ambos enfoques se persigue la recomendación de resultados a partir de su importancia

contextual y social. Se describe a continuación la metodología de solución seguida para esta

investigación:

Recopilación de datos.

Creación de un sistema de recomendación contextual por filtrado colaborativo.

Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones

sociales.

Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en

anotaciones sociales.

Experimentación y comparación entre los sistemas.

Análisis de resultados.

Capítulo 4


46

A continuación se describen los pasos anteriores enfocados al caso de estudio efectuado en

esta investigación.

4.1 Recopilación de datos Para esta etapa se implementó un prototipo Web, llamado Surfeous (de momento disponible en

http://148.208.209.28:8080/surfeous/mapas). La función del prototipo fue primordialmente de

recopilar información sobre la cual poder efectuar la experimentación. Dadas las características del

acercamiento realizado en esta investigación, no existen repositorios de datos que proporcionen el

nivel de detalle de las características propias tanto de los ítems como de los usuarios, por lo que fue

necesario recurrir a este prototipo.

Dentro del ejercicio, participaron mayoritariamente distintos estudiantes de nivel

licenciatura y superior, a los que se les solicitó un mínimo de 10 restaurantes evaluados por

usuario, para evitar así el problema de cold-start o inicio frío que se presenta en los sistemas de

recomendación (Lathia, 2009). La cantidad de 10 corresponde principalmente a tener una cantidad

de restaurantes evaluados por los usuarios, de manera que se pudiera contar con su participación,

ya que en caso de pedir más, los usuarios pudieran mostrarse reacios a colaborar con esta

investigación. Tomando como base otros trabajos, la cantidad mínima seguida varía entre 5 (Liang,

2010; Verbert, 2011) y 10 (Tso-Sutter. 2008), por lo que se consideró a 10 como el valor inicial a

pedir.

4.1.1 Prototipo

Para proporcionar una manera sencilla de poder marcar y etiquetar los puntos de interés sobre un

mapa Web, se desarrolló una aplicación Web usando la API de Google Maps que permitiera a un

usuario marcar puntos de interés (POI) directamente en un mapa, y sobre dicho POI insertar una

serie de anotaciones sociales que lo describan (Figura 11).

Etiquetas

Lugares

Agrega

Elimina

EtiquetasEtiquetas

Lugares

Agrega

Elimina

Figura 11. Interacción de un usuario para agregar o eliminar anotaciones sobre un lugar geo-

localizable.

Dentro de las tecnologías utilizadas para el desarrollo del prototipo se mencionan las

siguientes:

- Se uso Protégé y Jess. Jess es un motor de reglas, hecho en Java. Jess no puede procesar

directamente las reglas SWRL, pero con el plug-in de Protégé, el SWRLTab (O’Connor 2005)

le da la capacidad de traducir una ontología OWL con reglas SWRL en hechos y reglas de Jess,

permitiendo que Jess pueda usarse como un módulo de razonamiento para la ejecución de

reglas junto con ontologías.

- El desarrollo utiliza la API de Google Maps, para el lado cliente el lenguaje JavaScript y el

lenguaje JSP sobre un servidor Apache Tomcat, así como una base de datos PostgreSQL junto

con su extensión PostGIS para el manejo de bases de datos espaciales.

Este prototipo sirvió principalmente para el proceso de captura de información, tanto de

usuarios como de restaurantes, para tener un repositorio sobre el cuál poder experimentar. La

construcción de este repositorio fue debido a que no existen actualmente repositorios que cuentes


47

con información sobre usuarios e ítems, con aspectos propios de ellos (es decir, sus atributos

contextuales), siendo que los repositorios generalmente usados para la experimentación sobre

sistemas de recomendación, incluyen datos sólo sobre qué usuarios han evaluado qué ítems, y en

algunos casos, qué anotaciones sociales han usado. Si bien no son el objetivo, el prototipo realiza

distintas funciones, principalmente con fines de que hubiera una mayor interactividad con el

usuario. Entre las funciones que cumple el prototipo se encuentran:

- Permitir el registro de nuevos usuarios.

- Permitir la creación del perfil de usuario bajo una extensión realizada de FOAF, a la que se

denominó eXtended FOAF o XFOAF (vocabulario denotado en el Anexo A).

- Permitir el registro de nuevos restaurantes.

- Valorar restaurantes dentro de la cuenta de cada usuario, así como especificarles anotaciones

sociales, dentro de tres facetas: pros, contras y descripción.

- Realizar búsquedas de restaurantes.

- Proporcionar una recomendación social y contextual al usuario.

- Visualizar la información de los restaurantes mediante mapas digitales.

Capturas ilustrativas del prototipo desarrollado se presentan en el anexo C.

4.1.2 Datos obtenidos

El sistema Surfeous cuenta con los siguientes datos:

- De un total de 133 022 lugares capturados, 132 560 fueron obtenidos usando información del

sitio trustedplaces.com y del proyecto Chefmoz. Sin embargo estos lugares corresponden a un

dominio internacional, por lo que para las pruebas locales no fueron de utilidad.

- 462 lugares capturados tanto manualmente (durante el inicio del poblado de la base, usando

como fuente de captura manual al sitio de Google Maps) como lugares agregados por los

usuarios.

- 400 usuarios registrados.

Sin embargo, pese a ser estos los valores totales, tras el uso de Surfeous, muchos usuarios sólo se

registraron y no participaron en el sistema, por lo que se tomó la parte densa de los datos

recolectados para la experimentación:

- 136 usuarios

- 130 ítems,

- 1161 ratings y

- 106 anotaciones sociales distintas.

La información capturada concerniente al usuario corresponde a la mostrada en la Tabla 3

mientras que la Tabla 4 muestra los datos capturados con respecto a los ítems (restaurantes).


48

Tabla 3. Atributos contextuales de perfil de usuario.

Tabla 4. Atributos contextuales de ítem.

4.2 Propuesta de un sistema de recomendación contextual por filtrado colaborativo

Esta etapa involucró la creación de un sistema de recomendación sobre lugares geo localizables que

tome en cuenta información contextual, siguiendo un enfoque de mercadotecnia a través de

ontologías y reglas de Web Semántica.

Para ello, primero se explica el proceso para obtener estas reglas sobre información

contextual, después cómo son aplicadas mediante reglas de Web Semántica y finalmente la

construcción de un sistema de recomendación por filtrado colaborativo que las utilice.

4.2.1 Obtención de reglas contextuales para la recomendación de servicios basados en localización

Para la obtención de reglas, se siguió un enfoque basado en la teoría de la mercadotecnia (ver

sección 2.11 y en el Anexo F, secciones F.5 y F.6, sobre las variables internas y externas del

comportamiento del consumidor), así como otros patrones que otras investigaciones han

encontrado con respecto a la preferencia de restaurantes y otras actitudes (ver Anexo F, sección

F.10). También se siguió un enfoque basado en el razonamiento del sentido común, con el cual se


49

justifica como empatar características, por ejemplo, que si una persona se encuentra en determinada

hora, entonces se le recomiende un restaurante que esté abierto a esa hora.

El objetivo de identificar estas reglas, es para identificar puntos a favor de por qué

recomendar un elemento. Así, al cumplirse una serie de antecedentes, se lleva como consecuente la

consideración de hacer una recomendación.

En esta investigación se hizo esta representación a través de reglas de Web Semántica, que

permiten una manera de poder inferir y seleccionar elementos a recomendar a partir del

cumplimiento de una serie de antecedentes. Para el caso de estudio, la serie de antecedentes

consiste en el cumplimiento de características específicas sobre los atributos tanto del usuario, del

entorno y de los ítems a recomendar (información contextual, descrita al final de la sección 2.3); el

consecuente por su parte, estará indicado por los restaurantes a recomendar en base a los

antecedentes estipulados.

A continuación se presentan una serie de pasos para la aplicación de reglas de Web

Semántica bajo un enfoque de mercadotecnia, que puedan ser usadas dentro de un sistema de

recomendación. Los pasos son los siguientes:

1. Determinación del mercado objetivo. A quienes se realizará la recomendación. Para

nuestro caso, a usuarios que busquen recomendaciones de restaurantes de acuerdo a su

contexto.

2. Estudio de mercado. Este paso involucra comprender las características y relaciones

existentes entre los usuarios y los elementos a ser recomendados.

3. Determinación de reglas. Este paso consiste en la identificación de reglas que denoten la

relación existente entre los atributos tanto de los usuarios, de su entorno y de los ítems a

recomendar.

4. Desarrollo de una ontología de dominio. La aplicación de las reglas de Web Semántica se

efectúa sobre una ontología que contenga y permita representar conceptos y relaciones

propios del dominio a utilizar. Para el caso de estudio, el dominio se refiere a restaurantes,

representando conceptos, relaciones de tipo de objeto y de tipo de dato.

5. Formalización de reglas. En esta etapa se representan las reglas identificadas en las etapas

anteriores con un lenguaje formal, como lo es SWRL, mismas que pueden verse como una

representación de reglas por razonamiento del sentido común.

Tómese por ejemplo, de los patrones mencionados al final de la sección 2.11, los

siguientes:

- Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y existe Restaurante(r) y

tiene-identificador(r,id) y es-franquicia(r, falso) entonces obtener el id del restaurante.

Una representación a SQWRL puede ser la siguiente:

Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

esFranquicia(?r, false) sqwrl:selectDistinct(?id)

- Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "chico") y existe

Restaurante(?r) y tiene-identificador(r,id) y tiene-costo(?r, "medio") entonces obtener el

id del restaurante.

Su representación a SQWRL puede ser como sigue:

Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x, "chico") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ tieneCosto(?r, "medio") sqwrl:selectDistinct(?id)

6. Pruebas y correcciones. Este paso incluye la verificación funcional de las reglas

formuladas y su posterior corrección en caso de así necesitarlo. Esto se refiere

principalmente a que las reglas puedan utilizarse dentro de la ontología desarrollada y

puedan ejecutarse bajo un motor de inferencia (como puede ser a través de Protégé y del

motor de Jess), ya que en caso de que la sintaxis de la regla sea incorrecta, el proceso de

inferencia fallará.

7. Adaptación evolutiva de las reglas conforme a los cambios del entorno. Al tratarse de un

entorno en evolución, en el que pueden aparecer e identificarse nuevos comportamientos,


50

se busca que sea posible la implementación de nuevas reglas o la corrección de otras que se

considere dejen de tener impacto sobre los consumidores. Dentro de las ventajas

perseguidas tras la utilización de ontologías se encuentra la escalabilidad y la

interoperabilidad de los datos almacenados en estas, pudiendo ser posible, en un futuro,

incluir nuevas fuentes de datos e incluso de reglas.

Tras los pasos del 1 al 6, se recopilaron una serie de reglas basadas en teoría de

mercadotecnia; el listado de las mismas se encuentra en el Anexo C. El paso 7 queda denotado para

abrir la posibilidad a futuras adecuaciones, permitiendo de esta manera una escalabilidad, misma

que es favorecida gracias a las tecnologías de Web Semántica y de ontologías.

La siguiente sección describen los pasos seguidos para la utilización de estas reglas dentro

de una ontología de dominio.

4.2.2 Utilización de reglas de Web Semántica sobre información contextual en una ontología de dominio

A continuación se describen los pasos seguidos para trabajar la información contextual tanto del

perfil de usuario, de los proveedores de datos e información de entorno, usando ontologías y reglas

de Web Semántica. Para este caso de estudio, el dominio se centra sobre restaurantes. Las etapas

seguidas corresponden a las siguientes, mismas que se entrelazan con el paso 4 de la sección

anterior, en lo que corresponde a la utilización de una ontología. La ejecución de estas reglas es

utilizada para el sistema de recomendación contextual propuesto, que se explica en la sección

siguiente.

- Creación de una ontología para servicios geo-localizables de restaurantes. Para el proceso

de recomendación, se utilizó una ontología que permitiera incluir servicios geo-localizables (en

este caso, restaurantes) de acuerdo a la localización del usuario, así como para manejar la

información contextual, tanto del perfil personal, información de entorno y de los datos de

lugares. Dentro de una ontología se definen clases, relaciones entre las clases y ejemplares de

las clases donde, para el marco de uso de esta investigación, las clases incluyen lugares y

personas.

Se buscó la reutilización de ontologías ya existentes, para su posterior edición e integración

dentro de una ontología para tal fin. Inicialmente la búsqueda de ontologías se realizó mediante

el buscador Swoogle, sin embargo finalmente se tomaron y adaptaron los atributos de la

ontología de Chefmoz, un proyecto sobre registro de restaurantes a nivel mundial, para la

creación de una ontología propia. El editor Protégé fue utilizado para la codificación OWL.

Una ventaja de trabajar con ontologías, es la escalabilidad que permiten, por lo que trabajos

futuros pueden considerar incrementar el tipo de servicios a tomar en cuenta.

Para fines de prueba, la ontología quedó delimitada a conceptos relacionados con

restaurantes. La ontología resultante consta de 15 conceptos, con 13 relaciones de tipo objeto y

50 relaciones de tipo de datos, a estos se le agregan los conceptos y relaciones implícitos que se

manejan dentro de las ontologías usadas por el lenguaje de SWRL. La descripción de la

ontología se encuentra en el Anexo B.

Los siguientes pasos indican las consideraciones que fueron hechas para la instanciación

de esta ontología, con respecto al perfil contextual de datos, de persona y de entorno.

- Población con ejemplares del contexto de perfil de persona. Para ello primero se definió un

vocabulario ontológico que permitiera representar los atributos del contexto sobre el perfil de

una persona, XFOAF, mismo que junto con los vocabularios FOAF y Geo, permiten crear una

instancia RDF que describa a cada usuario y sus preferencias. Los usuarios que participaron en

Surfeous son tomados como ejemplares; la ontología es instanciada con los datos del usuario

que va a recibir la recomendación. La descripción de XFOAF se encuentra en el anexo A.


51

- Población con ejemplares del contexto del perfil de entorno. Este paso se refiere a la

obtención de información contextual de entorno, para ello se recurre a servicios Web para

obtener información contextual dado un par de coordenadas de latitud y longitud; para este

caso de prueba fueron considerados servicios Web para saber el clima y hora de un lugar, dado

un determinado lugar geográfico:

o Google Weather. Es una API no documentada de Google que permite obtener el clima

de un lugar geográfico, especificando para ello los parámetros de la ciudad y su país.

Para obtener los valores de ciudad y país para las coordenadas indicadas se utilizó la

API de Google Maps para geocodificación inversa25

.

o Earth Tools. API que permite obtener la hora de un determinado punto geográfico, a

partir de un par de coordenadas latitud y longitud.

- Población con ejemplares del contexto de perfil de datos. La información referente a los

lugares (contexto de datos) que fue capturada por el sistema Surfepus es almacenada dentro de

una base de datos espacial. Así, cuando se realice una recomendación a un usuario, se procede

a poblar la ontología con ejemplares de restaurantes que son tomado de dicha base. Si bien se

podría manejar la información de restaurantes directamente mediante el uso de ontologías, en

la praxis, un acercamiento de esta índole resulta poco viable debido a que se requeriría un

elevado procesamiento de cómputo; como alternativa a esta situación, se sigue un enfoque que

aproveche el uso de las bases de datos espaciales, tomando como punto de partida la ubicación

del usuario, a partir de sus coordenadas geográficas de latitud y longitud mediante consultas

SQL. De los resultados recuperados es sobre los que se efectúa el proceso de inferencia con

reglas de Web Semántica.

Así, cada lugar es declarado como un ejemplar de la ontología y los campos manejados en

la base de datos espacial son usados como propiedades de objetos y de tipo de datos, según se

requiera. Un fragmento a manera de ejemplo de una ontología creada de esta manera, se

muestra en el siguiente listado de código.

<rdf:RDF xmlns:swrla="http://swrl.stanford.edu/ontologies/3.3/swrla.owl#" xmlns:swrl="http://www.w3.org/2003/11/swrl#" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" xmlns:owl="http://www.w3.org/2002/07/owl#" xmlns="http://www.owl.com/restaurantes.owl#" xmlns:restaurant="http://restaurant/restaurant#" ... xml:base="http://www.owl.com/restaurantes.owl"> <owl:Ontology rdf:about=""> <owl:imports rdf:resource="http://sqwrl.stanford.edu/ontologies/built-ins/3.4/sqwrl.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.3/temporal.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.4/swrlm.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.3/abox.owl"/> ... </owl:Ontology> <owl:Class rdf:about="http://restaurant/restaurant#Restaurant"/> <owl:Class rdf:about="http://restaurant/restaurant#IdPlace"/> <owl:Class rdf:about="http://restaurant/restaurant#Title"/>

... <owl:ObjectProperty rdf:about="http://restaurant/restaurant#sirveAlimento"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#permiteFumar"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#tieneEstacionamiento"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#aceptaPago"/>

... <owl:DatatypeProperty rdf:about="http://restaurant/restaurant#Hours"/> <owl:DatatypeProperty rdf:about="http://restaurant/restaurant#noFumar"/> <restaurant:Restaurant rdf:ID="22070-Burger_King_">

25

La geocodificación inversa es un proceso por el cual, a partir de un par de coordenadas latitud-longitud, se

busca obtener la dirección a la que corresponde ese lugar.

Nombres de espacio

utilizados en la ontología

Ontologías

manejadas

por SWRL

Declaración de clases

Declaración

de relaciones

de objeto

Declaración de relaciones

de tipo de dato


52

<restaurant:tieneID><restaurant:IdPlace rdf:ID="22070"/> </restaurant:tieneID>

<restaurant:tieneNombre><restaurant:Title rdf:ID="Burger_King_"/> </restaurant:tieneNombre>

<restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Fast_Food"/></restaurant:sirveAlimento> </restaurant:Restaurant> <restaurant:Restaurant rdf:ID="62375-Jack_in_the_Box">


<restaurant:tieneNombre><restaurant:Title rdf:ID="Jack_in_the_Box"/></restaurant:tieneNombre> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Fast_Food"/></restaurant:sirveAlimento> </restaurant:Restaurant> <restaurant:Restaurant rdf:ID="72227-Las_Vigas_Steak_Ranch_">


<restaurant:tieneNombre><restaurant:Title rdf:ID="Las_Vigas_Steak_Ranch_"/></restaurant:tieneNombre>

<restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Mexican"/> </restaurant:sirveAlimento> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Steaks"/> </restaurant:sirveAlimento>

</restaurant:Restaurant> <restaurant:Restaurant rdf:ID="108215-Ryan_Dennis">

<restaurant:tieneID><restaurant:IdPlace rdf:ID="108215"/> </restaurant:tieneID> <restaurant:tieneNombre><restaurant:Title rdf:ID="Ryan_Dennis"/> </restaurant:tieneNombre>

<restaurant:sirveAlcohol><restaurant:ServicioAlcohol rdf:ID="full_bar"/></restaurant:sirveAlcohol> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Bar_/_Pub_/_Brewery"/></restaurant:sirveAlimento> </restaurant:Restaurant> ... </rdf:RDF>

- Ejecución de reglas de Web Semántica. Una vez que la ontología es instanciada y contiene

las reglas de Web Semántica a utilizar, se puede proceder a realizar un proceso de inferencia

sobre la ontología. Cada regla en SQWRL retorna un conjunto de restaurantes que cumplen los

antecedentes indicados por la regla, los que incluyen distintos aspectos contextuales, como lo

es su aspecto económico, psicológico y motivacional, características que se empatan con los

atributos de un producto o servicio. Si se cumplen los criterios dados entre el conjunto de

características por parte del consumidor y el conjunto de características del servicio, entonces

el servicio tiene valor contextual para ser recomendado.

Una visualización conceptual de la manera en que las etapas anteriores se relacionan entre sí se

muestra en la ¡Error! No se encuentra el origen de la referencia..

Ejemplos de

instancias


53

Figura 12. Etapas para la recomendación de resultados en base a la aplicación de reglas de Web

Semántica.

4.2.3 Sistema de recomendación contextual por filtrado colaborativo

Esta sección explica cómo fue abordada la incorporación contextual sobre un sistema de

recomendación por filtrado colaborativo.

El valor de la predicción bajo el enfoque contextual está dado por la fórmula (11), donde se

toman en cuenta las reglas ro que cumple un ítem in para un usuario um, es decir, reg (um, in, ra) =1

y reg (um, in, ra) =0 en caso contrario.

R

a anmnm

regla riuregiuP1

),,(),( (11)

Como se mencionaba en la sección 2.3, se consideran distintos tipos de contextos, de los

cuales se desprenden interrelaciones entre ellos: perfil personal con perfil de datos, perfil de datos

con perfil de entorno y perfil personal con perfil de entorno. Así, si se sigue esta diferenciación

contextual, la fórmula (11) es aplicada por cada una de estas tres interrelaciones, como se muestra

en la fórmula (12). En ésta, los valores respectivos de α, β y δ representan una ponderación

asignada a cada interrelación. También se aclara que cada valor de predicción (cada Pregla

) debe

ser normalizada a la unidad.

),(*),(*),(* 321_

nm

reglaTipo

nm

reglaTipo

nm

reglaTiporegladif iuPiuPiuPP (12)

Donde 1 .

En caso de que no se considere esta diferenciación contextual, la fórmula (11) es aplicada

directamente.

Finalmente, este valor de predicción contextual es después utilizado dentro de un sistema

de recomendación por fitrado colaborativo. La fórmula (13) presenta la incorporación de este factor

de predicción contextual sobre el sistema de recomendación por filtrado colaborativo basado en

ítem (tomado de la fórmula 2 en la sección 2.7.1). Ya que el factor de predicción contextual

representa una sumatoria de condiciones contextuales y el recomendador basado en ítem representa


54

una sumatoria de similitudes, los resultados de ambos deben ser primero normalizados y después

fusionados.

),(*)1(),(*),( nm

regla

onormalizadnm

item

onormalizadnm

ir iuPiuPiuP (13)

Donde 0 <= α <= 1.

La normalización seguida en esta investigación, considera al conjunto de valores de

predicción calculados para los ítems seleccionados a un usuario, el valor mayor es tomado como la

unidad y se calcula la proporción correspondiente el resto de valores de los demás ítems. Así, de

esta manera, por ejemplo, el ítem que haya obtenido el valor mayor dentro de los cálculos

efectuados por un sistema, tendrá un valor de predicción de 1.

4.3 Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones sociales.

Dentro de los sistemas de recomendación por filtrado colaborativo que utilizan anotaciones sociales

para su recomendación, se encuentran los sistemas tradicionales basados en usuario y en ítem

(explicados en la sección 2.7.1) cuyo modelo es extendido con anotaciones sociales (ver sección

2.7.2), la fusión de ambos sistemas, lo que corresponde al recomendador propuesto por Tso-Sutter,

así como el presentado por Liang (explicado también en la sección 2.7.2).

Un acercamiento propuesto en esta investigación, sobre estos sistemas que consideran

anotaciones sociales, es el uso de facetas que indiquen una posible clase a la que pertenecen las

anotaciones. Las fórmulas para el valor de predicción de estos sistemas no son alteradas por este

acercamiento con facetas, el cambio radica en que las anotaciones son identificadas por el tipo de

faceta sobre el que fueron puestas.

Por ejemplo, en Surfeous se consideraron las facetas pros, contras y descripción, un

ejemplo de anotación podría ser “caro”, si un usuario la utilizó en la faceta contras, esta anotación

puede ser identificada como “2caro”, para internamente saber a que faceta corresponde; así, un

sistema de recomendación sin facetas usará directamente la anotación “caro”, mientras que un

acercamiento con facetas considerara “2caro”, haciendo una distinción de la manera en que se uso

la faceta y agrupando las que se usaron con la misma intensión.

4.4 Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en anotaciones sociales.

Finalmente, se presenta el sistema de recomendación propuesto, el cual parte del sistema de

recomendación por filtrado colaborativo que fue presentado en la sección 4.3, haciendo uso de la

fórmula (13), tomando además la similitud entre el usuario e ítem a partir de sus anotaciones

sociales (fórmula (5), en la sección 2.7.2). La predicción de un ítem a un usuario bajo ambas

consideraciones queda dada por la fórmula (14).

),(*)1(),cos(*),( nm

ir

n

T

mnm iuPiuiuP (14)

Donde 0<= <=1. En esta fórmula, tanto el valor obtenido por la similitud entre el usuario y el ítem a

recomendar como el valor de predicción contextual deben ser normalizados a la unidad.

La experimentación efectuada se aborda en la sección siguiente.


55

4.5 Experimentación y comparación entre los sistemas. Explicadas las características y los algoritmos de la experimentación, antes de la comparación entre

los sistemas de recomendación, se efectuaron pruebas preliminares experimentando con una

variación a los sistemas de recomendación que usan anotaciones sociales, al aplicarlas mediante

facetas (sección 4.3), así como la diferencia de considerar o no tipos de contextos (sección 4.2.3).

Estos experimentos se corresponden a las secciones 4.5.1 y 4.5.2 respectivamente.

Tomando en cuenta los resultados de estas dos pruebas, se presenta la experimentación

efectuada para probar o refutar las hipótesis de investigación, sobre si un sistema de recomendación

con anotaciones sociales y consideración contextual presenta un mejor desempeño que un sistema

tradicional. El sistema evaluado corresponde al basado en la fórmula (13) de la sección 4.2.3. Este

experimento se encuentra en la sección 4.5.3.

Finalmente en la sección 4.5.4 se compara el sistema propuesto, basado en la fórmula (14)

de la sección 4.4, contra otros tomados en base a la literatura, lo que incluyo a los sistemas de

recomendación por filtrado colaborativo tradicionales basados en usuario y en ítem (explicados en

la sección 2.7.1), y los propuestos por Tso-Sutter y Liang (explicados en la sección 2.7.2), mismos

que consideran dentro de su proceso de recomendación a las anotaciones sociales.

La comparación contra los trabajos de Tso-Sutter y Liang permite observar cómo es el

comportamiento del sistema de recomendación propuesto contra estos sistemas que han aparecido

en los últimos años. Por parte del presentado por Tso-Sutter, fue de los primeros trabajos en

incorporar el uso de anotaciones sociales dentro del proceso de recomendación, mientras que el

caso de Liang es un trabajo reciente a la fecha de esta investigación, que presenta una mejora con

respecto a los sistemas tradicionales y contra otros, incluido el trabajo de Tso-Sutter.

A continuación se presentan los experimentos realizados, describiendo en cada

caso su plan de pruebas así como presentando su correspondiente análisis de resultados.

4.5.1 Consideración de facetas sobre un sistema de recomendación por filtrado colaborativo con anotaciones sociales

Propósito. Las facetas son una técnica empleada para agrupar bajo distintos enfoques

predeterminados a las anotaciones sociales que los usuarios pueden utilizar para describir un

recurso. Los sistemas de recomendación que utilizan anotaciones sociales, no hacen uso de facetas,

por lo que este experimento pretendió identificar si existe diferencia entre su uso o no dentro del

desempeño de un sistema de recomendación que utilice anotaciones sociales.

Hipótesis nula. El desempeño de un sistema de recomendación bajo anotaciones sociales, con

respecto a su precisión y recuerdo, es igual si aplica facetas a si no las utiliza.

Datos. Los datos utilizados para esta experimentación corresponden a los recopilados por Surfeous

(sección 4.1.2). Se manejaron tres facetas: pros, contras y descripción. Las anotaciones sociales

fueron previamente lematizadas26

usando funciones propias de PostgreSQL.

Variables. Como variables dependientes se evaluó la precisión, índice de recuerdo y medida F.

Como variables independientes se tiene el tipo de sistema de recomendación utilizado: sistemas de

filtrado colaborativo basado en usuario y en ítem, extendidos con anotaciones sociales, el

presentado por Tso-Tsutter y el presentado por Liang, cada uno de ellos considerando facetas y sin

considerarlas.

26

La lematización es el proceso de reducir palabras a su raíz. En esta experimentación se utilizaron funciones

propias del manejador de bases de datos PostgreSQL para este proceso.


56

Experimentación. Se efectuaron 30 ejecuciones de cada uno de los sistemas de recomendación

mencionados, usando el top 10 de resultados y el esquema AllBut1 para la evaluación.

La recomendación basada en usuario sigue la fórmula (1) de la sección 2.7.1, mientras que

la basada en ítem se obtiene tras el uso de la fórmula (2) descrita en la misma sección. Para el

sistema de recomendación basado en usuario se varió la cantidad de k vecinos más cercanos de 10 a

40, fijándose ese límite debido a que, como se mostrará en los resultados, al aumentar la cantidad

de vecinos, para este caso de estudio, tanto la precisión como el índice de recuerdo decrementan.

Sobre el recomendador presentado por Tso-Sutter (presentado en la sección 2.7.2), como

muestra la tabla 13 y 14, se consideró la fusión al 10% para el sistema basado en usuario y 90%

basado en ítem. Para el caso del sistema presentado por Liang, se sigue la fórmula (6) presentada

en la sección 2.7.2.

Resultados.

La Tabla 5 muestra las medias obtenidas con respecto al índice de recuerdo y precisión

obtenido tras esta experimentación para los sistemas de recomendación basados en usuario y en

ítem, así como sus fusiones. La columna marcada como 1-0 corresponde a los resultados obtenidos

por el sistema de recomendación basado en usuario (100% basado en usuario, 0% basado en ítem),

la 0-1 al sistema basado en ítem (0% basado en usuario-100% basado en ítem), la .9-.1 se refiere a

la fusión con el 90% basado en usuario y el 10% basado en ítem y así sucesivamente hasta llegar a

la columna .1-.9 que corresponde a la fusión del 10% basado en usuario y 90% basado en ítem.

Esta última columna, la .1-.9 es la tomada como resultado para el sistema de Tso-Sutter.

De la misma tabla se observa que mientras más vecinos son tomados, los resultados son

menores, por lo que se toma el valor de k=10.

Tabla 5. Resultados de las medias del índice de recuerdo y la precisión reportadas para el sistema de

recomendación basado en usuario (columna 1-0), en ítem (columna 0-1) y las fusiones entre ellos en

intervalos de 10%, considerando y sin considerar facetas.

Índice de recuerdo con facetas

k 1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

10 0,42 0,472 0,472 0,475 0,485 0,495 0,507 0,515 0,524 0,525 0,5363

20 0,411 0,447 0,447 0,46 0,479 0,487 0,498 0,509 0,517 0,52 0,5363

30 0,408 0,433 0,435 0,456 0,471 0,488 0,497 0,509 0,514 0,518 0,5363

40 0,396 0,413 0,422 0,436 0,461 0,481 0,491 0,501 0,513 0,517 0,5363

Índice de recuerdo sin facetas

10 0,435 0,484 0,484 0,488 0,496 0,506 0,515 0,524 0,526 0,523 0,5355

20 0,422 0,451 0,452 0,466 0,483 0,494 0,504 0,514 0,518 0,519 0,5355

30 0,407 0,432 0,435 0,456 0,473 0,489 0,502 0,514 0,517 0,518 0,5355

40 0,402 0,416 0,427 0,442 0,466 0,485 0,502 0,509 0,52 0,517 0,5355

Precisión con facetas

k 1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

10 0,09 0,1 0,1 0,102 0,104 0,107 0,111 0,114 0,116 0,116 0,117

20 0,086 0,093 0,094 0,097 0,102 0,108 0,112 0,114 0,116 0,116 0,117

30 0,083 0,089 0,089 0,095 0,101 0,107 0,111 0,114 0,115 0,116 0,117

40 0,078 0,083 0,086 0,09 0,097 0,104 0,109 0,113 0,114 0,115 0,117

Precisión sin facetas

10 0,092 0,103 0,103 0,104 0,107 0,11 0,113 0,115 0,116 0,116 0,116

20 0,087 0,095 0,095 0,098 0,103 0,108 0,111 0,114 0,115 0,115 0,116

30 0,084 0,089 0,089 0,095 0,102 0,106 0,111 0,114 0,115 0,115 0,116

40 0,079 0,084 0,087 0,091 0,098 0,104 0,109 0,113 0,114 0,114 0,116


57

La Tabla 6 y la Figura 13 muestran los resultados para la precisión e índice de recuerdo de

los sistemas de recomendación probados, usando y sin usar facetas. Para este caso también se

observó la medida F, ya que se observa para el caso de Liang, éste presenta un menor índice de

recuerdo y una mayor precisión con respecto a los otros sistemas, por lo que esta métrica permite

tener una visión general del comportamiento de ambas variables.

Tabla 6. Índice de recuerdo, precisión y medida F para los sistemas de recomendación basado en ítem

extendido con anotaciones sociales, el presentado por Tsutter (2008) y Liang (2010), comparando el uso

o no uso de facetas sobre las anotaciones sociales.

Índice de recuerdo

Usuario Ítem Tso-Sutter Liang

no-faceta 0,435 0,536 0,523 0,451

Faceta 0,42 0,536 0,525 0,485

Precisión


no-faceta 0,092 0,116 0,116 0,12

Faceta 0,09 0,117 0,116 0,137

Medida F


no-faceta 0,152 0,191 0,1897 0,19

Faceta 0,148 0,192 0,1899 0,213

Índice de recuerdo

0,4

0,45

0,5

0,55

Usuario item Tso-Sutter Liang

no-faceta

faceta

Precisión

0,06

0,08

0,1

0,12

0,14


no-faceta

faceta

Medida F

0,14

0,16

0,18

0,2

0,22


no-faceta

faceta

Figura 13. Índice de recuerdo, precisión y medida F para los sistemas de recomendación basado en

ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y Liang (2010), comparando

el uso o no uso de facetas sobre las anotaciones sociales


58

Conclusión.

De la Tabla 6 se observa que el recomendador basado en ítem presenta un desempeño mayor que el

basado en usuario, lo cual concuerda con que el acercamiento basado en ítem sea en la práctica más

usado que el basado en usuario.

También se observa que para este experimento, el uso de facetas sobre los sistemas de

recomendación utilizados, mantiene o incrementa su precisión e índice de recuerdo con respecto a

sus contrapartes que no las utilicen, con la excepción del basado en usuario. Sin embargo, el basado

en usuario es el que presenta un menor desempeño con respecto a las tres métricas, en comparación

al resto de los sistemas de recomendación.

Se puede observar que el caso de Liang es el más beneficiado con el uso de facetas, esto

debido a que la base de su algoritmo está fuertemente ligada al uso de las anotaciones sociales para

efectuar las recomendaciones, al usarlas como criterio de similitud.

Con respecto a la hipótesis nula, para este caso de estudio se observa que el uso de facetas

cambia los valores de precisión, índice de recuerdo y medida F, siendo que para el recomendador

basado en usuario decrementa estos valores, para el basado en ítem y el de Tso-Sutter se mantiene

ligeramente encima y para el caso de Liang el incremento es mayor.

Como conclusión obtenida para este caso de estudio, se consideró el uso de facetas sobre

los sistemas de recomendación a utilizar para los siguientes experimentos realizados.

4.5.2 Prueba diferenciando contexto – sin diferenciar contexto

Propósito. Al inicio de esta investigación se consideró la diferenciación entre los contextos de

usuario, de ítem y de entorno, surgiendo una interrelación del tipo: usuario-datos, usuario-entorno y

datos-entorno. Estas interrelaciones son identificadas en las reglas de Web Semántica utilizadas

para el proceso de recomendación contextual (ver fórmula 12), de manera que para cada regla se

identifica a que tipo de interrelación pertenece. La siguiente experimentación tiene por objeto

identificar si es conveniente aplicar un peso a estas interrelaciones, al ser aplicadas sobre un

sistema de recomendación, esto con respecto al índice de recuerdo, ya que es una métrica enfocada

a medir la proporción de elementos que son correctamente recuperados.

Hipótesis nula. El índice de recuerdo se mantiene igual si se aplican distintas ponderaciones a las

interrelaciones contextuales de una recomendación contextual aplicada sobre un sistema de

recomendación basado en ítem.


(sección 4.1.2).

Variables. Como variables dependientes se evaluó el índice de recuerdo. Como variables

independientes, se tienen la recomendación contextual y su fusión con los siguientes sistemas de

recomendación basados en ítem, bajo distintas ponderaciones.

contexto datos - usuario (valor α) contexto datos - entorno (valor β)

1

2

3

4

5

90% 10%

70% 30%

50% 50%

10% 90%

Sin diferencia


59

Cada fusión es probada en intervalos de 10%. Cada uno de estos sistemas, son probados

considerando y sin considerar anotaciones sociales (el sistema con anotaciones es tomado a partir

del sistema de recomendación basado en ítem extendido con anotaciones sociales, mencionado en

la sección 2.7.2).

Experimentación.

Se efectuaron 30 ejecuciones de cada uno de los sistemas de recomendación, usando el top 10 de

resultados de cada recomendación; el esquema AllBut1 fue seguido para la evaluación de precisión

e índice de recuerdo.

Se utilizó el sistema de recomendación basado en ítem, ya que junto con el basado en

usuario, son los sistemas base dentro del área de los sistemas de recomendación. A partir de los

resultados observados en la experimentación de la sección anterior, se optó por utilizar el sistema

basado en ítem por sobre el basado en usuario. Para la recomendación bajo anotaciones sociales, se

eligió el modelo basado en ítem extendido con anotaciones, presentado por Tsutter, sólo como un

acercamiento para probar si el comportamiento obtenido por el sistema basado en ítem se

comportaba de manera semejante con uno que considere anotaciones, dentro del enfoque

contextual propuesto.

Para asegurar que este experimento fuera repetible, se manejaron un día y una hora fija

como aspectos contextuales de entorno para todos los sistemas de recomendación. El Anexo C

presenta las reglas utilizadas, así como al tipo de interrelación al cual corresponden.

Se consideró el contexto de ítem y de perfil de usuario (para el valor α) y entre el contexto

de ítem y de entorno (para el valor β), de acuerdo a la fórmula (12), quedando fuera la interrelación

de usuario-entorno (valor δ). Éste último no fue considerado debido a que para asegurar que la

experimentación fuese repetible, no había reglas que pudieran ser utilizadas bajo este contexto.

Resultado. La Tabla 7 presenta los resultados obtenidos con respecto al índice de recuerdo,

considerando la diferencia contextual bajo distintos valores de α y β, sobre un sistema de

recomendación basado en ítem y el contextual, mientras que la Tabla 8 los presenta sobre un

sistema de recomendación basado en ítem extendido con anotaciones sociales y el contextual.

En la Tabla 7, las columnas marcadas desde 1-0 a 0-1, corresponden a los resultados

obtenidos por el sistema de recomendación basado en ítem junto con el contextual, pasando de

100% basado en ítem-0% sistema contextual (columna 1-0), hasta la 0-1, correspondiente a 0%

basado en ítem-100% sistema contextual; los campos entre .9-.1 a .1-.9 corresponden a las fusiones

entre el sistema contextual y el basado en ítem, variando los porcentajes desde 90% basado en

ítem-10% basado en contexto, hasta 10% basado en ítem-90% basado en contexto. En la Tabla 8 se

presenta el mismo caso, la diferencia es que se trata del sistema basado en ítem extendido con

anotaciones sociales. En ambas tablas, las filas corresponden a distintos porcentajes para los

valores α y β para el caso contextual, respectivamente. Las Figura 14 y la Figura 15 presentan los

resultados de las tablas anteriores.

Tabla 7. Resultados de índice de recuerdo para los sistemas de recomendación basado en ítem

(columna 1-0) y contextual (columna 0-1), así como sus fusiones, considerando distintas ponderaciones

entre contextos y sin considerarlas.

1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

90%-10% 0,534 0,538 0,532 0,526 0,515 0,494 0,464 0,421 0,378 0,339 0,29

70%-30% 0,534 0,539 0,537 0,532 0,524 0,518 0,498 0,466 0,42 0,363 0,286

50%-50% 0,534 0,537 0,539 0,539 0,537 0,534 0,534 0,529 0,511 0,469 0,277

10%-90% 0,534 0,538 0,536 0,526 0,518 0,511 0,5 0,498 0,488 0,46 0,277

Sin diferencia 0,534 0,541 0,536 0,527 0,515 0,5 0,468 0,42 0,375 0,339 0,285


60

Tabla 8. Resultados de índice de recuerdo para los sistemas de recomendación basado en ítem

extendido con anotaciones (columna 1-0) y contextual (columna 0-1), así como sus fusiones,

considerando distintas ponderaciones entre contextos y sin considerarlas.

1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

70%-30% 0,547 0,547 0,543 0,538 0,53 0,518 0,495 0,463 0,414 0,354 0,286

50%-50% 0,547 0,544 0,544 0,542 0,542 0,541 0,539 0,532 0,515 0,468 0,277

90%-10% 0,547 0,547 0,539 0,529 0,515 0,49 0,456 0,412 0,371 0,336 0,29

10%-90% 0,547 0,541 0,538 0,532 0,525 0,519 0,505 0,5 0,491 0,457 0,277

Sin diferencia 0,547 0,55 0,541 0,53 0,517 0,493 0,461 0,413 0,374 0,34 0,285

0,53

0,532

0,534

0,536

0,538

0,54

0,542

70%-30% 50%-50% 90%-10% 10%-90% Sin

diferencia

1-0

.9-.1

.8-.2

Figura 14. Índice de recuerdo para los sistemas de recomendación basado en ítem (1-0) y su fusión con

el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas ponderaciones contextuales entre

contexto de ítem-perfil de usuario y contexto de ítem-contexto de entorno.


61

0,53

0,535

0,54

0,545

0,55

0,555

70%-30% 50%-50% 90%-10% 10%-90% Sin

diferencia

1-0

.9-.1

.8-.2

Figura 15. Índice de recuerdo para los sistemas de recomendación basado en ítem extendido con

anotaciones (1-0) y su fusión con el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas

ponderaciones contextuales entre contexto de ítem-perfil de usuario y contexto de ítem-contexto de

entorno.

Conclusión. Con respecto a la hipótesis nula, se observó dentro de esta experimentación que el realizar una

ponderación a las interrelaciones contextuales causaba un detrimento en el índice de recuerdo

obtenido, contra no hacerla.

Se puede observar que el caso de no considerar una diferencia contextual es la que presenta

un mayor índice de recuerdo dentro de un sistema de recomendación basado en ítem al 90% junto

con un 10% de recomendación contextual, con respecto a las demás fusiones y ponderaciones

contextuales, para ambos casos considerando anotaciones como sin considerarlas. Comparando

esto entre el sistema que considera anotaciones contra el que no, se observa que es mayor para el

caso del sistema basado en ítem extendido con anotaciones, apoyando la opción de seguir este

acercamiento.

De las tablas anteriores se puede observar lo siguiente: el enfoque contextual presentado

persigue un acercamiento que considera los ítems que sean relevantes en cuanto al contexto, sin

embargo tiene un mayor peso dentro del proceso de recomendación la consideración de la

popularidad que tienen los elementos dentro de la comunidad de usuarios, como se observa tras el

sistema de recomendación basado en ítem.

Considérese por ejemplo, los sitios de compras en línea, como eBay, en donde un usuario,

ante dos ítems con características semejantes, tiende a elegir aquel que ha sido elegido por más

usuarios. Esto justifica por qué en la fusión usando contexto, este se toma al 10%, sirviendo

principalmente como un ordenamiento sobre aquellos ítems que se le recomiendan al usuario en

base a su popularidad dentro de la comunidad.

En base a esto se concluye que dentro de este caso de estudio no es conveniente seguir una

ponderación a las interrelaciones contextuales, ya que un sistema de recomendación basado en ítem

junto con una recomendación contextual sin esta ponderación, presenta un mayor índice de

recuerdo.


62

4.5.3 Prueba sobre el sistema de recomendación por filtrado colaborativo usando anotaciones sociales e información contextual.

Propósito. Se procede a analizar el efecto de aplicar el enfoque contextual propuesto y el uso de

anotaciones sociales, sobre el sistema de recomendación por filtrado colaborativo basado en ítem.

Hipótesis. Se presentan las hipótesis mostradas para esta investigación (sección 1.4).

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, mediante la

incorporación en conjunto de elementos contextuales y anotaciones sociales.

Para ambos casos, el sistema de recomendación tradicional utilizado, es el basado en ítem.


(sección 4.1,2).

Variables. Como variables dependientes se evaluó la precisión, índice de recuerdo; de manera

adicional, también se observó la medida F y el nDCG con el fin de constatar el comportamiento de

los sistemas de recomendación en manera conjunta de la precisión y el índice de recuerdo (con la

medida F) y de la posición en que son realizadas las recomendaciones (nDCG,). Como variables

independientes se tomó en cuenta el sistema de recomendación basado en ítem (basado en la

fórmula 2 de la sección 2.7.1), el basado en ítem extendido con anotaciones sociales (presentado en

la sección 2.7.2), la fusión entre el basado en ítem con recomendación basada en contexto y la

fusión entre el basado en ítem con anotaciones sociales y recomendación basada en contexto

(tomados de la fórmula 13 en la sección 2.7.3).

Experimentación. Se efectuaron 50 ejecuciones de cada uno de los sistemas de recomendación,

considerando el top 10 de resultados, bajo el esquema AllBut1.

Resultados. En la Tabla 9 y en la Tabla 10, se presentan el índice de recuerdo y la precisión

media reportadas entre el sistema de recomendación basado en ítem (denotado como ítem), el

basado en ítem con anotaciones sociales (denotado como tag) y la fusión de éstos con la

recomendación contextual. Estas fusiones se presentan en intervalos de 10%.

Tabla 9. Índice de recuerdo medio entre las fusiones de los sistemas de recomendación por filtrado

colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales, junto con un

acercamiento contextual.

1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

Ítem 0,5296 0,5337 0,529 0,519 0,509 0,491 0,459 0,416 0,37 0,334 0,281

Tag 0,531 0,537 0,529 0,518 0,508 0,481 0,446 0,405 0,365 0,33 0,281

Tabla 10. Precisión media entre las fusiones de los sistemas de recomendación por filtrado colaborativo

basado en ítem y basado en ítem extendido con anotaciones sociales, junto con un acercamiento

contextual.

1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

Ítem 0,115 0,1177 0,1175 0,117 0,113 0,106 0,096 0,083 0,071 0,063 0,052

Tag 0,116 0,1183 0,1177 0,116 0,113 0,106 0,095 0,081 0,07 0,063 0,052


63

Para visualizar la diferencia de aplicar o no el contexto y anotaciones sociales, la Figura 16

compara el índice de recuerdo obtenido entre el sistema de recomendación base (ítem), el extendido

con anotaciones sociales (tag), el extendido con contexto (identificado como itemctx, tomado de la

Tabla 9, en la fila ítem, columna .9-.1) y el que combina tanto contexto como anotaciones sociales

(identificada como tagctx, tomado de la Tabla 9, fila tag, columna .9-,1).

0,524

0,526

0,528

0,53

0,532

0,534

0,536

0,538

Sistemas de recomendación

item

tag

itemctx

tagctx

Figura 16. Índice de recuerdo sobre sistemas de recomendación: normal, con anotaciones, con contexto

y con anotaciones y contexto.

Con respecto a la precisión, de manera semejante, la Figura 17 compara el sistema de

recomendación base (ítem), el extendido con anotaciones sociales (tag), el extendido con contexto

(itemctx) y la incorporación de ambos (tagctx).

0,113

0,114

0,115

0,116

0,117

0,118

0,119

Sistemas de recomendación

item

tag

itemctx

tagctx

Figura 17. Precisión sobre sistemas de recomendación: tradicional, con anotaciones, con contexto y con

anotaciones y contexto.

Conclusión. En la tabla se observa que la fusión al 90% de ítem (sistema base) y tag (sistema base extendido

con anotaciones) y el sistema contextual al 10% (columna .9-.1) es la que presenta un mayor índice

de recuerdo y precisión, de allí que la fusión tomada sea ésta. Este comportamiento también se

observa en la precisión (¡Error! No se encuentra el origen de la referencia.).

Se puede observar que en este estudio, la aplicación de anotaciones sociales dentro del

modelo de predicción del sistema de recomendación presenta un mayor índice de recuerdo sobre el

sistema base, al igual que la consideración de contexto; con respecto a la hipótesis inicial:

I. El uso de aspectos contextuales permiten una mayor precisión e índice de recuerdo sobre

los sistemas de recomendación tradicionales.

se cumple para el caso del índice de recuerdo, sobre el entorno de prueba efectuado.

Para la segunda hipótesis, basta observar que el índice de recuerdo obtenido por el sistema

marcado como tagctx se presenta mayor tanto para el sistema base, el extendido con anotaciones y

el contextual, por lo que la segunda hipótesis:

II. Es posible mejorar el desempeño de consultas de servicios basados en localización,

mediante la incorporación en conjunto de elementos contextuales y anotaciones sociales.


64

para este caso de estudio, con respecto al índice de recuerdo, también es aceptada.

De manera semejante al índice de recuerdo, se observa un comportamiento similar con

respecto a la precisión, por lo que ambas hipótesis con respecto a este caso, son aceptadas.

4.5.4 Prueba de un sistema de recomendación por filtrado colaborativo propuesto.

Propósito. Comparar el desempeño del sistema de recomendación propuesto contra otros de la

literatura, para observar si el acercamiento propuesto que hace uso de recomendación contextual y

de anotaciones sociales, es equiparable al desempeño de éstos.

Hipótesis nula. El sistema de recomendación propuesto presenta un desempeño, en cuanto a

precisión e índice de recuerdo, igual al de los sistemas de recomendación tradicionales y de otros

de la literatura, que usan anotaciones sociales.

Como caso de estudio, como sistemas que usan anotaciones sociales para su

recomendación, se presentan los desarrollados por Tso-Sutter y Liang (ver sección 2.7.2).


(sección 4.1.2).

Variables. Como variables dependientes se evaluó la precisión y el índice de recuerdo; de manera

adicional, también se observó la medida F y el nDCG con el fin de constatar el comportamiento de

los sistemas de recomendación en manera conjunta de la precisión y el índice de recuerdo (con la

medida F) y de la posición en que son realizadas las recomendaciones (nDCG,). Como variables

independientes se tomaron los siguientes sistemas de recomendación: sistema de recomendación

basado en ítem (identificado como ítem, tomado de la sección 2.7.1), el basado en usuario

(identificado como usuario, tomado de la sección 2.7.1), el basado en ítem extendido con

anotaciones y bajo contexto (identificado como tagctx, explicado en la sección 4.2.3, con relación a

la fórmula 13), el sistema propuesto por Tso-Sutter (identificado como Tso-Sutter) y el presentado

por Liang (Liang), explicados en la sección 2.7.2 y finalmente el sistema propuesto (fórmula 14,

sección 4.4).

Experimentación. Se efectuaron 50 ejecuciones de cada uno de los sistemas de recomendación,

considerando el top 10 de resultados, bajo el esquema AllBut1.

Resultados. En lo siguiente, se identifican a los sistemas de recomendación basado en usuario (usuario), en

ítem (ítem), el presentado por Tso-Sutter (tsutter), el recomendador basado en ítem al 90% bajo

anotaciones sociales y 10% bajo contexto (tgctx), el presentado por Liang (Liang) y por último el

sistema propuesto (propuesta).

Para el sistema propuesto, se fusiona el sistema tagctx con la fórmula (5), para así

incorporarar la similitud entre el usuario y un ítem a partir de sus anotaciones; los valores medios

reportados tras este experimento se presentan en la Tabla, donde las columnas indican en qué

porcentaje se toma el sistema tagctx contra el valor de la similitud mencionada.

Al tomar en consideración tanto la precisión como el índice de recuerdo, se consideró para

el sistema propuesto, tomar la proporción 40% sobre tagctx y y 60% sobre la similitud (columna

.4-.6).


65

Tabla 11. Ìndice de recuerdo y precisión entre el sistema tagctx con la similitud por anotaciones sociales

entre usuario e ítem.

1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1

Í. recuerdo 0,54 0,57 0,6 0,613 0,622 0,628 0,617 0,598 0,58 0,55 0,49

Precisión 0,12 0,13 0,14 0,146 0,155 0,162 0,167 0,164 0,16 0,15 0,14

La Tabla 12 presenta las medias obtenidas con los sistemas de recomendación, con

respecto al índice de recuerdo y a la precisión, mostrando su respectiva desviación estándar para

cada métrica así como su error. Tabla 12. Media del índice de recuerdo y precisión obtenidos tras la experimentación con los datos del

prototipo bajo distintos sistemas de recomendación

Descriptivos

N Media Desviación Error

Índice de recuerdo usuario 50 ,41 ,0327 ,0046

Item 50 ,53 ,0393 ,0056

tagctx 50 ,537 ,0415 ,0059

Tso-Sutter 50 ,515 ,0417 ,0059

Liang 50 ,486 ,0366 ,0052

propuesta 50 ,617 ,0361 ,0051

Precisión usuario 50 ,085 ,0098 ,0014

item 50 ,116 ,0107 ,0015

tagctx 50 ,119 ,0115 ,0016

Tso-Sutter 50 ,116 ,0122 ,0017

Liang 50 ,138 ,0134 ,0019

propuesta 50 ,167 ,0129 ,0018

Dentro de este estudio, el sistema de recomendación propuesto presentó una mayor

precisión e índice de recuerdo, inclusive en comparación con los reportados por Tso-Sutter (2008)

y Liang (2010), como se puede observar en la Figura 18 y en la Figura 19.

0,3

0,35

0,4

0,45

0,5

0,55

0,6

0,65

índice de recuerdo

usuario

item

Tso-Sutter

Liang

propuesto

Figura 18. Comparación del índice de recuerdo medio entre distintos sistemas de recomendación

contra el sistema propuesto.


66

0,07

0,08

0,09

0,1

0,11

0,12

0,13

0,14

0,15

0,16

0,17

Precisión

usuario

item

Tso-Sutter

Liang

propuesto

Figura 19. Comparación de la precisión media entre distintos sistemas de recomendación contra el

sistema propuesto.

Se puede observar una clara diferencia entre los demás sistemas, tanto en índice de

recuerdo como en precisión, con respecto al sistema propuesto.

Finalmente, se procedió también con un análisis estadístico de los resultados obtenidos

mediante el análisis de la varianza (ANOVA), el cual proporciona un medio estadístico para probar

si las medias presentadas entre distintos grupos son o no iguales; el análisis fue realizado con

auxilio del software estadístico SPSS27

. Con ello se buscó identificar si las variables dependientes

(precisión e índice de recuerdo) son afectados de manera estadísticamente significativa por el

acercamiento seguido bajo cada sistema de recomendación.

El resultado completo arrojado por este software se presenta en el Anexo E. En éste,

además de los resultados de la precisión y del índice del recuerdo, también se muestran las métricas

de la medida F y de la ganancia acumulada descontada normalizada o nDCG, sin embargo los

resultados obtenidos con éstas son acordes a los obtenidos con la precisión y el índice de recuerdo.

Dentro de los resultados obtenidos por SPSS, se presentan las ver Tabla 13 y Tabla 14, con

los resultados del test de Tukey, para un intervalo de confianza del 95% y del 99%. El test de

Tukey es comunmente usado junto con ANOVA para encontrar qué medias son significativamente

diferentes unas de otras.

Tabla 13. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística entre medias

del índice de recuerdo y de la precisión para distintos sistemas de recomendación, bajo un intervalo de

confianza del 95%.

Índice de recuerdo

Clase N

Para alfa = 0.05

1 2 3 4 5

Usuario 50 ,410

Liang 50 ,486

Tso-Sutter 50 ,515

Item 50 ,530 ,530

Tagctx 50 ,537

Propuesta 50 ,617

27

SPSS, Data Mining, Statistical Analysis Software, Predictive Analysis, Predictive Analytics, Decision

Support System, http://www.spss.com/


67

Precisión

Clase N

Para alfa = 0.05

1 2 3 4

usuario 50 ,085

Item 50 ,116

Tso-Sutter 50 ,116

Tagctx 50 ,119

Liang 50 ,138

propuesta 50 ,167

Tabla 14. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística entre medias

del índice de recuerdo y de la precisión para distintos sistemas de recomendación, bajo un intervalo de

confianza del 99%.

Índice de recuerdo

Clase N

Para alfa = 0.01

1 2 3 4

usuario 50 ,410

Liang 50 ,486

Tso-Sutter 50 ,515

Item 50 ,530

Tagctx 50 ,537

propuesta 50 ,617

Precisión

Clase N

Para alfa = 0.01

1 2 3 4

usuario 50 ,085

Item 50 ,116

Tso-Sutter 50 ,116

Tagctx 50 ,119

Liang 50 ,138

propuesta 50 ,167

Conclusión. Tras realizar el análisis de la varianza, bajo un nivel de confianza del 95% y del 99%, se

encontró que existía una diferencia estadística significativa entre las medias del índice de recuerdo

y la precisión entre los otros recomendadores contra el sistema propuesto, comprobado esto

mediante el test de Tukey.


68

En estas tablas se pueden observar que se forman distintos grupos, siendo que los

elementos que se encuentran en un mismo grupo no son estadísticamente diferentes entre sí; se

observa cómo entonces, tanto en precisión como índice de recuerdo, el sistema propuesto es

diferente a los otros comparados, para este caso de estudio, rechazando así la hipótesis nula.

El caso de Tso-Sutter se mantiene semejante al del sistema basado en ítem, esto concuerda

con los resultados mostrados por esta autora, ya que su mejora era pequeña con respecto a este

sistema base. El caso de Liang si bien en el índice de recuerdo se muestra menor, es con respecto a

la precisión donde tiene una mayor diferencia, siendo el trabajo de este autor uno de los más

recientes a la fecha de esta investigación. Finalmente, el sistema propuesto se muestra con una

media estadísticamente significativa mayor con respecto a los sistemas comparados.


69

5 Conclusiones

Entre los aportes de esta investigación se presentan:

- Un nuevo acercamiento dentro del uso de anotaciones sociales para ser usadas dentro de los

sistemas de recomendación por filtrado colaborativo, al ser aplicadas bajo facetas. Las facetas

hacen una distinción en el tipo de anotación social utilizada para describir un ítem. Bajo este

enfoque se observó una diferencia en el índice de recuerdo observado contra un sistema de

recomendación que utilice las anotaciones sociales directamente.

- Se presentó un nuevo acercamiento dentro de los sistemas de recomendación, al aplicar

información contextual haciendo uso de reglas de Web Semántica, para representar

características usadas dentro de mercadotecnia.

- Dentro del caso de estudio efectuado en esta tesis, se probó que el desempeño en cuanto a

precisión e índice de recuerdo de un sistema de recomendación usando el acercamiento

contextual propuesto, presenta un incremento con respecto a un sistema de recomendación

basado en ítem.

- Se presentó un sistema de recomendación que parte del uso de información contextual ya

mencionado, junto con un acercamiento usando anotaciones sociales.

- Se encontró una mejora estadísticamente significativa dentro del caso de estudio, en el

desempeño de este sistema de recomendación propuesto, en cuanto a precisión e índice de

recuerdo, con respecto a los sistemas tradicionales (basado en ítem y basado en usuario) y a

otros de la literatura (el presentado por Tso-Sutter, 2008, y Liang, 2010), dentro de un intervalo

de confianza del 95% y 99%. Para este experimento se siguió un análisis de la varianza y se

utilizó el test de Tukey para comprobar la diferencia de medias.

Dentro de las conclusiones generales, se tiene que esta combinación social y contextual dentro de la

recomendación de recursos, especialmente en el caso de servicios geolocalizables, efectúa su

proceso de recomendación de acuerdo al perfil del usuario y conforme a los elementos socialmente

populares, haciendo uso del llamado conocimiento colectivo.

La relevancia de la geolocalización, en conjunto con tecnologías de Web Semántica y

reglas, permitirá traer un nuevo abanico de aplicaciones inteligentes que combinen tanto la

Capítulo 5


70

ubicación del usuario con la información que lo rodea, permitiendo así la aparición de nuevos

mashups y servicios que las aprovechen.

El modelado mediante OWL tiene distintas ventajas, como el facilitar el almacenamiento,

el compartir y la distribución de los modelos y de las conceptualizaciones de un dominio, así como

facilitar el diseño cooperativo de los mismos. Un acercamiento que permita una automatización en

la manera de realizar consultas que se ajusten a la situación espacio temporal del usuario, es posible

mediante el uso de ontologías y la consulta sobre reglas como SQWRL.

Entre los beneficios de utilizar SQWRL con respecto a un lenguaje de consulta ontológico

como SPARQL, recae en el poder de inferencia del primero, ya que SPARQL si bien permite

realizar consultas sobre ontologías, está restringido a los elementos que se denoten explícitamente

en la consulta; por ejemplo, una consulta SQWRL que considere una relación de transitividad hará

provecho de la misma, situación que en SPARQL se lograría haciendo o bien consultas recursivas o

bien ciclos de consultas.

Una ventaja inherente a las ontologías es su capacidad de escalabilidad, por lo que, según

se presente y bajo el rubro que se deseé aplicar este enfoque, se pueden expandir los conceptos y

relaciones manejados; si bien las reglas presentadas recayeron principalmente sobre un tipo de

servicio particular, dependiendo de otros servicios, nuevas reglas se pueden crear y compartir, lo

que a largo plazo significa una ventaja en cuanto a escalabilidad e interoperabilidad.

Por otra parte, la adopción de un enfoque social ha tomado relevancia en los últimos años,

por lo que la inclusión de este tipo de información puede recaer en distintos entornos, como lo es la

recomendación de lugares, permitiendo a los usuarios valorar, etiquetar y comentar lugares geo-

localizables. Se probó que dentro de las recomendaciones geo-localizables se puede considerar una

pertinencia de acuerdo al contexto del usuario y a la relevancia social de los lugares (González et

al, 2008).


71

6 Trabajo Futuro

Entre los aspectos considerados como trabajo futuro a partir de la presente investigación, se

propone:

Experimentación con nuevos sistemas de recomendación. El área de los sistemas de

recomendación ha tomado gran impulso en años recientes, donde se buscan mejoras en su

desempeño bajo distintos enfoques. Se propone considerar las mejoras reportadas en otros

trabajos para comprobar mejoras en el desempeño de los sistemas de recomendación.

Expansión a otros dominios de servicios basados en localización. Dentro de este punto se

encuentra terminada una tesis de maestría ya finalizada, efectuada por César Villatoro en

cenidet, trabajando el enfoque de recomendación contextual sobre el dominio de hoteles.

Un estudio más profundo sobre la influencia de los atributos contextuales y su influencia en el

proceso de recomendación, misma investigación que al momento de presentar este documento,

se encuentra en proceso como parte de un proyecto de posgrado sustentado por la Dra. Blanca

Vargas Govea, dentro del cenidet.

La consideración de cómo distintos aspectos técnicos de tecnología de vanguardia puede

ayudar a la usabilidad y al desempeño de los sistemas de recomendación, tema abordado por la

tesis en desarrollo del alumno Hugo Omar Alejandrés que considera la incorporación de

realidad aumentada dentro de los sistemas de recomendación.

Expansión y orientación de las clases ontológicas utilizadas hacia el Open Link Data, como

parte de los objetivos pretendidos por la Web Semántica en los que se permita una

interoperabilidad entre distintas fuentes de datos, nutriendo la información contenida por una

ontología con otras.

Capítulo 6


72

7 Reconocimientos y publicaciones

Durante este período se logró la aceptación de los siguientes pósters y artículos, relacionados tanto

directamente con esta tesis, como con trabajos aledaños a la misma. Algunos de éstos tuvieron que

retirarse debido a situaciones ajenas a nuestro control.

Pósters:

– “Contextual impact factor applied to information retrieval for e-learning

applications”, Workshop on Ontologies and Semantic Web for E-Learning,

SWEL, 2008 (Retirado por cuestiones económicas).

– “Spatial Data Integration for e-Government Workflow Processes”, Research in

Computing Science Vol. 39, IPN; Encuentro Nacional de Computacion (ENC'08),

Mexicali, Baja California, México, 2008.

– “Geosemantic Web Queries on ChefMoz for Personalized Information Retrieval”,

MICAI 2009.

Artículos:

– “Contextual Impact Factor in a Social LBS Information Retrieval System”,

International Multi-Conference on Advanced Computer Systems, ISSN: 1230-

1485, Polonia, 2008.

– “Guiding the user search: an ontological approach”, International Multi-

Conference on Advanced Computer Systems, ISSN: 1230-1485, Polonia, 2008.

– “Collective knowledge – Contextual Dependency for Querying Location Based

Services”, New Aspects of Computers, ISBN: 978-960-6766-85-5, ISSN: 1790-

5109; 12th WSEAS International Conference on COMPUTERS, Grecia, 2008.

– “Technology Integration around the Geographic Information: A State of the Art”,

IJCSI International Journal of Computer Science Issues, Vol. 5, ISSN versión en

línea: 1694-0784, ISSN versión impresa: 1694-0814, 2009.

Capítulo 7


73

– “Social Tagging in Collaborative Filtering Recommender System” dentro del

evento ACS 2010, Polonia (Retirado por cuestiones económicas).

– Artículo de divulgación La privacidad en los servicios de Internet, aceptado para la

revista Elementos, 2011.

También se dieron las siguientes pláticas y ponencias:

– Ponente invitado a la Segunda Jornada de Informática, en la Universidad de la

Sierra del Sur, efectuada en octubre de 2009, participando con la ponencia: “Web

3.0: La Web Semántica”.

– Curso “Introducción a Protégé”, en el Centro Nacional de Investigación y

Desarrollo Tecnológico, el 20 de noviembre de 2009.

– Ponente invitado en el Instituto Tecnológico de Ciudad Victoria con el tema: Taller

introductorio a Google Maps, el 10 de noviembre de 2010 durante el evento FITIT

2010.

– Ponente invitado al Seminario de Sistemas Distribuidos y la Web Semántica, en la

Universidad Autónoma Metropolitana, en junio de 2011.

– Ponente invitado próximo a participar en el SiSei 2011, a efectuarse en el Instituto

Tecnológico de Culiacán, con un tema sobre la Web Semántica.

Se participó como revisor para los siguientes eventos y publicaciones:

– Revisor del Congreso Internacional sobre Innovación y Desarrollo Tecnológico

(CIINDET), 2008-2011.

– Revisor dentro del International Journal of Computer Science Issues (IJCSI), 2009-

2011.

– Revisor dentro del International Journal of Combinatorial Optimization Problems

and Informatics (IJCOPI), 2010-2011.

– Revisor para el Central European Journal of Computer Science, 2011.

Y se asistió a los siguientes eventos:

– Google Developers Day, 2008.

– Campus Party 2009, evento donde se asistió a una charla por parte de Tim Berners-

Lee sobre el futuro de la Web.

– Google DevFest 2010.

– Campus Party 2010.

– Campus Party 2011.


74

Anexos

Anexo A: XFOAF, extensión del vocabulario FOAF para definir el perfil contextual del usuario

Para esta investigación, FOAF fue extendió para incluir aspectos propios de características

contextuales del perfil de los usuarios, nombrada en adelante, XFOAF (eXtended FOAF).

Haciendo uso tanto de los vocabularios FOAF (la especificación del vocabulario foaf se encuentra

en http://xmlns.com/foaf/spec/), Geo y XFOAF, se puede crear un archivo RDF que describa al

usuario y sus preferencias. Gracias al uso de nombres de espacio comunes, esta descripción

personal puede relacionarse con otra información ontológica, como la obtenida con respecto a

lugares geo-localizables.

Un ejemplo sencillo de uno de estos archivos se muestra en el siguiente código. Primero se

indican los nombres de espacio utilizados y después se utiliza el vocabulario propio de FOAF para

definir algunas características generales, el vocabulario Geo (del vocabulario del W3C encontrado

en http://www.w3.org/2003/01/geo/wgs84_pos) para denotar la latitud y longitud del usuario y el

vocabulario XFOAF para denotar sus preferencias personales.

A continuación se describen también los elementos del vocabulario xfoaf manejados. Cabe

resaltar que estos elementos corresponden a una parte implementada dentro del prototipo de

investigación, sin embargo una de las bondades de seguir un enfoque basado en tecnologías de

Web Semántica es que este vocabulario sea escalable, por lo que bien se puede expandir o integrar

con otros vocabularios, para añadirle más características y abarcar más casos.


75

<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" xmlns:geo="http://www.w3.org/2003/01/geo#" xmlns:xfoaf="http://www.mindswap.org/2003/owl/foaf#" xmlns:cpersonal="http://www.owl-ontologies.com/cpersonal.owl#" xmlns:restaurant="http://chefmoz.org/restaurant/#" xmlns:xsd="http://www.w3.org/2001/XMLSchema#" xmlns:foaf="http://xmlns.com/foaf/0.1/"> <foaf:Person> <foaf:nick>mabel</foaf:nick> <geo:lat>19.400000</geo:lat> <geo:lon>-99.150000</geo:lon> <xfoaf:hasCharacteristic> <xfoaf:personalContext rdf:ID="mabel-gusta_Comer"> <xfoaf:birth>1982</xfoaf:birth> <xfoaf:height>1.59</xfoaf:height> <xfoaf:weight>40</xfoaf:weight> <xfoaf:favoriteCuisine>Eastern_European</xfoaf:favoriteCuisine > <xfoaf:favoriteCuisine>Eclectic</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Family</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Fine_Dining</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>French</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Hot_Dogs</xfoaf:favoriteCuisine> <xfoaf:drinker rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Bebedor social</xfoaf:drinker> <xfoaf:smoker rdf:datatype="http://www.w3.org/2001/XMLSchema#boolean">true</xfoaf:smoker> <xfoaf:ambiance rdf:datatype="http://www.w3.org/2001/XMLSchema#string">amigos</xfoaf:ambiance> <xfoaf:civilState rdf:datatype="http://www.w3.org/2001/XMLSchema#string">soltero</xfoaf:civilState> <xfoaf:hasSon rdf:datatype="http://www.w3.org/2001/XMLSchema#string">dependiente</xfoaf:hasSon> <xfoaf:dress rdf:datatype="http://www.w3.org/2001/XMLSchema#string">formal</xfoaf:dress> <xfoaf:ocupation rdf:datatype="http://www.w3.org/2001/XMLSchema#string">desempleado</xfoaf:ocupation> <xfoaf:assets rdf:datatype="http://www.w3.org/2001/XMLSchema#string">medio</xfoaf:assets> <xfoaf:transport rdf:datatype="http://www.w3.org/2001/XMLSchema#string">a pie</xfoaf:transport> <xfoaf:paycard rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Efectivo</xfoaf:paycard> <xfoaf:paycard rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Discover</xfoaf:paycard> <xfoaf:dissability rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Otro</xfoaf:dissability> <xfoaf:favoriteColor rdf:datatype="http://www.w3.org/2001/XMLSchema#string">naranja</xfoaf:favoriteColor> <xfoaf:religion rdf:datatype="http://www.w3.org/2001/XMLSchema#string">catolico</xfoaf:religion> <xfoaf:hasPersonality rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Ahorrativo-Protector</xfoaf:hasPersonality> <xfoaf:interest rdf:datatype="http://www.w3.org/2001/XMLSchema#string">retro</xfoaf:interest> <xfoaf:nacionality rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Mexico</xfoaf:nacionality> </xfoaf:personalContext> </xfoaf:hasCharacteristic> </foaf:Person> </rdf:RDF>


76

Propiedad: xfoaf:hasCharacteristic

hasCharacteristic – Las características de una persona.

Dominio: foaf:Person

Rango: xfoaf:personalContext

La relación xfoaf:hasCharacteristic engloba los distintos tipos de características que una persona puede tener, ya sea tanto de información contextual, sicológica, educativa, etc. De momento xfoaf contempla información contextual, pero cabe recordar que las ontologías son escalables.

Clase: xfoaf:personalContext

personalContext – Las características contextuales generales de una persona.

En rango

de: xfoaf:hasCharacteristic

En

dominio

de:

xfoaf:birth, xfoaf:height, xfoaf:weight, xfoaf:favoriteCuisine, xfoaf:drinker,

xfoaf:smoker, xfoaf:civilState, xfoaf:hasSon, xfoaf:ambiance, xfoaf:dress,

xfoaf:assets, xfoaf:transport, xfoaf:ocupation, xfoaf:religion, xfoaf:paycard,

xfoaf:dissability, xfoaf:nacionality, xfoaf:favoriteColor, xfoaf:interest,

xfoaf:hasPersonality

La clase xfoaf:personalContext identifica a una clase de características de una persona, que pueden ser usadas para describirlo tanto a él o ella, en aspectos desde su edad, lo que le gusta comer, si es bebedor o fumador, el ambiente en el que se encuentra, el tipo de vestuario que prefiere llevar, su presupuesto, su medio de transporte usado, el tipo de tarjetas que usa para pagar así como si tiene alguna discapacidad.

Propiedad: xfoaf:birth

birth– La edad de una persona.

Dominio: xfoaf:personalContext

Rango: http://www.w3.org/2001/XMLSchema#integer

Valor entero para identificar el año de nacimiento de una persona.


77

Propiedad: xfoaf:height

height– La altura de una persona.


Rango: http://www.w3.org/2001/XMLSchema#float

Cadena textual para identificar la estatura de una persona.

Propiedad: xfoaf:weight

weight– El peso de una persona.


Rango: http://www.w3.org/2001/XMLSchema#float

Cadena textual para identificar la estatura de una persona.

Propiedad: xfoaf:favoriteCuisine

favoriteCuisine – El tipo de cocina favorito de una persona.


Rango: xfoaf:Cuisine

Cadena textual para identificar los gustos culinarios de una persona.

Propiedad: xfoaf:drinker

drinker – Identifica el tipo de bebedor que es una persona.


Rango: http://www.w3.org/2001/XMLSchema#string

Cadena textual para identificar si una persona es bebedora o abstemia. Se consideran los valores: abstemio, bebedor-casual y bebedor-social.


78

Propiedad: xfoaf:smoker

smoker – Identifica si una persona es fumadora.


Rango: http://www.w3.org/2001/XMLSchema#boolean

Valor boleano para identificar si una persona fuma o no.

Propiedad: xfoaf:ambiance

ambiance – El tipo de ambiente en el que la persona viaja o se encuentra.



Cadena textual para identificar el tipo de ambiente o plan en el que una persona se encuentra. Se consideradon los valores: solo, familiar y con amigos.

Propiedad: xfoaf:dress

dress – Identifica la preferencia de una persona sobre la formalidad de su indumentaria.



Cadena textual para identificar el tipo de indumentaria que una persona prefiere llevar, ya sea formal o informal. Se manejan los valores: informal, formal, elegante y cualquiera.

Propiedad: xfoaf:civilState

civilState – Identifica el estado civil de una persona.



Cadena textual para identificar el estado civil de una persona. Se consideran los valores: soltero, casado y viudo.


79

Propiedad: xfoaf:hasSon

hasSon – Tiene hijo; usado para identificar la situación del usuario con respecto a si tiene hijos y si estos son o no dependientes del usuario.



Cadena textual para identificar el estado familiar de una persona con respecto a sus hijos. Se consideran los valores: pequeño, dependiente y sin hijos/indepentiente.

Propiedad: xfoaf:ocupation

ocupation – Ocupación; usado para identificar el estado laboral del usuario.



Cadena de texto para identificar si el usuario trabaja, estudia o es desempleado. Se consideran los valores: desempleado, obrero, estudiante y profesionista.

Propiedad: xfoaf:assets

presupuesto – Identifica el tipo de presupuesto que dispone una persona. Acepta los

valores “alto”, “medio” o “bajo”.



Cadena textual que identifica el tipo de presupuesto del que una persona dispone. Considera los valores: bajo, medio y alto.

Propiedad: xfoaf:transport

transporte – Identifica el tipo de transporte usado generalmente por una persona.



Cadena textual para identificar el tipo de vehículo que una persona usa para transportarse. Se consideran los valores: a pie, vehículo propio y transporte público.


80

Propiedad: xfoaf:paycard

paycard – Identifica el tipo de pago que una persona puede efectuar.



Cadena textual para identificar los tipos de tarjeta que una persona puede usar para pagar. Considera los valores visa, mastercard, efectivo, tarjeta débito y cheque.

Propiedad: xfoaf:religion

religión – Credo religioso profesado por una persona.



Cadena textual para identificar si una persona profesa alguna religión y cual. Se consideran los valores: ninguna, católico, cristiano, mormón y judío.

Propiedad: xfoaf:dissability

dissability – Identifica si una persona cuenta con algún tipo de capacidad diferente.



Cadena textual para identificar el tipo de capacidad diferente que una persona puede tener (o en su defecto, alguien que acompañe a la persona en cuestión).

Propiedad: xfoaf:nacionality

nacionality – Nacionalidad; identifica la nacionaidad de una persona.



Cadena textual para identificar el país de origen de una persona.


81

Propiedad: xfoaf:favoriteColor

favoriteColor – Color favorito; identifica el color favorito de una persona.



Cadena textual para identificar el color favorito de una persona, en consideración a los factores sicológicos que de ésta información se puede desprender. Se consideran los valores: amarillo, azul, blanco, naranja, púrpura, rojo y verde.

Propiedad: xfoaf:interest

interest – Interés; identifica el tipo de preferencias de una persona.



Cadena textual para identificar el interés principal de una persona. Se consideran los valores: variedad, naturaleza, retro y tecnología.

Propiedad: xfoaf:hasPersonality

hasPersonality – tiene personalidad; identifica cómo el usuario considera que es su personalidad.



Cadena textual para identificar el tipo de personalidad que el usuario considera que tiene, en consideración a los factores sicológicos que de ésta información se puede desprender. Se consideran los valores: esforzado, ahorrativo, ostentoso y conformista.


82

Anexo B: Conceptos, relaciones y atributos de una ontología de restaurantes

Las tablas de este anexo muestran respectivamente a los conceptos, las relaciones de objeto y a los

atributos de la ontología de restaurantes utilizada para el procesamiento de las reglas en SWRL.

Los elementos que no cuentan con una descripción son tomados de las ontologías

manejadas por SWRL y sus relacionados.

Tabla 15. Descripción de las clases de la ontología sobre resturantes utilizada para el procesamiento de

las reglas en SWRL.

Clase Descripción Subclases Superclases

Accesibilidad Concepto para identificar el tipo de

accesibilidad ofrecida por un restaurante. owl:Thing Resource

Alimento

Concepto para identificar los tipos de

alimentos proporcionados por un

restaurante.

owl:Thing Resource

Clima Concepto para identificar el tipo de

clima. owl:Thing Resource

Color

Concepto usado para identificar colores,

mismos que son usados para identificar

patrones sicológicos de comportamiento

en el usuario.

owl:Thing Resource

Consulta

Concepto usado para identificar el

momento y lugar particular desde el cuál

se hace una solicitud de recomendación.

owl:Thing Resource

Cuisine Concepto para identificar el tipo de

cocina que sirve un restaurante. owl:Thing Resource

Entity

Granularity

ValidTime

Proposition

ExtendedProposition

ValidPeriod

ValidInstant

Estacion Concepto para identificar estaciones del

año. owl:Thing Resource

ExtendedProposition

Resource

Proposition

Entity

Granularity Resource

Entity

Pago

Concepto para identificar los tipos de

pago que acepta un restaurante o que

puede hacer una persona.

owl:Thing Resource

Pais Concepto que hace alusión a una

locación geográfica. owl:Thing Resource

Persona Concepto que refiere al usuario al que se owl:Thing Resource


83

le efectúa una recomendación.

Personalidad Concepto que refiere al tipo de

personalidad que un usuario presenta. owl:Thing Resource

Proposition ExtendedProposition Entity

Region Zona geográfica a la que puede

pertenecer un usuario. owl:Thing Resource

Religion Creencia o credo que profesa un grupo

social. owl:Thing Resource

Restaurant

Concepto que refiere al lugar que brinda

un servicio de alimentación a los

usuarios.

owl:Thing Resource

RuleGroup Resource

Entity

ServicioAlcohol

Concepto para identificar si un

restaurante ofrece algún tipo de servicio

relacionado con bebidas alcohólicas.

owl:Thing Resource

ValidInstant

Resource

ValidTime

Entity

ValidPeriod

Resource

ValidTime

Entity

ValidTime

ValidPeriod

ValidInstant

Resource

Entity

Tabla 16. Descripción de las relaciones de la ontología sobre resturantes utilizada para el

procesamiento de las reglas en SWRL.

Atributo Descripción Dominio Rango

(tipo)

Lista de

valores Funcional

altura

Atributo de una persona

con respecto a cuanto

mide.

Persona

float Funcional

ambiance

Atributo de una persona

para indicar el tipo de

ambiente de su visita a un

restaurante.

Persona

string

pareja

familiar

negocio

solo

amigos

Funcional

dia

Atributo para indicar el día

en que se realiza la

recomendación de

restaurantes a una persona.

Consulta

string Funcional

distancia

Atributo para indicar la

distancia a la que se

encuentra un restaurante

con respecto a una

persona.

Restaurant

string Funcional

edoCivil Atributo para indicar el

estado civil de una

Persona

string

soltero

casado Funcional


84

persona. viudo

entorno

Atributo para indicar el

tipo de ambiente que

predomina en un

restaurante.

Restaurant

string

familiar

tranquilo

romantico

esFranquicia

Atributo para indicar si un

restaurante pertenece a

una cadena de franquicias.

Restaurant

boolean Funcional

esFumador Atributo para indicar si un

usuario es fumador.

Persona

boolean Funcional

esLatino Atributo para indicar si un

usuario es latino.

Persona

boolean Funcional

espacio


usuario se encuentra en un

lugar cerrado o al aire

libre.

Restaurant

string

cerrado

aire libre

estaAlLado


restaurante se encuentra a

metros de distancia de una

persona.

Restaurant

boolean Funcional

estaCerca


restaurante se encuentra

cerca de una persona.

Restaurant

boolean Funcional

estaMuyCerca


restaurante se encuentre en

las inmediaciones de una

persona.

Restaurant

boolean Funcional

esTomador

Atributo para indicar con

que frecuencia una

persona consume bebidas

alcohólicas.

string

bebedor social

bebedor

casual

abstemio

Funcional

fechaActual

Atributo para identificar la

fecha actual en la que se

realiza una

recomendación.

Consulta

date Funcional

hasBuiltInPhrase string Funcional

hasClassPhrase string Funcional

hasFinishTime ValidPeriod

dateTime Funcional

hasPropertyPhrase string Funcional

hasRuleCategory

hasStartTime ValidPeriod

dateTime Funcional

hasTime ValidInstant

dateTime Funcional

horaCierreDomingo


horario de cierre de un

restaurante en día

domingo.

Restaurant

time


85

horaCierreEntresemana



restaurante entresemana.

Restaurant

time

horaCierreSabado



restaurante en día sabado.

Restaurant

time

horaConsulta


hora en que se realiza una

recomendación.

Consulta

time Funcional

horaDomingo


hora de apertura de un

restaurante en día

domingo.

Restaurant

time

horaEntresemana

Atributo para identificar el

horario de apertira de un

restaurante entresemana.

Restaurant

time

horaSabado

Atributo para identificar el

horario de apertura de un

restaurante en día sábado.

Restaurant

time

IDPlace

Atributo para asinar un

identificador a un

restaurante.

Restaurant

string Funcional

imc


índice de masa corporal de

una persona.

Persona

float Funcional

ingreso


tipo de ingreso económico

percibido por una persona.

Persona

string

bajo

medio

alto

Funcional

interes


tipo de interés que tiene

una persona.

Persona

string

variedad

tecnologia

retro

naturaleza

isRuleEnabled Imp

boolean Funcional

isRuleGroupEnabled RuleGroup

boolean Funcional

latitud Atributo para indicar una

latitud geográfica.

Persona

Restaurant

float Funcional

longitud Atributo para indicar una

longitud geográfica.

Persona

Restaurant

float Funcional

medioTransporte


tipo de transporte usado

por una persona.

Persona

string

propio

publico

a pie

Funcional

nacimiento


año de nacimiento de una

persona.

Persona

int Funcional

ofreceServicio Atributo para identificar Restaurant string variedad


86

tipos de servicios

ofrecidos por un

restaurante, ajenos a la

comida.

Internet

permiteFumar

Atributo para identificar si

un restaurante permite a

las personas fumar.

Restaurant

string

en el bar

no permitido

permitido

seccion

peso Atributo para indicar el

peso de una persona.

Persona

float Funcional

tieneCiudad


ciudad donde se encuentra

un restaurante.

Restaurant

string Funcional

tieneCosto


costo general de los

alimentos servidor por un

restaurante.

Restaurant

string

bajo

medio

alto

Funcional

tieneDireccion


dirección donde se

encuentra un restaurante.

Restaurant

string Funcional

tieneEdad Atributo para indicar la

edad de una persona.

Persona

int Funcional

tieneEstacionamiento


tipo de estacionamiento

del que dispone un

restaurante.

Restaurant

string

calle

de paga

propio

publico

sin parking

valet parking

validated

parking

tieneEstado


estado geográfico de un

restaurante.

Restaurant

string Funcional

tieneFax Atributo para indicar el

fax de un restaurante.

Restaurant

string Funcional

tieneFormalidad


tipo de formalidad

presente en un restaurante.

Restaurant

string

formal

informal

elegante

cualquiera

Funcional

tieneHijo

Atributo para indicar en

que estado se encuentran

los hijos de una persona.

Persona

string

pequeno

dependiente

independiente

tieneNombre Atributo para indicar el

nombre de un restaurante.

Restaurant

string Funcional

tieneOcupacion Atributo para indicar la

ocupación de una persona.

Persona

string

estudiante

desempleado

profesionista

obrero

Funcional

tieneZip Atributo para indicar el

código postal de un

Restaurant

string Funcional


87

restaurante.

url


página Web de un

restaurante.

Restaurant

string Funcional

valorComida


valor promedio que los

usuarios han asignado a la

comida servida por un

restaurante.

Restaurant

float Funcional

valorServicio



usuarios han asignado al

servicio brindado por un

restaurante.

Restaurant

float Funcional

valorSocial



usuarios han asignado en

general a un restaurante.

Restaurant

float Funcional

viste


formalidad de la

indumentaria con que un

usuario asistirá a un

restaurante.

Persona

string

casual

formal

informal

formal

required

Funcional

Tabla 17. Descripción de los atributos de la ontología sobre resturantes utilizada para el procesamiento

de las reglas en SWRL.

Relacion Descripción Dominio Rango Tipo

aceptaPago

Relación para identificar los

tipos de pago que acepta un

restaurante.

Restaurant

Pago

climaActual Relación para identificar el

clima actual.

Consulta

Clima

Funcional

colorFavorito Relación para identificar el

color favorito de una persona.

Persona

Color

Funcional

gustaAlimento

Relación para identificar los

tipos de cocina que prefiere el

usuario.

Persona

Cuisine

hasGranularity ValidTime

Granularity

Funcional

hasRuleGroup Imp

RuleGroup

hasValidTime ExtendedProposition

ValidTime

pagaCon

Relación usada para

identificar los tipos de pago

que puede realizar una

persona.

Persona

Pago

perteneceRegion Relación usada para

identificar la región a la que

Pais

Region

Funcional


88

pertenece un país.

profesa

Relación usada para

identificar la religión que

practica una persona.

Persona

Religion

Funcional

sirveAlcohol

Relación para identificar el

tipo de servicio que ofrece un

restaurante con respecto a

bebidas alcohólicas.

Restaurant

ServicioAlcohol

sirveAlimento


tipo de cocina que sirve un

restaurante.

Restaurant

Cuisine

temporadaActual Relación para identificar la

estación del año actual.

Consulta

Estacion

Funcional

tieneCuisineNacional


país al que corresponde un

tipo de cocina.

Pais

Cuisine

tieneNacionalidad Relación para identificar la

nacionalidad de un usuario.

Persona

Pais

Funcional

tienePersonalidad


tipo de personalidad de un

usuario.

Persona

Personalidad

Funcional


89

Anexo C: Reglas de Web Semántica en SWRL y SQWRL

A continuación se presentan las reglas bajo SWRL y SQWRL utilizadas durante el proceso de

recomendación contextual. Las reglas bajo SQWRL son manejadas a través de un archivo XML y

después son cargadas dentro de una ontología OWL para su posterior ejecución; las reglas bajo

SWRL se encuentran precargadas dentro de la ontología, pero para fines ilustrativos se incluyen en

la tabla siguiente, junto con las reglas SQWRL.

Las reglas marcadas de tipo 1 corresponden a reglas que representan una interrelación entre

los contextos de perfil de usuario con perfil de datos, las marcadas como de tipo 2 representan a la

interrelación entre el contexto de perfil de datos con perfil de entorno y de tipo 3 a la interrelación

entre contexto de perfil de usuario y perfil de entorno. Las reglas sin especificar algún tipo, se

refieren reglas de operaciones para realizar algún cálculo.

<regla nombre="estacionInvierno">

Regla para identificar si de acuerdo

a la fecha y las coordenadas

geográficas, la estación actual

corresponde al invierno.

<antecedente>latitud(hoy, ?l) ^ swrlb:greaterThanOrEqual(?l, 0) ^

fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-12-22", "2012-03-

20", temporal:Days)

<consecuente>temporadaActual(hoy, invierno)

<regla nombre="estacioninviernoB">




corresponde al invierno.

<antecedente>latitud(hoy, ?l) ^ swrlb:lessThanOrEqual(?l, 0) ^


23", temporal:Days)

<consecuente>temporadaActual(hoy, invierno)

<regla nombre="estacionOtono">




corresponde al otoño.



22", temporal:Days)

<consecuente>temporadaActual(hoy, otono)

<regla nombre="estacionOtonob">




corresponde al otoño.


fechaActual(hoy, ?p) ^

temporal:during(?p, "2011-03-20", "2011-06-21", temporal:Days)

<consecuente>temporadaActual(hoy, otono)

<regla nombre="estacionPrimavera">




corresponde a la primavera.



21", temporal:Days)

<consecuente>temporadaActual(hoy, verano)

<regla nombre="estacionPrimaverab">




corresponde a la primavera.



22", temporal:Days)


<regla nombre="estacionverano">


90




corresponde al verano.



20", temporal:Days) </antecedente>


<regla nombre="estacionVeranob">




corresponde al verano.



23", temporal:Days)


<regla nombre="Regla-edad">

Regla para determinar la edad de

una persona.

<antecedente>Persona(?x) ^ nacimiento(?x, ?y) ^ swrlb:subtract(?z,

2011, ?y)

<consecuente>tieneEdad(?x, ?z)

<regla nombre="regla-imc">

Regla para calcular el índice de

masa corporal de una persona.

<antecedente>Persona(?x) ^ peso(?x, ?p) ^ altura(?x, ?a) ^

swrlb:multiply(?a2, ?a, ?a) ^ swrlb:divide(?i, ?p, ?a2)

<consecuente>imc(?x, ?i)

<regla nombre="fumatrue1">

Regla tipo 1 para identificar

restaurantes que tengan sección de

fumadores para usuarios que

fumen.

<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^

permiteFumar(?r,"seccion") ^ Persona(?p) ^ esFumador(?p, true)

<consecuente>sqwrl:selectDistinct(?id)



restaurantes que permitan fumar a

las personas.

<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^

permiteFumar(?r,"permitido") ^ Persona(?p) ^ esFumador(?p, true)




restaurantes que permitan fumar y

beber a una persona.

<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^ permiteFumar(?r,"en

el bar") ^ Persona(?p) ^ esFumador(?p, true) ^ esTomador(?p,

"Bebedor casual")




restaurantes que permitan fumar y

beber a una persona.

<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^ permiteFumar(?r,"en

el bar") ^ Persona(?p) ^ esFumador(?p, true) ^ esTomador(?p,

"Bebedor social")


<regla nombre="fumafalse1">


restaurantes que no permitan

fumar.

<antecedente>permiteFumar(?r,"no permitido") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ Persona(?p) ^ esFumador(?p, false)


<regla nombre="fumafalse2">


restaurantes que permitan fumar

sólo en una sección.

<antecedente>permiteFumar(?r,"seccion") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ Persona(?p) ^ esFumador(?p, false)


<regla nombre="formalidad1">


restaurantes para situaciones

formales a usuarios que así lo

<antecedente>tieneFormalidad(?r,"formal") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "formal")



91

deseén.



restaurantes que no requieran una

vestimenta formal como admisión.

<antecedente>tieneFormalidad(?r,"informal") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "informal")




restaurantes de etiqueta.

<antecedente>tieneFormalidad(?r,"formal required") ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "elegante")




restaurantes cuyo código de

vestimenta no sea estricto.

<antecedente>tieneFormalidad(?r,"casual") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "informal")


<regla nombre="intelectual">


restaurantes que ofrezcan servicios

de variedad, patrón acorde al perfil

de consumidor denominado como

intelectual.

<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^

swrlb:greaterThanOrEqual(?y, 25) ^ swrlb:lessThanOrEqual(?y, 40)

^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, ?variedad) ^

swrlb:stringEqualIgnoreCase(?variedad, "variedad")


<regla nombre="intelectual2">



de conectividad a Internet, patrón

acorde al perfil de consumidor

denominado como intelectual.



^ interes(?x, ?inter) ^ swrlb:stringEqualIgnoreCase(?inter,

"tecnologia") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r,

?servicio) ^ swrlb:stringEqualIgnoreCase(?servicio, "internet")


<regla nombre="chaviza">



de conectividad a Internet para

jóvenes interesados en tecnología.


swrlb:greaterThanOrEqual(?y, 12) ^ swrlb:lessThanOrEqual(?y, 24) ^

interes(?x, ?inter) ^ swrlb:stringEqualIgnoreCase(?inter, "tecnologia")

^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, ?servicio) ^

swrlb:stringEqualIgnoreCase(?servicio, "internet")


<regla nombre="chaviza2">


restaurantes de comida rápida,

patrón acorde al perfil de

consumidor denominado como

chaviza.



^ Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Fast_Food)


<regla nombre="chaviza3">


restaurantes que pertenezcan a

cadenas comerciales, patrón


denominado como chaviza.

<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^

tieneEdad(?x, ?y) ^ swrlb:greaterThanOrEqual(?y, 12) ^

swrlb:lessThanOrEqual(?y, 24) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

esFranquicia(?r, true)


<regla nombre="retro">


92


restaurantes de comida típica al

lugar de una persona.



^ interes(?x, "retro") ^ tieneNacionalidad(?x, ?n) ^

tieneCuisineNacional(?n, ?c) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

sirveAlimento(?r, ?c)


<regla nombre="bioconsumidor">


restaurantes de comida natural

para personas interesadas en la

naturaleza, patrón acorde al perfil


bioconsumidores.



^ interes(?x, "naturaleza") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

sirveAlimento(?r, Vegetarian)


<regla nombre="babyboomer1">


restaurantes elegantes a personas

solteras con ingresos altos, patrón


denominado como babyboomers.



^ edoCivil(?x, "soltero") ^ ingreso(?x, "alto") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ tieneCosto(?r, "alto")




restaurantes que ofrescan servicios

de variedad a personas solteras

interesadas, patrón acorde al perfil


babyboomers.



^ edoCivil(?x, "soltero") ^ interes(?x, "variedad") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ ofreceServicio(?r, "variedad")




restaurantes a personas solteras

interesadas que vayan con su

pareja, patrón acorde al perfil de

consumidor denominado como

babyboomers.



^ edoCivil(?x, "soltero") ^ ingreso(?x, "alto") ^ ambiance(?x,

"pareja") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")


<regla nombre="estudiante">


restaurantes de bajo costo para

estudiantes.


Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo")


<regla nombre="profesionista">


restaurantes de costo alto para

profesionistas.

<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")


<regla nombre="estudiante2a">


restaurantes que se encuentren

próximos a la localización de un

estudiante.


Restaurant(?r) ^ IDPlace(?r,?id) ^ estaAlLado(?r, true)


<regla nombre="profesionista2">


restaurantes formales para


Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")


93

usuarios que sean profesionistas. <consecuente>sqwrl:selectDistinct(?id)

<regla nombre="estudiante3">


restaurantes que hayan sido

valorados socialmente por otros

usuarios de manera alta.


Restaurant(?r) ^ IDPlace(?r,?id) ^ valorSocial(?r, ?v) ^

swrlb:greaterThan(?v, 2)


<regla nombre="estudiante3b">



valorados por otros usuarios de

manera alta en cuanto a la comida

que sirven.


Restaurant(?r) ^ IDPlace(?r,?id) ^ valorComida(?r, ?v) ^






valorados por otros usuarios de

manera alta en cuanto al servicio

ofrecido.


Restaurant(?r) ^ IDPlace(?r,?id) ^ valorServicio(?r, ?v) ^





restaurantes que no sean

franquicias, para usuarios que

sean profesionistas.


Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false)


<regla nombre="nacionEUA">


restaurantes que sean franquicias,

los cuales son preferidos por

personas nacidas en Estados

Unidos.

<antecedente>Persona(?x) ^ tieneNacionalidad(?x, EUA) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, true)


<regla nombre="nacionMexico2">


restaurantes que ofrezcan un

entorno familiar si el usuario es

mexicano y tiene hijos chicos.

<antecedente>Persona(?x) ^ tieneNacionalidad(?x, Mexico) ^

tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

entorno(?r, "familiar")


<regla nombre="reglaAmarillo">


restaurantes cuyo costo sea bajo,

de acuerdo al perfil sicólogico de

las personas que prefieren el

color amarillo.

<antecedente>Persona(?x) ^ colorFavorito(?x, amarillo) ^



<regla nombre="reglaBlanco">


restaurantes vegetarianos, de

acuerdo al perfil sicólogico de las

personas que prefieren el color

blanco.

<antecedente>Persona(?x) ^ colorFavorito(?x, blanco) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)


<regla nombre="reglaAmarilloKids">


restaurantes que tengan un

entorno familiar, de acuerdo al

<antecedente>Persona(?x) ^ colorFavorito(?x, amarillo) ^




94

perfil sicólogico de las personas

que prefieren el color amarillo y

que tengan hijos pequeños.


<regla nombre="reglaNaranja">





que prefieren el color naranja y


<antecedente>Persona(?x) ^ colorFavorito(?x, naranja) ^




<regla nombre="reglaNaranja2">


restaurantes que permitan un

atuendo informal, de acuerdo al


que prefieren el color naranja.

<antecedente>Persona(?x) ^ colorFavorito(?x, naranja) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "informal")


<regla nombre="reglaRojo">



entorno romántico, de acuerdo al


que prefieren el color rojo, que

sean solteros pero que acudan

con su pareja.

<antecedente>Persona(?x) ^ colorFavorito(?x, rojo) ^ edoCivil(?x,

"soltero") ^ ambiance(?x, "pareja") ^ Restaurant(?r) ^ IDPlace(?r,?id)

^ entorno(?r, "romantico")


<regla nombre="reglaPurpura">


restaurantes elegantes, de



púrpura.

<antecedente>Persona(?x) ^ colorFavorito(?x, purpura) ^



<regla nombre="reglaPurpura2">





que prefieren el color púrpura y



tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ entorno(?r,

"familiar")


<regla nombre="reglaPurpura3">





que prefieren el color púrpura y

que tengan hijos aún

dependientes.


tieneHijo(?x, "dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^



<regla nombre="reglaAzul">



entorno traquilo, de acuerdo al


<antecedente>Persona(?x) ^ colorFavorito(?x, azul) ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ entorno(?r, "tranquilo")



95

que prefieren el color azul.

<regla nombre="reglaAzul2">


restaurantes que sirvan comida

vegetariana, de acuerdo al perfil

sicólogico de las personas que

prefieren el color azul.

<antecedente>Persona(?x) ^ colorFavorito(?x, azul) ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)


<regla nombre="reglaVerde">


restaurantes que sirvan comida

vegetariana, de acuerdo al perfil


prefieren el color verde.

<antecedente>Persona(?x) ^ colorFavorito(?x, verde) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)


<regla nombre="reglaVerde2">


restaurantes que se encuentren al

aire libre, de acuerdo al perfil


prefieren el color verde.

<antecedente>Persona(?x) ^ colorFavorito(?x, verde) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ espacio(?r, "aire libre")


<regla nombre="reglaNegro">


restaurantes que permitan un

entorno de formalidad, de



negro.

<antecedente>Persona(?x) ^ colorFavorito(?x, negro) ^



<regla nombre="reglaProfesionista">


restaurantes que ofrezcan

servicio de Internet para usuarios

que sean profesionistas.


Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, "internet")


<regla nombre="babyburster">


restaurantes que no pertenezcan

a alguna franquicia y que sean

formales, para usuarios dentro de

la categoría identificada en

mercadotecnia como

babyburster.



Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false) ^

tieneFormalidad(?r, "formal")


<regla nombre="babyboolet">


restaurantes que no pertenezcan

a alguna franquicia y que tengan

un valor social elevado para los

usuarios, para personas dentro de

la categoría identificada en

mercadotecnia como babyboolet.



Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false) ^

valorSocial(?r, ?v) ^ swrlb:greaterThan(?v, 2)


<regla nombre="echobust">


96


restaurantes que proporcionen

servicio de Internet para usuarios

dentro de la categoría

identificada en mercadotecnia

como echobust.


swrlb:lessThanOrEqual(?y, 14) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

ofreceServicio(?r, "internet")


<regla nombre="trabajo">


restaurantes que proporcionen un

entorno formal para usarios que

asistan en plan de negocios.

<antecedente>Persona(?x) ^ ambiance(?x, "negocio") ^



<regla nombre="parejaRecien">


restaurantes cuyo costo sea alto

para personas que no tienen

hijos, son casadas y su ingreso

sea alta, patrón identificado

como parejas recién casadas.

<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,

"no") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto") ^

ingreso(?x, "alto")


<regla nombre="nidoC1">


restaurantes de costo medio para

usuarios dentro del período

identificado en mercadotecnia

como nido completo I, donde la

persona es casada y tiene hijos

pequeños.


"chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "medio")




restaurantes con un ambiente

familiar para usuarios dentro del

período identificado en

mercadotecnia como nido

completo II, donde la persona es

casada y tiene hijos

dependientes.


"dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ entorno(?r,

"familiar")







como nido completo III, donde

la persona es casada y tiene

hijos dependientes.


"dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,

"medio")


<regla nombre="nidoVacio">


restaurantes de costo alta para



como nido vacío, donde la

persona es casada y tiene hijos


"independiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,

"alto")



97

independientes, lo que le

permite tener otros gastos.

<regla nombre="superviviente">





como supervivientes, donde la

persona es viuda y tiene hijos

independientes.

<antecedente>Persona(?x) ^ edoCivil(?x, "viudo") ^ tieneHijo(?x,


"medio")


<regla nombre="superviviente2">


restaurantes de costo bajo para



como supervivientes, donde la

persona es viuda y tiene hijos

independientes.

<antecedente>Persona(?x) ^ edoCivil(?x, "viudo") ^ tieneHijo(?x,


"bajo")


<regla nombre="claseA">



usuarios dentro de la clase social

tipo A identificada en

mercadotecnia, donde la persona

es profesionista.




<regla nombre="claseAtechno">


restaurantes que ofrezcan

servicio de Internet para




es profesionista.


Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, "internet")


<regla nombre="claseAparking">


restaurantes que tengan

estacionamiento propio, para




es profesionista.


Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, "propio")


<regla nombre="claseAPago">


restaurantes que acepten pago

con tarjeta Masterd Card, para




tiene ese tipo de tarjeta.

<antecedente>Persona(?x) ^ pagaCon(?x, MasterCard-Eurocard) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ aceptaPago(?r, MasterCard-

Eurocard)


<regla nombre="claseApagob">


98


restaurantes que acepten pago

con tarjeta VISA, para usuarios

dentro de la clase social tipo A

identificada en mercadotecnia,

donde la persona tiene ese tipo

de tarjeta

<antecedente>Persona(?x) ^ pagaCon(?x, VISA) ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ aceptaPago(?r, VISA)


<regla nombre="claseD">


restaurantes que no cuenten con

estacionamiento para usuarios

dentro de la clase social tipo D

identificada en mercadotecnia,

donde la persona es

desempleada.

<antecedente>Persona(?x) ^ tieneOcupacion(?x, "desempleado") ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, "sin

parking")


<regla nombre="cazador">



usuarios identificados bajo la

personalidad de cazador u

ostentoso.

<antecedente>Persona(?x) ^ tienePersonalidad(?x, Cazador-Ostentoso)

^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")


<regla nombre="ahorrativo">


restaurantes de costo bajo y que

no son franquicias, para usuarios

identificados bajo la

personalidad de ahorrativo o

protector, cuyo ingreso sea

medio.

<antecedente>Persona(?x) ^ tienePersonalidad(?x, Ahorrativo-

Protector) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo") ^

esFranquicia(?r, false) ^ ingreso(?x, "medio")


<regla nombre="ahorrativo2">


restaurantes de costo bajo y que

no sean franquicias, para


personalidad de ahorrativo o

protector, cuyo ingreso sea bajo.

<antecedente>Persona(?x) ^ tienePersonalidad(?x, Ahorrativo-

Protector) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo") ^

esFranquicia(?r, false) ^ ingreso(?x, "bajo")


<regla nombre="afanado">


restaurantes de costo alto, que

no sean franquicias y que tengan

un ambiente tranquilo, para


personalidad de afanado y cuyo

ingreso sea alto.

<antecedente>Persona(?x) ^ tienePersonalidad(?x, Afanado) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto") ^

esFranquicia(?r, false) ^ ingreso(?x, "alto") ^ entorno(?r, "tranquilo")


<regla nombre="conformista">


restaurantes de costo bajo para


personalidad de conformistas.

<antecedente>Persona(?x) ^ tienePersonalidad(?x, Conformista) ^



<regla nombre="regla-sobrepeso">


99


restaurantes vegetarianos si se

identifica que el usuario tiene

sobrepeso, de acuerdo al cálculo

de su índice de masa corporal.

<antecedente>Persona(?x) ^ imc(?x, ?i) ^

swrlb:greaterThanOrEqual(?i,30) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

sirveAlimento(?r, Vegetarian)


<regla nombre="reglacoche">


restaurantes que posean algún

tipo de estacionamiento, para

usuarios que cuenten con un

medio de transporte propio.

<antecedente>Persona(?x) ^ medioTransporte(?x, "Propio") ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, ?e) ^

tbox:notEqualTo(?e, "sin parking")


<regla nombre="motivo1">


restaurantes cuyo entorno sea

tranquilo para usuarios que

vayan solos.

<antecedente>Persona(?x) ^ ambiance(?x, "solo") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ entorno(?r, "tranquilo")





romántico para usuarios que

vayan con su pareja.

<antecedente>Persona(?x) ^ ambiance(?x, "pareja") ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ entorno(?r, "romantico")




restaurantes cuyo ambiente sea

familiar para usuarios que vayan

con su familia.

<antecedente>Persona(?x) ^ ambiance(?x, "familiar") ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ entorno(?r, "familiar")




restaurantes que le permitan al

usuario realizar negociaciones

en un marco formal.

<antecedente>Persona(?x) ^ ambiance(?x, "negocio") ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")





informal para usuarios que

vayan con sus amigos.

<antecedente>Persona(?x) ^ ambiance(?x, "amigos") ^ Restaurant(?r)

^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "informal")


<regla nombre="latino-cerca">


restaurantes que se encuentren

en las inmediaciones del

usuario, si el usuario es latino y

vive en Estados Unidos.

<antecedente>Persona(?x) ^ esLatino(?x, true) ^ lugarConsulta(?x,

EUA) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ estaMuyCerca(?r, true)


<regla nombre="cuaresma">


restaurantes que vendan

mariscos, para personas que

sean católicas y se encuentren

en cuaresma.

<antecedente>fechaActual(hoy, ?d) ^ temporal:during(?d, "2011-03-

09", "2011-04-23", temporal:Days) ^ Persona(?x) ^ profesa(?x,

catolico) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r,

Seafood)


<regla nombre="abiertoSabado">


100


restaurantes que operen en día

sábado y cuyo horario

concuerde con el momento de la

recomendación.

<antecedente>dia(hoy, "sabado") ^ fechaActual(hoy, ?f) ^

horaConsulta(hoy, ?h) ^ swrlb:stringConcat(?p, ?f, "T", ?h) ^

Restaurant(?r) ^ IDPlace(?r,?id) ^ horaSabado(?r, ?s1) ^

swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreSabado(?r, ?s2) ^

swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,

temporal:Hours)


<regla nombre="abiertoDomingo">


restaurantes que operen en día

domingo y cuyo horario

concuerde con el momento de

la recomendación.

<antecedente>dia(hoy, "domingo") ^ fechaActual(hoy, ?f) ^


Restaurant(?r) ^ IDPlace(?r,?id) ^ horaDomingo(?r, ?s1) ^

swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreDomingo(?r, ?s2) ^

swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,

temporal:Hours)


<regla nombre="abiertoentresemana">


restaurantes que operen entre

semana y cuyo horario

concuerde con el momento de

la recomendación.

<antecedente>dia(hoy, "entresemana") ^ fechaActual(hoy, ?f) ^


Restaurant(?r) ^ IDPlace(?r,?id) ^ horaEntresemana(?r, ?s1) ^

swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreEntresemana(?r, ?s2)

^ swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,

temporal:Hours)


<regla nombre="clima-lluvia">


restaurantes que permitan

donde guarecerse las personas

en caso de que el clima actual

sea lluvioso.

<antecedente>climaActual(hoy, Rain) ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ espacio(?r, "cubierto")


<regla nombre="clima-posiblelluvia">





sea con posibilidad de lluvia.

<antecedente>climaActual(hoy, Chance_of_Rain) ^ Restaurant(?r) ^



<regla nombre="clima-casinieve">





sea nevado.

<antecedente>climaActual(hoy, Chance_of_Snow) ^ Restaurant(?r) ^



<regla nombre="clima-nieve">





sea con posibilidad de nevada.

<antecedente>climaActual(hoy, Snow) ^ Restaurant(?r) ^



<regla nombre="clima-sol">


restaurantes al aire libre en caso

<antecedente>climaActual(hoy, Sunny) ^ temporadaActual(hoy,

verano) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ espacio(?r, "aire libre")


101

de que el clima actual sea

soleado.


<regla nombre="clima-muchosol">


restaurantes al aire libre en caso

de que el clima actual sea

mayormente soleado.

<antecedente>climaActual(hoy, Mostly_Sunny) ^

temporadaActual(hoy, verano) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^

espacio(?r, "aire libre")


<regla nombre="gustoCuisine">


restaurantes sirvan el tipo de

alimento que es preferido por el

usuario.

<antecedente>Persona(?x) ^ gustaAlimento(?x, ?c) ^ Restaurant(?r) ^

IDPlace(?r,?id) ^ sirveAlimento(?r, ?c)



102

Anexo D: Capturas del prototipo de captura

A continuación se presentan una serie de capturas del prototipo desarrollado, mismo que cubre

aspectos del manejo de anotaciones sociales y consulta aplicando reglas de Web Semántica (Figura

20).

Figura 20. Pantalla de inicio del prototipo

La Figura 21 muestra la pantalla de bienvenida del usuario, mostrando puntos de interés en base a

las coordenadas que el usuario define en su perfil.


103

Figura 21. Pantalla principal mostrando puntos de interés al usuario.

La Figura 22 presenta el formulario usado para registrar la información personal del usuario; el

perfil del usuario se guarda en un archivo XFOAF.

Figura 22. Captura del perfil personal del usuario.


104

La Figura 23 muestra los lugares marcados por el usuario, así como las anotaciones que ha puesto

sobre ellos. Desde esta ventana puede agregar nuevos puntos, junto con sus anotaciones, así como

modificar o eliminar los lugares y anotaciones ya existentes.

Figura 23. Lugares valorados por un usuario.

La Figura 24 presenta un mapa con las recomendaciones efectuadas al usuario a partir del sistema

de recomendación social y contextual.

Figura 24. Recomendación bajo un enfoque social y contextual.


105

Anexo E: Análisis de la varianza

Este apartado presenta el reporte obtenido usando el software SPSS sobre el análisis de la varianza

efectuado sobre el índice de recuerdo, precisión, medida F y nDCG obtenidos tras diferentes

sistemas de recomendación mencionados a lo largo de este documento.

Para poder proceder, primero se comprobó que los datos presentaran una distribución

normal. Dentro de las curvas Q-Q se considera que los datos siguen una distribución normal al

pasar junto a la recta mostrada, como es el caso mostrado. La Figura 25 presenta los gráficos Q-Q

para el índice de recuerdo y precisión estimada en el sistema de recomendación base (sin

anotaciones ni contexto), la Figura 26 hace lo mismo para el sistema de recomendación basado en

ítem con anotaciones sociales y contexto, la Figura 27 para el sistema de recomendación por

filtrado colaborativo basado en usuario, la Figura 28 el presentado por Tso-Sutter (2008), la Figura

29 el presentado por Liang (2010) y finalmente la Figura 30 el sistema propuesto.

Figura 25. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de

recomendación por filtrado colaborativo basado en ítem.


recomendación por filtrado colaborativo basado en ítem con anotaciones sociales y contexto.


106


recomendación por filtrado colaborativo basado en usuario.


recomendación por filtrado colaborativo de Tso-Sutter.


recomendación por filtrado colaborativo de Liang.


107


recomendación por filtrado colaborativo propuesto.

Comprobado lo anterior, se adjunta el reporte generado por el software SPSS para el análisis de la

varianza, bajo un intervalo de confianza al 95%.

Descriptives

N Mean Std. Deviation Std. Error

Índice de recuerdo item 50 ,530 ,0393 ,0056

tagctx 50 ,537 ,0415 ,0059

usuario 50 ,410 ,0327 ,0046

Tso-Sutter 50 ,515 ,0417 ,0059

propuesta 50 ,617 ,0361 ,0051

Liang 50 ,486 ,0366 ,0052

Total 300 ,516 ,0728 ,0042

Precisión item 50 ,116 ,0107 ,0015

tagctx 50 ,119 ,0115 ,0016

usuario 50 ,085 ,0098 ,0014

Tso-Sutter 50 ,116 ,0122 ,0017

propuesta 50 ,167 ,0129 ,0018

Liang 50 ,138 ,0134 ,0019

Total 300 ,123 ,0274 ,0016

F item 50 ,190 ,0162 ,0023

tagctx 50 ,194 ,0177 ,0025

usuario 50 ,141 ,0149 ,0021

Tso-Sutter 50 ,190 ,0183 ,0026

propuesta 50 ,262 ,0181 ,0026

Liang 50 ,214 ,0183 ,0026

Total 300 ,199 ,0400 ,0023


108

Ndcg item 50 ,276 ,0205 ,0029

tagctx 50 ,282 ,0238 ,0034

usuario 50 ,203 ,0200 ,0028

Tso-Sutter 50 ,273 ,0240 ,0034

propuesta 50 ,377 ,0224 ,0032

Liang 50 ,307 ,0261 ,0037

Total 300 ,286 ,0564 ,0033

Descriptives

95% Confidence Interval for Mean

Minimum Maximum Lower Bound Upper Bound

Índice de recuerdo item ,518 ,541 ,4 ,6

tagctx ,525 ,549 ,5 ,6

usuario ,400 ,419 ,3 ,5

Tso-Sutter ,503 ,527 ,4 ,6

propuesta ,607 ,628 ,5 ,7

Liang ,475 ,496 ,4 ,6

Total ,507 ,524 ,3 ,7

Precisión item ,113 ,119 ,1 ,1

tagctx ,116 ,122 ,1 ,1

usuario ,083 ,088 ,1 ,1

Tso-Sutter ,113 ,120 ,1 ,1

propuesta ,163 ,170 ,1 ,2

Liang ,134 ,141 ,1 ,2

Total ,120 ,127 ,1 ,2

f item ,185 ,195 ,2 ,2

tagctx ,189 ,199 ,2 ,2

usuario ,137 ,145 ,1 ,2

Tso-Sutter ,184 ,195 ,1 ,2

propuesta ,257 ,268 ,2 ,3

Liang ,209 ,219 ,2 ,3

Total ,194 ,203 ,1 ,3

ndcg item ,270 ,282 ,2 ,3

tagctx ,275 ,288 ,2 ,3

usuario ,197 ,208 ,2 ,2

Tso-Sutter ,266 ,280 ,2 ,3

propuesta ,371 ,383 ,3 ,4


109

Liang ,300 ,315 ,2 ,4

Total ,280 ,293 ,2 ,4

Test of Homogeneity of Variances

Levene Statistic df1 df2 Sig.

Índice de recuerdo ,948 5 294 ,450

Precisión ,508 5 294 ,770

f ,192 5 294 ,965

ndcg ,315 5 294 ,904

ANOVA

Sum of Squares Df Mean Square

Índice de recuerdo Between Groups 1,157 5 ,231

Within Groups ,427 294 ,001

Total 1,584 299

Precisión Between Groups ,183 5 ,037


Total ,224 299

f Between Groups ,390 5 ,078


Total ,478 299

ndcg Between Groups ,797 5 ,159


Total ,951 299

ANOVA

F Sig.

Índice de recuerdo Between Groups 159,207 ,000

Within Groups

Total

Precisión Between Groups 262,142 ,000

Within Groups

Total

f Between Groups 260,387 ,000

Within Groups

Total

ndcg Between Groups 303,399 ,000


110

Within Groups

Total

Post Hoc Tests

Multiple Comparisons

Tukey HSD

Dependent

Variable (I) clase (J) clase

Mean

Difference (I-

J)

Std.

Error Sig.

95% Confidence Interval

Lower

Bound

Upper

Bound

Índice de recuerdo item Tagctx -,0075 ,0076 ,923 -,029 ,014

Usuario ,1200* ,0076 ,000 ,098 ,142

Tso-Sutter ,0144 ,0076 ,407 -,007 ,036

Propuesta -,0878* ,0076 ,000 -,110 -,066

Liang ,0437* ,0076 ,000 ,022 ,066

tagctx Item ,0075 ,0076 ,923 -,014 ,029

Usuario ,1275* ,0076 ,000 ,106 ,149

Tso-Sutter ,0219* ,0076 ,049 ,000 ,044

Propuesta -,0803* ,0076 ,000 -,102 -,058

Liang ,0512* ,0076 ,000 ,029 ,073

usuario Item -,1200* ,0076 ,000 -,142 -,098

Tagctx -,1275* ,0076 ,000 -,149 -,106

Tso-Sutter -,1056* ,0076 ,000 -,127 -,084

Propuesta -,2078* ,0076 ,000 -,230 -,186

Liang -,0763* ,0076 ,000 -,098 -,054

Tso-Sutter Item -,0144 ,0076 ,407 -,036 ,007

Tagctx -,0219* ,0076 ,049 -,044 ,000

Usuario ,1056* ,0076 ,000 ,084 ,127

Propuesta -,1022* ,0076 ,000 -,124 -,080

Liang ,0292* ,0076 ,002 ,007 ,051

propuesta Item ,0878* ,0076 ,000 ,066 ,110

Tagctx ,0803* ,0076 ,000 ,058 ,102

Usuario ,2078* ,0076 ,000 ,186 ,230

Tso-Sutter ,1022* ,0076 ,000 ,080 ,124

Liang ,1315* ,0076 ,000 ,110 ,153

Liang Item -,0437* ,0076 ,000 -,066 -,022


111

Tagctx -,0512* ,0076 ,000 -,073 -,029

Usuario ,0763* ,0076 ,000 ,054 ,098

Tso-Sutter -,0292* ,0076 ,002 -,051 -,007

Propuesta -,1315* ,0076 ,000 -,153 -,110

Precisión item Tagctx -,0029 ,0024 ,813 -,010 ,004

Usuario ,0306* ,0024 ,000 ,024 ,037

Tso-Sutter -,0005 ,0024 1,000 -,007 ,006

Propuesta -,0509* ,0024 ,000 -,058 -,044

Liang -,0217* ,0024 ,000 -,029 -,015

tagctx Item ,0029 ,0024 ,813 -,004 ,010

Usuario ,0335* ,0024 ,000 ,027 ,040

Tso-Sutter ,0025 ,0024 ,900 -,004 ,009

Propuesta -,0480* ,0024 ,000 -,055 -,041

Liang -,0188* ,0024 ,000 -,026 -,012

usuario Item -,0306* ,0024 ,000 -,037 -,024

Tagctx -,0335* ,0024 ,000 -,040 -,027

Tso-Sutter -,0310* ,0024 ,000 -,038 -,024

Propuesta -,0815* ,0024 ,000 -,088 -,075

Liang -,0523* ,0024 ,000 -,059 -,046

Tso-Sutter Item ,0005 ,0024 1,000 -,006 ,007

Tagctx -,0025 ,0024 ,900 -,009 ,004

Usuario ,0310* ,0024 ,000 ,024 ,038

Propuesta -,0504* ,0024 ,000 -,057 -,044

Liang -,0213* ,0024 ,000 -,028 -,014

propuesta Item ,0509* ,0024 ,000 ,044 ,058

Tagctx ,0480* ,0024 ,000 ,041 ,055

Usuario ,0815* ,0024 ,000 ,075 ,088

Tso-Sutter ,0504* ,0024 ,000 ,044 ,057

Liang ,0292* ,0024 ,000 ,022 ,036

Liang Item ,0217* ,0024 ,000 ,015 ,029

Tagctx ,0188* ,0024 ,000 ,012 ,026

Usuario ,0523* ,0024 ,000 ,046 ,059

Tso-Sutter ,0213* ,0024 ,000 ,014 ,028

Propuesta -,0292* ,0024 ,000 -,036 -,022

f item Tagctx -,0045 ,0035 ,787 -,014 ,005

Usuario ,0489* ,0035 ,000 ,039 ,059

Tso-Sutter ,0003 ,0035 1,000 -,010 ,010


112

Propuesta -,0724* ,0035 ,000 -,082 -,063

Liang -,0242* ,0035 ,000 -,034 -,014

tagctx Item ,0045 ,0035 ,787 -,005 ,014

Usuario ,0534* ,0035 ,000 ,043 ,063

Tso-Sutter ,0048 ,0035 ,733 -,005 ,015

Propuesta -,0680* ,0035 ,000 -,078 -,058

Liang -,0197* ,0035 ,000 -,030 -,010

usuario Item -,0489* ,0035 ,000 -,059 -,039

Tagctx -,0534* ,0035 ,000 -,063 -,043

Tso-Sutter -,0486* ,0035 ,000 -,059 -,039

Propuesta -,1214* ,0035 ,000 -,131 -,111

Liang -,0731* ,0035 ,000 -,083 -,063

Tso-Sutter Item -,0003 ,0035 1,000 -,010 ,010

Tagctx -,0048 ,0035 ,733 -,015 ,005

Usuario ,0486* ,0035 ,000 ,039 ,059

Propuesta -,0728* ,0035 ,000 -,083 -,063

Liang -,0245* ,0035 ,000 -,034 -,015

propuesta Item ,0724* ,0035 ,000 ,063 ,082

Tagctx ,0680* ,0035 ,000 ,058 ,078

Usuario ,1214* ,0035 ,000 ,111 ,131

Tso-Sutter ,0728* ,0035 ,000 ,063 ,083

Liang ,0482* ,0035 ,000 ,038 ,058

Liang Item ,0242* ,0035 ,000 ,014 ,034

Tagctx ,0197* ,0035 ,000 ,010 ,030

Usuario ,0731* ,0035 ,000 ,063 ,083

Tso-Sutter ,0245* ,0035 ,000 ,015 ,034

Propuesta -,0482* ,0035 ,000 -,058 -,038

ndcg item Tagctx -,0057 ,0046 ,810 -,019 ,007

Usuario ,0730* ,0046 ,000 ,060 ,086

Tso-Sutter ,0028 ,0046 ,991 -,010 ,016

Propuesta -,1012* ,0046 ,000 -,114 -,088

Liang -,0313* ,0046 ,000 -,044 -,018

tagctx Item ,0057 ,0046 ,810 -,007 ,019

Usuario ,0787* ,0046 ,000 ,066 ,092

Tso-Sutter ,0085 ,0046 ,429 -,005 ,022

Propuesta -,0954* ,0046 ,000 -,109 -,082

Liang -,0255* ,0046 ,000 -,039 -,012


113

usuario Item -,0730* ,0046 ,000 -,086 -,060

Tagctx -,0787* ,0046 ,000 -,092 -,066

Tso-Sutter -,0702* ,0046 ,000 -,083 -,057

Propuesta -,1742* ,0046 ,000 -,187 -,161

Liang -,1043* ,0046 ,000 -,117 -,091

Tso-Sutter Item -,0028 ,0046 ,991 -,016 ,010

Tagctx -,0085 ,0046 ,429 -,022 ,005

Usuario ,0702* ,0046 ,000 ,057 ,083

Propuesta -,1040* ,0046 ,000 -,117 -,091

Liang -,0341* ,0046 ,000 -,047 -,021

propuesta Item ,1012* ,0046 ,000 ,088 ,114

Tagctx ,0954* ,0046 ,000 ,082 ,109

Usuario ,1742* ,0046 ,000 ,161 ,187

Tso-Sutter ,1040* ,0046 ,000 ,091 ,117

Liang ,0699* ,0046 ,000 ,057 ,083

Liang Item ,0313* ,0046 ,000 ,018 ,044

Tagctx ,0255* ,0046 ,000 ,012 ,039

Usuario ,1043* ,0046 ,000 ,091 ,117

Tso-Sutter ,0341* ,0046 ,000 ,021 ,047

Propuesta -,0699* ,0046 ,000 -,083 -,057

*. The mean difference is significant at the 0.05 level.

Homogeneous Subsets

Índice de recuerdo

Tukey HSDa

clase N

Subset for alpha = 0.05

1 2 3 4 5

usuario 50 ,410

Liang 50 ,486

Tso-Sutter 50 ,515

item 50 ,530 ,530

tagctx 50 ,537

propuesta 50 ,617

Sig. 1,000 1,000 ,407 ,923 1,000

Means for groups in homogeneous subsets are displayed.


114

Índice de recuerdo

Tukey HSDa

clase N


1 2 3 4 5

usuario 50 ,410

Liang 50 ,486

Tso-Sutter 50 ,515

item 50 ,530 ,530

tagctx 50 ,537

propuesta 50 ,617

Sig. 1,000 1,000 ,407 ,923 1,000


a. Uses Harmonic Mean Sample Size = 50,000.

Precisión

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,085

item 50 ,116

Tso-Sutter 50 ,116

tagctx 50 ,119

Liang 50 ,138

propuesta 50 ,167

Sig. 1,000 ,813 1,000 1,000



F

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,141

Tso-Sutter 50 ,190

item 50 ,190


115

tagctx 50 ,194

Liang 50 ,214

propuesta 50 ,262

Sig. 1,000 ,733 1,000 1,000



Ndcg

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,203

Tso-Sutter 50 ,273

item 50 ,276

tagctx 50 ,282

Liang 50 ,307

propuesta 50 ,377

Sig. 1,000 ,429 1,000 1,000



Means Plots


116


117

El siguiente es el reporte obtenido por SPSS para el mismo estudio, pero bajo un intervalo

de confianza al 99%.


118

ANOVA

Sum of Squares df Mean Square

Índice de recuerdo Between Groups 1,157 5 ,231


Total 1,584 299

Precisión Between Groups ,183 5 ,037


Total ,224 299

F Between Groups ,390 5 ,078


Total ,478 299

ndcg Between Groups ,797 5 ,159


Total ,951 299

ANOVA

F Sig.

Índice de recuerdo Between Groups 159,207 ,000

Within Groups

Total

Precisión Between Groups 262,142 ,000

Within Groups

Total

f Between Groups 260,387 ,000

Within Groups

Total

ndcg Between Groups 303,399 ,000

Within Groups

Total

Post Hoc Tests

Multiple Comparisons


119

Tukey HSD

Dependent

Variable (I) clase (J) clase

Mean

Difference (I-

J)

Std.

Error Sig.

99% Confidence Interval

Lower

Bound

Upper

Bound

Índice de recuerdo item tagctx -,0075 ,0076 ,923 -,033 ,018

usuario ,1200* ,0076 ,000 ,094 ,146

Tso-Sutter ,0144 ,0076 ,407 -,011 ,040

propuesta -,0878* ,0076 ,000 -,114 -,062

Liang ,0437* ,0076 ,000 ,018 ,070

tagctx item ,0075 ,0076 ,923 -,018 ,033

usuario ,1275* ,0076 ,000 ,102 ,153

Tso-Sutter ,0219 ,0076 ,049 -,004 ,048

propuesta -,0803* ,0076 ,000 -,106 -,054

Liang ,0512* ,0076 ,000 ,025 ,077

usuario item -,1200* ,0076 ,000 -,146 -,094

tagctx -,1275* ,0076 ,000 -,153 -,102

Tso-Sutter -,1056* ,0076 ,000 -,131 -,080

propuesta -,2078* ,0076 ,000 -,234 -,182

Liang -,0763* ,0076 ,000 -,102 -,050

Tso-Sutter item -,0144 ,0076 ,407 -,040 ,011

tagctx -,0219 ,0076 ,049 -,048 ,004

usuario ,1056* ,0076 ,000 ,080 ,131

propuesta -,1022* ,0076 ,000 -,128 -,076

Liang ,0292* ,0076 ,002 ,003 ,055

propuesta item ,0878* ,0076 ,000 ,062 ,114

tagctx ,0803* ,0076 ,000 ,054 ,106

usuario ,2078* ,0076 ,000 ,182 ,234

Tso-Sutter ,1022* ,0076 ,000 ,076 ,128

Liang ,1315* ,0076 ,000 ,106 ,157

Liang item -,0437* ,0076 ,000 -,070 -,018

tagctx -,0512* ,0076 ,000 -,077 -,025

usuario ,0763* ,0076 ,000 ,050 ,102

Tso-Sutter -,0292* ,0076 ,002 -,055 -,003

propuesta -,1315* ,0076 ,000 -,157 -,106

Precisión item tagctx -,0029 ,0024 ,813 -,011 ,005

usuario ,0306* ,0024 ,000 ,023 ,039


120

Tso-Sutter -,0005 ,0024 1,000 -,008 ,008

propuesta -,0509* ,0024 ,000 -,059 -,043

Liang -,0217* ,0024 ,000 -,030 -,014

tagctx item ,0029 ,0024 ,813 -,005 ,011

usuario ,0335* ,0024 ,000 ,025 ,042

Tso-Sutter ,0025 ,0024 ,900 -,006 ,011

propuesta -,0480* ,0024 ,000 -,056 -,040

Liang -,0188* ,0024 ,000 -,027 -,011

usuario item -,0306* ,0024 ,000 -,039 -,023

tagctx -,0335* ,0024 ,000 -,042 -,025

Tso-Sutter -,0310* ,0024 ,000 -,039 -,023

propuesta -,0815* ,0024 ,000 -,090 -,073

Liang -,0523* ,0024 ,000 -,060 -,044

Tso-Sutter item ,0005 ,0024 1,000 -,008 ,008

tagctx -,0025 ,0024 ,900 -,011 ,006

usuario ,0310* ,0024 ,000 ,023 ,039

propuesta -,0504* ,0024 ,000 -,058 -,042

Liang -,0213* ,0024 ,000 -,029 -,013

propuesta item ,0509* ,0024 ,000 ,043 ,059

tagctx ,0480* ,0024 ,000 ,040 ,056

usuario ,0815* ,0024 ,000 ,073 ,090

Tso-Sutter ,0504* ,0024 ,000 ,042 ,058

Liang ,0292* ,0024 ,000 ,021 ,037

Liang item ,0217* ,0024 ,000 ,014 ,030

tagctx ,0188* ,0024 ,000 ,011 ,027

usuario ,0523* ,0024 ,000 ,044 ,060

Tso-Sutter ,0213* ,0024 ,000 ,013 ,029

propuesta -,0292* ,0024 ,000 -,037 -,021

f item tagctx -,0045 ,0035 ,787 -,016 ,007

usuario ,0489* ,0035 ,000 ,037 ,061

Tso-Sutter ,0003 ,0035 1,000 -,011 ,012

propuesta -,0724* ,0035 ,000 -,084 -,061

Liang -,0242* ,0035 ,000 -,036 -,012

tagctx item ,0045 ,0035 ,787 -,007 ,016

usuario ,0534* ,0035 ,000 ,042 ,065

Tso-Sutter ,0048 ,0035 ,733 -,007 ,017

propuesta -,0680* ,0035 ,000 -,080 -,056

Liang -,0197* ,0035 ,000 -,031 -,008


121

usuario item -,0489* ,0035 ,000 -,061 -,037

tagctx -,0534* ,0035 ,000 -,065 -,042

Tso-Sutter -,0486* ,0035 ,000 -,060 -,037

propuesta -,1214* ,0035 ,000 -,133 -,110

Liang -,0731* ,0035 ,000 -,085 -,061

Tso-Sutter item -,0003 ,0035 1,000 -,012 ,011

tagctx -,0048 ,0035 ,733 -,017 ,007

usuario ,0486* ,0035 ,000 ,037 ,060

propuesta -,0728* ,0035 ,000 -,085 -,061

Liang -,0245* ,0035 ,000 -,036 -,013

propuesta item ,0724* ,0035 ,000 ,061 ,084

tagctx ,0680* ,0035 ,000 ,056 ,080

usuario ,1214* ,0035 ,000 ,110 ,133

Tso-Sutter ,0728* ,0035 ,000 ,061 ,085

Liang ,0482* ,0035 ,000 ,036 ,060

Liang item ,0242* ,0035 ,000 ,012 ,036

tagctx ,0197* ,0035 ,000 ,008 ,031

usuario ,0731* ,0035 ,000 ,061 ,085

Tso-Sutter ,0245* ,0035 ,000 ,013 ,036

propuesta -,0482* ,0035 ,000 -,060 -,036

ndcg item tagctx -,0057 ,0046 ,810 -,021 ,010

usuario ,0730* ,0046 ,000 ,057 ,089

Tso-Sutter ,0028 ,0046 ,991 -,013 ,018

propuesta -,1012* ,0046 ,000 -,117 -,086

Liang -,0313* ,0046 ,000 -,047 -,016

tagctx item ,0057 ,0046 ,810 -,010 ,021

usuario ,0787* ,0046 ,000 ,063 ,094

Tso-Sutter ,0085 ,0046 ,429 -,007 ,024

propuesta -,0954* ,0046 ,000 -,111 -,080

Liang -,0255* ,0046 ,000 -,041 -,010

usuario item -,0730* ,0046 ,000 -,089 -,057

tagctx -,0787* ,0046 ,000 -,094 -,063

Tso-Sutter -,0702* ,0046 ,000 -,086 -,055

propuesta -,1742* ,0046 ,000 -,190 -,159

Liang -,1043* ,0046 ,000 -,120 -,089

Tso-Sutter item -,0028 ,0046 ,991 -,018 ,013

tagctx -,0085 ,0046 ,429 -,024 ,007


122

usuario ,0702* ,0046 ,000 ,055 ,086

propuesta -,1040* ,0046 ,000 -,120 -,088

Liang -,0341* ,0046 ,000 -,050 -,019

propuesta item ,1012* ,0046 ,000 ,086 ,117

tagctx ,0954* ,0046 ,000 ,080 ,111

usuario ,1742* ,0046 ,000 ,159 ,190

Tso-Sutter ,1040* ,0046 ,000 ,088 ,120

Liang ,0699* ,0046 ,000 ,054 ,085

Liang item ,0313* ,0046 ,000 ,016 ,047

tagctx ,0255* ,0046 ,000 ,010 ,041

usuario ,1043* ,0046 ,000 ,089 ,120

Tso-Sutter ,0341* ,0046 ,000 ,019 ,050

propuesta -,0699* ,0046 ,000 -,085 -,054

*. The mean difference is significant at the 0.01 level.

Homogeneous Subsets

Índice de recuerdo

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,410

Liang 50 ,486

Tso-Sutter 50 ,515

item 50 ,530

tagctx 50 ,537

propuesta 50 ,617

Sig. 1,000 1,000 ,049 1,000



Precisión

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,085

item 50 ,116


123

Tso-Sutter 50 ,116

tagctx 50 ,119

Liang 50 ,138

propuesta 50 ,167

Sig. 1,000 ,813 1,000 1,000



f

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,141

Tso-Sutter 50 ,190

item 50 ,190

tagctx 50 ,194

Liang 50 ,214

propuesta 50 ,262

Sig. 1,000 ,733 1,000 1,000



ndcg

Tukey HSDa

clase N


1 2 3 4

usuario 50 ,203

Tso-Sutter 50 ,273

item 50 ,276

tagctx 50 ,282

Liang 50 ,307

propuesta 50 ,377

Sig. 1,000 ,429 1,000 1,000




124


125

Anexo F: Mercadotecnia

G.1 Introducción El concepto mercado se compone tanto de personas como de organizaciones, ambas con

necesidades, dinero y deseo de gastarlo. Pero también se hace la diferencia de que las necesidades y

los deseos de los distintos compradores no son las mismas, propiciando a que las compañías deban

profundizar en el conocimiento de a quién le ofrecen sus servicios y productos, ya sea para adaptar

su oferta y su estrategia de mercadotecnia.

Uno de los problemas de los países latinoamericanos es que las empresas siempre han

dirigido sus estrategias de marketing al segmento más rico de la población, pero se ha dejado

intacto al 80% de la misma. América Latina tiene un ingreso per cápita promedio de 3 mil dólares,

frente a un consumidor norteamericano que dispone de 23 mil dólares. Sólo esa diferencia explica

una estructura de compras y consumo totalmente diferentes (Zeballos 2007). Pero además, existen

otro tipo de diferencias.

Como ejemplo, considérese que la estructura de edades en Latinoamérica se inclina a la

juventud, ya que un 60% de la población tiene menos de 21 años y un tercio de ésta es menor de

quince años. En Latinoamérica las mujeres siguen siendo las principales encargadas de la decisión

de las compras a pesar de los nuevos estilos de vida que se viven día con día. A pesar de la

creciente inserción laboral de la mujer, a la hora de tomar las decisiones de compras, ellas son la

mayoría con 85%.

Con respecto a la frecuencia de compra, se puede observar que es cada vez mayor. Debido

a la crisis, la gente compra volúmenes menores y realiza sus compras más seguido, llevando a

importantes segmentos de la población a focalizar su atención en el precio por sobre la calidad.

Concretamente, cada vez son más los que sacrifican su tiempo comparando folletos de las ofertas

de los supermercados antes de tomar una decisión de compra (Zeballos, 2007).

Estas situaciones por sí mismas son un problema, ya que la empresa debe poder adaptarse a

la gran diversidad de clientes dentro del mercado. Tradicionalmente, este proceso se había atacado

por segmentos de mercado, donde se consideraban grupos grandes de consumidores, con

características similares, como sus deseos, poder de compra, ubicación geográfica y patrones de

comportamiento. Sin embargo, con el advenimiento de las tecnologías de la información, inclusive

este tipo de giros a cambiado, como lo demuestran conceptos como el Long Tail; así se tiene que

por ejemplo dentro de la red, se empiece a dar especial importancia a la personalización de la

publicidad, como lo ha estado demostrando Google con su Ad-sense.

La mercadotecnia masiva fue creada durante la revolución industrial gracias a la

producción en masa, distribución en masa y publicidad en masa. Sin embargo, algunos predicen

que este tipo de mercadeo está en decadencia ya que la masa se esta desintegrando en cada vez más

pequeños y numerosos segmentos de clientes, cada uno con requerimientos y gustos específicos.

A la mercadotecnia enfocada a esta segmentación se le conoce como mercadotecnia

objetivo (target marketing). En ésta, la empresa fabrica productos para atender las necesidades

específicas de determinados mercados meta. Parten de la premisa de que cada mercado está

constituido por grupos o segmentos de clientes con diferentes gustos y necesidades.

Tras ello, aparece la mercadotecnia personalizada. Si durante la Revolución Industrial se

avocaba a la producción en masa, distribución en masa y publicidad en masa, así como la creación

de la estandarización de los productos, tras el advenimiento de las Tecnologías de la Información y

Comunicación (TIC), las bases de datos de mercadeo y las fábricas flexibles, ahora se ha buscado

la disminución en los costos de ofrecer productos más personalizados. Se está manifestando el

resurgir del mercadeo "a la medida del cliente".


126

Si bien se puede apreciar, la tendencia es hacia una mejor comprensión del consumidor y

sus necesidades. Para ello es necesario comprender quién es el consumidor.

G.2 Consumidor

En el pasado, muchas compañías consideraban que sus clientes estaban garantizados. Los clientes

estaban ante diferentes dilemas: o no tenían muchas alternativas de suministro, o los

suministradores no eran buenos en calidad o servicio, o el mercado crecía tan rápidamente que la

compañía no se preocupaba por conseguir una alta satisfacción de sus clientes.

Hoy en día, cada vez es más difícil complacer a los clientes. Son más listos, más

conscientes de las diferencias de precios, más exigentes, menos tolerantes y están asediados por

más competidores que les hacen ofertas mejores o similares.

Para que los productos sean considerados, los consumidores exigen en general que sean

realmente novedosos, saludables, duraderos, que no se estropeen, que sean cómodos de utilizar y

sobre todo, claros en la información sobre el producto (importancia del etiquetado) y que estén

realizados con aditivos que aporten beneficios para la salud (marketing, 2009c).

Cuando los clientes se encuentran satisfechos, tienden a adquieren más y están dispuestos a

pagar precios más elevados por el producto o servicio. Los clientes no satisfechos, por el contrario,

hablan de sus malas experiencias con por lo menos el doble de sus amigos que cuando hablan de

sus buenas experiencias.

En su comportamiento, el cliente elige a la empresa que: a) ofrece mejores alternativas a un precio

similar que la competencia y donde el paquete tenga la calidad percibida como más elevada, y b) a

un competidor si éste ofrece el mismo paquete de bienes y servicios a un precio inferior.

Para contar con clientes satisfechos, el cliente considera la calidad percibida:

Calidad percibida = calidad real - calidad esperada

Donde:

Calidad esperada: Las necesidades y expectativas reales del cliente; lo que él supone que

recibirá del producto o servicio.

Calidad real: Resultado del proceso de producción y lo que realmente se entrega al cliente.

Calidad percibida: Lo que el cliente ve y percibe.

La calidad percibida es la que impulsa el comportamiento del cliente. Es en este punto

donde las empresas deben centrar su atención. Por ejemplo, considérese que:

Si calidad real > calidad esperada Satisfacción no esperada.

Si calidad real < calidad esperada Falta de satisfacción.

El consumidor valora mucho la presentación de ofertas, si bien se siente influenciado por

los consejos de un amigo/amiga (el boca a boca) e incluso por las ganas de probar algo nuevo

(marketing, 2009c).

Todos los servicios que supongan ahorro de tiempo tienen posibilidades de éxito. La

incorporación de la mujer al mercado laboral, así como las obligaciones familiares y profesionales,

dejan al consumidor/consumidora, poco tiempo para ir de compras. Por eso los productos y

servicios que se ofrezcan con mayor facilidad y ahorro de tiempo facilitarán la vida del

consumidor/consumidora.

Por ejemplo, el colectivo mayor de 65 años, que continuará creciendo en porcentaje

poblacional, va a suponer una revolución en los sectores turístico, inmobiliario, sanitario, de ocio e

incluso educativo. Al mismo tiempo, y como corresponde a una sociedad de consumo bien comida

y vestida, seguirá creciendo la preocupación por la salud, por la seguridad, el ocio y la búsqueda de

un sentido interior de la existencia. El hombre mantiene sus preferencias por las innovaciones


127

tecnológicas aplicadas a la vida cotidiana, y la mujer se preocupa más por las novedades en

productos de belleza y en aquellos destinados a la apariencia estética (marketing, 2009c).

Entre las nuevas tendencias mundiales se encuentran (AltoNivel, 2010) la máxima

transparencia en el etiquetado y los servicios para adultos mayores. Desde 2008 se comenzó a

impulsar un plan que busca mejorar la información disponible para los comensales a la hora de

asistir a un restaurante. Se trata de que, junto al nombre de cada plato, se ofrezca una completa

información nutricional: energía, proteínas, hidratos de carbono, fibra, grasas, colesterol, ácidos

grasos omega 3 y 6, hierro, yodo y más. En México, algunos de los restaurantes ya han

implementado esta modalidad, aunque aún no logra masificarse con fuerza. Por otro lado, la

pirámide de población está cambiando: en México, por ejemplo, la población de adultos mayores

ha crecido 20% en los últimos años, según cifras del Consejo Nacional de Población (Conapo).

Actualmente 8 millones de mexicanos tienen más de 60 años y se calcula que serán unos 14

millones en 2020.

Los expertos en mercadotecnia no dejan de insistir en que el factor clave para que las

ventas triunfen ahora y en el futuro próximo, se encuentra en la segmentación de los grupos de

clientes. Efectivamente, la aparente paradoja reside en que, a pesar de que parece existir una fuerte

homogeneización entre los consumidores a nivel mundial, ésta solamente se refiere a que todo el

mundo posee preferencias individuales y personalizadas (marketing, 2009c).

Así, se ha pasado de los mercados masivos e indiferenciados a la fragmentación en

micromercados, que obedecen a distintas tipologías de consumidores caracterizados por

preferencias marcadas y diferenciadas.

G.3 Historia de la investigación del consumidor.

Fases históricas en la investigación de los componentes de las acciones de consumo (Rey, 2010):

a) Fase pre-científica. Antes de los años 40 la conducta del consumidor es vista y discutida bajo

puntos de vista filosóficos y socio-críticos. Veblen hablaba del “consumo conspicuo” en su libro

“la teoría de la Clase del Ocio”, donde se centraba en explicar el gusto por los gastos caros en ropas

u otros complementos de la clase social alta.

b) Fase motivacional. Durante el periodo comprendido entre 1940-1964 surge la figura de E.

Dichter, que aplicó las teorías psicoanalíticas del Dr. Freud al comportamiento del consumidor.

Utilizando entrevistas en profundidad como metodología de investigación Dichter y sus

colaboradores llegaron a establecer motivos inconscientes de compra y uso de bienes y servicios.

c) Etapa de investigación de procesos por separado. Esta fase surge en los años 60, con el estudio

de componentes separados de un mismo fenómeno (la conducta). Se refiere al estudio de la

personalidad, el riesgo percibido y de la disonancia cognitiva.

d) Teorías integradoras. En el periodo de 1966 a 1972 surgieron un buen número de teorías

generalizadoras, mismas que trataban de integrar todos los factores implicados en el

comportamiento del consumidor, mediante diagramas de flujo, esquemas y flechas.

e) Las teorías del procesamiento de la información. Los años 70 se caracterizaron por el avance en

las ciencias de la computación, que tuvieron su efecto en el estudio del comportamiento. Son los

años de la investigación del procesamiento de la información.

f) La vuelta al estudio de la afectividad. En los 80, se le ha devuelto una determinada importancia

al afecto o emoción, el cual parecía haber sido olvidado anteriormente. Si bien, se ha presentado al

consumidor como un ente racional que toma decisiones, muchas veces el afecto media en estas.

g) Las investigaciones experienciales. El reto del estudio de la conducta de consumo hoy en día se

centra en aspectos experienciales, en el significado simbólico que tienen los bienes y servicios para

los consumidores.

G.4 Comportamiento del consumidor

El consumidor busca satisfacer sus necesidades mediante productos y servicios; básicamente, una

necesidad se presenta cuando existe una discrepancia entre el estado actual y el estado deseado


128

(Hawkins, 2004). Por ello, para las compañías es indispensable conocer al cliente y su

comportamiento, en pro de que llegué a ese estado deseado mediante la oferta de sus productos.

Algunas definiciones del comportamiento del consumidor lo conciben como una actitud

interna o externa del individuo o grupo de individuos dirigida a la satisfacción de sus necesidades

mediante bienes y servicios; también como “el estudio de las personas, grupos, organizaciones y

los procesos que siguen para conseguir, usar y disponer de productos, servicios, experiencias o

ideas para satisfacer necesidades y los impactos que estos procesos tienen en el consumidor y la

sociedad” (Hawkins, 2004); otra definición dice que es “… el proceso de decisión y la actividad

física que los individuos realizan cuando evalúan, adquieren, usan o consumen bienes y servicios”

(Loundon/Della Bita, referenciado en Hawkins, 2004).

Es necesario el estudio del comportamiento del consumidor, ya que debido a la gran

segmentación existente en el mercado, al cambio constante de las preferencias de los consumidores

y su diversificación, se vuelve indispensable para poder atender mejor a los consumidores. El

consumidor es un ser complejo que basa su comportamiento en sus necesidades, su percepción de

la realidad, sus actitudes y el aprendizaje que ha tenido durante su vida en un medio social

determinado.

El estudio del comportamiento del consumidor involucra a distintas disciplinas:

- Psicología: Encargada del estudio del individuo.

- Sociología: Encargada del estudio de grupos.

- Psicología social: Estudio de la forma que un individuo se interrelaciona dentro de un grupo.

- Antropología: Estudio de la influencia que ejerce la sociedad sobre el individuo.

También existen distintas teorías clásicas del comportamiento del consumidor, de entre las

cuales destacan:

a) Económica. Busca maximizar el beneficio, se compra lo más rentable. Es el comportamiento

orientado hacia la maximización de la utilidad. Presenta recursos limitados para necesidades

ilimitadas, con múltiples ofertas para satisfacer las necesidades.

b) Psicosociológica. Se aprende y se modifica la conducta por repetición. Considera las variables

internas y del entorno que influencian el comportamiento. Entre estas se encuentra la teoría del

comportamiento (Parlov) y la Teoría de la Influencia Social. El aprendizaje es el cambio de

comportamiento resultante de la observación y la experiencia.

c) Motivacional.Lo que compra la gente es por “eros” o “thanatos”. Considera a la motivación

como la fuerza impulsora que orienta al comportamiento. Aquí se encuentra la pirámide de las

necesidades de Maslow y la teoría psicoanalítica de Freud. Una persona aprende cuando

reacciona ante algún estímulo conduciéndose en una forma particular, cuando se le premia por

emitir una respuesta correcta y se le castiga por una respuesta incorrecta o cuando la misma

respuesta correcta se realiza en reacción ante un estímulo idéntico, quedando establecido un

patrón conductual o aprendizaje.

La dificultad del estudio del comportamiento radica en que las mentes son más selectivas

que antes, están saturadas de información, por lo que las elecciones del comprador descansan, no

sobre el producto, sino sobre el servicio o beneficio que el consumidor espera de su uso. Por ello,

todo producto es considerado como un conjunto de atributos o de características.

La elección del consumidor radica en la búsqueda de ventajas; es el factor que “genera” el

servicio y la satisfacción, y que como tal, es utilizado como un criterio de elección. En esta

consideración se observan los atributos determinantes, mismos que son los atributos que permiten

discriminar entre las marcas. Si un atributo está presente también en otras marcas comparadas, pero

que no permite diferenciarlas, desde ese momento el atributo en cuestión no puede ser determinante

en la elección.

Se puede concluir que la investigación comportamental tiende a ser cada vez más

exploratoria, experimental, especulativa, estar basada en información cualitativa y en la opinión de

expertos. De aquí se desprende que existen distintos factores que intervienen en la relación entre el

consumidor y la empresa.


129

El sistema comercial de una empresa, de manera simplificada, se presenta en la siguiente

figura.

De la anterior, se puede apreciar la influencia del entorno y cómo ejerce presión tanto sobre

las empresas como sobre las personas. Para tratar de identificar las preferencias del consumidor y

su posible comportamiento, no basta con una o dos características para definir el comportamiento

del consumidor, sino que es necesario considerar varias dimensiones.

Dentro de los factores y eventos del entorno que influyen y afectan a la empresa, y en

especial a sus programas de mercadotecnia, se pueden encontrar factores del medio ambiente

como:

Una economía y una sociedad globalizada.

Un mundo informatizado y comunicado.

Cambios sociales y culturales.

Estilos de vida globales y nacionalismo cultural.

La preocupación medioambiental.

Mayor valor del tiempo.

El poder del consumidor.

Incorporación de la mujer a la fuerza laboral.

Familias más pequeñas con mayores ingresos disponibles.

Compradores más sensibles al precio, más exigentes, más sofisticados y críticos

Desplazamiento de mercados de masas a micromercados.

Tasas de crecimiento demográfica más bajas.

Envejecimiento paulatino de la población.

Rápida diseminación de estilos de vida globales.

Bienes de consumo más baratos.

Búsqueda de lo “natural”.

Creciente competencia nacional y externa.

Dificultades para sostener ventajas competitivas.

Información

Esfuerzo de marketing

Retribución

Empresa

Personas necesidades,

deseos

Competencia

Entorno


130

Proliferación de productos y servicios.

Ciclos de vida de productos más cortos.

Pérdida de valor de las marcas.

Nuevos tecnologías para los servicios.

Cambios en la distribución.

Poder creciente de minoristas.

Dentro del análisis del mercado, interesa conocer quienes integran al mercado, así como las

características de sus integrantes. Dentro del comportamiento del consumidor influyen aspectos de

diversa índole (marketing, 2009b), (Perez, 1998), como se ilustra en la siguiente figura:

Así, se puede representar un modelo general de comportamiento de compra de un

consumidor, de la siguiente manera:

A continuación se abordarán los distintos estímulos a los que responde el comportamiento

del consumidor. Estas se encuentran en tres grupos:

Variables externas.

Variables internas.

Proceso de decisión.

Estímulos

externos Factores

socioculturales

Estímulos de

marketing Caja negra del

consumidor - Proceso de

decisión de compra

Respuesta del

consumidor

Influencias personales

Influencias socio-culturales

Influencias psicológicas

Factores situacionales

Comportamiento del consumidor

Decisión de compra

Estimulos de

entorno

Estimulos de

marketing

Níveles de

respuesta (Decisiones)

Producto

Marca

Lugar

Oportunidad

Condiciones


131

G.5 Variables externas sobre el comportamiento del consumidor

Las variables externas que influencían el comportamiento del consumidor, se refiere a los

elementos que definen su macroentorno o macroambiente. Entre estas se encuentran la dimensión

geográfica, la demográfica, económica, factores políticos y sociales, la tecnología y la dimensión

social.

Dimensión geográfica.

Se refiere a la atención del mercado según su ubicación. Algunos criterios son:

o Región: San Luis Potosí, región note, región sur, etc.

o Tamaño de la ciudad.

o Urbana o rural.

o Clima.

Dimensión demográfica.

Su importancia radica en que son las personas quienes conforman el mercado. Se hace necesario el

estudio y análisis de diferentes aspectos de la población, entre otros: tamaño; densidad; ubicación y

distribución; edad y sexo; grupos étnicos, empleo y desempleo; estado civil; número de hijos;

escolaridad, tipo de vivienda; migración, índices de natalidad y mortandad; etapa del ciclo de vida

familiar; distribución del ingreso; clase social; religión; escolaridad o nivel educativo, entre otros.

Los cambios demográficos dan origen a nuevos mercados y eliminan otros.

o Edad. 10-15, 20-25, etc.

o Género. Masculino – femenino.

o Nivel de estudios. Primaria, secundaria, etc.

o Ingresos. Menos de 10 000, 10 000 – 25 000, etc.

o Ciclo de vida familiar: joven, soltero, casado, divorciado, viudo.

o Clase social: alta, media, baja.

o Ocupación: Profesionista, oficinista, hogar, etc.

o Origen étnico: africano, asiático, hispánico, etc.

Dimensión económica.

Las personas no constituyen por sí mismas un mercado; es preciso que dispongan de dinero para

gastarlo y estén dispuestas a hacerlo. Por lo tanto, es esencial que las empresas observen el

ambiente económico y traten de identificar las probables direcciones de la inflación, las tasas de

interés, el crecimiento económico, los costos y la disponibilidad de las materias primas.

El consumidor recurre a otras marcas no por deslealtad sino por necesidad y, en algunos casos,

según el producto, abandona la categoría. En países con consumidores tan castigados, estos factores

son el paradigma del brand equity, se valora la marca pero no puede costearse (Galindo, 2007).

Factores políticos y legales.

Conjunto interactuante de leyes, dependencias del gobierno, y grupos de presión que influyen y

limitan tanto las actividades de las organizaciones como las de los individuos en la sociedad.

Incluyen la estabilidad del gobierno, la participación del gobierno como ente regulador, la

definición de políticas para el mercado, los incentivos fiscales y la confianza política.

Tecnología.

Los cambios en la tecnología pueden afectar seriamente las clases de productos disponibles en una

industria y las clases de procesos empleados para producir esos productos. Incluyen a las

tecnologías que impactan el mercado y el negocio, así como su madurez; también abarcan la

capacidad de innovación tecnológica, el grado de pre-disposición al uso de la tecnología y la

generación y uso local de tecnología.


132

Dimensión social.

Se refiere a aspectos culturales y sociales. Dentro de los factores culturales, se encuentran la cultura

y las subculturas. De los aspectos sociales, se refiere a los grupos sociales al que pertenece el

individuo, a su familia y a su clase social.

o Cultura.

La cultura no determina la naturaleza de los impulsos biológicos, pero sí define la manera

del cómo, cuándo y en qué condiciones deben satisfacerse.Cultura es la suma de las creencias,

valores, costumbres aprendidas y rituales que sirven para dirigir el comportamiento de consumo de

los miembros de una sociedad determinada; por creencia se entienden a las declaraciones verbales

o mentales que reflejan el conocimiento y evaluación particular de una persona respecto a alguna

cosa o idea; por costumbres a las formas abiertas de conducta presentes en una cultura que

constituyen formas aceptables de comportamiento en situaciones específicas (formas usuales y

aceptables de comportamiento) y por valores a las creencias relativamente perdurables que sirven

como guía para lo que se considera comportamiento “apropiado” y que son ampliamente aceptados

por los miembros de una sociedad.

En 1983 Khale basado en los trabajos de Rokeach y Maslow desarrollo la lista de valores

que se consideran más asociados al comportamiento del consumidor.

1.- Sentimiento de pertenencia (ser aceptado y necesitado por la familia, comunidad y amigos).

2.- Excitación (experimentar, estimulación y emociones nuevas).

3.- Relaciones cálidas con otros (tener compañías cercanas y amigos íntimos)

4.- Autorrealización (encontrar la paz consigo mismo y poder hacer uso de los talentos).

5.- Prestigio social (Ser admirado por otros y recibir reconocimientos).

6.- Diversión y gozo en la vida (tener una vida feliz y placentera).

7.- Seguridad (estar a salvo y protegido de la adversidad y las agresiones externas).

8.- Auto confianza o respeto (estar orgulloso y confiar en uno mismo).

9.- Sensación de logro (tener éxito en lo que uno desea hacer.

Los factores culturales son los que ejercen la influencia más amplia y profunda sobre el

comportamiento de los compradores. Sin embargo, en México, la "familia" influye de manera

preponderante en sus procesos de decisión de compra. La familia es la organización d e consumo

más importante de la sociedad (Galindo, 2007).

o Subcultura.

Valores, costumbre y otras formas de conducta que son propias de un segmento cultural y

que permiten distinguirlo de otros segmentos que comparten el mismo legado cultural. Según

señala Philip Kotler (referenciado en Sahui, 2008), pueden distinguirse cuatro tipos básicos de

subculturas:

1. Grupos nacionales: en cualquier comunidad hay grupos bastante homogéneos por razón de su

nacionalidad de origen. Aunque con frecuencia estos grupos adoptan la cultura del entorno, hay

ocasiones en las que se cierran parcialmente al exterior y mantienen sus diferencias culturales, su

idioma, sus tradiciones y sus hábitos de compra y consumo. Por ejemplo las comunidades libanesa,

española y judía localizadas en la república mexicana, mismas que exhiben gustos y tendencias

culturales diferentes.

2. Grupos religiosos: pueden llegar a configurarse como importantes subculturas, especialmente

en aquellos casos en los que el grupo manifiesta normas estrictas, que de alguna manera inciden en

sus prácticas de consumo. Por ejemplo, como los evangélicos, presbiterianos, mormones, testigos

de Jehová, etc. Por otro lado, y debido a que el catolicismo representa a más del 90% de la

población, en el caso de México, no se le puede considerar propiamente como una subcultura.

3. Grupos geográficos: casi todos los países muestran áreas geográficas que desarrollan

históricamente y aún mantienen subculturas propias, y que evidencian diferencias y

particularidades respecto al consumo. Ejemplo pueden ser la región sureste, el norte del país, la

zona centro, el occidente del país, etc.


133

4. Grupos raciales: estos grupos se caracterizan por tener una herencia común. Ésta determina

formas de comportamiento que deben orientar políticas públicas y actuaciones empresariales

diferentes con relación al consumo de los distintos grupos raciales. En lo que respecta a México, se

considera a los distintos grupos indígenas autóctonos que habitan en varias regiones del país.

Asimismo, también se incluye en esta clasificación a los individuos de raza negra, así como a los

orientales.

También se han identificado siete subculturas por experiencia social y temporal:

Soldados: Antes de 1930, veteranos, ahorrativos, patriotas.

Depresión: 1930-1939, pobres a prósperos, grandes emporios, mafias.

Bebés de la guerra: 1940-1945, sólo por edad.

Baby boomers: leales a las marcas, alto valor a la educación y a la juventud, sexo, ostentosos,

1946-1964.

Baby bursters: 1965-1976, desleales, materialistas, adictos al trabajo, cínicos, irónicos,

generación X.

Baby boomlet: 1977-1995, pragmáticos, antimarketing, comunicación alta.

Echo bust: 1996-2005, tecnológicos, información, conocimiento.

Wii: 2006.

o Grupo social.

Los grupos sociales y de referencia son un conjunto de personas que tienen un sentido de

afinidad resultante de una modalidad de interacción entre si. Los grupos de referencia son aquellos

que el consumidor utiliza como guía para evaluar sus propias creencias y actitudes. La influencia

de los grupos de referencia recae tanto en un beneficio informativo (cuando un grupo de referencia

parece mejorar el conocimiento que el consumidor tiene del ambiente y su capacidad para lidiar

con él) como en beneficios utilitarios (cuando el consumidor acepta la influencia de un grupo de

referencia porque espera alcanzar ciertos premios o evitar ciertos castigos sociales).

Los grupos de referencia son determinantes para seleccionar productos y cambiar de

marcas; esto realza que la información de boca en boca sea tan influyente.

Una clasificación de los grupos sociales está dada como sigue:

Por el grado de intensidad de la relación:

1. Grupos primarios. Relaciones entre los miembros del grupo son frecuentes e íntimas.

Caracterizado por la familia. Principal unidad de consumo. Motiva las investigaciones de

marketing sobre la influencia de la familia en el comportamiento de compra.

2. Grupos secundarios. Relación entre los miembros es formal e informal.

* Por el grado de formalidad de la relación:

1. Grupos formales. Poseen una estructura organizacional bien definida y aceptada por los

miembros.

2. Grupos informales. Estructura más relajada, carecen de metas bien definidas o de

políticas establecidas.

* Por la pertenencia o no a un grupo:

1. Grupos de pertenencia.

2. Grupos de no pertenencia.

2.1 De aspiración.

2.2 Disociativos.

* Por función (católicos y protestantes).

o Familia.

Forma especial de los grupos sociales que se caracterizan por las numerosas y fuertes

interacciones personales de sus miembros.

En la sociedad mexicana, la dinámica del comportamiento de la familia es diferente incluso

a la de otros países de América Latina, independientemente del ciclo de vida en el que se


134

encuentre; el proceso, desde la decisión y hasta la realización de la compra es responsabilidad del

ama de casa. Aunque ella es la que toma las decisiones, sus gustos y necesidades siempre quedan

subordinados, en primer lugar a las demandas familiares y en segundo al gasto (Galindo, 2007).

Los hijos ejercen un alto poder de influencia sobre los hábitos de compra, recreación y

dinámica de la familia. Es por ello que son sometidos por parte de los fabricantes a un fuerte

bombardeo promocional y publicitario. En el segmento infantil de la población mexicana, el

mercadólogo encuentra un terreno fértil para llegar al realizador de las compras, el ama de casa. No

sólo la mayoría de las decisiones de compra recaen sobre la mujer, sino también la educación y

crianza de los hijos. A cambio, este proveedor material exige atenciones y muestras de

agradecimiento de los miembros de la familia (Galindo, 2007).

Se han identificado las siguientes etapas del ciclo de vida familiar (Wagner & Hanna, 1983,

referenciado en (Sahui, 2008)):

Soltería: Orientación al ocio.

Parejas recién unidas: Sin hijos. Elevada tasa de consumo.

Nido completo I: Hijos < 6 años. Escasa liquidez. Alimentación infantil.

Nido completo II: Hijos > 6 años. La mujer suele trabajar; alimentación.

Nido completo III: Matrimonio maduro con hijos dependientes. Buena posición, las esposas

trabajan. Bienes duraredos.

Nido vacío I: Posición satisfactoria. Vacaciones y artículos de lujo.

Nido vacío II: Disminución de ingresos. Farmaceúticos.

Superviviente I: Viudos. Buenos ingresos. Farmaceúticos, servicios médicos.

Superviviente II: Viudos. Ingresos escasos con necesidad de atención.

o Clase social.

Es cuando los miembros de una sociedad se clasifican unos con otros en diversas

posiciones sociales, propiciando con ello una jerarquía. Son estratos compuestos por grupos y/o

individuos que comparten significados, valores y opiniones similares.

Los tipos de clases sociales identificados son los siguientes:

A: Alta dirección y profesionales con un alto nivel educativo.

B: Mandos intermedios.

C: Empleados no manuales, trabajadores cualificados y propietarios de un negocio con un alto

nivel educativo.

D: Trabajadores manuales cualificados y no cualificados, y trabajadores no

manuales/encargados con un bajo nivel educativo.

E: Trabajadores manuales cualificados y no cualificados, propietarios de pequeñas empresas y

agricultores/ganaderos o pescadores con un menor nivel educativo. Esta última categoría se

subdivide en E1, E2 y E3.

Niveles socioeconómicos:

Nivel Clase

ABC1 alta - media alta

C2

C3

media típica,

media baja

D1

D2

E

baja superior

baja inferior

marginal

Las características de estas clases sociales son las siguientes:


135

- Clase social nivel E. Caracterizado por un jefe de familia sub empleado o empleo temporal, donde

difícilmente sus hijos no trabajan. Más de una generación habita la misma vivienda, que nunca es

de su propiedad.Carecen de sistemas de agua y drenaje, no tienen auto ni utilizan la banca; no

tienen opciones de diversión, únicamente radio y tv.

- Clase social nivel D. Caracterizada por un jefe de familia con estudios en primaria, que esobrero,

empleado de mantenimiento, mostrador, chofer público o comerciante. Sus hijos estudian en

escuelas públicas.Tiene hogar propio o rentado, de interés social. No tienen auto ni utilizan la

banca. La mitad tiene calentador y lavadora, una cuarta parte tiene teléfono.

- Clase social D+. Caracterizado por un jefe de familia con estudios de secundaria, puede ser un

taxista, plomero, carpintero, cobrador, obrero. Sus hijos estudian en escuelas públicas. Su hogar es

de tres o más habitaciones; la cuarta parte tiene automóvil, la mitad tiene teléfono; se desplaza en el

transporte público, utilizan la banca, pero no tarjetas de crédito. Para divertirse, asisten a

espectáculos públicos, servicios deportivos y parques públicos.

- Clase social nivel C. Caracterizado por un jefe de familia con estudios de preparatoria. Pueden

ser pequeños comerciantes, maestros, técnicos y obreros calificados. Sus hijos reciben educación

superior en escuelas públicas, mientras que la primaria y secundaria puede ser en escuelas privadas.

Cuentan con hogar propio de cuatro o más habitaciones. La tercera parte tiene automóvil; tienen

teléfono, modular y televisor. La mitad tiene microondas, cable y pc. Utilizan tarjetas de crédito y

para divertirse, asisten a espectáculos públicos, cine, servicios deportivos y parques públicos. Salen

de vacaciones a destinos nacionales.

- Clase social nivel C+. Jefe de familia con estudios superiores; se trata de empresarios con

negocios pequeños y medianos, ejecutivos de nivel medio, o profesionistas independientes. Sus

hijos reciben educación superior en escuelas privadas. Tienen hogar propio de cinco habitaciones y

hasta dos automóviles. Presentan una variedad de electrodomésticos, la cuarta parte tiene personal

de servicio. Utilizan tarjetas de crédito, son miembros de clubes privados. Salen de vacaciones a

destinos nacionales y viajan una vez al año al extranjero.

- Clase social nivel A/B. Jefe de familia con estudios superiores; empresarios con negocios grandes

o medianos, ejecutivos o profesionistas destacados. Sus hijos reciben educación en escuelas

privadas nacionales o en el extranjero. Cuentan con hogar propio de lujo seis habitaciones, tienen

varios automóviles y tiene personal de servicio.Utilizan varias tarjetas de crédito. Disponen de

seguros de vida y gastos médicos. Son miembros de clubes privados. Tienen casa de campo, viajan

en avión, salen de vacaciones a destinos de lujo en el extranjero.

G.6 Variebles internas sobre el comportamiento del consumidor

Son variables que intervienen en el proceso de selección del consumidor. Basadas en aspectos de

personalidad, estilo de vida y conducta de la persona. Destaca el estudio de la psicología en el

proceso de consumo ya que se refiere a la forma en que compran los individuos, grupos u

organizaciones y el camino que usan para seleccionar, comprar, usar y desechar productos,

servicios, experiencias o ideas para satisfacer necesidades, además del impacto que estos procesos

tienen en el consumidor y la sociedad (Galindo, 2007).

De los factores psicológicos, el que viene en primer término es la motivación, ya que en

función de esta se va generar el impulso de compra. Retomando la teoría de la motivación de

Maslow, la cual jerarquiza las necesidades de un individuo y comienza por las de menor hasta las

de mayor urgencia, es difícil establecer una correlación entre el nivel de consumo del individuo y

sus necesidades, ya que no forzosamente se sigue este orden para motivar la compra o no de un

producto. Los estímulos para el consumidor tienen implicaciones más allá de la mera “necesidad”

(Galindo, 2007).

Las características personales que son principalmente consideradas, se refieren a aspectos

como las características demográficas, aspectos socioeconómicos, psicográficos, la memoria y el

perfil sicológico.


136

Perfil demográfico.

Edad, sexo, estado civil, posición familiar, hábitat de residencia, ciclo de vida familiar,

clase social, ingreso, ocupación, educación, religión, grupo étnico, generación, nacionalidad.

Variables socioeconómicas.

Ocupación, situación patrimonial, nivel de estudios.

Perfil psicográfico.

Personalidad (conjunto de características psicológicas internas que determinan y reflejan la

forma en que una persona reacciona ante el medio ambiente), estilo de vida (Clasificación VALS y

Global Scan). Ofrecen una estructura para que despliegue un patrón constante de comportamiento.

La personalidad representa las propiedades estructurales y dinámicas de un individuo, tal

cómo éstas se reflejan en sus respuestas características a las diferentes situaciones planteadas. Se

han identificado distintos grados o rasgos de personalidad:

Reservado (introvertido) vs Expresivo (extrovertido).

Torpe vs Brillante.

Inestable emocionalmente (variable) vs Emocionalmente estable (maduro).

Pacífico vs Agresivo.

Serio vs Alegre.

Práctico vs Imaginativo.

Seguro (autoconfiado) vs Inseguro (se autorecrimina).

Conservador (tradicional) vs Innovador (propensión al cambio).

Dependiente vs Autosuficiente.

Negligente (indisciplinado) vs Disciplinado (controlado).

Relajado (tranquilo) vs Tenso (frustado).

Humilde vs Presuntuoso.

Valiente vs Cobarde.

Emprendedor vs. Conformista.

También se han identificado distintas personalidades relacionadas con el dinero:

Cazador. Asume riesgos, agresivo, gasta dinero.

Ahorrativo. Es próspero, apréstamista y conservador.

Protector. Primero están los demás, busca proteger con el dinero y éste es un medio.

Ostentoso. Lujoso, egocéntrico, busca primera clase.

Afanado. El dinero es su motor, es afamiliar y busca el poder que da el dinero.

Conformista. Cuida el dinero, sin lujos, sólo sus necesidades.

Idealista. Es inmaterial, el dinero es la raíz de todos los males y la vida es primero.

Arnold Mitchell (referenciado en (Sahui, 2008)) desarrolló la tipología VALS (“Values and

Life Style” Variables y Estilos de Vida), misma que clasifica a los individuos en nueve tipos de

estilo de vida:

Realistas.

Luchadores.

Orientación por principios.

Realizados.

Creyentes.

Orientación por estatus.

Realizadores.

Esforzados.

Orientación por acción..

Experimentadores.

Creadores.


137

También se presenta la clasificación de estilos de vida Global Scan (Instituto: “Backer

Spielvogel Bates Worldwide”):

Ganadores o realizados.

Luchadores o esforzados.

Presionados.

Tradicionales.

Adaptados.

Memoria.

Capacidad De impresión, retención, acumulación y recuperación de acontecimientos y

experiencias de aprendizaje previas. Los consumidores adquieren productos y recuerdan su nombre

y características y además aprenden criterios para juzgar los productos, lugares donde adquirirlos,

capacidades relacionadas con la solución de problemas, patrones de gustos y de conducta.

Estructura psicológica.

Se refiere a la motivación de las personas. Un individuo tiende a participar más a un proceso de

compra cuando la compra se relaciona más intensamente con su auto concepto. El comprador no

busca el bien en si, sino los servicios que éste le puede proveer, ya que productos diferentes pueden

responder a una misma necesidad y todo producto presenta un conjunto de características o

atributos. En ello influye el procesamiento de la información, su aprendizaje y las actitudes.

Motivación. Relevancia o importancia que el consumidor percibe en determinada situación de

compra. La motivación es la fuerza impulsora que empuja a la acción como causa última de

todo comportamiento o conducta. Dentro de las teorías de la motivación se encuentran las

propuestas por:

o Freud. Las fuerzas que dan forma a la conducta y sus motivos, son inconscientes.

o Maslow. Las necesidades humanas están ordenadas por jerarquías.

Necesidades Fisiológicas.

Necesidades de Seguridad.

Necesidades Sociales.

Necesidades de Estima.

Necesidades de Realización.

o Herzberg. Existen factores agraviantes y factores satisfactores. En mercadotecnia se

refiere a buscar los factores que motiven al mercado.

Procesamiento de información o percepción. Proceso complejo a través del cual los individuos

seleccionamos, organizamos e interpretamos los estímulos sensoriales, convirtiéndolos y

transformándolos en imágenes dotadas de un significado. Actividades que los consumidores

lleven a cabo cuando adquieren, integran y evalúan la información.

Aprendizaje. Capacidad de las personas para adquirir, asimilar y organizar información que

permite una correcta adaptación al medio y sus cambios. El consumidor recibe una serie de

estímulos, los cuáles, a partir de sus necesidades y conocimiento, busca un producto para

cumplir sus expectativas. Dependiendo de la respuesta obtenida tras el producto o servicio y del

refuerzo que se haga del mismo, se puede incrementar la probabilidad de repetición y la

formación de un hábito. Existen distintas teorías del aprendizaje:

- Teorías conductistas:

- Condicionamiento clásico (Parlov). Estímulo - respuesta.

- Condicionamiento instrumental (Skinner).

- Teorías de la observación: Se refiere a la observación del comportamiento. Líderes de opinión.

- Teoría cognoscitiva: Aplicación de la actividad mental a la resolución de problemas.

Actitudes. Rigen la orientación básica hacia los objetos, las personas, los hechos y nuestras

actividades. La actitud es una organización duradera de procesos cognitivos, emocionales,


138

motivacionales y perceptuales con respecto a algún aspecto del entorno, es decir, un

conocimiento y sentir positivo o negativo sobre un objeto o actividad.

Las actitudes son predisposiciones aprendidas para responder consistentemente de manera

favorable o desfavorable a un objeto dado. No son innatas, son aprendidas, se relacionan con un

comportamiento y van dirigidas a un objeto. Se ven afectadas por aspectos cognoscitivos,

afectivos y comportamentales. Las actitudes se componen de 3 elementos (Hawkins,

referenciado por (Carhalvo, 2007)):

- Componente cognitivo. Relacionado a las creencias de un consumidor con respecto a un

producto.

- Componente afectivo. Relacionado con los sentimientos o reacciones afectivas a algo.

- Componente de comportamiento. La tendencia de responder de cierta manera ante algo.

Dependiendo de la manera en que se jerarquicen estos componentes, diferentes tipos de

actitudes pueden ser formadas. La cantidad de involucramiento asignado a una actitud tiene una

influencia crítica sobre qué tan estable y consistente será la actitud y qué tan difícil será

cambiarla.

Hay gran controversia en cómo una actitud positiva hacia una marca o compañía pueda

influenciar en el comportamiento. El comportamiento de compra se refiere al acto del

consumidor de comprar un producto o servicio específico. De la actitud individual se considera

que depende de diversos factores, como (Carhalvo, 2007):

- Nivel de involucramiento o elaboración.

- Conocimiento y experiencia.

- Accesibilidad de las actitudes.

- Factores situacionales.

- Variables de personalidad.

Los factores situacionales responden al cuándo, dónde, cómo y por qué. El cuándo

corresponde a una dimensión temporal (¿De qué manera en la compra influyen la estación, la

semana, el día o la hora? ¿Qué impacto tienen en la decisión de compra los hechos pasados y

presentes? ¿De cuánto tiempo dispone el cliente para realizar la compra?), el dónde, al ambiente

físico y social. El cómo, a las condiciones de la compra y el estado de ánimo, mientras que el

por qué, al objetivo de la compra.

A partir de esto, se realza la importancia de modelos para la medición de la actitud para

predecir y comprender el comportamiento del comprador (Carhalvo, 2007).

G.7 Proceso de decisión sobre el comportamiento del consumidor

Se refiere al comportamiento del consumidor, al comportamiento con el producto, en

cuanto a los beneficios que se desean que proporcione y la tasa de consumo. Dentro de este

proceso, recaen directamente los determinantes de valor (Carhalvo, 2007), mismos que son los

atributos de un producto que crean valor en los consumidores. Esto involucra encontrar los

atributos que son más importantes para el consumidor. También se refieren a atributos que

permitan diferenciar entre una marca y otra, cuando un consumidor elige entre dos o más

productos.

Las etapas del proceso de decisión de compra, dentro de la mercadotecnia, se compone de

los siguientes pasos.

Reconocimiento del problema. El consumidor se da cuenta en su conciencia de la diferencia

notable entre su situación real y su concepto de la situación ideal.

Búsqueda y evaluación de información. Comienza con una búsqueda interna en base a las

creencias y actitudes que han influido en las preferencias del consumidor por determinadas

marcas.

Proceso de compra.


139

Comportamiento después de la compra. La satisfacción o insatisfacción y duda después de la

compra, misma información que puede influir en las etapas de conseguir más información y el

reconocimiento posterior de problemas.

El modelo del proceso de decisión del consumidor se describe en la siguiente imagen.

Dentro de este proceso, se siguen distintas reglas de decisión por parte de los consumidores:

o Compensatorias. Un tipo de regla de decisión en la cual el consumidor cada marca en

términos de cada atributo relevante y luego selecciona la marca con el puntaje

ponderado superior.

o No compensatorias. Un tipo de regla de decisión en la cual la evaluación positiva de

una marca no compensa la evaluación negativa de la misma marca en otro atributo.

Reglas de decisión conjuntiva. Una regla de decisión no compensatoria en la

cual los consumidores establecen un mínimo aceptable como punto de corte

para cada atributo evaluado. Las marcas que caen bajo el punto de corte en

cualquiera de los atributos son eliminadas de consideración.

Reglas de decisión disyuntiva. Una regla no compensatoria en la cual los

consumidores establecen un punto de corte mínimamente aceptable para cada

atributo relevante del producto; cualquier marca que cumpla o sobrepase el

punto de corte en cualquiera de estos atributos es considerada una elección

aceptable.

Regla lexicográfica. Una regla no compensatoria en la cual el consumidor

jerarquiza los atributos del producto en términos de su importancia, luego

compara las marcas en términos del atributo más importante. Si una marca

tiene un puntaje superior a otras marcas, ella es seleccionada; si no el proceso

continúa con el atributo que le siga en importancia y así sucesivamente.

Influencias externas

Entrada

Esfuerzos de la empresa * Producto

* Promoción

* Precio

* Canales de distribución

Medioambiente sociocultural * Familia

* Fuentes informales

* Otras fuentes no comerciales

* Clase social

* Cultura y subcultura

Proceso de toma de decisión del consumidor

Reconocimiento de la

necesidad

Búsqueda precompra

Evaluación de las

alternativas

Campo sicológico * Motivación

* Percepción

* Aprendizaje

* Personalidad

* Actitud

Experiencia

Proceso

Comportamiento post-decisión

Salida Compra * Prueba

* Compra repetida Evaluación post-compra


140

Arellano Cueva (referenciado en Sahui, 2009), propone una asignación de valores distintos

a cada variable “en función de la importancia que pueda tener para explicar cada comportamiento

específico, lo que dará como resultado una ecuación de la forma siguiente:

Ci = bEi + bAi + bPi + bSi

Donde:

Ci = explicación del comportamiento de compra del producto i

bEi = fuerza de la variable económica en la compra del producto i

bAi = fuerza de la variable de aprendizaje en la compra del producto i

bPi = fuerza de la variable psicoanalítica en la compra del producto i

bSi = fuerza de la variable sociológica en la compra del producto i

G.8 Mercadotecnia de alimentos

Debido al dominio de aplicación de la investigación realizada, se abordaron aspectos más

particulares de la mercadotecnia, como es el caso del mercado de alimentos. El modelo de

Steemkamp es el más generalizado para analizar el comportamienton del consumidor de alimentos.

Mientras que hasta los años 70 predominó un enfoque económico para describir el comportamiento

del consumidor, en las últimas décadas se le ha dado mayor importancia a un enfoque de

comportamiento (Steenkamp, 1997).

El modelo del comportamiento del consumidor de Steemkamp distingue entre los procesos

de decisión con respecto a los alimentos y los factores que afectan estos procesos de decisión.

Dentro de los factores que afectan el estado, se encuentran la cultura, la subcultura, estilos

de vida y características sociodemográficas (Hawkins, 2004; Steemkamp, 1997). En el caso de los

productos alimenticios, la mayor fuente de información son las experiencias previas de los

consumidores.

Para Steenkamp, los cinco criterios más importantes para la evaluación de alternativas son:

la calidad del producto, el precio, la marca, la frescura y la garantía. La teoría Means-end chains

considera tres niveles para los criterios de evaluación: atributos, consecuencias y valores; los

consumidores eligen un producto o servicio, ya que esperan que sus atributos específicos puedan

ser de ayuda a conseguir un fin o valor, a través de sus consecuencias o beneficios. Con ello, el

producto a ser seleccionado será aquél ante el cuál el consumidor tenga la mayor actitud positiva

(Sepúlveda, 2009).

Los factores externos (Sepúlveda, 2009) que afectan el proceso de decisión son:

- Factores relacionados con la persona. Steenkamp distingue entre factores biológicos,

psicológicos y sociodemográficos. En los biológicos, se destacan la edad y el peso.

- Factores ambientales

- Propiedades de los alimentos.

G.9 Tendencias recientes de la mercadotecnia

En la actualidad, el mercadeo internacional está obligado a abarcar los deseos y problemas de una

base de consumidores significativamente más diversa.

Los clientes principalmente se van o abandonan debido a la mala calidad de un servicio

seguido de la mala calidad de un producto, mientras que los clientes que quedan con un producto o

servicio es debido ya sea por la satisfacción del mismo, por el trato personalizado, la buena imagen

y por la recompensa de su uso.

El cliente no compra por el precio, actualmente se considera el valor recibido; el valor

percibido no es material, el cliente compra en base a sus emociones. Bajo este panorama, el

marketing ha cambiado. Antes se decía: "que el cliente se cuide". Ahora se ha cambiado a "cuidado

con el cliente". Antes, se tenía una oferta y el objetivo era encontrar a un grupo de personas a

quienes proponérsela. Ahora, se tiene una persona y el objetivo es encontrar la mejor oferta para

ella (Ceritu, 2009). El aprender ese cambio es necesario para subsistir en el mercado, puesto que no


141

hacerlo, trae consecuencias negativas, tómese como ejemplo que entre 1920 y 1923, la

participación de mercado de la Ford, cayó del 55% al 12%, por no entender que era necesario

producir vehículos para cada segmento, mientras que su competencia, General Motors si lo

entendió.

Los niveles de segmentación más comunes sobre bienes y productos son:

+ Por Beneficio: que tengan un beneficio similar (bajo precio, alta calidad, buen servicio, etc).

+ Demográfico: que compartan un elemento demográfico (adultos, niños, jóvenes, hombre, mujer,

etc).

+ Razón de uso: que tengan una razón de uso similar (por trabajo, por placer, por emergencia, etc).

+ Por nivel de uso: dependiendo si usan mucho o poco el producto.

+ Estilo de Vida: de acuerdo a sus consumidores: ejecutivos, bohemios, conservadores, etc.

+ Geográfico: dependiendo de donde están ubicados geográficamente.

Los nichos se describen típicamente como grupos de clientes que tienen una combinación

de necesidades mucho más específicas que las de todo el segmento. Hoy en día hay muchos

mercados donde atender nichos es la norma. Por supuesto el problema es la dependencia de una

cantidad muy pequeña de clientes. Las empresas dedicadas a los nichos por lo general tienen una

relación muy cercana y estrecha con sus clientes.

Algunas empresas requieren identificar pequeños grupos de clientes, menores a un

segmento, los cuales comparten ciertas características comunes. A estos grupos se les llaman

Células de Mercado. Estas celdas pueden surgir tanto de la información y experiencia de los que

manejan estos clientes (Ej. La fuerza de ventas), como de las bases de datos de clientes. A través

del procesamiento de la información de esta base de datos, se identifican los clientes que

conformarían estas celdas. Este procesamiento de la base de datos se le denomina minería de datos.

Entre los nuevos acercamientos de mercadotecnia se encuentran:

Marketing 1x1: Tiene al cliente como centro de atención, con atención y ofertas

personalizadas, maximizando el valor del cliente. Como ventajas, se vende más, se satisface

mejor al cliente y reduce las inversiones en campañas publicitarias. Maneja como nuevos

paradigmas tratar: al cliente como socio y un cliente por vez. Todos los clientes no son iguales;

se aplica la ley del 80/20 de Paretto: el 20% de los clientes generá el 80% de los ingresos.

Customer Relationship Management (CRM). Es una estrategia que permite a la empresa tener

una visión de su cliente y, a partir de ahí, saber explorar las oportunidades de negocio. CRM se

puede resumir en tratar a clientes diferentes diferentemente. Se trata de una filosofía de trabajo

sobre el marketing 1 a 1 que involucra estrategias de mercadotecnia en un proceso que se

alimenta de información interna y externa. CRM es una estrategia que busca aprender las

necesidades y el comportamiento de los clientes para desarrollar mejores y más fuertes

relaciones con ellos.

$$ $$ $$ $$ $$ $$ $$ $$

$$ $$ $$ $$ $$ $$ $$

$$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$

$$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$

$$ $$ $$

$$ $$

Habituales

Frecuentes

Ocasionales


142

Conociendo al cliente y sus hábitos, se le puede comparar con otros clientes o clientes

potenciales, logrando establecer “mellizos”. Conociendo a uno de los mellizos se puede predecir lo

que hará el otro. Ej: los clientes que compran el producto A y B, suelen comprar también el C. A

los que compran el C se les puede ofrecer el A y B y viceversa.

Un cliente insatisfecho le cuenta a 10 personas su desilusión, uno muy satisfecho le cuenta

solo a 3; sólo 1 de cada 5 clientes inconformes se animan a quejarse, los otros 4 se lo cuentan a 10

más. Un cliente resarcido es más fiel que uno satisfecho.

Concluyendo, la mercadotecnia de antaño se enfocaba en el producto y en venderlo, la

nueva mercadotecnia se centra en el cliente y en satisfacer sus necesidades. Un cliente satisfecho es

fiel a la empresa mucho más tiempo, compra más (nuevos productos y mejora la calidad), extiende

un boca a boca favorable, es más fiel a la marca (tiene menos en cuenta los precios), ofrece

retroalimentación y reduce los costes de transacción.

La influencia personal también actúa como un efecto o cambio en las actitudes de

comportamiento de una persona por la comunicación con otros. La importancia de la influencia

personal estriba en que el boca a boca es verídico y confiable, ya que se trata de una serie de

contactos que brindan apoyo social y que la información proporcionada está respaldada por un

grupo social (Ceruti, 2009).

G.10 Otros patrones de comportamiento

Los siguientes son algunos patrones identificados por distintos autores, así como su posible

representación a manera de regla, en caso de poder representarse.

Con respecto al perfil de usuario, se encuentran los distintos tipos de clientes (marketing, 2009):

Cliente intelectual, se refiere a una persona, entre 25 y 40 años, que tiene preferencia por la

cultura, el arte, la tecnología, el cine y la música. Una representación de esto sería: (hombre |

mujer) ^ (edad>=25 ^ edad<=40) ^ (cultura | arte | tecnología | cine | música+).

Chaviza, se refiere a personas, entre 12 y 24 años, con gustos sobre la música, marcas de moda,

franquicias, aspectos sociales, gusto por la tecnología y que en general no cuidan su

alimentación. (hombre | mujer) ^(edad>=12 êdad<=24) ^(musica | marcas de moda | social |

no cuida alimentación | tecnologia ).

Retro, personas entre 18 y 50 años, con una mayor preferencia por bienes y placeres retros en

vez de modernos. (hombre | mujer) ^(edad>=18 êdad<=50) ^(retro | no moderno)

Bioconsumidor, personas entre 18 y 60 años, con interés por la naturaleza y su nutrición.

(hombre | mujer) ^(edad>=18 êdad<=60) ^(naturaleza ^nutricion )

Adultos solteros (conocidos como baby boomer), personas no casadas, entre 40 y 60 años, que

cuentan con buenos ingresos, les gusta la cultura, la música y temas del amor. ((hombre |

mujer) ^ no casado)) ^(edad>=40 êdad<=60) ^ (ingreso+ ^cultura ^musica ^ amor?)

Joven soltero, personas mayores de 20 años con su propia fuente de ingresos para sus gastos.

(hombre | mujer) ^(edad>=20) ^ (ingreso).

Nielsen (2008) identifica que las personas latinas gustan de asistir a entretenimientos fuera de su

casa y a ahorrar. persona ^ latino --> ahorro, persona ^ latino --> restaurantes con variedad.

Marin (2005) identificó patrones entre estudiantes y profesionistas, con respecto a las preferencias

de ambos grupos para asistir a un restaurante.

Tanto estudiantes como profesionistas salen a comer a un restaurante por lo menos una vez por

semana.

Comparados, un estudiante está dispuesto a pagar menos que un profesionista por sus

alimentos.


143

La razón principal de salir a comer a un restaurante, para ambos, es por placer, la segunda

razón para los estudiantes, es la cercanía, mientras que para los profesionistas es por cuestiones

de negocios.

Los jóvenes se guían más por las recomendaciones de la gente.

Los profesionistas se guían primero por el ambiente del lugar (prestigio o mejor marca) y luego

por las recomendaciones.

Los estudiantes regresan a un restaurante por el valor que le asignan a la comida, luego por el

valor asignado al servicio.

Los profesionistas se fijan primero en el servicio, luego en la comida.

Los estudiantes: relacionan una franquicia con calidad y estandarización.

Los profesionistas las relacionan con calidad y luego con confianza.

Los estudiantes consideran que las franquicias cumplen más sus expectativas (consumen

marcas consolidadas de manera simple).

Los profesionistas consideran que los restaurantes independientes cumplen más sus

expectativas.

El siguiente es un orden de los factores que intervienen en la elección de un restaurante (Lillywhite,

2009):

1. Precio.

2. Alimentos locales servidos (cambios en la actitud del consumidor con el ambiente, calidad

del alimento, salud personal).

3. Tipo de restaurante.

Existen diferencias culturales entre los países, por ejemplo, en Estados Unidos las personas se

identifican como realizados, realizadores, experimentadores, creyentes, esforzados, creadores,

luchadores, en Japón se sigue la cultura Hitomani (es decir, de alinearse con otras personas), donde

se comportan como tribus de cristal, es decir, que siguen marcas conocidas, donde su tribu es su

hogar, dando importancia a los valores hacia la familia, pero también considerando que las marcas

indican estatus. Para Rusia, se les considera cosacos (es decir, el nacionalismo da estatus), por lo

que las almas rusas son tradicionales (fieles a marcas). Pero también existen casos, como los

hispanos que viven en Estados Unidos, ellos se caracterizan por:

* Preferir marcas bien conocidas y familiares, compran lo que compraban sus padres.

* Creen que los productos de marcas de renombre son de mejor calidad. Los productos genéricos

no funcionan en este mercado. Las marcas premium son un distintivo de estatus social.

* Son propensos a una marca que se interese en su cultura.

* NO son compradores compulsivos.

* Tienden a ser policrónicos, es decir, integran distintas dimensiones de la vida como el juego y el

trabajo. Juegan mientras trabajan, trabajan mientras juegan.

* Se puede aprovechar el humor y la risa para contactar con el consumidor hispano.

* Les disgustan las tiendas impersonales.

* Desconfían de las prácticas de mercadotecnia e intervención gubernamental en los negocios.

* Para los hispanos mexicanos, el bienestar tiene que ver con el dinero, y la generosidad está ligada

con la caridad. Dinero es sinónimo de superación y superioridad.

* Para ellos, la mercadotecnia se basa en relaciones, se debe crear una relación entre el consumidor

y la compañía.

* Prefieren productos frescos a preparados o congelados.

* Consumen más bebidas con sabor a frutas que los no hispanos.

* Gastan más en bebidas carbonatadas, bebidas de frutas y cereal que la población promedio.


144

* Buscan precios bajos, localización cercana, variedad en la mercancía, empleados que hablen

español, productos relacionados a su cultura, que exista varias opciones de pago, que el dueño de la

tienda pertenezca a la comunidad.

* Prefieren más la comida fresca que el resto de los estadounidenses.

Finalmente, dentro de los aspectos sicológicos, los colores y la preferencia a ciertos colores,

identifican patrones de preferencia y de comportamiento (Webtaller, 2010):

Blanco: a menudo se asocia a con la pérdida de peso, productos bajos en calorías

y los productos lácteos.

Amarillo: asociado con economía, caracteríza tiendas de precio bajo. El amarillo sugiere el

efecto de entrar en calor, provoca alegría, estimula la actividad mental y genera energía

muscular. Con frecuencia se le asocia a la comida. Es recomendable utilizar amarillo para

provocar sensaciones agradables, alegres. Es muy adecuado para promocionar productos para

los niños y para el ocio.Los hombres normalmente encuentran el amarillo como muy

desenfadado, por lo que no es muy recomendable para promocionar productos caros,

prestigiosos o específicos para hombres.Ningún hombre de negocios compraría un reloj caro

con correa amarilla.

Naranja: es un color que encaja muy bien con la gente joven, por lo que es muy recomendable

para comunicar con ellos. Es muy adecuado para promocionar productos alimenticios y

juguetes.

Rojo: en publicidad se utiliza el rojo para provocar sentimientos eróticos. Símbolos como

labios o uñas rojos, zapatos, vestidos, etc., son arquetipos en la comunicación visual sugerente.

Como está muy relacionado con la energía, es muy adecuado para anunciar coches motos,

bebidas energéticas, juegos, deportes y actividades de riesgo. El rosa evoca romance, amor y

amistad. Representa cualidades femeninas y pasividad.

Púrpura: se asocia a la realeza y simboliza poder, nobleza, lujo y ambición. Sugiere riqueza y

extravagancia. Hay encuestas que indican que es el color preferido del 75% de los niños antes

de la adolescencia. El púrpura representa la magia y el misterio. El púrpura brillante es un color

ideal para diseños drigidos a la mujer. También es muy adecuado para promocionar artículos

dirigidos a los niños. El púrpura claro produce sentimientos nostálgicos y románticos.

Azul: el azul es un color típicamente masculino, muy bien aceptado por los hombres, por lo

que en general será un buen color para asociar a productos para estos. Sin embargo se debe

evitar para productos alimenticios y relacionados con la cocina en general, porque es un

supresor del apetito. El azul claro se asocia a la salud, la curación, el entendimiento, la

suavidad y la tranquilidad.

Verde: el verde oscuro tiene también una correspondencia social con el dinero. Es

recomendable utilizar el verde asociado a productos médicos o medicinas. Por su asociación a

la naturaleza es ideal para promocionar productos de jardinería, turismo rural, actividades al

aire libre o productos ecológicos.

Negro: se asocia al prestigio y la seriedad.


145

Bibliografía

Adamic L., Adar E., How to Search a Social Network, Social Networks, 27 (3), págs. 187 - 203,

2005.

Alto Nivel, Comportamientos de los consumidores en 2010, AltoNivel,

http://www.altonivel.com.mx/interior/index.php?p=nota&idNota=89894.

Arjomand Lari, Sampling distributions of the mean, Universidad de Clayton, EUA, 1996,

http://business.clayton.edu/arjomand/business/l7.html, visitada en julio, 2011.

Bennett Anthony, The Big Book of Marketing, McGraw Hill, ISBN 978-0-07-162615-6, 2010.

Benslimane D., Vangenot C., Roussey C., Arara A., Multirepresentation in ontologies, Universidad

Lyon, Francia, 2003.

Bernard L., Einspanier U., Lutz M., Portele C., Interoperability in GI Service Chains – The Way

Forward, Proceedings of the 6th AGILE, Universidad de Munster, Alemania, 2003.

Berners-Lee, T., Hendler, J., Lassila, O.: The Semantic Web, Sci., Am 284 (5), pps. 35-43. (2001).

Bleecker J., A design approach for the geospatial Web, 2005. Disponible en línea

http://www.oreillynet.com/pub/a/network/2005/06/07/geospatialweb.html, última visita marzo

2009.

Bolaños R., Comportamiento del Consumidor, 2009,

http://www.inpsicon.com/elconsumidor/articulos/Comportamiento_del_consumidor/Comportamien

to%20del%20consumidor.pdf

Breitman K. K., Casanova M. A., Truszkowski W., Semantic Web: Concepts,Technologies and

Applications, Springer-Verlag, pp105-125, 2007.

Brut M., Sedes F., Zayani C., Ontology-Based User Competencies Modeling for E-Learning

Recommenders Systems, Collaborative and Social Information Retrieval and Access Techniques

for Improved User Modeling, IGI Global, págs, 119-136, 2009.

Burke R., Hybrid Web Recommender Systems, The Adaptive Web, LNCS 4321, págs. 377 – 408,

2007.

Candillier L., Jack K., Fessant F., Meyer F., State-of-the-Art Recommender Systems, Collaborative

and Social Information Retrieval and Access Techniques for Improved User Modeling, IGI Global,

págs. 1 – 22, 2009.

Cai Xiongai, Bain Michael, Krzywicki Alfred, Wobcke Wayne, Sok Kim Yang, Compton Paul,

Mahidadia Ashesh, Collaborative Filtering for People to People Recommendation in Social

Networks, J. Li (Ed.), AI 2010, LNAI 6464, pp. 476-485, Springer-Verlag Berlin, 2010.


146

Cakiroglu Seda, Birturk Aysenur, Suggerst Me a Movie: A Multi-Client Movie Recommendarion

Application on Facebook, E. Gelenbe et al. (eds.) Computer and Information Science, Lecture

Notes in Electrical Engineering 62, Springer Science+Bussiness Media, 2010.

Carvalho C. A., Impact of Consumer Attitude in Predicting Purchasing Behaviour. IASO

Consulting. 2007.

Cayzer S., Michlmayr E., Adaptative User Profiles, Collaborative and Social Information Retrieval

and Access Techniques for Improved User Modeling, IGI Global, págs, 65-86, 2009.

Ceruti N., Tendencias en Comportamiento del Consumidor, Universidad de Palermo, 2009.

Chandrasekaran, B., Johnson, T., Benjamins, V.: What are ontologies, and why do we need them?

In: IEEE Intelligent Systems and Their Applications, Vol. 14 (1), pps. 20-26. (1999).

Clarkin L, Holmes J., Enterprise Mashups, The Architecture Journal #13, 2007.

Cregan A. M., Overview of Semantic Technologies, Handbook of Ontologies for Business

Interaction, IGI Global, pps. 1-20, 2008.

Delalonde C., Soulier E., DemonD: A social Search Engine Built Upon the Actor-Network Theory,

Collaborative and Social Information Retrieval and Access Techniques for Improved User

Modeling, IGI Global, págs, 165-182, 2009.

Deshpande M., Karypis G., Item-based top-n recommendation algorithms, ACM Transactions on

Information Systems, Springer Verlag 22/1, 2004.

Fonseca F., Egenhofer M., Davis C., Borges K., Ontologies and Knowledge Sharing in Urban GIS,

Computer, Environment and Urban Systems, Universidad de Maine, EUA, 2000.

Fonseca F., Ontology-Driven Geographic Information Systems, Tesis de Doctorado, Universidad

de Maine, EUA., 2001.

Frantz V., Automated information retrieval: theory and methods, Academic Press, XIV, San Diego,

EUA, 1997.

Galindo A., Psicología del Consumidor Mexicano, Grupo IDM, 2007.

Garofalakis J., Michail T.A., Plessas A., Web Based Device Independent Mobile Map

Applications. The m-CHARTIS System, International World Wide Web Conference Committee

(IW3C2), Escocia, 2006.

Gartner G., Frank A., Retscher, G., Pedestrian navigation system in mixed indoor/outdoor

environments - The NAVIO project, Proceedings of the CORP 2004 and Geomultimedia04

Symposium, págs. 165 - 171, 2004.

Goldberg D., Nichols D., Oki B. M., Terry D., Using Collaborative Filtering to Weave an

Information Tapestry, Communications of the ACM, 35, ACM Press, págs. 61 – 70, 1992.

Gruber T.: A Translation Approach to Portable Ontologies. Knowledge Acquisition Vol. 5 (2), pps.

199-220. (1993).


147

Hawkins, Del I., R.J. Best, and K.A. Coney. Comportamiento del consumidor: construyendo

estrategias de marketing. Mexico: McGraw-Hill Interamericana, 2004.

Herlocker J., Konstan J., Terveen L., Riedl J., Evaluating collaborative filtering recommender

systems, ACM Transactions on Information Systems, 22 (1), págs. 5 – 53, 2004.

Hermans O., Laarni J., Searching Information from Screen Maps, Proceedings ScanGIS’2003 - The

9th Scandinavian Research Conference on Geographical Information Science, Finlandia, 2003.

Holtkamp B., Weiβenberg N., Wojciechowski M., Gartmann R., Matching Dynamic Demands of

Mobile Users with Dynamic Service Offers, Handbook of Ontologies for Business Interaction, IGI

Global, pps. 278-293, 2008.

Horrocks I., Patel-Schneider P. F., Boley H., Tabet S., Grosof B., Dean M., SWRL: A Semantic

Web Rule Languaje Combining OWL and RuleML, W3C Member Submission, 2004, disponible

en línea http://www.w3.org/Submission/SWRL/, última visita en noviembre 2008.

Horrocks I., Patel-Schneider P. F., Bechhofer S., Tsarkov D., A Proposal for an OWL Rules

Language, Journal of Web Semantics vol. 3 págs. 23 - 40, 2005.

Kikiras P., Tsetsos V., Hadjiefthymiades S., Ontology-based user modeling for pedestrian

navigation systems, ECAI 2006 Workshop on Ubiquitous User Modeling (UbiqUM), 2006.

Klien E., Einspanier U., Lutz M., Hubner S., An Architecture for Ontology-based GI Discovery

and Retrieval of Geographic Information, 7th Conference on Geographic Information Science

(AGILE) 2004.

Klien E., Lutz M., Kuhn W., Ontology-based discovery of geographic information services – An

application in disaster management, Computers, Environment and Urban Systems, Elsevier, 2005.

Konstan J., Miller B., Maltz D., Herlocker J., Gordon L., Riedl J., GroupLens: Applying

Collaborative Filtering to Usenet News, Communications of the ACM, 40, ACM Press, 77-87,

1997.

Kotler Philip, Lee Nancy, Marketing in the public sector, Pearson Education, ISBN 0-13-187515-9,

2007.

Lacasta J., Nogueras-Iso J., Béjar R., Muro-Medrano P.R., Zarazaga-Soria F.J., A Web Ontology

Service to facilitate interoperability within a Spatial Data Infrastructure: applicability to discovery,

Data & Knowledge Engineering Volume 63 (3), Elsevier Science Publishers B. V., 2007.

Lancaster F., Warner A., Information Retrieval Today, Arlington, Virginia, Information Resources,

1993.

Lathia Neal, Computing Recommendations with Collaborative Filtering, Collaborative and Social

Information Retrieval and Access Techniques for Improved User Modeling (pp. 23-38), IGI

Global, 2009.


148

Liang H., Xu Y., Li Y., Nayak R., Tao X., Connecting Users and Items with Weighted Tags for

Personalized Item Recommendations, Proceedings of the 21st ACM conference on Hypertext and

hypermedia, pps. 51-60, ISBN: 978-1-4503-0041-4, 2010.

Lillywhite J. M., Simonsen J. E., Acharya R. N., Laney, K., Local Food Preferences of Restaurant

Consumers, IAMA 19th Annual Food and Agribusiness World Forum and Symposium, 2009.

Lonthoff J., Ortner E., Mobile Location-Based Gaming as Driver for Location-Based Services

(LBS) – Exemplified by Mobile Hunters, Informatica Journal, Vol. 31, Num. 2, 2007.

Loranca M., Consultas espaciales en una arquitectura de componentes GIS, Tesis de maestría,

Universidad de las Américas, México, 2000.

Lutz M., Riedermann C., Probst F., A Classificarion Framework for Approaches to Achieving

Semantic Interoperability between GI Web Services, Universidad de Munster, Alemania. 2003.

Lutz M., Ontology-based Discovery and Composition of Geographic Information Services, tesis de

doctorado, Universidad de Munster, Alemania, 2005.

Lutz M., Klien E., Ontology-based Retrieval of Geographic Information, International Journal of

Geographic Information Science, 2006.

Marín Anaya A., Zorrilla Alanís J., Preferencia de los consumidores en cuanto a los restaurantes de

franquicia en comparación a independientes: caso aplicado a restaurantes de servicio completo en

la Ciudad de Puebla, Universidad de las Américas, Puebla, Tesis, 2005.

Marketing, Nichos de alto crecimiento en México, Comportamiento del Consumidor: Consumer

Attitudes, 2009. http://marketingconsumidor.blogspot.com/2009/06/nichos-de-alto-crecimiento-en-

mexico.html

Marketingb, Comportamiento del consumidor, Comportamiento del Consumidor: Consumer

Attitudes, 2009. http://marketingconsumidor.blogspot.com/2009/06/comportamiento-del-

consumidor.html

Marketingc, Tendencias del consumidor: Gustos, Hábitos y Preferencias; Comportamiento del

Consumidor: Consumer Attitudes, 2009.

http://marketingconsumidor.blogspot.com/2009/06/tendencias-del-cosumidor-gustos-habitos.html

Martínez F., Propuesta y desarrollo de un modelo para la evaluación de la recuperación de

información en Internet, Tesis de Doctorado, Universidad de Murcia, 2002.

Merrill D., Mashups: The new breed of Web app, disponible en línea en

http://www.ibm.com/developerworks/xml/library/x-mashups.html, IBM, 2006, última visita en

noviembre 2007.

Miller M., 501 Web Site Secrets: Unleash the Power of Google, Amazon, eBay, and More, Whiley

Publishing, Inc. EUA, 2004.

Mills E., Mapping a revolution with ‘mashups’, disponible en línea en

http://www.news.com/Mapping-a-revolution-with-mashups/2009-1025_3-5944608.html, 2005,

última visita en noviembre 2007.


149

Mueller Erik T., Commonsense reasoning, Morgan Kaufman Title, ISBN: 978-0-12-369388-4,

2006.

Nielsen, Confianza Consumidor 2008, Nielsen Company, 2008.

http://mx.nielsen.com/news/ConfianzaConsumidor2008.shtml

Nivala A., Sarjakoski L. T., An Approach to Intelligent Maps : Context Awareness, Workshop HCI

in mobile Guides », Italia, 2003.

Pekkinen, P., A. Rainio, Market analysis of mobile map services. GiMoDig-project, IST-2000-

30090, Deliverable D2.2.1, Public EC report, 53 p., 2002.

Pérez Calderón R., Factores que Inciden en la Elaboración de un Programa de Mercadotecnia

Exitoso, Gestión y Estrategia No. 14, 1998.

http://www.azc.uam.mx/publicaciones/gestion/num14/doc19.htm

Perry M., Sheth A., Arpinar I. B., Hakimpour F., Geospatial and Temporal Semantic Analytics,

Handbook of Research on Geoinformatics, IGI Global, pps. 161-170, 2009.

Puhretmair F., Rumetshofer H., Schaumlechner E., Extended decision making in tourism

information systems, LNCS 2455, págs. 57 – 66, 2002.

Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J., Grouplens: An open architecture for

collaborative filtering of netnews, Conference on Computer Supported Cooperative Work, ACM,

págs. 175 – 186, 1994.

Rey Pino J. M., Psicología del consumidor, Tesis de doctorado, Universidad de Cádiz.

Rijsbergen C. J. van, Information Retrieval. Butterworth 1979.

Sahui Maldonado J. A., Factores que Influyen en la Conducta del Consumidor. Una Aproximación

desde las Ciencias Sociales, Universidad Modelo, COLPARMEX 2008.

Sahui Maldonado J. A., Influencia de los Factores Psicológicos en la Conducta del Consumidor,

2009, http://www.eumed.net/rev/tecsistecatl/n5/jasm.htm

Sarjakoski L. T., The GiMoDig public final report, Geospatial info-mobility service by real-time

data integration and generalization, página del proyecto http://gimodig.fgi.fi, última visita junio

2011.

Schoning J., Rohs M., Kruger A., Paper Maps as an Entry Point for Tourist to Explore Wikipedia

Content, Universidad de Munster, Alemania, 2007.

Segaran Toby, Programming Collective Intelligence, ISBN-10: 0-596-52932-5, ISBN-13: 978-0-

596-52932-1O'Reilly Media 2007.

Sepúlveda W. S., Maza M. T., Segura P. E., Djafar S.. Comportamiento del consumidor de

alimentos y el etiquetado como señal de calidad, CLADEA 2009, Ecuador, 2009.


150

Smith Gene, Tagging People-Powered Metadata for the Social Web, New Riders, pp. 4-5, ISBN-

10: 0-321-52917-0, 2008.

Spaccapietra S., On spatial ontologies, GeoInfo 2004, Swiss Federal Institute of Technology, Suiza,

2004.

Spaccapietra S., Al-Jadir L., Yu S., Somebody, Sometime, Somewhere, Something, Swiss Federal

Institute of Technology, Suiza, 2005.

Spaccapietra S., MADS: SPACE, TIME AND CONTEXT MODELING FOR GEOGRAPHIC

APPLICATIONS, 3rd eBZ Workshop on e-Government - Organizing the City: Time, Space, and

Mobility, Italia, 2006.

Stanton W., Fundamentals of Marketing, Mc Graw Hill, 1994.

Steenkamp, Jan-Benedict E.M. "Dynamics in consumer behaviour with respect to agricultural and

food products". Agricultural marketing and consumer behaviour in a changing world. Eds. B.

Wierenga, et al.: Norwell: Kluwer Academic Publishers, 1997. 143-188.

Steiniger S., Neun M., Alistair E., Foundations of Location Based Services, Departamento de

Geografìa, Universidad de Zurich, Suiza. 2006.

Sun Y., Lee L., Agent-based Personalized Tourist Route Advice System, International Archives of

Photogrammetry Remote Sensing and Spatial Information Sciences, Vol. 35 Part 2, ISSN 1682-

1750, págs. 319 - 324, 2004.

Sugiyama K., Hatano K., Yoshikawa M., Adaptive web search based on user profile constructed

without any effort from users, Proceedings of the 13th International Conference on World Wide

Web, WWW ’04, ACM, págs. 675 - 684, 2004.

Srivihok A., Sukonmanee P., Intelligent agent for e-Tourism: Personalization travel support agent

using reinforcement learning, Proceeding of The 14th International World Wide Web Conference

(WWW2005) Workshop, 2005.

Tapucu Dilek, Tekbacak Fatih, Osman Ünahr Murat, Kasap Seda, A Roadmap for Semantifying

Recommender Systems Using Preference Management, E. Gelenbe et al. (eds.), Computer and

Information Sciences, Lecture Notes in Electrical Engineering 62, Springer Science+Bussiness

Media, 2010.

Terveen L., Hill W., Beyond Recommender Systems: Helping People Help Each Other, HCI In

The New Millenium, Jack Carroll, ed., Addison-Wesley, pps. 1-21, 2001.

Tomai E., Spanaki M., From ontology design to ontology implementation: A web tool for building

geographic ontologies, 8th AGILE Conference on Geographic Information Science, Portugal, 2006.

Tsetsos V., Anagnostopoulos C., Kikiras P., Hadjiefthymiades S., Semantically enriched

navigation for indoor environments, International Journal of Web and Grid Services, 2 (4),

Inderscience Publishers, págs. 473 - 47, 2006.


151

Tsetsos V., Papataxiarhis V., Hadjiefthymiades S., Personalization Based on Semantic Web

Technologies, Semantic Web Engineering in the Knowledge Society, IGI Global, págs. 52 - 75,

2009.

Tso-Sutter K., Marinho L. B., Schmidt L., Tag-aware Recommender Systems by Fusion of

Collaborative Filtering Algorithms, Proceedings of the 2nd ACM Symposium on Applied

Computing, pps. 1995-1999, ISBN: 978-1-59593-753-7, 2008.

Vanathi B., Rhymend Uthariaraj V., Collaborative Context Management and Selection in Context

Aware Computing, N. Meghanathan et al. (eds.), CCSIT 2011, Part III, CCIS 133, pp. 348-357,

Springer-Verlag Berlin, 2011.

Vangenot C., Multi-representation un spatial databases using the MADS conceptual model, ICA

Workshop on Generalisation and Multiple representation, Suiza, 2004.

Vert Gregory L., Sitharama Iyengar S., Phoha Vir V., Introduction to Contextual Processing –

Theory and Applications, pp. 29, CRC Press, Taylor & Francis Group, EUA, 2011.

Verbert K., Drachsler H., Manouselis N., Wolpers M., Vuorikari R., Duval, E., Dataset-driven

Research for ImprovingRecommender Systems for Learning. 1st International Conference

Learning Analytics & Knowledge, Canada, 2011.

WebTaller, El significado de los colores,

http://www.webtaller.com/maletin/articulos/significado_de_los_colores.php

Weinberger David, Everything Is Miscellaneous: The Power of the New Digital Disorder, Times

Books, ISBN-10: 0805080430, ISBN-13: 978-0805080438, 2007.

Yu S., Aufaure M., Cullot N., Spaccapietra S., A Collaborative Framework for Location-Based

Services, Swiss Federal Institute of Technology, Suiza, 2003.

Yu S., Spaccapietra S., Cullot N., Aufaure M., User Profiles in Location-based Services: Make

Humans More Nomadic and Personalized, Swiss Federal Institute of Technology, Suiza, 2004.

Yu S., Al-Jadir L., Spaccapietra S., Matching User’s Semantics with Data Semantics in Location-

Based Services, Swiss Federal Institute of Technology, Suiza, 2005.

Zeballos V., Comportamiento del consumidor en América Latina, Una manera diferente de ver al

mundo, 2007. http://vanessa-zeballos-ccmk27.nireblog.com/post/2007/11/17/comportamiento-del-

consumidor-en-america-latina.

Zhao P., Di L., Yang W., Yu G., Yue P., Geospatial Semantic Web: Critical Issues, Handbook of

Research on Geoinformatics, IGI Global, pps. 178-187, 2009.