Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil

Centro Nacional de Investigación y Desarrollo Tecnológico
Departamento de Ciencias Computacionales

TESIS DE MAESTRÍA EN CIENCIAS

Sistema de Recomendación Contextual Basado en Ontologías para
Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil

presentada por

Nimrod González Franco
Ing. en Sistemas Computacionales por el I. T. de Zacatepec

como requisito para la obtención del grado de:
Maestría en Ciencias en Ciencias de la Computación

Director de tesis:
Dr. Juan Gabriel González Serna

Co-Director de tesis:
Dra. Azucena Montes Rendón

Jurado:
Dra. Alicia Martínez Rebollar – Presidente
M.C. Rocío Vargas Arroyo – Secretario
Dr. Juan Gabriel González Serna – Vocal

Cuernavaca, Morelos, México. 28 de febrero de 2012

DEDICATORIAS

A mis padres, por todo lo que han hecho por mí.

A mi hermana y hermano.

A aquellos que habrán de formar parte de mi vida

Al lector, como agradecimiento por tomarse el tiempo de leer estas palabras.

AGRADECIMIENTOS

A MPC, por las bendiciones que no puedo medir y por los dones que no puedo
evaluar. Por a aquellos que me rodean y que tanto aportan a mi vida.

A mis padres, Martha y Porfirio. Por ser padres un ejemplo de vida, por su
cuidado, su sacrificio y el esforzarse cada día. Por haber dado tanto de sí mismos,
para que pudiese disfrutar de tantas cosas. Un agradecimiento eterno por su
amor, sus enseñanzas y el apoyo que desde siempre me brindaron, que se que
siempre tendré y que es para mí la herencia más valiosa que pidiera recibir.

A mis hermanos, Maho y Aby, por el cariño y apoyo que siempre he recibido de
ustedes, esperando que comprendan que si he de tener algún logro, es también
suyo e inspirado en ustedes.

A mi director de tesis, Dr. Juan Gabriel González Serna, por brindarme su apoyo,
por su confianza, por ser un amigo y por ser una gran influencia profesional.

A los miembros del grupo de investigación CARS, por fomentar el intercambio de
ideas debido al trabajo en equipo, por ay darme a adquirir nuevos conocimientos y
profundizar en lo aprendido anteriormente, por considerar a cada integrante del
grupo como una parte importante que debe ser valorada y por mantener un
ambiente de alegría aún en los momentos de pánico.

A los profesores que conocí como alumno de CENIDET, por sus enseñanzas y
sobre todo, por su consideración de la ética en la investigación y de la
responsabilidad social. Por los días en los que no pude evitar pensar "hoy he
aprendido algo".

Al Centro Nacional de Investigación y Desarrollo Tecnológico, que me permitió
vivir apreciadas y tensas experiencias, ser parte de la institución y crecer en tantos
aspectos.

Al Dr. Oscar Corcho, por su guía, comprensión y apoyo durante la estancia de
investigación.

A los miembros del Ontology Engineering Group (OEG), por su ayuda durante una
experiencia muy intensa, en la que aprendí mucho de la convivencia, aunque
breve, con los miembros del grupo. Realmente, tener la posibilidad de
experimentar diferentes maneras de pensar y de vivir la profesión de investigador
es algo que hoy en día recuerdo con alegría, de tal forma que para mí, el

levantarme cada día por la mañana y tener un ambiente de trabajo tan
multicultural y ameno, ya era una experiencia positiva.

Al personal de la Universidad Politécnica de Madrid (UPM), por ser un apoyo muy
importante durante toda la duración de la estancia.

A Roció, Rafa, la Dra. Blanca y Hugo, por rescatarme en los momentos de
desesperación semánticos y otros momentos de pánico, por su sencillez y su
capacidad para transmitir conocimiento.

A Paty, Jaime, Everardo, Eliel, Sabo, Emma, Kaliz y resto de kushules, por todos
los momentos divertidos que pasamos juntos y el apoyo en los no tan divertidos.

A los residentes y veraniegos: Gio, Paco, Oscar, Chucho y Sadher, por sus
esfuerzos y contribuciones, sin las cuales este trabajo de tesis no estaría
terminado.

A mis revisores, por su atención, aportaciones y amistad.

A todos aquellos que me brindaron su amistad en este tiempo.

A todos ustedes, mil gracias.

RESUMEN

Dentro del dominio de los Sistemas de Recomendación Semánticos Conscientes
del Contexto (SRSCC) diseñados para organizaciones, existen trabajos que
ofrecen a los usuarios recomendaciones sobre distintos tipos de elementos
relacionados a la organización, manejando procesos de inferencia sobre
ontologías que modelan el contexto y las características de los usuarios, sin
embargo, la mayoría de estos sistemas tienen un dominio de recomendación
centrado en solo una parte de la organización, como la recomendación de
personas, la recomendación de documentos, la recomendación de eventos y la
recomendación de servicios, por ejemplo.

Esta tesis presenta un conjunto de conceptos, técnicas y metodologías aplicables
al desarrollo de SRSCC organizacionales, por lo que, con la finalidad de demostrar
la validez de esos elementos, se utilizaron en el desarrollo de un SRSCC llamado
T-Guía, el cual tiene el objetivo de ofrecer a los visitantes recomendaciones sobre
personas, objetos de conocimiento, lugares, actividades, eventos, recursos
tecnológicos y servicios -basados en competencias organizacionales- que resulten
interesantes para ellos.

Además, centrándose en el proceso de recomendación, se aplicó un conjunto de
pruebas sobre el motor de inferencia del SRSCC T-Guía, con el propósito de
verificar la forma en que los conjuntos de recomendaciones inferidos son
afectados por cambios en los factores contextuales y en las características de los
usuarios.

Finalmente, en calidad de trabajos futuros, se proponen actividades para
complementar y mejorar algunos de los conceptos propuestos en esta tesis.

ABSTRACT

In the semantic context-aware recommender systems domain there are works that
offer to the user recommendations about different types of elements related to an
organizational environment. These approaches use inference processes on
ontologies that model context and user characteristics. However, most of the
systems are centered on a single aspect of the organization such as expert people,
documents, events and services.

This thesis presents a set of concepts, techniques and methodologies applicable to
the development of Ontology Based Context-aware Recommender Systems
(OBCaRS).In order to demonstrate their validity, they are used in the development
of an OBCaRS. The specific developed OBCaRS is called T-Guía, which focuses
on offering recommendations to visitors about people, knowledge objects, places,
activities, events, technological resources and services based on organizational
competences relevant for the user.

Also, focusing on the recommendation process, a set of tests were applied to the
inference engine of the OBCaRS T-Guía, to verify how the set of recommendations
obtained is affected by changes in contextual factors and in the characteristics of
users.

Finally, as future works, some activities to complement and improve some of the
presented concepts are mentioned.

TABLA DE CONTENIDO

Tabla de Contenido...................................................................................................i

Lista de Figuras........................................................................................................v

Lista de Tablas........................................................................................................ix

Lista de Gráficas.......................................................................................................x

Capítulo 1 Introducción

1.1 Introducción ..................................................................................................... 2

1.2 Antecedentes ................................................................................................... 3

1.2.1 T-Guide [Arjona, 2009] .............................................................................. 3

1.2.2 Generador semiautomático de perfiles de usuario mediante OWL [Rojas,
2009] .................................................................................................................. 4

1.2.3 Modelo colaborativo para la integración de sistemas [Vargas, 2011] ......... 5

1.3 Descripción del problema ................................................................................. 5

1.4 Objetivo ............................................................................................................ 7

1.5 Justificación y beneficios .................................................................................. 8

1.6 Organización del documento ............................................................................ 9

Capítulo 2 Marco Teórico

2.1 Sistema de recomendación semántico adaptable al contexto ........................ 11

2.2 Ontología de contexto multidimensional ......................................................... 11

2.3 Clasificaciones de sistemas de recomendación ............................................. 12

2.4 Algoritmos de recomendación contextual ....................................................... 12

i

2.4.1 Técnicas de filtrado basado en contenidos .............................................. 12

2.4.2 Técnicas de filtrado colaborativo.............................................................. 13

2.4.3 Técnicas de filtrado híbrido ...................................................................... 14

2.5 SWRL ............................................................................................................ 15

Capítulo 3 Estado del Arte

3.1 Categorización de trabajos ............................................................................. 18

3.2 Propuesta de Bouzeghoub ............................................................................. 18

3.3 Proyecto mIO! ................................................................................................ 20

3.4 Proyecto ICAS ............................................................................................... 21

3.5 Proyecto SeMoDesk ...................................................................................... 24

3.6 Propuesta de Rasanen .................................................................................. 25

3.7 SMARTMUSEUM........................................................................................... 26

3.8 El proyecto MyMose. ...................................................................................... 29

3.9 Proyecto SEEMP ........................................................................................... 32

3.10 Estudio comparativo ..................................................................................... 35

Capítulo 4 Definición de una arquitectura genérica para un SRSCC
organizacional

4.1 Introducción ................................................................................................... 38

4.2 Descripción de la arquitectura generica para un SRSCC organizacional ....... 38

4.3 Descripción de los módulos principales de la arquitectura ............................. 43

4.3.1 Repositorio de recursos ontológicos y la Ontología de Memoria
Organizacional 1.0 ............................................................................................ 43

ii

4.3.2 Módulo Motor de Inferencia y reglas de inferencia ................................... 49

4.3.3 Definición de una GUI adaptable con mecanismos de monitoreo ............ 51

4.3.4 Módulo de identificación de comportamiento de usuarios y análisis del
funcionamiento de un SRSCC .......................................................................... 54

4.4 Utilización de la arquitectura propuesta para un SRSCC organizacional ........ 56

Capítulo 5 Desarrollo del SRSCC organizacional T-Guía

5.1 Introducción y características de implementación .......................................... 59

5.2 Reutilización de la Ontologia de Memoria Organizacional 1.0 ........................ 63

5.2.1 Poblado de la Organizational Memory Ontology implementada y la
aplicación web Semantic T-Guide .................................................................... 67
5.2.1.1 Instanciación de los catálogos seleccionados: uso de la librería NOR2O .....................67
5.2.1.2 Instanciación de elementos organizacionales: Sistema de Administración de
Información Académica SAIA y método para la transformación de sitios de IES a la web 3.0 .69
5.2.1.3 Registro de los usuarios del T-Guía: Semantic T-Guide ...............................................73

5.3 Implementación del Motor de Inferencia ......................................................... 75

5.3.1 Módulo de pre-filtrado de ítems ............................................................... 79

5.3.2 Módulo de extracción de instancias asociadas a una organización ......... 81

5.3.3 Módulo generador de recomendaciones .................................................. 82

5.3.4 Módulo para la actualización de conjuntos de ítems pre-filtrados ............ 85

5.4 Análisis y diseño de la interfaz adaptable para el cliente del SRSCC
organizacional T-Guía: Mobile T-Guide ................................................................ 86

5.5 Implementación una aplicación para el análisis del funcionamiento del T-Guía y
del comportamiento de sus usuarios: T-Guide Admin .......................................... 97

iii

Capítulo 6 Pruebas y caso de estudio

6.1 Introducción ................................................................................................. 102

6.1.1 Características a ser probadas .............................................................. 103

6.1.2 Características excluidas de las pruebas ............................................... 103

6.1.3 Enfoque ................................................................................................. 103

6.1.4 Requisitos ambientales .......................................................................... 104

6.1.5 Instancias de los conjuntos U e I usadas durante la ejecución de la fase de
pruebas .......................................................................................................... 105

6.2 Caso de estudio ........................................................................................... 107

6.3 Pruebas ....................................................................................................... 118

6.3.1 Evaluación experimental ........................................................................ 118
6.3.1.1 Caso de prueba 1. Análisis de la recomendación de ítems considerando variaciones
temporales en el proceso de inferencia ..................................................................................118
6.3.1.2 Caso de prueba 2. Análisis de la recomendación de ítems de acuerdo al tipo de
usuario del Usuario Activo.......................................................................................................125

6.4 Comportamiento del SRSCC organizacional T-Guía observado durante la fase
de pruebas ......................................................................................................... 138

Capítulo 7 Conclusiones

7.1 Conclusiones ............................................................................................... 141

7.2 Aportaciones ................................................................................................ 143

7.3 Trabajos futuros ........................................................................................... 144

Anexo A: Reglas de inferencia ........................................................................... 146

A.I Conjunto de reglas de inferencia ReglasIES ............................................. 146

iv

A.II Conjunto de reglas de inferencia ReglasGobierno ................................... 150

A.III Conjunto de reglas de inferencia ReglasEmpresa ................................... 155

A.III Conjunto de reglas de inferencia ReglasEvento ...................................... 160

Referencias……………………………………………………………………………..164

v

LISTA DE FIGURAS

Figura 1.1: Clases de la ontología de usuarios del Generador semiautomático de perfiles de
usuario mediante OWL………………………………………………………………………………………………………4
Figura 3.1: Red de ontologías mIO! …………………………………………………………………………………21
Figura 3.2: Modelo SeCoM………………………………………………………….…………………………………..22
Figura 3.3: Niveles del modelo contextual……………………………………………………………………….30
Figura 3.4: Arquitectura de MyMose……………………………………………………………………………….32
Figura 3.5: Relaciones principales de la SEEMP Reference Ontology………………….……………34
Figura 4.1: Caso de uso del comportamiento de un SRSCC organizacional típico…………….39
Figura 4.2: Caso de uso de la generación de recomendaciones en un SRSCC organizacional
típico……………………………………………………………………………………………………………………………….39
Figura 4.3: Arquitectura genérica de un SRSCC organizacional………………….…………………….40
Figura 4.4: Ontología de Memoria Organizacional versión 1.0………………….…………………….44
Figura 4.5: Caso de uso del comportamiento del Motor de Inferencia de un SRSCC
organizacional implementado para diversos tipos de organizaciones………………….………….50
Figura 4.6: Etapas del proceso de inferencia planteado para el Motor de Inferencia del
SRSCC organizacional T-Guía………………….…………………………….…………………………….……………51
Figura 5.1: Vista estática de los módulos del SRSCC organizacional T-Guía………………….…..59
Figura 5.2: Vista funcional de los elementos del SRSCC organizacional T-Guía…………………62
Figura 5.3: Contenido del modelo ontológico reducido………………….………………………………..63
Figura 5.4:Implementación de la Organizational Memory Ontology usando el editor
Protégé 3.4………………….…………………………….…………………………….……………………………………..64
Figura 5.5: Ventana principal de la página de documentación de la Organizational Memory
Ontology………………….…………………………….………………………………………………………………….…...65
Figura 5.6: Proceso para la instanciación de catálogos ……………………………………………..…….69
Figura 5.7: Proceso para la instanciación de elementos organizacionales………………………..72
Figura 5.8: Proceso para la instanciación de usuarios del T-Guía…………………………………….73
Figura 5.9: Formulario para la creación de una cuenta del T-Guía…………………………………..74
Figura 5.10: Formularios para la captura de los datos de contacto de un usuario de la
organización a la que pertenece………………….…………………………….……………………………………74
Figura 5.11: Módulos del Motor de Inferencia del sistema T-Guía…………………………………..77
Figura 5.12: Entradas y salida de la clase SWRL4U.java……………………………………………………78
Figura 5.13: Entradas y salida de la clase SPARQL4U.java………………….…………………………….78
Figura 5.14: Submódulo de pre-filtrado de ítems…………….…………………………….………………..81
Figura 5.15: Submódulo de extracción de instancias asociadas a una organización…………82

vi

Figura 5.16: Submódulo generador de recomendaciones………………….…………………………….84
Figura 5.17: Contenido del archivo de ejemplo nimrod.xml generado con el Módulo
generador de recomendaciones………………….…………………………….…………………………….………84
Figura 5.18: Submódulo para la actualización de conjuntos de ítems pre-filtrados…………86
Figura 5.19: Diagrama de casos de uso para la GUI adaptable del cliente del SRSCC
organizacional T-Guía………………….…………………………….…………………………….………………………87
Figura 5.20: Diagrama de casos de uso para organizar las recomendaciones en el cliente
móvil del SRSCC organizacional T-Guía………………….…………………………….…………………………..87
Figura 5.21: Diagrama de casos de uso para la interacción de los usuarios con las
recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía………………..88
Figura 5.22: Diagrama de casos de uso para registrar la interacción de los usuarios con las
recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía………………..88
Figura 5.23: Pantalla de bienvenida del Mobile T-Guide………………………………………………….89
Figura 5.24: GUI estándar del cliente del SRSCC organizacional T-Guía……………………………90
Figura 5.25: Adaptación de la GUI del cliente del SRSCC organizacional T-Guía……………..91
Figura 5.26: Estrategia de calificación manual implementada en el SRSCC organizacional T-
Guía………………….…………………………….…………………………….………………………………………………..93
Figura 5.27: Diseño de la base de datos para el cliente móvil del SRSCC organizacional T-
Guía………………….…………………………….…………………………….………………………………………………..94
Figura 5.28: Visualización de recomendaciones de personas para un usuario del tipo
Estudiante………………….…………………………….…………………………….……………………………………….94
Figura 5.29: Visualización de la información detallada de una recomendación………………..95
Figura 5.30: Visualización de recomendaciones de lugares para un usuario del tipo
Profesor Investigador………………….…………………………….…………………………….………………………95
Figura 5.31: Visualización de recomendaciones de proyectos para un usuario del tipo
Empresario………………….…………………………….…………………………….……………………………………96
Figura 5.32: Ejemplo del archivo tguia_valoradas.xml………………….…………………………….….96
Figura 5.33: Caso de uso de una aplicación para la implementación del Módulo de
identificación de comportamiento de usuarios……………………………………………………………..97
Figura 5.34: Diseño de la base de datos implementada para el SRSCC T-Guía……………...98
Figura 5.35: Caso de uso para el almacenamiento de información sobre el funcionamiento
del sistema en una aplicación para la implementación del Módulo de identificación de
comportamiento de usuarios………………….…………………………….…………………………….………..98
Figura 5.36: Pantalla de bienvenida del T-Guide Admin…………………………………………………99
Figura 5.37: Capturas de los reportes generados con el T-Guide Admin………………………..100
Figura 6.1: Capturas del cliente mostrando las recomendaciones ofrecidas al usuario
UsuarioProfesor2 según las variaciones temporales en el Escenario 1 ............................. 112

vii

Figura 6.4: Diferencia en las recomendaciones de tipo Persona ....................................... 115
Figura 6.5: Despliegue de datos asociados al ítem ............................................................ 116
Figura 6.6: Visualización de las recomendaciones de tipo Lugar, Recurso y Competencia
ofrecidas al usuario UsuarioProfesor2 ............................................................................... 116
Figura 6.7: Visualización de las recomendaciones de tipo Objeto de Conocimiento y
Actividades para el usuario UsiarioProfesor2 .................................................................... 117
Figura 6.8: Cierre de la sesión del usuario UsuarioProfesor2 en la GUI adaptable ........... 117
Figura 6.9: Diferencias entre los ítems de tipo Competencias recomendados al usuario
UsuarioMuestra1 ................................................................................................................ 126
Figura 6.10: Recomendaciones enlistadas para el UsuarioMuestra1 con el valor de
Profesor para el atributo userType..................................................................................... 127
Estudiante para el atributo userType ................................................................................. 128
Empresario para el atributo userType ................................................................................ 129
Profesor para el atributo userType .................................................................................... 132


viii

Figura 6.4: Diferencia en las recomendaciones de tipo Persona ....................................... 115
Figura 6.5: Despliegue de datos asociados al ítem ............................................................ 116
Figura 6.6: Visualización de las recomendaciones de tipo Lugar, Recurso y Competencia
ofrecidas al usuario UsuarioProfesor2 ............................................................................... 116
Figura 6.7: Visualización de las recomendaciones de tipo Objeto de Conocimiento y
Actividades para el usuario UsiarioProfesor2 .................................................................... 117
Figura 6.8: Cierre de la sesión del usuario UsuarioProfesor2 en la GUI adaptable ........... 117
Figura 6.9: Diferencias entre los ítems de tipo Competencias recomendados al usuario
UsuarioMuestra1 ................................................................................................................ 126
Profesor para el atributo userType..................................................................................... 127

ix

LISTA DE TABLAS

Tabla 3.1: Comparativa de los trabajos relacionados con el proyecto de tesis ................... 36
Tabla 5.1: Ontologías importadas en implementación de la Organizational Memory
Ontology ............................................................................................................................... 65
Tabla 6.1: Resumen de los elementos del conjunto I usado en la fase de pruebas .......... 105
Tabla 6.2: Instanciación del conjunto I usado en la fase de pruebas ................................. 105
Tabla 6.3: Instanciación de los datos del usuario UsuarioProfesor2 ................................. 109
Tabla 6.4: Elementos del subconjunto Iua para el usuario UsuarioProfesor2 .................. 110
Tabla 6.5: Elementos del subconjunto I´ua para el usuario UsuarioProfesor2 .................. 111
Tabla 6.6: Variaciones contextuales en el caso de uso del usuario UsuarioProfesor2 ...... 111
Tabla 6.7: Elementos del conjunto Rua para el usuario UsuarioProfesor2 ....................... 112
Tabla 6.8: Casos de prueba ................................................................................................. 118
Tabla 6.9: Escenarios para la Prueba 1 ............................................................................... 119
Tabla 6.10: Promedios de los tiempos de ejecución y las recomendaciones inferidas ..... 120
Tabla 6.11: Cantidad de ítems recomendados por categoría, por tipo de usuario y por
escenario............................................................................................................................. 123
Tabla 6.12: Recomendaciones para el UsuarioMuestra1 de acuerdo al atributo userType
............................................................................................................................................ 130
Tabla 6.13: Hipótesis probadas en cada caso. .................................................................... 130
............................................................................................................................................ 131
……….…………………………………………………………………………………………………………………………….131

x

LISTA DE GRÁFICAS

Gráfica 6.1: Variaciones en el tiempo total de ejecución medido en milisegundos bajo tres
combinaciones diferentes de variables temporales. ......................................................... 121
Gráfica 6.2: Variaciones en la cantidad de recomendaciones inferidas bajo tres
combinaciones diferentes de variables temporales .......................................................... 121
Gráfica 6.3: Variaciones en el tiempo total de ejecución del Módulo generador de
recomendaciones medido en milisegundos bajo tres combinaciones diferentes de
variables temporales. ......................................................................................................... 122
Gráfica 6.4: Frecuencia de repetición de los ítems de acuerdo a los tres escenarios
definidos ............................................................................................................................. 123
Gráfica 6.5: Frecuencia de repetición porcentual de un ítem de acuerdo a los tipos de
usuario ................................................................................................................................ 124

xi

CAPÍTULO 1 INTRODUCCIÓN

En este capítulo se explica el contexto del trabajo de tesis desarrollado, el
problema a abordar, el objetivo y los alcances del mismo, además de la
organización en general del documento.

1

1.1 Introducción

En años recientes, ha crecido la tendencia hacia el desarrollo de aplicaciones que
buscan ofrecer a los usuarios altos niveles de comodidad, de tal forma que en la
actualidad se pone gran interés en capturar la información del entorno en el que el
usuario se desenvuelve [Sadeh, 2006]. Es por esto que los Sistemas de
Recomendación Conscientes del Contexto (SRCC) han adquirido una enorme
importancia en las áreas de investigación y desarrollo vigentes hoy en día.

Los SRCC filtran información para presentar al usuario aquella que resulte de su
interés, utilizando para ello el perfil del usuario y su contexto. Cuando la
información sobre la que opera el SRCC está descrita en ontologías se le llama
Sistema de Recomendación Semántico Consciente del Contexto (en adelante,
SRSCC). En un SRSCC pueden usarse reglas de inferencia para realizar el
proceso de filtrado.

De acuerdo a los enfoques actuales, el contexto es cualquier información que
pueda ser usada para caracterizar la situación de una entidad, donde una entidad
puede ser una persona, lugar u objeto físico o computacional, por lo que puede
verse como un espacio multidimensional donde cada dimensión es representada
por una ontología especifica [Bouzeghoub, 2009].

Bajo esta idea, los datos del contexto pueden incluir diversos aspectos, tales
como: dispositivo de usuario, red de acceso, ubicación espacial, ubicación
temporal, situación del usuario, patrones de comportamiento, consideraciones
sociales, entre otros. En cuanto al perfil del usuario se incluyen características que
describen aspectos económicos, de ocupación, sus preferencias, gustos y otros
grupos de datos que sean necesarios para el correcto funcionamiento del sistema.

Para modelar el contexto como un espacio multidimensional puede implementarse
una red de ontologías, en la que se utilizan ontologías específicas relacionadas
entre sí de acuerdo a las dimensiones requeridas, formando un conjunto que
adquiere el nombre de ontología de contexto multidimensional. Mientras más
dimensiones se consideran, el SRSCC tiene una mayor variedad de información a
considerar en su proceso de inferencia, pudiendo generar recomendaciones cada
vez más adecuadas.

Un SRSCC implementado en una organización pode recomendarle a un usuario,
por ejemplo, personas, instalaciones, libros, servicios, trámites y cualquier
información que sea afín a sus intereses.

2

En este trabajo de tesis se presenta un SRSCC que utiliza diversas ontologías
desarrolladas a partir de estándares internacionales, las cuales se interconectan
para modelar un gran número de dimensiones contextuales relacionadas con
ambientes organizacionales. Dichas dimensiones consideran múltiples dominios
de conocimiento, como la contabilidad y las ciencias de la computación, el
modelado de comercio electrónico, el manejo de recursos humanos y la
administración empresarial.

El conjunto final de ontologías que permite modelar información de Instituciones
de Educación Superior (IES), empresas y dependencias de gobierno, además,
mediante el uso de reglas de inferencia, es posible identificar varios atributos de
estas organizaciones, como son servicios, objetos de conocimiento, personas y
productos que pueden ser de interés para un usuario.

1.2 Antecedentes

La Web Semántica y los servicios de recomendación contextual semánticos son
dos de los temas que más atención han recibido en los últimos años en el
CENIDET, resaltando la relevancia que han adquirido específicamente en la línea
de investigación de Sistemas Distribuidos, dentro de la cual se han realizado
diversos trabajos relacionados con la creación y uso de ontologías, además del
desarrollo de servicios de recomendación para ambientes organizacionales.
Debido a esto, varios trabajos, incluidos algunos que aún se encuentran en
desarrollo al momento de redactar este documento de tesis, impactan de manera
importante en la investigación realizada, por lo que se describen en las secciones
siguientes.

1.2.1 T-Guide [Arjona, 2009]

Este trabajo desarrolla servicios conscientes del contexto para la localización de
personas mediante tecnologías de posicionamiento heterogéneas. Estos servicios
permiten a un usuario realizar las actividades que tiene programadas en su
agenda personal, las cuales están relacionadas con una ubicación específica, es
decir, se define una relación espacio-tiempo.

3

En este proyecto se utilizan tecnologías de auto-identificación, como RFID y
QRCode, además de teléfonos celulares para la localización de usuarios, los
cuales se pueden encontrar dentro de edificios multinivel y en áreas tipo campus,
es decir con varios edificios.

El sistema desarrollado en este trabajo de investigación consta de 3 aplicaciones:
el cliente montado en el dispositivo celular, el servidor que atiende las peticiones
del cliente y la aplicación Web que gestiona la información de tareas, ubicaciones,
usuarios y recursos.

1.2.2 Generador semiautomático de perfiles de usuario mediante
OWL [Rojas, 2009]

Este trabajo de investigación define una ontología que permite modelar a un
usuario, así como sus costumbres, roles cotidianos y características. Esta
ontología es poblada mediante una interfaz gráfica de un ambiente de desarrollo
para poder instanciarla y explotarla. La ontología comprende el conjunto de todas
las clases mostradas en la Figura 1.1.

Figura 1.1: Clases de la ontología de usuarios del Generador semiautomático de perfiles de usuario
mediante OWL

4

1.2.3 Modelo colaborativo para la integración de sistemas
[Vargas, 2011]

Dentro de este trabajo de investigación, aun en desarrollo, se realiza el modelado
organizacional semántico para caracterizar competencias organizacionales,
competencias individuales, objetos de conocimiento, infraestructura y servicios. El
modelo contempla la definición de un perfil organizacional formado por los
atributos generales, los atributos financieros y las competencias de una
organización, la descripción de su capital intelectual a partir del capital humano, el
capital estructural y el capital relacional, y la definición de un perfil individual
dependiente del dominio de conocimiento para caracterizar competencias
individuales de los miembros de la organización.

De manera adicional, se busca el desarrollo de servicios de recomendación para
la conformación de grupos de trabajo sinérgicos basado en modelos semánticos
de competencias, tanto organizacionales como individuales.

1.3 Descripción del problema

En la actualidad, es habitual el desarrollo de sistemas de información que buscan
proporcionar al usuario altos niveles de comodidad y facilidad de uso,
proporcionando toda la información necesaria justo en el momento para apoyar el
proceso de toma de decisión, estos sistemas requieren información de la
ubicación del usuario [Sadeh, 2006]; esto se logra mediante servicios de
información contextuales que explotan el perfil del usuario y los datos de su
ubicación actual. Algunas de estas aplicaciones son los sistemas de
recomendación sensibles al contexto y existen algunos de ellos que poseen
características semánticas, a los que se les denomina Sistema de Recomendación
Semántico Consciente del Contexto (SRSCC).

Los SRSCC consideran el contexto de un usuario analizando diferentes factores,
y en base a ello, adaptan las recomendaciones de modo que satisfagan los
intereses del usuario. Adicionalmente, algunos SRSCC recurren al uso de las
ontologías para generar ―descripciones semánticas de servicios, lo cual facilita a
los agentes software su descubrimiento‖ [Peis, 2008].

5

Hoy en día los SRSCC consideran como información de contexto diversos
aspectos, tales como las características del dispositivo móvil de un usuario, los
servicios de conexión disponibles en el lugar que permitan acceder a una red de
área local, la ubicación espacial de personas y objetos, además de la ubicación
temporal, situación del usuario, patrones de comportamiento y consideraciones
sociales.

Esto implica que los SRSCC deben ser capaces de ubicar a un usuario e
identificar sus requerimientos o necesidades no explicitas, con la intención de
ofrecerle al usuario recomendaciones eficientes en la satisfacción de sus
necesidades.

Para que los SRSCC que se implementan actualmente en organizaciones infieran
las necesidades de un usuario, los edificios deben contar con mecanismos que
permitan monitorear su entorno, identificando personas, objetos y lugares
(instalaciones) propias de la organización o evento.

Sin embargo, en el diseño de SRSCC para organizaciones, normalmente no se
consideran aspectos relacionados con los servicios proporcionados al usuario y
los objetos de conocimiento asociados a las personas que pertenecen a una
organización.

Al no considerar estos elementos, se descuidan aspectos importantes relativos a
la naturaleza de la organización, haciendo que las recomendaciones no sean tan
precisas como deberían serlo.

Para desarrollar un SRSCC que considere los servicios ofrecidos por una
organización y los objetos de conocimiento asociados a ésta, se requiere de una
máquina de inferencia que opere con un conjunto de reglas definidas para
dominios específicos, es decir, reglas agrupadas según el tipo de organización en
la que se implemente el sistema.

En este trabajo de investigación se pretende desarrollar un mecanismo que
permita procesar reglas de inferencia para, asociar personas, actividades,
capacidades, objetos de conocimiento, instalaciones, localización geoespacial y
ubicación temporal, de manera que se infieran recomendaciones para un usuario,
extrayendo sus atributos de una ontología de perfiles, para asociarlos a los
conceptos de una ontología de dominio, de tal manera que sea posible identificar
los servicios que sean de su interés.

Utilizando este tipo de asociación en un SRSCC para una IES, se podrá, por
ejemplo, recomendar objetos de conocimiento a los usuarios que ingresen, tales
como: tesis, artículos técnicos, libros, prototipos de software, también se pueden

6

recomendar equipo de laboratorio especializado y personas; todas estas
recomendaciones dependen de las áreas de interés que define el usuario en su
perfil y que mediante modelos semánticos se pueden inferir.

De manera similar, si un usuario ingresa a un edificio de gobierno, el SRSCC
debe recomendar, por ejemplo: lugar para realizar ciertos trámites, pago de
servicios, las personas responsables de estos servicios o formatos requeridos
para realizar trámites. Otro escenario puede presentarse en un congreso, en
donde se identifica de manera automática al usuario y se le hacen
recomendaciones de conferencias relacionadas con su área de interés para
planificar el horario de las mismas, en este mismo escenario se puede conformar
también redes académicas identificando a conferencistas o asistentes al congreso
con quienes comparte área de conocimiento o líneas de investigación comunes.

1.4 Objetivo

Esta tesis es realizada con el objetivo de desarrollar servicios de recomendación
contextuales para usuarios móviles de un SRSCC organizacional, mediante la
explotación de ontologías organizacionales y ontologías de perfil de usuario, para
inferir recomendaciones de servicios, personas, lugares y objetos asociados a una
organización.

Las recomendaciones ofrecidas son visualizadas mediante el dispositivo móvil de
un usuario, aplicando técnicas avanzadas de interacción basadas en texto y
utilizando el potencial de los dispositivos móviles de última generación.

Para el cumplimiento del objetivo general, se manejan los objetivos específicos
que se describen a continuación:

 Crear un conjunto de reglas de inferencia basadas en el perfil del usuario y
el contexto de organizaciones.
 Diseñar e implementar en un dispositivo móvil un módulo para explotar las
recomendaciones de la máquina de inferencia.
 Diseñar e implementar una interfaz de usuario en el dispositivo móvil para
mostrar las recomendaciones además de las técnicas para poder
interactuar con éstas.
 Diseñar e implementar una red de ontologías multidimensional que
represente dimensiones de un ambiente organizacional.

7

1.5 Justificación y beneficios

Refiriéndose a ambientes organizacionales, a pesar del coste que representa
reestructurar la información existente para adaptarla a un modelo semántico, el
uso de un SRSCC en una organización en vez de uno tradicional permite
incorporar relaciones y contenido semántico a dicha información, lo cual se refleja
en la aplicación de procesos de inferencia en base a su significado. Para ello, se
necesita un conjunto de reglas de inferencia adecuadas para dicha organización,
además de un conjunto de ontologías apropiado para describir sus servicios
ofrecidos, las preferencias de sus usuarios y su contexto.

Actualmente, para realizar el proceso de inferencia, la mayoría de SRSCC para
organizaciones no considera objetos de conocimiento, ni las capacidades
tecnológicas y científicas de las personas que laboran en ella, específicamente en
las IES. Al considerar objetos de conocimiento y capacidades en un SRSCC, es
posible incrementar la eficiencia de las recomendaciones que se infieren en un
ambiente organizacional.

Este trabajo de tesis desarrolla un conjunto de reglas que operan sobre el perfil
de los usuarios y el contexto de diferentes tipos de instituciones, con el fin de
incrementar los alcances de los SRSCC para ambientes organizacionales.

Con el desarrollo de este tipo de SRSCC se obtienen los siguientes beneficios:

 Se tiene un conjunto de reglas de inferencia que consideran la información
que describe a una organización y las preferencias de un usuario, que se
pueden reutilizar en trabajos futuros.
 Se identificaron subconjuntos de reglas específicos para cada tipo de
organización, por lo cual es posible implementar sólo aquellos subconjuntos
que sean apropiados al tipo de institución para el que se desarrolle un
SRSCC.
 La información contenida en las ontologías organizacionales considera
objetos de conocimiento y competencias individuales.
 Se tiene un servicio de recomendación adaptable a diversos tipos de
organizaciones, el cual es capaz de ofrecer distintos resultados
considerando el entorno en el que se desenvuelve un usuario.
 Las funciones del cliente del sistema de recomendación se pueden colocar
en diversos dispositivos móviles.
 El trabajo realizado permite que otros desarrolladores hagan uso de una o
más funciones que requieran en futuras investigaciones.

8

1.6 Organización del documento

Este documento de tesis se encuentra organizado en siete capítulos, los cuales
describen el trabajo de investigación en sus diversas etapas como se indica a
continuación:

Capítulo 2 Marco Teórico. En este capítulo se describe la etapa relacionada con
la Investigación de conceptos claves de los SRSCCs, por lo que se presenta un
marco teórico al respecto, donde se incluyen conceptos y principios técnicos sobre
los sistemas de recomendación contextuales semánticos, redes de ontologías y
métodos de inferencia semánticos.

Capítulo 3 Estado del Arte. En este capítulo se presenta información obtenida de
la actividad de Investigación de los enfoques actuales en el desarrollo de
SRSCCs, describiendo brevemente sistemas de recomendación contextuales
semánticos y las ontologías usadas en ellos para la representación del contexto.

Capítulo 4 Definición de una arquitectura genérica para un SRSCC
organizacional. Como su nombre lo indica, en este capítulo se describe una
arquitectura capaz de permitirle a un SRSCC realizar las tareas involucradas con
su funcionamiento, las cuales se han asociado a módulos específicos que
consideran los enfoques analizados en el estado del arte.

Capítulo 5 Desarrollo del SRSCC organizacional T-Guía. En este capítulo se
describen la forma en que la arquitectura propuesta fue usada en el desarrollo de
un SRSCC organizacional, llamado T-Guía, el cual está diseñado para funcionar
de forma proactiva con clientes móviles en entornos de tipo campus.

Capítulo 6 Pruebas y caso de estudio. En este capítulo se detalla la etapa de
Pruebas al SRSCC organizacional T-Guía, especificando los resultados
observados y las hipótesis que se buscaron comprobar. Además, se describe un
escenario de uso del T-Guía en el que se analiza el comportamiento del sistema
bajo distintas variaciones contextuales.

Capítulo 7 Conclusiones. En este capítulo se plantean las conclusiones
obtenidas con la realización de este trabajo, además de sugerir áreas de
oportunidad y posibles trabajos futuros que pueden ampliar esta investigación.

Por último, se incluye una sección de anexos que aportan información de soporte
a la investigación realizada, la cual no se incorpora en el contenido principal del
documento debido a su extensión o por ser material redactado explícitamente
como complemento a aspectos claves del trabajo de tesis.

9

CAPÍTULO 2 MARCO TEÓRICO

Los contenidos de este capítulo explican conceptos necesarios para la realización
del trabajo de tesis, abarcando temas relacionados a sistemas de recomendación
contextuales semánticos, redes de ontologías y métodos de inferencia semánticos.

10

2.1 Sistema de recomendación semántico adaptable al contexto

Los sistemas de recomendación semánticos basan su proceso de recomendación
sobre una base de conocimiento, normalmente definida a través de un esquema
de conceptos (como una taxonomía o un tesauro) o una ontología, y además, para
ser considerados como adaptables al contexto, estos tipos de sistemas deben
tomar en consideración diferentes factores (temporales, de lugar, nivel de
experiencia del usuario, dispositivo que se está utilizando en el momento de recibir
la recomendación, entre otros.) para inferir el contexto en que se encuentra el
usuario y adaptar las recomendación a esas circunstancias, facilitando el acceso
de los usuarios a la información que necesitan [Peis, 2008].

Para realizar este proceso de inferencia, las técnicas utilizadas por los sistemas de
recomendación adaptables al contexto usan lo que se considera como
conocimiento funcional, es decir, se tiene conocimiento acerca de cómo un
elemento en particular responde a una necesidad particular del usuario, y por lo
tanto se puede razonar sobre la relación entre una necesidad y una posible
recomendación [Burke, 2002].

2.2 Ontología de contexto multidimensional

El contexto es cualquier información que puede ser usada para caracterizar la
situación de una entidad, donde una entidad puede ser una persona, lugar u
objeto físico o computacional, por lo que puede verse como un espacio
multidimensional donde cada dimensión es representada por una ontología
especifica [Bouzeghoub, 2009]. Para ello, se maneja una red de ontologías,
relacionadas entre sí, las cuales en conjunto contienen la información que
describe el contexto y adquieren el nombre de ontología de contexto
multidimensional.

11

2.3 Clasificaciones de sistemas de recomendación

Existen dos clasificaciones de sistemas de recomendación manejadas en la
literatura, la primera de ellas define las siguientes categorías [Balabanovi, 1997]:

 Basados en contenido: al usuario se le recomiendan ítems basados en lo
que le ha gustado previamente.
 Colaborativos: al usuario se le recomiendan ítems que han sido del agrado
de usuarios con preferencias similares.
 Híbridos: estos sistemas combinan el enfoque basado en contenidos con el
enfoque colaborativo.

La segunda clasificación agrupa a los sistemas de recomendación en basados en
reglas, de filtrado colaborativo y de personalización basada en contenidos
[Shipman, 1995], [Chen, 1998].

2.4 Algoritmos de recomendación contextual

En los enfoques analizados para el desarrollo de sistemas de recomendación, se
encontró que existen diferencias significativas entre las técnicas de filtrado basado
en contenidos, entre las técnicas de filtrado colaborativo y entre las técnicas de
filtrado híbrido, pues cada una de éstas tiene características bien definidas que se
describen en los apartados siguientes:

2.4.1 Técnicas de filtrado basado en contenidos

Los sistemas de recomendación basados en contenidos utilizan algoritmos que
analizan la descripción de los ítems, con el objetivo de identificar aquellos que
resulten de interés para el usuario [Balabanović, 1997]. En este tipo de algoritmos
se tiene un perfil de usuario que describe sus preferencias en base a las
características de los objetos que ha calificado, lo que en la literatura se conoce
como ―correlación ítem-a-ítem‖ [Burke, 2002].

12

Existen diferentes formas de representar los ítems; una técnica para crear
estructuras que representen el contenido de los ítems es el stemming, cuya meta
es determinar un término que refleje el significado común existente entre
diferentes palabras [Balabanović, 1997]. El valor de una palabra (variable)
asociada a un término es un número real que representa su relevancia.

Dentro de los algoritmos de recomendación sobre contenidos se distinguen los
siguientes enfoques:

 Árboles de decisión y reglas de inducción.
 Redes neuronales.
 Vecino más cercano.
 Algoritmo de Rocchio.
 Clasificadores lineales.
 Métodos probabilísticos y Naïve Bayes.

2.4.2 Técnicas de filtrado colaborativo

Los algoritmos de filtrado colaborativo proporcionan recomendaciones o
predicciones de ítems basándose en la opinión de usuarios con características
similares, siendo que esta opinión puede ser obtenida de manera explícita o
implícita.

En otras palabras, la meta de los algoritmos de filtrado colaborativo es sugerir
nuevos ítems o predecir la utilidad de cierto ítem para un usuario particular,
basándose en los gustos y opiniones definidos previamente por usuarios similares
[Sarwar, 2001].

Para un escenario típico de filtrado colaborativo se tiene una lista de m usuarios
U = {𝑢1 ; 𝑢2 ; … ; 𝑢 𝑚 } y una lista de n ítems I= {𝑖1 ; 𝑖2 ; … ; 𝑖 𝑛 }. Cada usuario 𝑢 𝑖 tiene
una lista de ítems 𝐼 𝑢 𝑖 para los cuales expresa opiniones que pueden ser explicitas
al asignarles una puntuación (normalmente dentro de una escala establecida), o
implícita obtenida a partir de los registros.

El usuario específico para el cual se desarrolla el proceso de filtrado se le llama
usuario activo, y se distingue como 𝑢 𝑎 , y se han establecido dos formas de definir
si un ítem es aceptable para un usuario, una de ellas es la predicción y la segunda
es la recomendación:

13

 Predicción: es un valor numérico 𝑃 𝑎,𝑗 que expresa el grado de
satisfacción calculado para un ítem 𝐼𝑗 ∈ 𝐼 𝑢 𝑎 con respecto a un usuario
activo 𝑢 𝑎 .

 Recomendación: es una lista de N ítems 𝐼 𝑟 ⊂ 𝐼, que podrían ser del
agrado de un usuario activo.

Los algoritmos de filtrado colaborativo manejan una matriz de valoraciones A de
m×n para representar la puntuación aginada por un usuario para un ítem.

2.4.3 Técnicas de filtrado híbrido

Los sistemas de recomendación híbridos combinan dos o más técnicas de
recomendación para tener un mejor desempeño. A continuación se describen
algunas de las combinaciones más comunes [Burke, 2002].

 Ponderación o Weighted: en este enfoque se calcula un puntaje
para un ítem a partir de todas las técnicas de recomendación
disponibles en el sistema.

 Conmutación o Switching: en este enfoque el sistema utiliza algún
criterio para cambiar entre distintas técnicas de recomendación
dependiendo de la situación presente al momento de efectuar la
recomendación.

 Mixta: en este enfoque se utilizan más de una técnica de
recomendación que pueden ser ejecutadas simultáneamente, lo cual
es útil cuando se necesita generar múltiples recomendaciones al
mismo tiempo.

 Función de combinación: en este enfoque se realiza una mezcla
entre algoritmos colaborativos y basados en contenido al tratar la
información colaborativa simplemente como datos adicionales, y
usar técnicas basadas en contenidos sobre el conjunto de datos
extendido. De este modo, se pueden considerar datos colaborativos
sin tener que depender exclusivamente de ellos, lo que reduce la
sensibilidad del sistema a la cantidad de usuarios que han calificado
un ítem. Otra particularidad es que permite tener una apreciación de
la similitud entre los ítems que no sería visible usando únicamente
técnicas colaborativas.

14

 Cascada: la hibridación cascada implica un proceso por etapas,
primeramente se emplea una técnica para producir un conjunto de
ítems candidatos, a partir de éste se aplica una segunda técnica que
refina la recomendación de ítems. Su eficiencia radica en que la
segunda técnica se aplica sólo a los elementos que requieren un
segundo filtrado, mientras que en otros enfoques cada técnica se
aplica a todos los elementos.

 Función de incremento: en este enfoque, se emplea una técnica
para producir la clasificación de un ítem incorporando esta
información denle el proceso de la siguiente técnica de
recomendación.

 Meta-nivel: en este enfoque se usa el modelo generado por una
técnica como entrada de otra. El meta-nivel hibrido se enfoca
exclusivamente en la recomendación conocida como "colaboración
vía contenido" y tiene la ventaja de que el modelo es una versión
comprimida de los intereses del usuario y un mecanismo colaborativo
que puede operar fácilmente sobre su representación de densidad de
información.

2.5 Lenguaje de Reglas de la Web Semántica (SWRL)

El Lenguaje de Reglas de la Web Semántica (SWRL, o Semantic Web Rule
Language e inglés), se basa en una combinación de los sub-lenguajes OWL DL,
OWL Lite y RuleML y usa una notación similar a la EBNF [Horrocks, 2004]. SWRL
extiende el conjunto de axiomas de OWL para incluir clausulas de Horn1. Esto
hace posible combinar clausulas de Horn con una base de conocimientos en
OWL. Además, posee una sintaxis abstracta de alto nivel, con la que se puede
describir una ontología de OWL como una secuencia de axiomas y hechos.

Las reglas definidas con SWRL se definen como cláusulas de Horn, estableciendo
una relación entre un antecedente y un consecuente, es decir, cuando se cumplen
las condiciones definidas en el antecedente, las condiciones establecidas en el

1
Clausula de Horn: De acuerdo a [Nielson, 2002], una cláusula de Horn es un conjunto finito de
implicaciones. Cada implicación r es de la forma h ⇐ α donde h y α son la cabeza (antecedente) y
la condición previa de r, respectivamente. En otras palabras, en una clausula se puede expresar
una disyunción de literales con al menos una literal positiva, por ejemplo: p q t
u
15

consecuente deberán cumplirse también. Estas reglas se definen de la forma
Antecedente (body) -> Consecuente (head).

Cada consecuente puede estar formado por un conjunto de átomos (incluso el
conjunto vacío) y se pueden utilizar referencias URI, que sirven para identificar
una regla y las variables son marcadas con un signo ‗?‘ como prefijo. Un ejemplo
de regla en SWRL es: la afirmación de que las propiedades hasParent y
hasBrother implican hasUncle.

hasParent(?x1,?x2) ^ hasBrother(?x2,?x3) => hasUncle(?x1,?x3)

16

CAPÍTULO 3 ESTADO DEL ARTE

Este capítulo presenta tópicos relacionados con las tendencias y enfoques
actuales en los sistemas de recomendación contextuales semánticos, los cuales
impactaron en el desarrollo de éste trabajo de tesis.

17

3.1 Categorización de trabajos

Los trabajos relacionados que se describen a continuación corresponden a
proyectos de investigación recientes (2008-2010), relacionadas con el tema de
tesis. En estos trabajos se presentan Sistemas de Recomendación Semánticos
Conscientes del Contexto (SRSCCs) que usan bases de conocimientos de dos
tipos, las que utilizan redes de ontologías y las que se basan en ontologías
tradicionales y recursos no ontológicos. En el primer tipo de base de
conocimientos se busca modelar toda la información que engloba a un SRSCC,
mientras que en el segundo caso, la mayoría de los enfoques se centran en
modelar las preferencias e intereses de los usuarios en una ontología y los
aspectos relacionados con la información contextual son obtenidos de otras
fuentes. Posteriormente se analizan tres trabajos que abordan el uso de redes
ontológicas y seis trabajos en los que se explotan ontologías tradicionales.
Finalmente, se incluye la descripción de una red de ontologías para el modelado
semántico de recursos humanos, cuyos módulos ontológicos se encuentran
estrechamente relacionados con las dimensiones contextuales manejadas en este
trabajo de tesis.

3.2 Propuesta de Bouzeghoub [Bouzeghoub, 2009]

El trabajo desarrollado por Bouzeghoub se enfoca a SRSCC que realizan
recomendaciones sobre personas, edificios, eventos y recursos disponibles
[Bouzeghoub, 2009]. Además, considera usuarios con dispositivos móviles en un
entorno de tipo campus, a los que de forma proactiva y según la situación del
usuario, se les muestra información sobre los edificios e individuos más
relevantes que se encuentran cerca de él.

Dentro de este enfoque, se sugiere que ―el contexto es un espacio
multidimensional donde cada dimensión es representada por una ontología
especifica‖, además, el concepto de situación es manejado bajo la siguiente
definición: ―una situación describe la información contextual durante un instante de
tiempo‖ [Bouzeghoub, 2009]. Esto corresponde a un conjunto de relaciones
semánticas, las cuales son validas en un instante dado o que son estables en un
intervalo de tiempo. Una situación combina todas o algunas dimensiones

18

(contextuales) al mismo tiempo‖. Además, se define un evento como ―un cambio
de situación‖.

La red de ontologías manejada está formada por cinco ontologías, las cuales se
describen a continuación:

1. Domain ontology: está ontología permite crear instancias de competencias
y recursos, (equipos y documentos), que se manejan en el sistema.
2. User ontology: incluye una lista de las competencias del usuario (conceptos
que trabaja u ofrece, así como un nivel de conocimiento, ponderado de
menos a más, que está asociado a cada concepto), una lista de sus
intereses, y una lista de recursos que ha aprendido, visto o recomendado.
3. Activity ontology: diseñada para modelar las actividades que realizan los
usuarios.
4. Location ontology: se basa en las ontologías de [Chen, 2003]. Maneja
conceptos relacionados a la localización geográfica (ejemplo, ‗inDoor‘, ‗out-
Door‘, ‗room‘, ‗school‘, ‗class‘, ‗street‘, ‗office‘, ‗train‘...), entidades
geopolíticas (‗Country‘, ‗Home‘, ‗City‘, ‗Company‘, ‗University‘, ‗State‘,
‗Department‘…) y sus relaciones.
5. Time information ontology: usan la ontología OWL-Time2 [W3C, 2006] como
modelo de tiempo, la cual es extendida para los fines del proyecto e
implementada en F-Logic. Los conceptos básicos de esta ontología son:
‗instant‘, ‗interval‘, ‗instant event‘, y ‗interval event‘ y las relaciones básicas
son ‗before‘, ‗after‘, ‗inside‘.

Además del contexto y perfil de usuario, en el proceso de inferencia se
considera el historial de recomendaciones, el cual almacena las recomendaciones
aceptadas previamente por los usuarios, para determinar cuáles son las
recomendaciones más novedosas.

2
http://www.w3.org/TR/owl-time

19

3.3 Proyecto mIO! [Cadenas, 2009]

El proyecto mIO! está orientado al sector turismo, considerando usuarios finales
con dispositivos móviles en un ambiente urbano, para quienes se ofrecen
recomendaciones sobre puntos de interés, servicios y ofertas comerciales,
permitiendo también mantener una interfaz adaptable a los clientes.

La base de conocimientos usada consiste en una red de ontologías para la
descripción del contexto, llamada mIO!, la cual fue creada usando la metodología
para la creación de redes de ontologías NeOn [Cadenas, 2009]. Esta red de
ontologías, mostrada en la Figura 3.1: Red de ontologías mIO! está formada por
las ontologías siguientes:

1. User ontology: esta ontología es usada para modelar información sobre
personas, grupos y organizaciones. Es definida reutilizando las ontologías
CoDAMoS3 y FOAF4.
2. Role ontology: esta ontología es usada para modelar roles, perfiles y
preferencias.
3. Environment ontology: esta ontología modela la información relacionada
con el ambiente, como humedad, luminosidad, ruido, etc. Esta ontología
reutiliza la ontología CoDAMoS.
4. Location ontology: esta ontología es usada para modelar información
relacionada a la localización, como lo son edificios, entidades espaciales,
coordenadas, distancia, etc. En su diseño se reutilizó la ontología SOUPA5.
5. Time ontology: en esta ontología se modela información sobre el tiempo, tal
como unidades temporales, entidades temporales, instantes, intervalos, etc.
Esta ontología es obtenida por la reutilización de la ontología OWL-Time.
6. Service ontology: esta ontología modela el conocimiento sobre los servicios.
7. Provider ontology: esta ontología modela la información sobre el proveedor
de servicios.
8. Device ontology: esta ontología reutiliza la ontología CoDAMoS , y modela
información sobre el hardware, el software y la plataforma de los
dispositivos.
9. Interface ontology: esta ontología modela información sobre las diferentes
interfaces de usuario que un dispositivo puede proporcionar.
10. Network ontology: esta ontología modela el conocimiento sobre las redes
de comunicación.

3
http://www2.cs.kuleuven.be/~distrinet/projects/CoDAMoS/ontology/context.owl
4
http://xmlns.com/foaf/spec/
5
http://cobra.umbc.edu/ont/soupa-ont.tar.gz

20

Figura 3.1: Red de ontologías mIO!

De manera adicional, en este proyecto se propone el uso de un historial del
contexto, el cual deberá ser considerado en el proceso de inferencia para deducir
mejores recomendaciones.

3.4 Proyecto ICAS [Sousa, 2009]

El proyecto ICAS presenta una arquitectura que permite la creación de servicios
sensibles al contexto y describe un modelo semántico para representar el contexto
llamado SeCoM [Sousa, 2009].

El modelo SeCoM se compone de seis ontologías principales y seis ontologías de
soporte, describiéndose las primeras de la siguiente forma:

1. Actor ontology: en esta ontología se modela la información correspondiente
al perfil de entidades como personas, grupos y organizaciones.
2. Time ontology: en esta ontología se modela información temporal en
términos de instantes de tiempo e intervalos de tiempo, las relaciones entre
ellos e información sobre calendarios y horarios.
3. Temporal Event ontology: en esta ontología se modelan los eventos con
extensiones de la Time ontology, de modo que se tienen instantes o
intervalos de los eventos, además de información relacionado con su
frecuencia y duración.

21

4. Space ontology: en esta ontología se modela información relacionada con
la ubicación de los actores. Para ello, se consideran lugares virtuales y
reales, tanto en interiores como exteriores, y relaciones entre lugares y
partes de ellos, y conceptos referentes a la orientación, entre otros.
5. Spatial Event ontology: en esta ontología se modelan los eventos con
extensiones de la Space ontology; se pueden representar eventos físicos
(que ocurren en una localización física) y eventos virtuales (que ocurren en
una localización virtual).
6. Device ontology: esta ontología describe los dispositivos en términos de
hardware y software, relaciones entre sus componentes y aspectos del
cómputo móvil.
7. Activity ontology: en esta ontología se describen las actividades como un
conjunto de eventos espaciotemporales, incluyendo a los actores y
dispositivos involucrados en ellos. Se manejan dos tipos de actividades, las
planeadas y las improvisadas.

Las ontologías secundarias son: Contact ontology, Relationship ontology, Role
ontology, Project ontology, Document ontology y Knowledge ontology. La Figura
3.2: Modelo SeCoM corresponde al modelo presentado en esta propuesta:

Figura 3.2: Modelo SeCoM

22

El proceso de inferencia en ICAS se basa en la consideración de las preferencias,
el contexto, los parámetros y los intereses de los usuarios para identificar los
servicios que les sean relevantes. En este enfoque, los servicios se clasifican en
categorías, y se marcan precondiciones y poscondiciones para cada uno de ellos,
de tal forma que en el proceso de filtrado de información, se realiza una búsqueda
por tipos de servicios, y después, se hace un enlace de los servicios compatibles,
en base a sus entradas y salidas. Por último se realiza una puntuación de las
combinaciones, utilizando las ponderaciones de los parámetros de evaluación
definidos por los autores y evaluando las políticas particulares de cada usuario, el
resultado se entrega al cliente en forma de lista.

De acuerdo al enfoque seguido en el proyecto, también se mantiene un historial de
las acciones de los usuarios en una base de datos. Estas acciones intervienen en
la recomendación de servicios determinando frecuencias de uso. Estas acciones
se almacenan en el formato: Action + target Triplet (e.g. update: Bob isMemberOf
the Sciences Students Group).

23

3.5 Proyecto SeMoDesk [Woerndl, 2009]

Este proyecto desarrolla un sistema de recomendación semántico que sigue un
enfoque para el manejo de información personal usando dispositivos PDA´s, el
cual realiza recomendaciones de artículos basándose en el contexto y la ontología
personal de un usuario. Para ello, se maneja un algoritmo que utiliza una función
de evaluación para recorrer el grafo de los recursos y ranquear sus nodos
[Woerndl, 2009]. Los recursos y otros elementos relevantes, tales como puntos de
interés, se señalan en un mapa desplegado en el dispositivo móvil.

La idea básica del algoritmo de recomendación es encontrar recursos relevantes y
recomendarlos junto con ítems adicionales. Las recomendaciones se obtienen a
partir de la selección de un tema o documento que es del interés del usuario, y el
sistema le muestra, en forma de lista, recursos relacionados con su selección,
para lo cual considera la agenda y localización de dicho usuario. Cuando el
usuario selecciona un elemento de la lista se le recomiendan recursos adicionales.
En este proceso el algoritmo sólo evalúa las entidades que el usuario ha definido
en el SeMoDesk.

Para identificar los ítems relevantes para el usuario, se recorre el grafo de la
ontología, usando una función de evaluación para determinar si un nodo es
recomendable; los vecinos de un nodo no recomendable son ignorados en el
recorrido. La función de evaluación considera la distancia entre el nodo
recomendable al nodo raíz, su peso dependiendo del tipo de concepto o recurso al
que corresponde, y el peso de sus relaciones con otros conceptos, considerando
que se pueden asignar distintos pesos de importancia a distintos tipos de
relaciones. La recomendación de ítems adicionales es posible por la extensión de
la ontología PIMO [Sauermann, 2007], realizada con la adición de puntos de
interés (POIs), los cuales se relacionan a los conceptos y recursos. Los objetos de
tipo POI pueden referirse, por ejemplo, a restaurantes, cines o tiendas, entre otros.

24

3.6 Propuesta de Rasanen [Rasanen , 2009]

Rasanen busca representar información referente al ambiente en que se
encuentra el usuario de un SRSCC, como condiciones de luminosidad, humedad,
temperatura y condiciones climáticas, además de esto, se consideran elementos
que describen los dispositivos que usa y la manera en que se desplaza un
usuario, como su medio de transporte y la velocidad con que se mueve [Rasanen ,
2009].

Dentro del proceso de inferencia, se propone considerar el contexto, políticas de
privacidad y preferencias de los usuarios, y también se maneja una clasificación
de actividades a las que corresponden un conjunto específico de preferencias,
teniendo, por ejemplo, que para las actividades de tipo ―viajes‖ en el proceso de
inferencia se consideran únicamente el conjunto de preferencias formadas por el
pronóstico del tiempo, las aerolíneas, los hoteles y servicios de renta de autos.

De manera adicional, el proceso de inferencia considera un historial de los lugares
que visita un usuario como factor para determinar las recomendaciones. Este
historial almacena datos referentes a la actividad y el contexto en que se realizó,
las recomendaciones que se le hicieron y los servicios que utilizó.

Para los datos de actividad y contexto se almacena el rango de tiempo en que se
realizó dicha actividad, la ubicación, el nivel de luminosidad (definidos en día,
tarde, noche, entre otros), la temperatura ambiental y la velocidad y aceleración
con que se desplazaba el usuario.

Además, para los datos de recomendaciones realizadas, se almacena la lista de
recomendaciones efectuadas con el peso de cada una de ellas, y para los datos
de los servicios usados se almacena el nombre de la recomendación y la
valoración otorgada por el usuario.

25

3.7 SMARTMUSEUM [Liiv, 2009]

La plataforma SMARTMUSEUM es utilizada para realizar recomendaciones para
el dominio del patrimonio cultural en un museo, por medio de un sistema que
combina los enfoques basado en reglas, colaborativo y personalización basada en
contenidos, siendo que estos contenidos están descritos semánticamente en una
ontología [Liiv, 2009].

La propuesta considera dos escenarios para el uso de un SRSCC, uno para
interiores y otro para exteriores, el primero de ellos está orientado a usuarios que
visitan las instalaciones del museo, mientras que el segundo se centra en usuarios
que pasean por la ciudad buscando lugares interesantes para visitar. Para la
localización, en exteriores se maneja GPS y en interiores tags RFID.

En ambos escenarios el funcionamiento es el siguiente:

1. Localizar al usuario.
2. Enviar el perfil del usuario del PDA al servidor de recomendaciones y
calcular los intereses del usuario.
3. Presentar los lugares sugeridos para visitar.
4. Presentar información detallada de los lugares que el usuario
seleccione.
5. Almacenar los intereses y comentarios del usuario en su perfil. La
información que se almacena es un indicador si al usuario le gusta o
no el ítem y un comentario sobre él.
6. Permitir al usuario modificar su perfil manualmente.
7. Ofrecer a los administradores herramientas para administrar los
museos y lugares de interés de la ciudad.

Específicamente, el SMARTMUSEUM recomienda objetos que se encuentran en
el museo, considerados como los ítems registrados en el sistema, pero además se
tiene un segundo tipo de recomendación, en el que se recomienda contenido
relacionado a un objeto en particular que el usuario visita dentro del museo.

Uno de los mecanismos para determinar la popularidad de los ítems entre los
usuarios es medir el tiempo que permanecen en las páginas web de los puntos de
interés (incluidas como ligas dentro de la información detallada de los lugares que
se recomiendan a los usuarios), y usarlo para tener un ranqueo de ellos.

26

El perfil de usuario que se maneja en SMARTMUSEUM incluye información de las
habilidades e intereses del usuario, además de un historial de los lugares que
visita. Para los dos primeros grupos de información se utilizan las ontologías
GUMO[Heckmann,2005] y Getty6, mientras que el historial se maneja como una
lista de registros que contienen el identificador del objeto, el contexto de la visita,
la URL correspondiente y la valoración asignada por el usuario para el objeto y el
contenido.

La calificación que se almacena para cada ítem es calculada por una combinación
de la entrada manual con un monitoreo implícito, en el cual se registran las
acciones que el usuario realiza para identificar si un ítem recomendado es de su
agrado, asignándose valores de la siguiente forma:

 1: si el usuario indica manualmente que un ítem le gusta.
 0.7: el usuario consulta información detallada sobre el ítem.
 0.3: el usuario consulta sólo la información básica del ítem.
 -0.01: el usuario visita el lugar donde se encuentra el objeto pero no se
muestra interesado.
 -1: el usuario indica manualmente que el ítem no le agrada.

El sistema de reglas planteado para el componente de recomendación del
SMARTMUSEUM se basa en dos consideraciones:

 Las capacidades y preferencias del usuario, identificadas a partir de
su perfil.
 La información contextual del entorno del usuario, especificada al
comenzar el recorrido por un museo.

La primera consideración es la base del proceso de recomendación, mientras que
la información contextual es usada para optimizar las recomendaciones.

Para proporcionar recomendaciones basadas en los intereses de los usuarios y el
contexto se utiliza un componente basado en ontologías. Estos intereses son
determinados basándose en metadatos que describen los ítems que el usuario ha
etiquetado en diferentes contextos, para lo cual se utilizan anotaciones, definidas
en RDF, que describen los objetos en términos de ontologías y esquemas de
metadatos. Estas anotaciones están estructuradas utilizando una extensión del
esquema de metadatos Dublin Core7, el cual, contiene descriptores para
representar diferentes aspectos de los objetos, tales como: el tipo de objeto, su
lugar de fabricación, su creador y el material del cual está hecho, entre otros.

6
http://www.getty.edu/research/conducting_research/vocabularies/
7
http://dublincore.org/documents/1998/09/dces/

27

El perfil de usuario es obtenido mediante una aplicación web en la que se ofrece a
los usuarios una lista de palabras para definir sus intereses, la cual es obtenida a
partir del vocabulario Getty6, y después, el perfil del usuario es actualizado
continuamente mediante las anotaciones que va realizando a través de la interfaz
del PDA, en la cual indica si un ítem le agrada o no. Cada tripleta del perfil de
usuario es ligada al contexto en el que el usuario efectuó la anotación.

Además, el perfil de usuario es definido por los autores como un conjunto de ítems
de perfil, que representan tripletas individuales de la forma pi =< t, ct, w >, donde t
es una tripleta, ct el contexto de la tripleta y w es el peso de la tripleta t en ct. El
peso del ítem de perfil puede ser determinado a partir de una probabilidad
máxima, que es el número de veces que una tripleta ha sido etiquetada entre el
número total de tripletas que existen. Para evitar tener una probabilidad igual a
cero cuando no se tienen anotaciones para un objeto en cierto contexto se utiliza
el suavizado de Laplace [Field, 1988].

El perfil de contexto representa el contexto de un usuario al momento de efectuar
una recomendación, manejando información de su localización que define
restricciones espaciales para la recomendación de ítems, las cuales pueden ser
una tripleta indicando que un usuario está dentro de cierto museo, o bien, pueden
ser coordenadas del World Geodetic System 84 (WGS84)8, indicando que el
usuario se encuentra en el exterior. En un tercer escenario, se utiliza la lectura de
etiquetas RFID colocadas en objetos cercanos al usuario y cuyos identificadores
se almacenan en el perfil de usuario, lo que es útil para realizar recomendaciones
referentes a ese ítem. Para el proceso de recomendación se calcula el cociente de
similitud entre el perfil de usuario y las tripletas que describen a los objetos.

8
El World Geodetic System 84 (que significa Sistema Geodésico Mundial 1984), es un sistema de
referencia terrestre único para referenciar las posiciones y vectores. Se estableció este sistema
utilizando observaciones Doppler al sistema de satélites de navegación NNSS o Transit, de tal
forma que se adaptara lo mejor posible a toda la Tierra. Se define como un sistema cartesiano
geocéntrico del siguiente modo:
- Origen, centro de masas de la Tierra, incluyendo océanos y atmósfera.
- Eje Z paralelo a la dirección del polo CIO o polo medio definido por el BIH, época 1984.0
con una precisión de 0,005".
- El eje X la intersección del meridiano origen, Greenwich, y el plano que pasa por el origen
y es perpendicular al eje Z, el meridiano de referencia coincide con el meridiano cero del
BIH en la época 1984.0 con una precisión de 0,005". Realmente el meridiano origen se
define como el IERS Reference Meridian (IRM).
- El eje Y ortogonal a los anteriores, pasando por el origen.
- Terna rectangular dextrosum.
Fuente: Department of defense world geodetic system 1984—its definition and relationships with
local geodetic systems. Technical Report TR8350.2, National Imagery and Mapping Agency,
Bethesda, USA

28

Finalmente, la retroalimentación del recomendador se basa en el perfil de usuario
y el perfil de contexto, teniéndose un conjunto de tripletas para definirlos, cada una
con un peso calculado para determinar su probabilidad de ocurrencia en un
contexto dado, además, pueden usarse consultas para expandir cada tripleta,
identificando relaciones de inclusión entre ellas.

3.8 El proyecto MyMose [Zubizarreta, 2009], [Zubizarreta, 2008],
[Arias, 2008] y [Zubizarreta, 2005]

El consorcio MORFEO9 a impulsado un proyecto de investigación sobre búsqueda
contextual aplicado al entorno de Web Móvil denominado MyMose, el cual incluye
un sistema de recomendación consciente del contexto que realiza sugerencias a
los usuarios sobre servicios que pudiesen interesarle en base a sus solicitudes, y
cuya base de conocimientos está basada en ontologías y tesauros. MyMose busca
recabar los datos y preferencias de un usuario para definir su perfil y en base a
ello realizar las recomendaciones [Zubizarreta, 2009], [Zubizarreta, 2008], [Arias,
2008] y [Zubizarreta, 2005].

Dentro de este proyecto, se maneja un modelo para la obtención del contexto
usando ontologías, en el cual se incluyen todas las propiedades del ambiente del
usuario y de sus intereses, para lo cual se utiliza una taxonomía de clases y
propiedades, que se ligan a conceptos similares y si se llegasen a necesitar
nuevos conceptos estos pueden ser creados por un especialista. Una vez que las
propiedades han sido identificadas y definidas, no pueden ser removidas del
modelo, ya que esto podría producir rupturas en las dependencias entre
propiedades.

En este proyecto se propone un modelo contextual extensible dividido en tres
niveles, que corresponde a la Figura 3.3: Niveles del modelo contextual y cuya
descripción se presenta a continuación:

 Propiedades recuperadas directamente: Estas son propiedades que
pueden ser reunidas automáticamente de las fuentes de información
contextual.
 Propiedades derivadas: Son propiedades implícitas que pueden ser
inferidas a partir de las propiedades recuperadas directamente

9
http://uwa.morfeo-proyect.org

29

 Propiedades de aplicación específica: Son propiedades adicionales
definidas o redefinidas para una aplicación específica.

Figura 3.3: Niveles del modelo contextual

De manera adicional, se propone la creación automática de propiedades a partir
de la aplicación de reglas a propiedades ya existentes, y se enfatiza el hecho de
que es posible redefinir cualquier propiedad en el modelo, igualmente que las
reglas pueden ser modificadas del registro, las cuales han sido definidas con
SWRL.

Las ontologías definidas para el modelo contextual propuesto, consideran las
siguientes dimensiones:

 Perfil de usuario: Contiene propiedades explicitas e implícitas relacionadas
al usuario y sus circunstancias, así como sus preferencias. Esta ontología
es definida usando una extensión de FOAF.
 Dispositivo y navegador: Este conjunto de propiedades describen las
características del dispositivo y del navegador usados por un usuario, con el
objeto de proporcionar una fuente de información que permita la
personalización de interfaces de usuario de funciones de autocompletado y
características de búsqueda entre otras.
 Contexto geoespacial: La información sobre la localización de un usuario
incluye coordenadas geográficas, tipos de lugares, entidades políticas y
adicionalmente, se ha incluido en el modelo el concepto de alcance
espacia. La localización puede ser obtenida a través de GPS o
triangulación GPRS, de acuerdo a las características tecnológicas
dispositivos de usuario.
 Condiciones ambientales: estas propiedades buscan modelar el ambiente
alrededor del usuario.

30

 Fecha y hora: como parte de una dimensión temporal, se manejan los
elementos fecha y hora para modelar momentos asociados a los usuarios y
a los servicios recomendados por MyMose, como el instante en que se
efectúa la recomendación u horarios de atención, por ejemplo.
 Otras: esta dimensión del modelo permite la inclusión de cualquier
elemento interesante que no haya sido considerado en la ontología, que
pueden ser culturales, sobre redes, contexto social, intensiones del usuario,
contexto de las actividades, entre otras.

Otro aspecto interesante en este proyecto es la definición de una clasificación de
dispositivos, además de la clasificación de contenidos Web, propone un método
para desarrollar estas clasificaciones.

La arquitectura manejada en MyMose se compone de seis módulos, los cuales
corresponden a la Figura 3.4: Arquitectura de MyMose y se explican a
continuación:

 Modelo del Contexto provee una representación del usuario el ambiente y
el mecanismo de acceso, permitiendo la personalización y la conciencia del
contexto.
 Tesauros: modela semánticamente entre conceptos específicos
manejados por el sistema de búsqueda.
 Ontología: Describe propiedades adicionales que cada concepto del
tesauro puede tener.
 Asistente para la construcción de consultas semánticas: Busca
recomendar opciones más adecuadas dentro de un contexto para evitar
escritura del usuario y personalizar el proceso de búsqueda.
 Motor de búsqueda personalizada: Utiliza toda la información disponible
para encontrar resultados relevantes.
 Interface usuario: En [Arias 2008] Se presenta un prototipo adaptable a los
dispositivos móviles, el cual utiliza los módulos previos para interactuar con
el usuario.

31

Figura 3.4: Arquitectura de MyMose

El sistema de recomendación semántico consciente del contexto manejado en
este proyecto para la construcción de consultas, opera sobre un tesauro definido a
partir del vocabulario SKOS10 e implementado en RDF, en el que para cada
concepto se incluyen sinónimos que reflejan la misma idea y se permite el uso de
palabras en diferentes idiomas.

Otro punto a resaltar es la definición de las propiedades isSuitableInContext e
isNotSuitableInContext, que permiten identificar si un concepto es adecuado o no
para un contexto específico y de esta forma aumentar la eficiencia del filtrado de
información. Una de las reglas aplicables al tesauro para identificar el valor de
estas propiedades se define de la forma:

concept(?c) ^context(?t)^{conditions(?t)} isSuitableInContext(?c,?t)

Usando esta regla y un conjunto de condiciones especificadas por un experto, el
Motor de Inferencia es el encargado de identificar bajo qué condiciones un
concepto es deseable.

3.9 Proyecto SEEMP [Gómez-Pérez, 2010]

El proyecto SEEMP tiene el objetivo de facilitar la administración de empleos en
Europa, y con ese objetivo, se ha desarrollado una red de ontologías capaz de
describir las características de empleos y empleados en términos de recursos
humanos [Gómez-Pérez, 2010].

10
http://www.w3.org/TR/2008/WD-skos-primer-20080221/

32

Esta red de ontologías, llamada SEEMP Reference Ontology 11, contiene varias de
las dimensiones contextuales consideradas en esta tesis, además de otras que se
pueden incluir para extender el modelo manejado, las cuales se describen a
continuación:

1. Job Seeker Ontology. Esta ontología modela información sobre los
buscadores de empleo y sus CV usada en el proyecto SEEMP.
2. Job Offer Ontology. Esta ontología modela conocimiento sobre vacantes,
empleadores y ofertas de trabajo.
3. Compensation Ontology. Esta ontología modela información sobre sueldos
y salarios, y está basada en el estándar ISO 421712, el cual es una lista de
254 nombres y códigos de monedas nacionales expresado en HTML.
4. Driving License Ontology. Esta ontología modela conocimiento relacionado
al dominio de las licencias de manejo, y está basada en las normativas de
la legislación europea13 contemplando 12 tipos de licencias de manejo.
5. Economic Activity Ontology. Esta ontología maneja conocimiento de las
actividades y sectores económicos, usando como base el estándar NACE
Rev. 1.114
6. Occupation Ontology. Esta ontología se basa en los estándares ISCO-88
(COM)15, ONET16 y European Dynamics para modelar conocimiento sobre
ocupaciones y tipos de trabajos.
7. Education Ontology. Esta ontología modela conocimiento sobre campos y
niveles de educación tomando los estándares FOET17 e ISCED9718
8. Geography Ontology. Esta ontología se basa en el estándar ISO 316619 y la
European Dynamics classifications: Continent and Region para representar
conocimiento sobre 244 países y 367 regiones del mundo.
9. Labour Regulatory Ontology. Esta ontología está basada en la clasificación
LE FOREM20 para expresar conocimiento sobre reglamentos y contratos de
trabajo.
10. Language Ontology. Esta ontología se basa en los estándares ISO 639221 y
Common European Framework of Reference (CEF)22 para modelar
conocimiento sobre idiomas.

11
http://droz.dia.fi.upm.es/seemp/
12
http://www.iso.org/iso/en/prods-services/popstds/currencycodeslist.html
13
http://ec.europa.eu/transport/home/drivinglicence/
14
http://ec.europa.eu/comm/eurostat/ramon/
15
http://online.onetcenter.org/
16
http://online.onetcenter.org/
17
http://ec.europa.eu/comm/eurostat/ramon/
18
http://www.iso.org/iso/en/prods-services/iso3166ma/index.html
19
http://www.iso.org/iso/en/prods-services/iso3166ma/index.html
20
http://www.leforem.be/
21
http://www.iso.org/iso/en/prods-services/popstds/languagecodes.html

33

Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil

Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil

Recomendados

Recomendados

Más contenido relacionado

Similar a Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil

Similar a Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil (20)

Más de Gabriel Gonzalez Serna

Más de Gabriel Gonzalez Serna (14)

Último

Último (16)

Sistema de Recomendación Contextual Basado en Ontologías para Ambientes Organizacionales y de Usuario en Entornos de Cómputo Móvil