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

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

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

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

2


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

3


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

4


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

5


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

6


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.

7


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

8


de datos geográficos, con el fin de capturar, almacenar, analizar y
desplegar información geográficamente referenciada. También
puede definirse como un modelo de una parte de la realidad
referido a un sistema de coordenadas terrestres que es construido
para satisfacer necesidades concretas de información.

SOAP Protocolo de acceso a objetos simple (Simple Object Access
Protocol). Es un protocolo para el intercambio de información
estructurada, dentro de la aplicación de servicios Web.

SPARQL Lenguaje de consultas RDF y protocolo SPARQL (SPARQL
Protocol And RDF Query Language). Es una recomendación del
W3C como herramienta de consulta dentro de la Web Semántica.

SPSS Software para minería de datos y análisis estadístico.

SQWRL Lenguaje de reglas de consultas de Web Semántica (Semantic
Query Web Rule Language). Extensión del lenguaje SWRL en el
que el consecuente de una regla se maneja como una consulta
SQL.

SWRL Lenguaje de reglas de Web Semántica (Semantic Web Rule
Language). Lenguaje de reglas basado en OWL y Rule-ML,
desarrollado por la Universidad de Stanford. Este lenguaje
permite la formulación de reglas en base a la implicación entre
un antecedente y un consecuente, lo que puede traducirse como:
cuando los antecedentes de una regla se cumplen, el consecuente
se lleva a cabo.

SWRLTab Extensión dentro del editor de ontologías Protégé para poder
utilizar reglas SWRL y SQWRL.

TRIPLE Lenguaje de transformación, inferencia y consulta RDF para la
Web Semántica.
W3C World Wide Web Consortium. Consorcio internacional que
define recomendaciones a ser utilizadas dentro de la Web.

XFOAF Extensión de FOAF realizada durante esta investigación, con el
fin de poder describir las preferencias de una persona.

XML Lenguaje de marcado extensible (Extensible Markup Language).
Especificación del W3C, es un lenguaje extensible enfocado al
manejo y almacenamiento de datos y que puede ser usado para
describir otros lenguajes.

9


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.

10


Capítulo 1
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

11


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)

12


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).

Tecnologías de
Web semántica
Repositorio de datos de
servicios geo-localizables
Utiliza Maneja datos
Realiza consulta Motor de
consulta
Usuario Utiliza

Sistema de
recomendación
Anotaciones sociales

Maneja datos

Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la consulta
contextual y social de resultados geo-localizables.

13


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.

14


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 maps2 y Bing Mapas3 (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/

15


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 u m  U , I u m el conjunto de ítems
valorado del usuario um, se busquen elementos a recomendar in, tales que in  I  I um , es decir,
que no pertenezcan a los elementos ya evaluados por el usuario. Para ello se considera a P(um, in) el
valor de la predicción del ítem in al usuario um, y se busca un conjunto ordenado de ítems tales que
i x ,..., i z  I  I um , donde la recomendación al usuario um consiste de los ítems rec(um) = {ix,…iz},
donde P(um, ix)>= …>=P(um, iz).

16


Capítulo 2
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.

17


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.

18


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).

19


Ejemplar

Subclase
Propiedad

Clase Clase

Subclase: Restaurante
Ejemplar: Rafael Ponce

prefiere

Clase: Usuario Clase: Lugar
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.

geo:latitud float

Lugar geo:longitud
float
Subclass of Subclass of

Has a
Hotel Restaurante
Subclass of

Instance of Restaurante
geo:latitud 128 Italiano
Instance of
Hotel X geo:longitud
Instance of
34
geo:latitud 128

Restaurante Y geo:longitud
34
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

20


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.

21


 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

22


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.

23


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”.

24


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.

25


 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

26


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).
{v Vum | in  I uv
P usuario(u m , in )  (1)
Vm

Mientras que para el filtrado colaborativo basado en ítem se consideran el topN 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):
P item (u m , in )   w(i , i )
ix Vin  I u m
n x (2)

Como se menciona en (Segaran, 2007), para el cálculo de la similitud, se pueden 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):
Iu  Iv
wuv  (3)
Iu  Iv  Iu  Iv

27


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.

simu (ui , u j )  (1   ) * simu (ui , u j )   * simu (ui , u j )
T P
(4)

28



T
y 1
u m, y * in, y
cos(u m , in ) 
T
(5)
( y 1 u m, y ) * ( y 1 in, y )
T 2 T 2

Finalmente, el sistema de recomendación propuesto por Liang fusiona los resultados
obtenidos de las fórmulas (4) y (5), como se muestra en la fórmula (6).
P(u m , in )  u N (u )U ( * simu (ui , u j )  (1   ) * cos(u m , in ))
T
(6)
j i pk

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.

29


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.

30


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

A∩E
Precisión = (7)
E
Ìndice de A∩E
(8)
recuerdo = A

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

31

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

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (14)

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

Similar a Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social (20)

Más de Gabriel Gonzalez Serna

Más de Gabriel Gonzalez Serna (20)

Último

Último (20)

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