búsquedas contextuales de servicios basados en localización en un entorno de web social
DESCRIPTION
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.TRANSCRIPT
cenidet Centro Nacional de Investigación y Desarrollo Tecnológico
Departamento de Ciencias Computacionales
08 Otoño
Documento de tesis Tesista: Ismael Rafael Ponce Medellín Director: Gabriel González Serna
2011
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
2
Tabla de contenido
Lista de figuras ...............................................................................................................4
Lista de tablas ................................................................................................................6
Glosario .........................................................................................................................7
Resumen ..................................................................................................................... 10
1. Introducción ........................................................................................................ 11
1.1 Descripción del problema ...................................................................................................................... 14 1.2 Objetivo ......................................................................................................................................................... 14 1.3 Justificación y beneficios ........................................................................................................................ 15 1.4 Hipótesis ....................................................................................................................................................... 16
2 Marco teórico ...................................................................................................... 17
2.1 Información geográfica en mapas y sistemas LBS ....................................................................... 18 2.2 Ontologías en los sistemas de información geográfica .............................................................. 19 2.3 Dependencia contextual ......................................................................................................................... 21 2.4 Web Semántica ........................................................................................................................................... 22 2.5 Anotaciones sociales ................................................................................................................................ 23 2.6 Perfil de usuario y personalización ................................................................................................... 25 2.7 Sistemas de recomendación por filtrado colaborativo.............................................................. 25
2.7.1 Sistemas tradicionales de recomendación por filtrado colaborativo ...................... 27
2.7.2 Sistemas de recomendación por filtrado colaborativo utilizando anotaciones
sociales ................................................................................................................................ 28
2.8 Reglas de Web semántica ...................................................................................................................... 29 2.9 Recuperación de información .............................................................................................................. 30 2.10 Mapas Web................................................................................................................................................... 32 2.11 Mercadotecnia ............................................................................................................................................ 34
3 Estado del arte ..................................................................................................... 37
4 Metodología de solución ...................................................................................... 45
4.1 Recopilación de datos.............................................................................................................................. 46 4.1.1 Prototipo ................................................................................................................. 46
4.1.2 Datos obtenidos ...................................................................................................... 47
4.2 Propuesta de un sistema de recomendación contextual por filtrado colaborativo ....... 48 4.2.1 Obtención de reglas contextuales para la recomendación de servicios basados en
localización .............................................................................................................................. 48
4.2.2 Utilización de reglas de Web Semántica sobre información contextual en una
ontología de dominio ............................................................................................................... 50
4.2.3 Sistema de recomendación contextual por filtrado colaborativo ........................... 53
4.3 Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones sociales. ............................................................................................................................................... 54
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
3
4.4 Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en anotaciones sociales. ......................................................................................................................... 54 4.5 Experimentación y comparación entre los sistemas. ................................................................. 55
4.5.1 Consideración de facetas sobre un sistema de recomendación por filtrado
colaborativo con anotaciones sociales ..................................................................................... 55
4.5.2 Prueba diferenciando contexto – sin diferenciar contexto ..................................... 58
4.5.3 Prueba sobre el sistema de recomendación por filtrado colaborativo usando
anotaciones sociales e información contextual. ....................................................................... 62
4.5.4 Prueba de un sistema de recomendación por filtrado colaborativo propuesto. ...... 64
5 Conclusiones ........................................................................................................ 69
6 Trabajo Futuro ..................................................................................................... 71
7 Reconocimientos y publicaciones ......................................................................... 72
Anexos ........................................................................................................................ 74
Anexo A: XFOAF, extensión del vocabulario FOAF para definir el perfil contextual del usuario ........................................................................................................................ 74
Anexo B: Conceptos, relaciones y atributos de una ontología de restaurantes .............. 82
Anexo C: Reglas de Web Semántica en SWRL y SQWRL ................................................ 89
Anexo D: Capturas del prototipo de captura .............................................................. 102
Anexo E: Análisis de la varianza ................................................................................. 105
Anexo F: Mercadotecnia ............................................................................................ 125
Bibliografía ................................................................................................................ 145
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
4
Lista de figuras Figura 1. Problema de la caja negra para la recuperación de los elementos geo-localizables
más pertinentes a la búsqueda de un usuario. ...................................................................... 12
Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la
consulta contextual y social de resultados geo-localizables. ............................................... 13
Figura 3. Áreas relacionadas con la investigación de la presente investigación. ................ 17
Figura 4. Componentes básicos de un LBS: Usuario, Medio de posicionamiento, Red de
comunicación, Proveedor de servicios y contenidos. .......................................................... 18
Figura 5. Factores de éxito en las transacciones móviles. ................................................... 19
Figura 6. Una ontología se compone de clases y subclases, que a su vez contienen
ejemplares para las mismas. Dentro de este enfoque, las clases pueden comprender desde
usuarios hasta lugares. ......................................................................................................... 20
Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintos
tipos de clases y cómo sus ejemplares las heredan. ............................................................. 20
Figura 8. Modelo de un proceso de recomendación (Terveen 2001). ................................. 27
Figura 9. Funcionamiento general de un sistema de recuperación de información. ........... 30
Figura 10. La intersección entre los documentos relevantes y los documentos recuperados
en un sistema RI son los documentos relevantes recuperados tras una consulta. ............... 31
Figura 11. Interacción de un usuario para agregar o eliminar anotaciones sobre un lugar
geo-localizable. .................................................................................................................... 46
Figura 12. Etapas para la recomendación de resultados en base a la aplicación de reglas de
Web Semántica. ................................................................................................................... 53
Figura 13. Índice de recuerdo, precisión y medida F para los sistemas de recomendación
basado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y
Liang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales ........ 57
Figura 14. Índice de recuerdo para los sistemas de recomendación basado en ítem (1-0) y
su fusión con el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas
ponderaciones contextuales entre contexto de ítem-perfil de usuario y contexto de ítem-
contexto de entorno. ............................................................................................................ 60
Figura 15. Índice de recuerdo para los sistemas de recomendación basado en ítem
extendido con anotaciones (1-0) y su fusión con el sistema contextual, al 90%-10% y al
80%-20%, bajo distintas ponderaciones contextuales entre contexto de ítem-perfil de
usuario y contexto de ítem-contexto de entorno. ................................................................. 61
Figura 16. Índice de recuerdo sobre sistemas de recomendación: normal, con anotaciones,
con contexto y con anotaciones y contexto. ........................................................................ 63
Figura 17. Precisión sobre sistemas de recomendación: tradicional, con anotaciones, con
contexto y con anotaciones y contexto. ............................................................................... 63
Figura 18. Comparación del índice de recuerdo medio entre distintos sistemas de
recomendación contra el sistema propuesto. ....................................................................... 65
Figura 19. Comparación de la precisión media entre distintos sistemas de recomendación
contra el sistema propuesto. ................................................................................................ 66
Figura 20. Pantalla de inicio del prototipo ........................................................................ 102
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
5
Figura 21. Pantalla principal mostrando puntos de interés al usuario. .............................. 103
Figura 22. Captura del perfil personal del usuario. ........................................................... 103
Figura 23. Lugares valorados por un usuario. ................................................................... 104
Figura 24. Recomendación bajo un enfoque social y contextual. ..................................... 104
Figura 25. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo basado en ítem. ............................... 105
Figura 26. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo basado en ítem con anotaciones
sociales y contexto. ............................................................................................................ 105
Figura 27. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo basado en usuario. .......................... 106
Figura 28. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo de Tso-Sutter. ................................. 106
Figura 29. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo de Liang. ......................................... 106
Figura 30. Distribución normal del índice de recuerdo y precisión obtenidos mediante el
sistema de recomendación por filtrado colaborativo propuesto. ....................................... 107
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
6
Lista de tablas Tabla 1. Comparativa general de los trabajos revisados. .................................................... 43
Tabla 2. Tabla comparativa con respecto a la investigación por realizar. ........................... 44
Tabla 3. Atributos contextuales de perfil de usuario. .......................................................... 48
Tabla 4. Atributos contextuales de ítem. ............................................................................. 48
Tabla 5. Resultados de las medias del índice de recuerdo y la precisión reportadas para el
sistema de recomendación basado en usuario (columna 1-0), en ítem (columna 0-1) y las
fusiones entre ellos en intervalos de 10%, considerando y sin considerar facetas. ............. 56
Tabla 6. Índice de recuerdo, precisión y medida F para los sistemas de recomendación
basado en ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y
Liang (2010), comparando el uso o no uso de facetas sobre las anotaciones sociales. ....... 57
Tabla 7. Resultados de índice de recuerdo para los sistemas de recomendación basado en
ítem (columna 1-0) y contextual (columna 0-1), así como sus fusiones, considerando
distintas ponderaciones entre contextos y sin considerarlas. ............................................... 59
Tabla 8. Resultados de índice de recuerdo para los sistemas de recomendación basado en
ítem extendido con anotaciones (columna 1-0) y contextual (columna 0-1), así como sus
fusiones, considerando distintas ponderaciones entre contextos y sin considerarlas. ......... 60
Tabla 9. Índice de recuerdo medio entre las fusiones de los sistemas de recomendación por
filtrado colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales,
junto con un acercamiento contextual. ................................................................................ 62
Tabla 10. Precisión media entre las fusiones de los sistemas de recomendación por filtrado
colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales, junto
con un acercamiento contextual. ......................................................................................... 62
Tabla 11. Ìndice de recuerdo y precisión entre el sistema tagctx con la similitud por
anotaciones sociales entre usuario e ítem. ........................................................................... 65
Tabla 12. Media del índice de recuerdo y precisión obtenidos tras la experimentación con
los datos del prototipo bajo distintos sistemas de recomendación ...................................... 65
Tabla 13. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística
entre medias del índice de recuerdo y de la precisión para distintos sistemas de
recomendación, bajo un intervalo de confianza del 95%. ................................................... 66
Tabla 14. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística
entre medias del índice de recuerdo y de la precisión para distintos sistemas de
recomendación, bajo un intervalo de confianza del 99%. ................................................... 67
Tabla 15. Descripción de las clases de la ontología sobre resturantes utilizada para el
procesamiento de las reglas en SWRL. ............................................................................... 82
Tabla 16. Descripción de las relaciones de la ontología sobre resturantes utilizada para el
procesamiento de las reglas en SWRL. ............................................................................... 83
Tabla 17. Descripción de los atributos de la ontología sobre resturantes utilizada para el
procesamiento de las reglas en SWRL. ............................................................................... 87
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
7
Glosario
AJAX XML y Javascript asíncrono (Asynchronous Javascript and
XML). Es la integración de tecnologías de desarrollo Web usadas
del lado cliente para la creación de aplicaciones Web interactivas.
AllBut1 Todos menos 1. Forma de prueba dentro de los sistemas de
recomendación en la que de un conjunto de ítems valorados por
parte de un grupo de usuarios, se toma aleatoriamente un elemento
evaluado por cada usuario, mientras que el resto de los datos se usan
como conjunto de entrenamiento; tras el proceso de recomendación se
busca que el elemento tomado aleatoriamente se encuentre dentro de
los elementos recomendados, considerándose un hit o acierto en caso
de así serlo.
API Interfaz de programación para aplicación (Application
Programming Interface). Conjunto de funciones y
procedimientos que se ofrecen para utilizar una aplicación o
repositorio de datos, a manera de capa de abstracción.
FOAF Amigo de un amigo (Friend Of A Friend). Ontología expresada
en RDF y OWL, usada para describir personas, sus actividades y
sus relaciones con otras personas y objetos, permitiendo describir
redes sociales sin necesidad de una base de datos centralizada.
Geo Vocabulario en RDF por parte del W3C para geo
posicionamiento. Incluye los atributos latitude y longitude.
Jess Motor de inferencia a partir de reglas declarativas desarrollado en
Java para el trabajo de sistemas expertos.
JSP Páginas de servidor en Java (JavaServer Pages). Aplicación de la
tecnología Java que permite a los desarrolladores a presentar
páginas Web dinámicamente generadas, basadas en HTML,
XML y otros tipos de documentos.
Mashup Un mashup se refiere a una página o aplicación Web que
combina datos o funcionalidades de dos o más fuentes externas,
creando así un nuevo servicio. Dentro de los mashups más
populares, se encuentran los que utilizan mapas Web con alguna
otra fuente de datos.
Medida-F Medida F es una métrica que evalúa el desempeño conjunto tanto
de la precisión como del índice de recuerdo dentro de un sistema
de recuperación de información.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
8
nDCG Normalized discounted cumulative gain, métrica basada en la
posición que ocupan los resutados recuperados dentro de un
sistema de recuperación de información.
OWL Lenguaje de ontologías Web (Web Ontology Language).
Lenguaje de representación de conocimiento para ontologías;
basado en RDF y con una semántica formal, es utilizado como
una especificación del W3C dentro del desarrollo de la Web
Semántica.
PostGIS Módulo dentro del sistema gestor de bases de datos llamado
PostgreSQL que añade soporte para objetos geográficos dentro
de una base de datos.
PostgreSQL Sistema gestor de bases de datos relacional de código abierto.
Protégé Editor de código abierto para ontologías, basado en Java y con
soporte para OWL.
RDF Marco de trabajo para la descripción de recursos (Resource
Description Framework). Especificación del W3C generalmente
usada para la descripción conceptual o el modelado de la
información a manera de recursos Web usando una sintaxis
definida a manera de tripletas objeto-relación-objeto.
RDF-S Esquema RDF (RDF-Schema), es un lenguaje para la
representación de conocimiento que proporciona los elementos
base para la descripción de ontologías, mediante la estructuración
de recursos RDF. Es una recomendación del W3C y es usado
dentro de OWL.
REST Tranferencia de estado representacional (Representational State
Transfer) es un acercamiento a la obtención de contenido de un
sitio Web a partir de la lectura de una página Web designada para
ello, conteniendo un archivo XML o texto en algún otro formato
que incluya el contenido deseado.
Rule-ML Lenguaje de marcado de reglas (Rule Markup Language), que
busca representar reglas en XML para la deducción, reescritura y
tareas de inferencia.
SBL Servicios basados en localización (LBS, Location-based
Services) que hacen uso de la posición geográfica de quien los
utiliza.
SIG Sistema de información geográfica (GIS, Geographical
Information System). Es una integración de hardware, software y
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
9
de datos geográficos, con el fin de capturar, almacenar, analizar y
desplegar información geográficamente referenciada. También
puede definirse como un modelo de una parte de la realidad
referido a un sistema de coordenadas terrestres que es construido
para satisfacer necesidades concretas de información.
SOAP Protocolo de acceso a objetos simple (Simple Object Access
Protocol). Es un protocolo para el intercambio de información
estructurada, dentro de la aplicación de servicios Web.
SPARQL Lenguaje de consultas RDF y protocolo SPARQL (SPARQL
Protocol And RDF Query Language). Es una recomendación del
W3C como herramienta de consulta dentro de la Web Semántica.
SPSS Software para minería de datos y análisis estadístico.
SQWRL Lenguaje de reglas de consultas de Web Semántica (Semantic
Query Web Rule Language). Extensión del lenguaje SWRL en el
que el consecuente de una regla se maneja como una consulta
SQL.
SWRL Lenguaje de reglas de Web Semántica (Semantic Web Rule
Language). Lenguaje de reglas basado en OWL y Rule-ML,
desarrollado por la Universidad de Stanford. Este lenguaje
permite la formulación de reglas en base a la implicación entre
un antecedente y un consecuente, lo que puede traducirse como:
cuando los antecedentes de una regla se cumplen, el consecuente
se lleva a cabo.
SWRLTab Extensión dentro del editor de ontologías Protégé para poder
utilizar reglas SWRL y SQWRL.
TRIPLE Lenguaje de transformación, inferencia y consulta RDF para la
Web Semántica.
W3C World Wide Web Consortium. Consorcio internacional que
define recomendaciones a ser utilizadas dentro de la Web.
XFOAF Extensión de FOAF realizada durante esta investigación, con el
fin de poder describir las preferencias de una persona.
XML Lenguaje de marcado extensible (Extensible Markup Language).
Especificación del W3C, es un lenguaje extensible enfocado al
manejo y almacenamiento de datos y que puede ser usado para
describir otros lenguajes.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
10
Resumen
El siguiente documento presenta la investigación realizada por el alumno Ismael Rafael Ponce
Medellín durante el desarrollo de su tema de tesis: Búsquedas contextuales de Servicios Basados en
Localización en un entorno de Web Social, dentro del programa de postgrado doctoral en el Centro
Nacional de Investigación y Desarrollo Tecnológico.
Conforme la cantidad de información crece, los problemas de la relevancia y sobrecarga de
información se vuelven más severos. Los sistemas de recomendación por filtrado colaborativo se
han presentado como una alternativa útil para proporcionar sugerencias relevantes y útiles para
cada usuario dentro de un sistema.
Los sistemas de recomendación han tomado auge, al contener una colección de juicios o
calificaciones por otras personas sobre contenido disponible en un sitio o servicio, lo que a su vez
proporciona una invaluable fuente de información que puede ser usada para proporcionar
recomendaciones a cada usuario.
Sin embargo, en el rubro de los servicios y lugares geolocalizables se torna importante
también considerar las características individuales de los usuarios que quieren localizar algún
servicio, puesto que cada persona presenta atributos diferentes, tanto sociales, culturales y
económicos, por lo que sus necesidades de información son diferentes. Diferentes situaciones
implican necesidades diferentes. Es por ello necesario conocer el contexto.
Dentro de los sistemas de recomendación, la consideración directa de aspectos de
mercadotecnia no han sido ampliamente explotados, siendo esta fuente de información valiosa con
respecto al efecto de la información contextual sobre los usuarios, ya que presenta patrones de
comportamiento para abordar las necesidades particulares de los distintos nichos de mercado a los
cuales se les puede ofrecer una recomendación.
El uso de tecnologías de Web Semántica, como ontologías y reglas de Web Semántica,
permiten representar al modelo del usuario y su contexto, así como los patrones identificados en el
área de mercadotecnia, lo que permite llevar a cabo un proceso de inferencia para identificar los
elementos a recomendar contextualmente relevantes para un usuario.
Para mejorar el proceso de los sistemas de recomendación sobre servicios geolocalizables,
el presente trabajo presenta un acercamiento que aprovecha tanto anotaciones sociales como
información contextual, haciendo uso del conocimiento colectivo de la comunidad de usuarios y de
la información del usuario, su entorno y de los elementos a recomendar. El caso de estudio se
centro a la recomendación de restaurantes como servicios geolocalizables.
Se trabajó la demostración o refutación de la hipótesis sobre si la consideración de
información contextual (haciendo uso de tecnologías de Web Semántica) así como de Web social,
pueden mejorar el desempeño de la recuperación de información dentro de los sistemas de
recomendación tradicionales, midiendo esto bajo las métricas de precisión e índice de recuerdo.
Como parte de la investigación, se ha llevado a cabo la realización de un prototipo
funcional que permitiera la experimentación correspondiente, prototipo que se ha denominado
Surfeous.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
11
1. Introducción
En el albor de la integración entre la sociedad y la tecnología cada vez se busca la manera de
satisfacer las crecientes necesidades de sus usuarios y de facilitar el acceso a la información, de
forma que ésta sea oportuna, actual y útil para quién la solicite. La tarea de acceder y recuperar
información se convierte en una actividad de importancia para la toma de decisiones, pero con
distintos obstáculos a vencer en lo que a esto concierne.
Es así como los sistemas de recomendación por filtrado colaborativo han tomado auge para
proporcionar sugerencias relevantes y útiles al usuario (Lathia, 2009), ya que mantienen una
colección de juicios o calificaciones realizados por personas sobre contenido disponible en un sitio
o servicio Web, lo que a su vez proporciona una invaluable fuente de información que puede ser
usada para proporcionar a cada usuario recomendaciones derivadas de las evaluaciones realizadas
sobre estos contenidos.
No se puede considerar que los resultados recomendados por un sistema traten a los
usuarios como si todos fueran iguales, existen rubros en los cuales esta diferenciación es más
necesaria y toma mayor realce, como es el caso de la búsqueda de lugares y servicios
geolocalizables.
En los últimos años se ha destacado el uso de los mapas digitales, con serios competidores
como Google Maps, Yahoo Maps, Live Maps, entre muchos otros; la importancia de la
información geográfica ha tomado gran interés y se encuentra en la mira de usuarios y
desarrolladores. En este rubro se torna importante considerar las características individuales de los
usuarios que quieren localizar algún servicio o lugar, puesto que cada persona presenta atributos
diferentes, tanto sociales, culturales y económicos, por lo que sus necesidades de información en
cuanto a esto se refiere son implícitamente diferentes.
Actualmente existen diferentes servicios basados en localización ofrecidos por los
proveedores de comunicación móvil. Por ejemplo, servicios de planeación de rutas, guías de la
Capítulo 1
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
12
ciudad, guías hoteleras o servicios de localización de estaciones de gasolina cercanas; la mayoría
de las aplicaciones comerciales y académicas sólo usan unas cuantas dimensiones contextuales,
principalmente la localización.
La conciencia del contexto permite el filtrado de la información en base a la información
contextual específica del usuario, como la localización, el momento e incluso información del
perfil del usuario. Diferentes situaciones implican diferentes necesidades de información y de
servicios que ayuden al usuario a lograr sus objetivos (Holtkamp et al, 2008).
Se debe considerar que un mismo usuario, en distintas circunstancias va a tener distintos
objetivos, es decir, una misma persona puede estar bajo distintas situaciones. Con lo anterior, surge
una pregunta: ¿cómo abordar la recomendación de este tipo de servicios geo-localizables,
considerando la individualidad de cada usuario? La Figura 1 presenta este problema bajo el
paradigma de la caja negra.
Figura 1. Problema de la caja negra para la recuperación de los elementos geo-localizables más
pertinentes a la búsqueda de un usuario.
Los distintos atributos que se pueden obtener para definir un perfil personal pueden ser usados
como filtro inicial para eliminar aquellos resultados que no sean deseados, dejando en primera
instancia los que se acerquen más a la necesidad de información del usuario.
Para realizar una selección de resultados pertinentes para el usuario, además de los
atributos que describen su perfil, es necesario conocer atributos que describan el contexto en el que
se requiere realizar una recomendación.
La construcción de modelos de usuario ayuda a la administración de conocimiento
colectivo para proporcionar información relevante, personalizada y sensitiva al contexto (Cayzer &
Michlmayr, 2009). Entre las previsiones tecnológicas de mediano plazo, definidas por Cayzer &
Michlmayr, se identifican los servicios de acceso personalizado, lo cual implica que se necesitan
mejoras en aspectos como los modelos semánticos de perfiles de usuario, su edición y el diseño de
interfaces para su captura.
Es claro que conforme la cantidad de información en Internet crece de manera exponencial,
los problemas de la relevancia de los datos y la sobrecarga de información son cada vez más
complicados (Perry et al, 2009), por lo tanto, el uso de modelos semánticos es una solución
tecnológica para combatir esta problemática (Berners-Lee et al, 2001).
Considerando las tecnologías de Web Semántica, Brut et al. (2009) presentan el desarrollo
de un modelo de usuario para sistemas de recomendación, usando técnicas de Web Semántica,
especialmente ontologías; estos modelos permiten migrar el perfil de usuario de un sistema a otro,
además de que el sistema de recomendación se independiza de la plataforma.
Por otro lado, una vertiente actual recae directamente en la Web social, que permite
conectar personas con personas, incentivándolos a compartir sus destrezas en lugar de coleccionar
y almacenar información descontextualizada (Delalonde & Soulier, 2009). Con respecto a esta
consideración social, los sistemas de anotaciones sociales (conocidas en inglés como tags)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
13
permiten a los usuarios etiquetar sus recursos favoritos, misma actividad que como menciona
Weinberg (2007), ha traído un nuevo orden con respecto a la manera en que se busca y encuentra
información. Una manera de aprovecharlas es mediante su uso dentro de los sistemas de
recomendación por filtrado colaborativo (Tso-Sutter 2008), para encontrar los ítems más populares
y recomendados por la comunidad de usuarios, haciendo uso del conocimiento colectivo inherente
en este tipo de sistemas.
El presente trabajo considera que el manejo de información contextual (auxiliado mediante
el uso de tecnologías de Web Semántica), así como su interacción con elementos de Web social, en
particular, sistemas de anotación social (para el filtrado colaborativo de los resultados), pueden
mejorar la precisión e índice de recuerdo dentro de la recuperación de información de los servicios
geolocalizables, con respecto a los sistemas de recomendación tradicionales.
Tanto la precisión como el índice de recuerdo son métricas comúnmente usadas dentro de
la literatura de los sistemas de recomendación; éstas evaluán la relación entre los elementos
relevantes recuperados en una recomendación, con respecto a los elementos recuperados
(precisión) y los elementos relevantes (índice de recuerdo). Una explicación más detallada de estas
métricas se encuentra en la sección 2.9.
De lo anterior se distingue que este trabajo abarca dos vertientes. Por un lado, dentro de un
enfoque de Web Semántica se considera que mediante el manejo ontológico de perfiles de usuario
y de perfiles de servicios especializados, así como de reglas de inferencia, puede mejorar la
recuperación de información sobre los tipos de servicios geo-localizables que más se ajusten a las
necesidades de información de quien consulte. El manejo de ontologías proporciona un mecanismo
interoperable para almacenar y consultar información, además de que el uso de lenguajes basados
en reglas de Web Semántica permite inferir resultados que no se encuentren explícitos y puedan
satisfacer una necesidad de información.
Tanto con el uso de tecnologías de Web Semántica y de sistemas de recomendación, se
persigue obtener un conjunto de resultados que sean contextual y socialmente relevantes al usuario
(Figura 2).
Usuario
Tecnologías de
Web semántica
Motor de
consulta
Repositorio de datos de
servicios geo-localizables
Anotaciones sociales
Sistema de
recomendación
Realiza consulta
Utiliza
Utiliza
Maneja datos
Maneja datos
UsuarioUsuario
Tecnologías de
Web semántica
Tecnologías de
Web semántica
Motor de
consulta
Repositorio de datos de
servicios geo-localizables
Repositorio de datos de
servicios geo-localizables
Repositorio de datos de
servicios geo-localizables
Anotaciones socialesAnotaciones socialesAnotaciones sociales
Sistema de
recomendación
Realiza consulta
Utiliza
Utiliza
Maneja datos
Maneja datos
Figura 2. Uso de tecnologías de Web Semántica y de sistemas de recomendación para la consulta
contextual y social de resultados geo-localizables.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
14
1.1 Descripción del problema Dentro de los sistemas de recomendación, se presenta el problema de la ordenación de las
respuestas que son devueltas al usuario, ya que si se devuelve un conjunto extenso de resultados, el
usuario puede no tener el tiempo ni el interés de consultarlos todos, por lo que es necesario
garantizar que los resultados que ocupen los primeros lugares sean los más relacionados con la
necesidad de información planteada.
Con respecto a la recomendación de servicios basados en localización, surgen una serie de
consideraciones que no son comunes en los servicios de recomendación tradicionales, entre las que
se incluyen: las necesidades particulares de quien consulta y las condiciones de su entorno, así
como la información espacial y temporal que influyen en la relevancia o no de los resultados
recuperados, es decir, su contexto. Las necesidades de una persona son distintas a las de otra, por lo
que no se debe esperar que el conjunto de resultados devueltos ante una misma consulta, bajo
distintas condiciones, momento y lugar, sean iguales.
Además, también interviene la valoración que dan los usuarios a los elementos a
recomendar, siendo la misma comunidad, por ejemplo para el caso de servicios basados en
localización, la que indica los lugares a los que prefiere asistir, conformando de esta manera a la
llamada inteligencia colectiva. Ésta puede ser aprovechada por medio de las anotaciones sociales
que utilizan los usuarios. El uso de anotaciones sociales permite identificar información y
contenidos relevantes y populares mediante palabras comunes que la describan y, por otra parte,
también se pueden utilizar para encontrar resultados similares que se encuentren descritos bajo las
mismas anotaciones.
Es así como se presenta el aprovechar la información de contexto y las anotaciones
sociales para este problema en los sistemas de recomendación, en particular para la recomendación
de servicios basados en localización.
1.2 Objetivo El objetivo de esta investigación fue encontrar una mejora en el desempeño de los sistemas de
recomendación para una consulta de servicios basados en localización, medido en cuanto a las
métricas basadas en precisión e índice de recuerdo, haciendo uso de anotaciones sociales y del
manejo de información contextual.
Para ello se siguió el análisis y diseño de una metodología para la recuperación y
ordenamiento de resultados en un sistema de recomendación por filtrado colaborativo, evaluando
su desempeño con respecto a los sistemas de recomendación tradicionales. El sistema de
recomendación perseguido combina tecnologías de sistemas de información geográfica, el manejo
de información contextual mediante tecnologías de Web Semántica y el uso de anotaciones
sociales.
Para lograr el objetivo general, se contemplan los siguientes objetivos específicos:
El manejo de una metodología que permita la recomendación de servicios, basada en
anotaciones sociales e información contextual.
Presentar un mecanismo de ordenación jerárquica que incorpore tanto el impacto contextual
como social al momento de presentar los resultados.
Experimentación con una arquitectura que considere módulos para el manejo de la información
contextual, de anotaciones sociales y la visualización en un mapa de los puntos de interés
seleccionados.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
15
1.3 Justificación y beneficios Como una manera de demostrar las limitaciones con las que cuentan los sistemas actuales de
búsqueda de servicios basada en la localización del usuario, si se toman en cuenta los servicios de
Google Maps1, Yahoo local maps
2 y Bing Mapas
3 (anteriormente Live Search Maps), no presentan
una manera en la que el uso de información contextual pueda ser utilizada al momento de buscar un
servicio geolocalizable. Existen servicios en línea TrustedPlaces4, que se limitan a identificar el
tipo de servicio geolocalizable solicitado, la limitante de este tipo de servicios es que no es posible
aplicar consideraciones contextuales para la obtención de resultados.
El uso de sitios sociales como Tagzania5, es útil para encontrar lugares dentro de una zona,
que hayan sido anotados socialmente con determinadas palabras, pero no presenta utilidad para
búsquedas particulares ni contextuales; el uso de anotaciones por sí solas, se muestran insuficientes
para poder realizar búsquedas sobre algún servicio en particular, sin embargo, cobran relevancia
cuando se incorporan a un sistema de recomendación (Tso-Sutter, 2008).
Mediante el empleo de anotaciones se brinda libertad al usuario de escribir y describir lo
que quiera y en la forma que quiera, bajo los términos que considere más convenientes, usando un
lenguaje común para él; conceptos como la usabilidad parten de la retroalimentación del usuario,
pues a final de cuentas, es quien tiene la última palabra sobre lo que le gusta o no, su participación
y retroalimentación es pues un medio para un desarrollo usable.
Por otra parte, un aspecto no abordado de manera explícita dentro de los sistemas de
recomendación recae en la consideración de aspectos de mercadotecnia dentro de los mismos,
siendo una alternativa para explotar la información contextual. La relevancia de la mercadotecnia
recae directamente en las distintas consideraciones que se toman en cuenta para abordar las
necesidades particulares de los distintos nichos de mercado a los cuales se les puede ofrecer una
recomendación.
La mercadotecnia parte de la premisa de que no todos los consumidores u organizaciones
tienen necesidades idénticas, por lo tanto, es necesario dividir al mercado total en segmentos de
clientes potenciales con necesidades semejantes. La segmentación permite obtener respuestas más
precisas a las necesidades de los clientes, sin embargo estos segmentos de mercado van cambiando
gradualmente de acuerdo a cambios culturales y generacionales (Bennett 2010). Esta capacidad de
evolución de los segmentos es aprovechado en esta investigación mediante la aplicación de reglas
heurísticas que representen patrones de comportamiento identificados previamente por la
mercadotecnia y que puedan ser adaptables y extendibles de acuerdo a los nuevos cambios de la
sociedad, aprovechando la escalabilidad que permiten las ontologías dentro de la Web Semántica.
Tras la conjunción de la aplicación de anotaciones sociales y de información contextual
dentro de los sistemas de recomendación, los beneficios de esta investigación son:
Aprovechamiento de la retroalimentación de los usuarios con información de primera mano de
sus preferencias.
Proporcionar una manera de contextualizar las recomendaciones a los usuarios.
Ordenación de los resultados en cuanto a la popularidad y valoración social de los mismos,
incrementando la precisión y el índice de recuerdo sobre los sistemas de recomendación
tradicionales.
1 Google Maps, www.maps.google.com
2 Yahoo! Local, http://local.yahoo.com/
3 Bing Mapas, http://www.bing.com/maps
4 Trustedplaces by Yell http://www.yell.com/reviews
5 Tagzania, http://www.tagzania.com/
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
16
1.4 Hipótesis Se persigue que el índice de recuerdo y la precisión dentro de un sistema de recomendación que
considere anotaciones sociales y contexto, sea mayor que el índice de recuerdo y la precisión de los
sistemas de recomendación tradicionales.
Las hipótesis de investigación perseguidas en este proyecto de investigación consideran:
I. El uso de aspectos contextuales permiten una mayor precisión e índice de recuerdo sobre
los sistemas de recomendación tradicionales.
II. Es posible mejorar el desempeño de consultas de servicios basados en localización, en
cuanto a la precisión e índice de recuerdo, mediante la incorporación en conjunto de
elementos contextuales y anotaciones sociales.
Para estas hipótesis, es necesario considerar el siguiente modelo matemático:
Un conjunto de usuarios: U = { u1, u2, ..., u|U|}
Un conjunto de ítems: I = { i1, i2, ..., i|I|}
Un conjunto de anotaciones sociales: A = {a1, a2, ..., a|A|}
Un conjunto de reglas contextuales: R = {r1, r2, …, r|R|} Se considera a la acción de tagging (el uso de anotaciones sociales de los usuarios sobre los
ítems) a t: U × I × A {0, 1}, para indicar si un ítem ha sido o no etiquetado por un usuario, es
decir t(um, in, ao) = 1 o bien t(um, in, ao) =0 en caso contrario.
Para el uso de las reglas contextuales, se tiene que reg (um, in, ro) =1 o reg (um, in, ro)
=0, dependiendo si bajo la regla ro se recomienda o no el ítem in al usuario um.
El problema de la recomendación consiste en que, sea un Uum , muI el conjunto de ítems
valorado del usuario um, se busquen elementos a recomendar in, tales que mun IIi , es decir,
que no pertenezcan a los elementos ya evaluados por el usuario. Para ello se considera a P(um, in) el
valor de la predicción del ítem in al usuario um, y se busca un conjunto ordenado de ítems tales que
muzx IIii ,..., , donde la recomendación al usuario um consiste de los ítems rec(um) = {ix,…iz},
donde P(um, ix)>= …>=P(um, iz).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
17
2 Marco teórico
Conforme crece la integración de la sociedad con la tecnología, la tarea de acceder y recuperar
información se vuelve una actividad de importancia para la toma de decisiones ante las crecientes
necesidades de los usuarios. Estas necesidades se avocan a una recuperación de información más
natural, rápida y pertinente, características relevantes si se considera que los resultados obtenidos
muchas veces no satisfacen las expectativas de los usuarios. Bajo este ámbito, el uso de los
servicios basados en localización permite a los usuarios acceder a información para la localización
geográfica de lugares o puntos de interés.
Sin embargo, la presente investigación abarca no sólo a los servicios basados en
localización, sino que hace uso también de distintas áreas (ver Figura 3). A continuación se
describen brevemente las áreas consideradas dentro de este trabajo.
Figura 3. Áreas relacionadas con la investigación de la presente investigación.
Capítulo 2
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
18
2.1 Información geográfica en mapas y sistemas LBS Los LBS son servicios que a partir de la localización geográfica de un usuario, pueden
proporcionarle información relevante a su posición. Steiniger (2006) presenta la infraestructura de
los LBS compuesta por (ver Figura 4):
Usuario, junto con su dispositivo móvil.
Red de comunicación, que transfiere los datos entre el usuario y el proveedor del servicio.
Componente de posicionamiento, como el medio para determinar la localización del usuario.
Proveedores, que son el proveedor del servicio y el proveedor de datos y contenidos; éste
último es a quién recurre el proveedor del servicio para obtener la información y los datos
geográficos necesarios para atender la solicitud del usuario.
Figura 4. Componentes básicos de un LBS: Usuario, Medio de posicionamiento, Red de comunicación,
Proveedor de servicios y contenidos.
Las necesidades principales que deben poder satisfacer los LBS son: la identificación,
búsqueda y verificación, con lo cual, se puedan responder a preguntas como ¿dónde estoy?, ¿dónde
encuentro este servicio? y ¿qué hay a mí alrededor? respectivamente.
La característica primordial de los servicios LBS es que proporcionen a los usuarios
información “justo en el momento”, que dicha información sea de un dominio particular de interés
para el usuario y que puede ser usada mientras permanezca en el área en que actualmente se
encuentra.
Pekkinen (2002) referencia a Durlacher, al indicar que los factores de éxito para las
transacciones móviles sobre LBS con mapas (Figura 5), son:
La locación, que el mapa mostrado al usuario sea del área de interés.
Personalización, que se adapte la información mostrada a la tarea que se esté realizando,
por ejemplo, ya sea navegación en vehículos o de contenido individual, según sea la
necesidad.
Inmediatez. Se refiere a que el contenido sea actual.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
19
Figura 5. Factores de éxito en las transacciones móviles.
En los últimos años el uso de mapas geográficos vía Web ha tomado gran interés, ya que estos
sistemas de información geográfica incluyen puntos de interés, que toman su información a partir
de distintas fuentes de datos y se combinan con otras aplicaciones para dar una experiencia de uso
más completa a los usuarios, a esta tendencia de aplicativos se les conoce como mapas mashups
(Clarkin & Holmes, 2007).
Los mashups son un género de aplicaciones Web interactivas que permiten recuperar
contenido de fuentes externas para crear nuevos servicios. Los mashups son un sello de la segunda
generación de aplicaciones Web conocida informalmente como Web 2.0. Involucran un conjunto
de tecnologías relacionadas, su arquitectura básica se compone de una API / proveedor de
contenidos, del sitio Web donde se encuentre el mashup y del navegador Web del cliente. Emplean
AJAX y hacen uso de protocolos Web como SOAP y REST; también como se menciona en
(Merrill, 2006), algunos están relacionados con el uso de Web Semántica y ontologías RDF.
La relevancia que han tomado los mashups con respecto a información geolocalizable,
queda manifestada en los mashups de mapas, que combinan distintas APIs de mapas en línea
(como Google Maps, MapQuest, entre una creciente variedad de los mismos) con otros servicios,
permitiendo incluso que actualmente cualquier persona pueda mostrar un mapa con sus puntos de
interés y publicarlo en línea. En palabras de Mills (2005): “ahora vemos que en todo rededor hay
una gran cantidad de información interesante relacionada con la localización, pero antes no había
manera de expresarla ni hacer algo útil con ella”.
Finalmente, considerar que el uso de información geográfica a través de la Web, permite
librar barreras espaciales y temporales y en donde también se considera que sus interfaces en
Internet se presenten como clientes ligeros que permitan usar mapas y descargar información
espacial sin necesidad de tener instalada una aplicación sobre sistemas de información geográfica
(SIG) (Bleecker, 2005).
2.2 Ontologías en los sistemas de información geográfica En una ontología se definen los conceptos de un dominio. Un mismo dominio puede tener distintas
interpretaciones y por ende, distintas ontologías, dependiendo del fin para el que vaya a ser
utilizado o su contexto de aplicación. Dentro de las ontologías se definen clases, relaciones entre
las clases y ejemplares de las clases (Figura 6 y Figura 7).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
20
Propiedad
Clase Clase
Subclase
Ejemplar
Propiedad
Clase Clase
Subclase
Ejemplar
prefiere
Clase: Usuario Clase: Lugar
Subclase: Restaurante
Ejemplar: Rafael Ponce
prefiere
Clase: Usuario Clase: Lugar
Subclase: Restaurante
Ejemplar: Rafael Ponce
Figura 6. Una ontología se compone de clases y subclases, que a su vez contienen ejemplares para las
mismas. Dentro de este enfoque, las clases pueden comprender desde usuarios hasta lugares.
Lugar
Hotel Restaurante
Restaurante
Italiano
geo:latitud
geo:longitud
float
floatSubclass of Subclass of
Subclass of
Has a
Hotel X
Restaurante Y
geo:latitud
geo:longitud
128
34
geo:latitud
geo:longitud
128
34
Instance of
Instance of
Instance of
Lugar
Hotel Restaurante
Restaurante
Italiano
geo:latitud
geo:longitud
float
floatSubclass of Subclass of
Subclass of
Has a
Hotel X
Restaurante Y
geo:latitud
geo:longitud
128
34
geo:latitud
geo:longitud
128
34
Instance of
Instance of
Instance of
Figura 7. Ejemplo de las relaciones y atributos que se podrían considerar entre distintos tipos de clases
y cómo sus ejemplares las heredan.
El uso de ontologías en desarrollos SIG permite el intercambio de conocimiento y la
integración de información, ya sea para definir vocabularios comunes que minimicen los problemas
de semántica en la interoperabilidad, para el modelado de metadatos, la comunicación de
significado de los datos entre dominios, la integración de datos, la clasificación de recursos y la
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
21
recuperación de información. Su uso presenta una serie de ventajas para integrar información
geográfica por Internet, como:
- La posibilidad de hacer consultas basadas en valores semánticos.
- La disponibilidad de información a diferentes niveles de detalle.
- El acceso dinámico a la información.
Fonseca (2000) maneja que si las ontologías forman parte de un sistema activo de
información, como un SIG, se puede hablar entonces de las Ontology-Driven Geographic
Information Systems (ODGIS), o Sistemas de Información Geográfica Manejados por Ontologías.
La ventaja de los ODGIS es su capacidad de tener múltiples interpretaciones (roles) de una misma
característica geográfica, con lo cual, se pueden atender a distintos segmentos de mercado.
2.3 Dependencia contextual Existen distintas acepciones para definir lo que es el contexto, por ejemplo, todo aquello que
permita determinar un conjunto de posibles respuestas, o lo necesario para entender una pregunta;
la Real Academia de la Lengua Española lo define como un entorno físico o de situación, ya sea
político, histórico, cultural o de cualquier otra índole, en el cual se considera un hecho. Así, se da
base a afirmaciones como “todo es dependiente del contexto”, que consideran al contexto como un
elemento ubicuo.
Los primeros trabajos relacionados a la conciencia del contexto se remontan a la década de
los 90s. Schilit fue uno de los primeros en acuñar el término, mientras que Dey extendió la noción
de contexto a la idea de que la información contextual puede ser usada para caracterizar una
situación y responder a ella (Vert 2011). A su vez, Sun (2004) denota que el contexto puede ser
desde aspectos externos del entorno de una persona (ambiente geográfico físico, eventos culturales)
hasta aspectos internos (como la condición física de la persona).
Un sistema consciente del contexto es el que usa el contexto para proporcionar información
relevante y servicios al usuario, en el que la relevancia depende de la tarea del usuario. Existen
distintas clasificaciones del contexto, como la definida en (Nivala, 2003), orientadas hacia
usabilidad:
Contexto: Localización. La principal ventaja con respecto a los mapas tradicionales, es
saber la ubicación actual del usuario.
Contexto: Sistema. Involucra los tamaños de pantalla, las funciones de los botones, los
colores por pantalla, el poder de procesamiento y las capacidades de memoria,
características que podrían servir para que el sistema las tomara en cuenta al momento de
mostrar información en el mapa.
Contexto: Propósito de uso. Los mapas tienen distintos usos (topográficos, de turismo,
pesca, etc.), el mapa se debería adaptar a cada situación particular.
Contexto: Tiempo. Dependiendo del momento del día, serían los elementos a ser
mostrados, disponibles según la hora, como cafeterías o negocios abiertos, también
influenciados por la estación del año.
Contexto: Alrededores físicos. La iluminación, usar el móvil de día o de noche debería
cambiar los colores de despliegue. En el caso de la sugerencia de las rutas para llegar a un
destino determinado, se debería indicar que tan largo es el camino, cuanto tardaría en
llegar, cómo varía el terreno en el recorrido, etc.).
Contexto: Historial de navegación. Usar previas localizaciones del usuario para llevar
una bitácora de recorridos del usuario.
Contexto: Orientación. Poder agregar un sensor de orientación para saber hacia dónde
mira el usuario y rotar el mapa a su posición actual.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
22
Contexto: Cultural y social. Se deben cuidar aspectos culturales, como la simbología
mostrada y los colores utilizados, entre otras características como del tipo formato de
fechas, pesos y medidas, formalidad, capitalización, etc.
Contexto: Usuario. Aspectos personales como género, hábitos, etc.
Por su parte, Yu (2005) identifican los siguientes elementos que influyen para determinar el
contexto de un usuario:
Contexto ambiental. El tiempo y clima de la localización del usuario.
Perfil de usuario. Los gustos y preferencias que tiene el individuo que solicite un servicio.
Perfil de datos. Referente a la información de las fuentes de datos que puede solicitar un
usuario, ya sea, horarios de apertura y cierre, tipos de comida, etc., de los proveedores de algún
servicio.
Finalmente, otra clasificación de contextos, hecha por Chen y Kotz, que a la vez
complementa la efectuada por Schilit (Nivala, 2003) considera:
Contexto computacional (conectividad de red, recursos cercanos como impresoras).
Contexto de usuario (perfil de usuario, ubicación, personas cercanas, situación social
actual).
Contexto físico (luz, ruido, tráfico, temperatura).
Contexto temporal (momento del día, semana, mes o estación del año).
La importancia de la información contextual recae en la posibilidad de poder proporcionar
información más personalizada. Dentro de los LBS, la localización del usuario es el componente
primario del contexto.
Dentro de este escenario, los tipos de contexto considerados, a partir de trabajos como
(Nivala 2003), (Sun 2004) y (Yu 2005), quedan denotados de la siguiente manera:
- Contexto ambiental / temporal. El tiempo y clima de la localización del usuario, el momento
del día, semana, mes o estación del año. Su importancia radica en que dependiendo del
momento del día, se seleccionarán los elementos a ser mostrados, disponibles según la hora,
como cafeterías o negocios abiertos, también influenciados por la estación del año y la
condición del clima.
- Perfil de usuario. Los gustos y preferencias que tiene el individuo que solicite un servicio, su
ubicación y su situación social actual
- Perfil de datos. Referente a la información de las fuentes de datos que puede solicitar un
usuario, ya sea, horarios de apertura y cierre, tipos de comida, etc., de los proveedores de algún
servicio.
2.4 Web Semántica La Web Semántica se presenta como una extensión de la Web actual, partiendo de una visión del
futuro de la Web por parte de Tim Berners-Lee; esta visión incluye el tener relaciones entre los
distintos elementos de información, manejando meta datos adicionales para que las máquinas sean
capaces de procesar la información de la Web.
La Web Semántica se centra en dos aspectos: a) Formatos comunes para el intercambio de
datos y b) un lenguaje para registrar cómo los datos se relacionan con los objetos del mundo real
(Zhao, 2009). La llegada de la Web Semántica promete un framework genérico para usar las
ontologías en la captura de significados y relaciones, y para la recuperación de información.
Dentro de la Web Semántica entran en juego distintas tecnologías, como base se tiene a
XML que suministra la base sintáctica para la interoperabilidad en la Web, a XML Schema quien
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
23
provee de una capacidad de estructuración como bases de datos para los objetos Web. RDF/S
proporciona un lenguaje simple para la expresión de conceptos de ontologías, sus relaciones y
ejemplares, mientras que OWL permite definir una ontología con mayor expresividad, usando
RDF/S para la representación de los ejemplares que conforman a la misma.
Las ontologías, como una especificación de una conceptualización (Gruber 1993),
proporcionan un acuerdo común sobre el entendimiento del conocimiento de un dominio, enfocado
al intercambio entre aplicaciones y grupos (Chandrasekaran, 1999). Dentro de la misma evolución de la Web Semántica, recientemente también se ha
empezado a mencionar la Web Semántica geoespacial (GSW, Geospatial Semantic Web), siendo
ésta una versión específica del dominio geoespacial de la Web Semántica (Zhao et al, 2009). Con el
desarrollo del razonamiento semántico geoespacial se podrá inferir conclusiones de un
conocimiento geoespacial dado, al descubrir conocimiento ontológico implícito. Por ejemplo,
supóngase que el área Y está dentro de X, que el área Z está en el área Y, se podría deducir que Z
está dentro de X si el significado de dentro y en están bien definidos, por ejemplo, como que dentro
es lo mismo que (is same as) en, y que ambas son propiedades transitivas6. De la lógica de
representación a la lógica computacional, la GSW aumenta la habilidad de expresar y deducir
conceptos y relaciones geoespaciales, para lograr la interoperabilidad entre aplicaciones y datos
geoespaciales heterogéneos.
2.5 Anotaciones sociales Los sistemas de anotación social son una herramienta usada por los usuarios para seguir, compartir
y encontrar información en la Web (Smith, 2008). La anotación social (tagging) de recursos es una
manera de hacer más útil y accesibles los contenidos y recursos de algún tipo en la Web; el tagging
se refiere tanto a la gente que usa estos sistemas, los recursos, las anotaciones (tags) que los
describen y las diferentes maneras de interacción que estos sistemas permiten.
Smith describe el modelo básico de un sistema de anotaciones sociales de la siguiente
manera:
Usuarios. Las personas que usan el sistema al crear anotaciones y ocasionalmente agregar
nuevos recursos; los usuarios tienen el objetivo de compartir o etiquetar un recurso, de
manera que después también puedan encontrarlo.
Recursos. Son los elementos que son etiquetados por los usuarios. Pueden ser cualquier
cosa, desde un libro, una página Web o una locación geográfica.
Anotaciones. Son las palabras clave agregadas por los usuarios a un recurso. Pueden ser
cualquier clase de término, ya que su uso es recordar o describir algo, para su posterior
localización. Las anotaciones son metadatos acerca de los recursos; la NISO (National
Information Standards Organization) describe a los metadatos como “estructuras de
información que describen, explican, localizan o de alguna manera hacen más sencillo el
recuperar, usar o administrar un recurso de información”.
Un patrón común que aparece en los sistemas de tagging es la ley del poder (power law), la
cual es una distribución que se caracteriza por que unos pocos elementos ocurren con una alta
frecuencia, mientras que muchos presentan una baja frecuencia. Por ejemplo, en la Web esto se
ejemplifica cuando unas pocas páginas Web atraen la mayoría de los enlaces y visitas, mientras que
la mayoría del tráfico viene de unos pocos recursos. En un ambiente de tagging, sin importar el
contenido del sitio o las anotaciones usadas por las personas, la distribución de anotaciones sigue el
6 Una relación es transitiva si un elemento a que está relacionado con un elemento b y ese elemento b tiene la
misma relación con un elemento c, implica que a también está relacionado con c.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
24
mismo patrón. Este patrón sigue la idea de que si una anotación ya ha sido usada, hay una alta
probabilidad de que vuelva a utilizarse.
Algunas razones por las que el uso de anotaciones es más sencillo que el uso de un
esquema de categorías, es que al usarlas no es necesario conocer en su totalidad el sistema de
categorización, ya que se pueden agregar la cantidad de anotaciones que se deseen, en vez de
encontrar la categoría que mejor describa a un recurso.
También es utilizada la clasificación por facetas, como una manera de organizar las cosas a
través de sus características relevantes, lo que permite que un elemento sea clasificado bajo
múltiples dimensiones y a la vez, pueda ser encontrado siguiendo distintos caminos. Por ejemplo,
en un sitio de ventas de ropa, las facetas que tiene una prenda varían, ya sea su color, talla o
material, siendo cada una de estas características una manera de clasificar los elementos en venta.
Algunos sistemas de anotaciones aprovechan la clasificación por facetas para aumentar el
valor semántico de sus anotaciones, por ejemplo Buzzillions.com considera las siguientes cuatro
facetas: pros, contras, mejores usos y descripción; dentro de cada una de estas facetas, se sugieren
posibles anotaciones para etiquetar un producto en cuestión, permitiendo también agregar las
propias.
En el etiquetado bajo facetas, aunque las facetas ya se encuentran definidas, los términos en
ellas no, ya que estos corresponden a las anotaciones usadas por los usuarios. Entre los beneficios
de la creación de facetas destacan:
- Las facetas hacen a las anotaciones más precisas.
- Las facetas mejoran el poder encontrar elementos y hacer una búsqueda más fácil, al
agrupar a las anotaciones bajo conceptos delineados.
Mientras que en otros sistemas de clasificación, las relaciones entre los términos están
definidas, en las folcsonomías (sistemas en los que se aplica el uso de anotaciones sociales) las
relaciones entre las anotaciones pueden ser inferidas a partir de los patrones de uso, ya que no hay
relaciones formales entre ellas, excepto la de “tiene cierto grado de relación con”. Por lo tanto, ya
que las anotaciones no tienen una relación semántica definida, sí pueden tener una relación
estadística, basada en la co-ocurrencia de tags. Las folcsonomías son útiles bajo las siguientes
situaciones:
- Cuando la nomenclatura es incierta o evoluciona constantemente.
- Cuando el espacio de información es dinámico.
- Cuando las relaciones semánticas no son críticas.
- Cuando se requieren múltiples puntos de vista. Las folcsonomías pueden capturar las
perspectivas de multitudes.
- Cuando se puede contar con una base de usuarios activos.
A diferencia de otros sistemas controlados, las anotaciones no fuerzan a los usuarios a usar
categorías existentes, sino que los motivan a usar un vocabulario natural. La ciencia clásica de
información y bibliotecas trataron de imponer un orden sobre la Web, en pro de facilitar la
recuperación de información, pero fallaron, ya que la información en la Web es grande, caótica y
muy dinámica. A diferencia de estos intentos, Google por ejemplo, trató de buscar características
dentro de este caos y las explotó para obtener un mejor sistema de recuperación.
El uso de anotaciones ha abarcado incluso a los recursos sobre lugares geográficos, dando
lugar al geotagging. El geotagging consiste en agregar tags como latitud, longitud y nombre del
lugar a un recurso, por ejemplo en fotos, como en el servicio de Flickr, que usa machine tags. Las
machine tags son una convención usada para crear tags que puedan ser procesados y entendidos por
las computadoras; al igual que los tags, no necesitan ser predefinidos para su uso, aunque algunos
machine tags estándares han ido emergiendo. Ejemplo, los usados para definir valores geográficos
como: “geo-lat=46.9870”, “geo:lon=”114.0932”.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
25
Los machine tags se componen de tres elementos: un nombre de espacio, una clave y su
valor. Su uso se asemeja a los sistemas por facetas, en donde el nombre de espacio representa al
dominio (“geo”), la clave a la faceta (“lat”) y el valor a la propiedad de la faceta (“46.9870”).
2.6 Perfil de usuario y personalización El entendimiento de las necesidades y deseos de información de los usuarios reside en su mente, lo
que dificulta su representación directa y el emparejamiento de sus necesidades con un sistema
(Cregan, 2008).
El tener perfiles de usuario puede ayudar a predecir la intensión de las consultas ambiguas
de los usuarios, también puede ser una manera de ayudarlo cuando no sabe lo que está buscando;
Sugiyama (2004) los usa para modificar los resultados de una consulta y para ser usados en las
redes sociales con distintos fines, como encontrar colegas, expertos o comunidades de interés
(Adamic, 2005). Este tipo de nuevas tendencias ha impactado, en los últimos años, los métodos de
evaluación de recuperación de información (RI), ya que se han orientado a aspectos más
relacionados a los usuarios finales, es decir, tomando en cuenta la personalización de los mismos.
La personalización se basa en perfiles de usuario, preferencias de usuario, políticas de uso
y otros componentes de conocimiento (Tsetsos, 2009). La personalización es el proceso de entregar
contenido o servicios a un usuario, en base a sus preferencias, intereses, necesidades y a su
contexto en general, con el propósito de adaptarlos a las características específicas del usuario en
pro de lograr un desempeño óptimo. Entre las aplicaciones que requieren de personalización, se
encuentran los servicios basados en localización, por ejemplo, para servicios de navegación, de
chequeo o de emergencias (Gartner, 2004; Tsetsos et al, 2006; Kikiras et al, 2006), o en los
servicios de e-turismo para proporcionar guías turísticas personalizadas a los usuarios (Srivihok,
2005; Puhretmair, 2002). Por lo tanto, la mayoría de las aplicaciones sobre personalización de
contenido se enfocan a los sistemas de recuperación y de recomendación (Tsetsos, 2009).
Dentro del área de la personalización, las ontologías son la mejor herramienta para expresar
los atributos que describen el perfil de un usuario ya que los lenguajes ontológicos proporcionan
distintas maneras de representar las características del usuario (Tsetsos, 2009), esto es debido a que
el modelado de los elementos de la aplicación con ontologías proporciona interoperabilidad,
reutilización y extensibilidad al sistema.
Concluyendo, para lograr una mayor personalización, es necesario tomar en cuenta
aspectos del contexto del usuario, lo que permitirá un filtrado de la información en base a su
localización, el momento e incluso información de su perfil, entre otras fuentes. Diferentes
situaciones implican la necesidad de diferente información y servicios que ayuden al usuario a
lograr sus objetivos.
2.7 Sistemas de recomendación por filtrado colaborativo Los sistemas de recomendación han sido trabajados desde la década de los 90s, incluyendo
investigaciones como la de Resnick et al (1994), el sistema de filtrado automático Tapestry
(Goldberg, 1992), el proyecto de investigación de GroupLens usado sobre Usenet (Konstan, 1997),
entre otros. El éxito inicial de estos sistemas de recomendación fue aplicado a sitios de comercio
electrónico, aunque en la actualidad su uso es aplicado en diferentes áreas como recomendación de
música, libros, entre otras. Los sistemas de recomendación actuales consideran los siguientes
elementos:
Usuario. Usuario final del sistema o la persona a la que se le van a proporcionar
recomendaciones.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
26
Recomendadores. Usuarios que contribuyen a la recomendación.
Rating. El problema de generar recomendaciones es descrito comúnmente como un problema
de predecir que tanto le gustará o la calificación exacta que un usuario le dará a un ítem.
Perfil. Los usuarios de un sistema de recomendación pueden ser modelados de acuerdo a una
variedad de información, pero la más importante es el conjunto de ratings que los usuarios han
proporcionado al sistema, lo que corresponde a cada perfil de usuario.
Burke (2007) resume las siguientes técnicas de recomendación automáticas:
- Recomendación basada en contenido. Usa la información de los contenidos de los
documentos y los correlaciona con la información del perfil de usuario.
- Recomendación colaborativa. Basada en el filtrado social de la información, donde la
recomendación se da en base a las calificaciones de los usuarios similares.
- Recomendación demográfica. Considera las calificaciones de los usuarios similares en base
a datos geográficos.
- Recomendación basada en utilidad. Se codifican las preferencias de los usuarios como una
función de utilidad que es aplicada a todos los documentos o ítems.
- Recomendación basada en conocimiento. Usa un cuerpo de conocimiento auxiliar que
describe cómo los ítems pueden satisfacer distintas necesidades, para aplicar un proceso de
inferencia que empareje la descripción de las necesidades del usuario y seleccionar los
ítems más útiles.
Dentro de las técnicas de recomendación, las más comunes son el filtrado colaborativo, el filtrado
basado en contenidos y el filtrado híbrido, combinación de las dos anteriores (Lathia 2009;
Candillier, 2009).
Los sistemas de recomendación por filtrado colaborativo parten de la inteligencia colectiva,
la cual se refiere a la combinación del comportamiento, las preferencias e ideas de un grupo de
personas para llegar a nuevas conclusiones (Segaran, 2007). Los inicios de la inteligencia colectiva
se remontan antes de la era de Internet, aprovechando la información de los censos, puesto que la
colección de respuestas obtenidas de grandes grupos de personas permite obtener conclusiones
estadísticas sobre ellos, descubriendo características que incluso los miembros del grupo pueden
desconocer que tienen. Esta actividad se ha potenciado gracias a que en la Web se puede colectar
información de hasta miles de usuarios, ya que muchas de las tecnologías actuales permiten una
amplia participación social, como lo ha demostrado la Wikipedia y Google.
Estos sistemas han tomado auge al contener una colección de juicios o calificaciones por
otras personas sobre contenido disponible en un sitio o servicio, lo que a su vez proporciona una
invaluable fuente de información que puede ser usada para proporcionar a cada usuario con
recomendaciones. Su objetivo radica en filtrar contenido para proporcionar sugerencias relevantes
y útiles para cada usuario del sistema (Lathia, 2009).
El filtrado colaborativo es el algoritmo dominante, consistiendo de una predicción de
ratings o de elementos de interés, basados en las preferencias de varios usuarios, lo cual ha sido
aplicado en sitios de comercio electrónico, aplicaciones sociales, etc. (Herlocker, 2004). El modelo
de este proceso incluye a los usuarios que usan el sistema, mismos a los que el sistema de
recomendación les devolverá una lista con ítems que puedan ser de su agrado; para ello la
información de las preferencias de los usuarios ya almacenada es usada para lograr esta predicción
(Terveen, 2001) (ver Figura 8). Este acercamiento se centra en el juicio humano, basándose en la
opinión de las comunidades de usuario, orientando su poder de filtrado hacia las cualidades,
presentando recomendaciones personalizadas y únicas, basadas en los intereses de los usuarios y en
la opinión de los demás usuarios en el sistema.
El filtrado colaborativo difiere de los sistemas de recuperación de información
tradicionales en dos aspectos: a) la construcción de un modelo de usuario y b) la selección de las
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
27
opiniones de los usuarios; con esto, el usuario puede ser comparado de acuerdo a características
comunes sobre los ítems en el sistema y crear así vecindarios de usuarios.
Figura 8. Modelo de un proceso de recomendación (Terveen 2001).
2.7.1 Sistemas tradicionales de recomendación por filtrado colaborativo
Dentro de los sistemas de recomendación por filtrado colaborativo, se distinguen dos enfoques: el
basado en usuario y el basado en ítem.
Para la predicción del filtrado colaborativo basado en usuario, las recomendaciones son una
lista de ítems jerarquizada mediante la frecuencia decreciente de la ocurrencia de los ítems
valorados por los vecinos de un usuario, es decir, toma en cuenta la cantidad de vecinos Vu de un
usuario um que han etiquetado un ítem in, es decir, está dada por la fórmula (1).
m
unu
nm
usuario
V
IiVviuP
vm
|{
),( (1)
Mientras que para el filtrado colaborativo basado en ítem se consideran el topN de
recomendaciones, a partir de la lista de ítems jerarquizada en forma decreciente de la suma de las
similitudes entre un ítem in a recomendar contra sus vecinos Vi que han sido calificados por un
usuario um, como muestra la figura (2):
munix IVi
xnnm
item iiwiuP ),(),( (2)
Como se menciona en (Segaran, 2007), para el cálculo de la similitud, se pueden utilizar
distintas métricas, como la distancia euclidiana, el coeficiente de Jaqcard, la distancia de
Manhattan, la correlación de Pearson o el coeficiente de Tanimoto (especialmente para los casos
donde el peso se maneja como 1s o 0s, es decir, presencia o ausencia), midiendo así el traslape
entre dos vectores con respecto a los elementos que comparten. Entre dos vectores u y v, bajo el
coeficiente de Tanimoto, su similitud está dada por la fórmula (3):
vuvu
vu
uvIIII
IIw
(3)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
28
La mayoría de los algoritmos de recomendación son evaluados por el desempeño de su
exactitud, donde los ratings estimados son comparados con los actuales. Las métricas de exactitud
evalúan que tan bien el sistema hace predicciones (Lathia, 2009), entre las más comunes se
encuentran las medidas de a) precisión y b) de índice de recuerdo. La primera evalúa la capacidad
de ordenar una lista de ítems en base a los gustos del usuario mientras que la segunda evalúa la
capacidad de recuperar los elementos relevantes (ver la Sección 2.9).
2.7.2 Sistemas de recomendación por filtrado colaborativo utilizando anotaciones sociales
Si bien existen trabajos que abordan el manejo de anotaciones, como señala Tso-Sutter (2008),
estos se restringen a la recomendación de anotaciones hacia el usuario y no propiamente al uso
mismo de éstas dentro del proceso de recomendación para determinar los ítems al usuario. En los
últimos años, han comenzado a aparecer trabajos como los que se mencionan a continuación, que
incorporan el uso de anotaciones sociales dentro del modelo usado por los sistemas de
recomendación por filtrado colaborativo.
Tso-Sutter et al. (2008) presentaron un acercamiento que añadía información de
anotaciones sociales de los usuarios, probando que esto mejora el desempeño de un sistema de
recomendación. Para lograrlo, no solo se consideran los atributos de los ítems en una relación
bidimensional <usuario, ítem>, si no que las anotaciones mantienen una relación tridimensional
<usuario, ítem, anotación>, por lo que se propone la proyección a tres problemas bidimensionales:
<usuario, anotación>, <ítem, anotación> y <usuario, ítem>, lo cual se consigue aumentando la
matriz estándar usuario-ítem tanto vertical como horizontalmente, con las anotaciones de los
usuarios y las anotaciones a los ítems, respectivamente. Así, las anotaciones de los usuarios son
vistas como ítems en la matriz usuario-item y las anotaciones a los ítems son vistas como usuarios
en la misma matriz.
El acercamiento de Tso-Sutter para incluir las anotaciones sociales dentro del proceso de
recomendación parte de lo siguiente:
Un conjunto de usuarios U y un conjunto de ítems I.
Un conjunto de anotaciones usadas por el usuario, Au.
Un conjunto de anotaciones usadas sobre un ítem, Ai.
Las anotaciones sobre los ítems, consideradas como un nuevo conjunto de usuarios junto al
conjunto U, formando el conjunto extendido de usuarios Uextendido = U + Ai.
Las anotaciones usadas por los usuarios, considerados como un nuevo conjunto de ítems junto
al conjunto I, formando el conjunto extendido de ítems Iextendido = I + Au.
El filtrado colaborativo basado en usuario se aplica sobre la matriz U × Iextendido, mientras
que para el basado en ítem, se aplica sobre la matriz Uextendido × I. Tso-Sutter et al., proponen como
sistema de recomentación la fusión de estos sistemas de recomendación,.
Por otra parte, Liang (2010) presenta un acercamiento basado en usuario, donde la
predicción de un ítem a recomendar está dada por las similitudes simu(ui,uj) entre usuarios ui, uj, a
partir de un conjunto T de anotaciones utilizadas entre ambos y a partir de la similitud entre los
productos P valorados, comunes entre ellos, como se muestra en la fórmula (4). A esto, se le
fusiona la similitud obtenida entre un usuario y un ítem a recomendar, simu,i(um,in), que es
obtenida en base a las anotaciones sociales que comparten, como muestra la fórmula (5), la cual es
obtenida mediante la similitud del coseno entre un usuario um que ha utilizado un conjunto de
anotaciones sociales T, contra un ítem in.
),(*),(*)1(),( ji
P
uji
T
ujiu uusimuusimuusim (4)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
29
T
y
T
y ynym
T
y ynym
n
T
m
iu
iuiu
1 1
2
,
2
,
1 ,,
)(*)(
*),cos( (5)
Finalmente, el sistema de recomendación propuesto por Liang fusiona los resultados
obtenidos de las fórmulas (4) y (5), como se muestra en la fórmula (6).
)),cos(*)1(),(*(),()(
kpij UuNu n
T
mjiunm iuuusimiuP (6)
2.8 Reglas de Web semántica El modelado de los elementos de una aplicación con ontologías proporciona interoperabilidad,
reutilización y extensibilidad al sistema, donde las reglas constituyen una manera natural y
declarativa de representar la lógica de negocio (Tsetsos, 2009). Los lenguajes de reglas son
lenguajes diseñados para especificar reglas de transformación de datos que definen cómo obtener
nuevos hechos de aquellos almacenados en una base de conocimiento (Breitman, 2007). Algunos
de los lenguajes de reglas más conocidos son: Datalog, Rule Markup Language (RuleML),
Semantic Web Rule Language (SWRL) y TRIPLE.
Las reglas de Web Semántica se componen de un antecedente y de un consecuente; el
antecedente de una regla describe una posible situación del sistema, del usuario, del historial de
actividades o del contexto ambiental, mientras que el consecuente describe una posible decisión de
adaptación. Las acciones de una regla son disparadas cuando todas sus condiciones del antecedente
se cumplen.
El lenguaje de reglas de Web Semántica SWRL (Horrocks 2004, 2005), es un formalismo
presentado para la integración de reglas con ontologías dentro de la Web Semántica; se basa en la
combinación de OWL y RuleML. La idea base de SWRL es extender los axiomas de OWL para
incluir reglas de Horn7, mientras se mantiene un máximo de compatibilidad retroactiva con la
sintaxis y semántica de OWL.
Los átomos de una regla pueden ser de las siguientes formas:
Conceptos, C(x), donde C es una descripción OWL o un rango de datos, y x es tanto una
variable, un ejemplar OWL o el valor de un dato.
Propiedades de objeto o de tipo de dato, P(x,y), donde P es una propiedad OWL y x, y son
ya sea, variables, individuos o valores de datos.
sameAs(x,y), differentFrom(x,y) o builtIn(r,x,…), donde r es una relación built-in y x,y son
ya sea, variables, individuos o valores de datos.
Si bien existe el lenguaje de consulta de ontologías SPARQL, también ha sido diseñado un
equivalente de consulta pero enfocado a trabajar como una regla de Web Semántica, partiendo de la
base de SWRL. Una consulta en SQWRL (Semantic Query Web Rule Language, lenguaje de reglas
de consulta de Web Semántica) consiste de un cuerpo y una cabecera (consecuente), radicando la
diferencia en que en la consulta, la cabecera se indica por: sqwrl:select(?a)
Donde las variables consultadas (en este caso: ?a) puede ser una o más de una. Por
ejemplo, una regla como la siguiente: Persona(?x) ^ tienePariente(?x,?y) ^ Persona(?y) ^ tienePariente(?y,?z) ^
Persona(?z) tienePariente(?x,?z)
7 Una regla de Horn es una cláusila de Horn que tiene a lo más un literal positivo y al menos un literal
negativo. Una regla tiene la forma: “~P1 V ~P2 V … V ~Pk V Q”, lo que es lógicamente equivalente a “P1 ^
P2 ^ … ^ Pk Q”, es decir, una implicación si-entonces con cualquier número de condiciones pero una sola
conclusión.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
30
La regla anterior trata de abordar una regla para una relación transitiva, como lo es, si una
persona x es pariente de una y, y una persona y es pariente de una z, entonces, por transitividad, x es
pariente de z. Continuando con la regla anterior, realizar una consulta preguntando por los parientes
de un x (tanto directos como indirectos, es decir, parientes sucesivos de otras generaciones), se
puede directamente consultar: hasPariente(?x,?y) sqwrl:select(?x,?y)
Lo anterior bien se pudo haber resumido en: Person(?x) ^ hasPariente(?x,?y) ^ Person(?y) ^ hasPariente(?y,?z) ^ Person(?z) sqwrl:select(?x,?y)
El manejo de reglas de Web Semántica se presenta en esta investigación como una forma
de explotar la Web Semántica en pro de permitir recuperar información más personalizada, que
pueda conjuntar la información de un perfil explícito con la información de los servicios geo-
localizables.
2.9 Recuperación de información Para la recuperación de información supóngase una colección de documentos a los que una persona
hace una consulta y obtiene un conjunto de resultados que satisfacen su necesidad de información
consultada; leerá toda la colección de documentos almacenados, conservará los relevantes y
descartará los demás. Esta solución es impráctica, puesto que un usuario no tiene el tiempo o el
deseo de revisar la colección completa o incluso es algo que le puede resultar imposible de realizar.
Es por ello que la recuperación de información se centra en tratar de recuperar un conjunto de
resultados que sea relevantes ante una solicitud de información. Un modelo de caja negra de un
sistema de recuperación de información se muestra en la Figura 9.
Figura 9. Funcionamiento general de un sistema de recuperación de información.
La recuperación de información es interdisciplinaria, está basada en las ciencias
computacionales, las matemáticas, la bibliotecología, psicología, lingüística y estadística. Se ha
desarrollado mucha investigación para tratar el problema de la evaluación de los sistemas de
recuperación de información, RI (Rijsbergen, 1979). Una de las preguntas que se hacen en estos
sistemas es ¿qué evaluar? Cleverdon lista una serie de cantidades medibles, siendo las dos
principales la precisión y el índice de recuerdo.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
31
(7)
(8)
La precisión y el índice de recuerdo intentan medir lo que se conoce como la efectividad de
un sistema de recuperación. Son una medida de la habilidad del sistema para recuperar documentos
relevantes de los irrelevantes (Figura 10). Se asume que mientras más efectivo sea el sistema, el
resultado será más satisfactorio para el usuario. También se asume que la precisión y el índice de
recuerdo son suficientes para la medición de la efectividad.
Figura 10. La intersección entre los documentos relevantes y los documentos recuperados en un
sistema RI son los documentos relevantes recuperados tras una consulta.
La relevancia de los elementos a recuperar es una noción subjetiva. La relevancia o no
relevancia de un documento particular dada una consulta puede diferir entre distintos usuarios. Sin
embargo, las diferencias no son lo suficientemente grandes como para invalidar una
experimentación hecha con consultas de prueba y colecciones de documentos disponibles con las
evaluaciones de relevancia correspondientes.
Esto origina una situación donde un número de consultas existen, de las cuales, las
respuestas “correctas” son conocidas. En la RI se asume de manera general que si una estrategia de
recuperación se desempeña bien bajo un número de condiciones experimentales, entonces se espera
que se desempeñe bien en una situación operacional donde la relevancia no es conocida. Una
noción interesante con respecto a la relevancia, la brinda (Frants, 1997), al considerar que un
sistema RI tendrá un alto nivel de relevancia si la mayoría de los documentos recuperados
satisfacen la demanda de información de un usuario, es decir, que le sean útiles; por su parte,
Lancaster (1993) reafirma lo anterior, al considerar que la relevancia se asocia con el concepto de
la relación existente entre los contenidos de un documento hacia una temática determinada y la
pertinencia se enfoca a la relación de utilidad entre un documento recuperado y una necesidad de
información individual.
Por lo anterior, se asume que un elemento será relevante para una necesidad de
información, si éste aporta algún contenido relacionado con la solicitud, con lo cual, al hablar de
relevancia se habla de pertinencia, al referirse al punto de vista del usuario final que realiza una
operación de recuperación de información (Martínez, 2002). Para cada consulta hecha a un sistema
de recuperación se puede construir una tabla de contingencia y calcular los valores de precisión y
de índice de recuerdo correspondientes.
Relevantes No relevantes
Recuperados A ∩ E Ā ∩ E E
No recuperados A ∩ Ē Ā ∩ Ē Ē
A Ā
Se puede apreciar que la precisión (fórmula 7) es el cálculo obtenido de dividir el total de
documentos relevantes recuperados entre el total de los documentos recuperados. El caso del índice
Precisión = A ∩ E
E
Ìndice de
recuerdo =
A ∩ E
A
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
32
de recuerdo (fórmula 8), si bien se obtiene tras el cálculo de los documentos relevantes recuperados
entre el total de documentos relevantes, el cálculo del denominador resulta problemático, ya que si
se supiera de antemano cuales son los documentos relevantes, bastaría con sólo presentarlos a los
usuarios; desgraciadamente esta cantidad no se puede conocer de antemano, a lo más, sólo se puede
inferir un estimado.
Al respecto de estas métricas, baste considerar la situación común de un conjunto de
documentos recuperados en respuesta a una consulta; en condiciones ideales el conjunto debería
contener solamente documentos relevantes a la consulta, es decir, un 100% de precisión y un 100%
de índice de recuerdo. En la práctica, este no es el caso y el conjunto recuperado consiste tanto de
elementos relevantes y no relevantes.
Finalmente, si bien la precisión y el índice de recuerdo son las métricas más comúnes,
dentro de la literatura también se encuentran otras, como lo son la medida F y la ganancia
acumulada descontada normalizada o nDCG (Herlocker, 2004). La medida F es una métrica que
evalúa el desempeño conjunto tanto de la precisión como del índice de recuerdo, como lo muestra
la fórmula (9), mientras que nDCG es una métrica basada en la posición que ocupan los resutados
recuperados, como lo muestra la fórmula (10).
recuerdodeíndiceprecisión
recuerdodeíndiceprecisiónF
__
__**2
(9)
n
i
rel
n
n
n
ni
DCGdondeIDCG
DCGnDCG
i
1 2 )1(log
12, (10)
Donde, para la fórmula (10), n es el top de resultados tomados, reli ∈ {0, 1} indica si el resultado i
es un elemento relevante recuperado, y el IDCG representa el orden ideal de elementos relevantes
recuperados.
2.10 Mapas Web Actualmente el uso de la geolocalización está ejecutándose en los equipos actuales como portátiles,
celulares y dispositivos móviles, creando un nuevo paradigma en el que además de importar el qué,
también importa el cuándo y el dónde. Pero para ello primero se debe obtener la localización del
usuario.
La obtención de la localización de los usuarios si bien puede ser obtenida manualmente,
dispositivos como GPS (sistema de posicionamiento global) permiten obtener información como la
latitud y la longitud en la que se encuentra un usuario. Otra manera de obtener tales coordenadas es
directamente a través de los navegadores de Internet, como lo demuestra el esfuerzo de compañías
como Google o Mozilla, que a partir de un navegador Web buscan una manera de obtener la
localización aproximada del usuario, siguiendo la W3C Geolocation Specification, la cual busca
habilitar la identificación de la localización del usuario directamente por parte de los sitios Web,
previa autorización del usuario.
Distintos sitios brindan herramientas para que los desarrolladores puedan crear sus propias
aplicaciones basadas en la geolocalización (i.e. Yahoo! FireEagle), o bien para aprovechar el uso
que tiene dentro de las comunidades sociales de la red.
El auge de las aplicaciones con mapas e información geolocalizable ha tomado apogeo. Así
lo demuestran sitios como www.programmableweb.com, que a julio de 2010, registraba que de sus
casi 5000 mashups registrados, 34% de los cuales correspondían a mapas mashups.
Con respecto a las redes sociales y servicios de microblogging, Facebook ha anunciado la
incorporación de geolocalización dentro de su servicio, mientras que Twitter y Google Buzz ya han
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
33
comenzado lo propio al permitir identificar el lugar desde donde se escriben los mensajes que son
publicados. También la popularidad en aumento de sitios como Foursquare (que incentiva a los
usuarios a asistir a lugares físicos a modo de juego) y Gowalla (enfocado a compartir lugares y
eventos a los que se asiste físicamente), y de otros que antaño comenzaban a aprovechar las
bondades de la geolocalización, como Yelp y Yumit (para compartir lugares favoritos) e inclusive
Waze, que comparte la ubicación del usuario mientras conduce con lo que ayuda a informar del
tráfico de manera colaborativa.
Entre las ventajas consideradas por la geolocalización y los mapas digitales se encuentran:
Facilidad de consultar mapas y encontrar ubicaciones de manera más exacta. Actualmente
las interfaces presentadas por la mayoría de los mapas Web, como Google Maps, Bing
Maps o Map Quest son amigables y se encuentran en constante innovación, a fin de
proveer una mejor experiencia de navegación al usuario, como lo es Google Street View.
Presentación de información geoposicionada. Con servicios como Flickr que presenta la
localización en la cual fue tomada una foto.
Existencia de distintas APIs que permiten crear mashups y combinar los servicios de
localización en mapas con otras herramientas de la Web 2.0.
Fuerte integración con las redes sociales y la conformación de comunidades.
Personalización de la información que se presenta al usuario. Un servicio como Twitter que
rápidamente se ha posicionado como una nueva opción de búsqueda de información,
empieza a tomar en cuenta la geolocalización de los tweets que son publicados por los
usuarios, para darle mayor relevancia a aquellos que son locales a la ubicación de sus
miembros.
Publicidad contextualizada. Servicios como Google AdSense hacen uso de la
geolocalización a partir de la dirección IP del usuario, para determinar ya sea el país o
región en que se encuentra y de esa manera proporcionales anuncios más relevantes al
lugar donde se encuentre. Con una localización más exacta, también el sistema de anuncios
de Apple iAd sigue una fórmula semejante.
Nueva interacción y aplicaciones que aprovechan la realidad aumentada. Así, estas
aplicaciones sobreponen una capa virtual sobre la realidad, haciendo uso de la cámara de
un celular, por ejemplo, con la que se puede ver la dirección en la que se encuentra algún
restaurant.
Concluyendo, al conocer la ubicación, distintos servicios que hagan uso de ella pueden
ayudar a saber lo que pasa alrededor de la persona, qué hay y dónde se encuentran, agilizando la
comunicación y haciendo el acceso a la información más intuitivo.
Entre las desventajas actuales se pueden mencionar:
Problemas de privacidad. Es necesario que las aplicaciones que hagan uso de la
geolocalización también proporcionen mecanismos de seguridad que permitan establecer a
que otros usuarios u otras aplicaciones se les va a permitir el acceso a dichos datos.
Si no se tienen medidas de seguridad con respecto al acceso de la información del usuario,
ésta pueda ser usada para fines de phising y spamming.
Que las personas publiquen información delicada y personal sin tomar en cuenta los
riesgos que ello implica. Para evitarlo es necesario una previa concientización de los
riesgos inherentes en este tipo de aplicaciones, situación que se ha venido presentando en
distintas redes sociales donde las personas dejan pública su información personal para que
cualquier persona pueda acceder a ella; y si bien los distintos sitios de redes sociales
implementan cada vez más medidas de seguridad para evitar estas situaciones, de nada
sirven si las personas las omiten.
Si bien la búsqueda de lugares e información geolocalizable puede ser usada para brindar
recomendaciones a los usuarios acorde a su ubicación, existe más información que puede ser
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
34
tomada en cuenta para brindar una personalización de los resultados más acorde a cada persona,
información como la hora, el día, el clima, la popularidad del lugar, así como aspectos culturales y
sociales en los que se ven inmersos las personas, es decir, su contexto. La siguiente sección revisa
brevemente a los sistemas de recomendación, para posteriormente abarcar nuestro acercamiento del
manejo del contexto mediante reglas de Web Semántica y el uso de anotaciones sociales.
2.11 Mercadotecnia La mercadotecnia parte de que no todos los consumidores u organizaciones tendrán necesidades
idénticas, de que es necesario dividir al mercado total en segmentos de clientes potenciales que
tengan necesidades semejantes. La segmentación permite una respuesta más precisa a las
necesidades de los clientes y si bien existen varios segmentos de mercado, estos van cambiando
gradualmente de acuerdo a cambios culturales, de tiempo en tiempo, pero no de manera drástica
(Bennett, 2010), información que ha permitido identificar y clasificar patrones de comportamiento
de los consumidores.
La mercadotecnia busca identificar macro tendencias, éstas son las fuerzas que influyen en
el comportamiento del consumidor, lo que incluye: hábitos económicos, sociales, valores, estilos de
vida, la tecnología y aspectos demográficos. Entre los mercados internacionales, las bases de los
hábitos de consumo son muy semejantes, y si bien hay diferencias particulares en especial respecto
a la cultura, estos permiten generalizarse. Los deseos, la jerarquía de necesidades y la adopción de
patrones influyen en los consumidores en cada país (Bennett 2010).
Dentro del área de mercadotecnia se siguen dos principios (Kotler 2007):
Principio 1: Adoptar un enfoque centrado en el consumidor. Los programas y servicios que
han sido diseñados para alcanzar los deseos y necesidades del consumidor objetivo requerirán
una menor promoción ya que los consumidores satisfechos se vuelven evangelistas de la
compañía. Este principio es bien ejemplificado mediante la Web Social, en el que los
comentarios y valoraciones de los usuarios se pueden volver determinantes al momento de
elegir o no una opción. En este punto se puede notar la interrelación existente entre los aspectos
contextuales y sociales perseguidos en esta investigación.
Principio 2: Segmentos y mercado objetivo. Los segmentos difieren principalmente en los
deseos, valores, actitudes, recursos, localización geográfica y experiencias previas con el
producto u organización. A través de la segmentación de mercados, las organizaciones dividen
mercados grandes y heterogéneos en otros más pequeños, más homogéneos, mismos que
pueden ser buscados más eficientemente y efectivamente con productos y servicios que encajen
con sus necesidades únicas. Las principales variables usadas para la segmentación del mercado
incluyen aquellas que son descriptivas, relacionadas con los beneficios o con el
comportamiento. Los factores descriptivos incluyen factores geográficos como nación, región,
estado, ciudad, vecindarios o lugares de trabajo; las variables demográficas incluyen: edad,
género, familia, ciclo de vida, ingresos, ocupación, educación, religión, raza y nacionalidad; los
factores psicográficos se basan en características sociales, de clase, valores, estilo de vida y de
personalidad (Kotler 2007). Parte de estos atributos han sido considerados dentro de la
implementación del sistema de recomendación contextual propuesto.
Cabe destacar el cambio de paradigma que ha pasado de la mercadotecnia general a la
mercadotecnia objetivo (o meta), la cual se enfoca en atender necesidades específicas de un
determinado mercado, considerando sus gustos y necesidades diferentes, para finalmente llegar a la
mercadotecnia personalizada, un mercado enfocado a la medida del cliente. Es por ello que se
considera relevante el comprender al cliente.
Dentro de la mercadotecnia también destaca la importancia que se le da a la influencia que
tienen las personas para afectar el proceso de selección de servicios y productos. Esto se manifiesta
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
35
con el llamado boca-a-boca, que es la manera en que las personas comentan y opinan sobre lo que
les gusta o no. Este fenómeno se puede apreciar fácilmente en una gran cantidad de redes sociales y
servicios de la Web 2.0, como la recomendación de videos, por ejemplo.
También la mercadotecnia considera la forma en que influye el impacto de aspectos
políticos, fenómenos naturales o recesiones económicas en el proceso de selección. De ello se
concluye que el proceso para la formulación de reglas es un proceso constante, adaptable y en
continua evolución, es decir, que debe ir adaptándose según se determinen nuevas situaciones que
generen una influencia o ejerzan un cambio en la conducta del consumidor.
Prueba de este aspecto cambiante, es que la investigación del comportamiento del
consumidor ha pasado por distintos cambios a través de la historia, ajustándose a sus contextos
sociales y políticos, sin embargo, si algo mantienen en común estas etapas, son los patrones de
gusto y preferencias por parte del público, lo que bien puede generalizarse en un conjunto de reglas
de comportamiento.
Como resultado de esta tesis se sugieren un conjunto de reglas (ver Anexo C), basadas en
la literatura estudiada con respecto a mercadotecnia (ver Anexo F, secciones F.5, F.6 y F.10), que
representan patrones y características de los consumidores, partiendo de la información contextual
del consumidor. Este conjunto de reglas puede extenderse o modificarse con el transcurso del
tiempo, para adaptarse a los nuevos cambios contextuales que se presenten, pero que sin embargo
ya dejan asentada una base.
Como ejemplo, considerense los siguientes patrones de comportamiento (Marin, 2005;
Galindo, 2007; Sahui, 2008):
Los estudiantes relacionan una franquicia con calidad y estandarización, cumpliendo más sus
expectativas, ya que ellos consumen marcas consolidadas de manera simple, mientras que los
profesionistas tienden a preferir los restaurantes independientes, ya que cumplen más sus
expectativas. Esto puede traducirse de la siguiente manera:
o Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y existe Restaurante(r)
y tiene-identificador(r,id) y es-franquicia(r, falso) entonces obtener el id del
restaurante.
o Si existe una Persona(x) y tiene-ocupacion(x, "estudiante") y tieneEdad(x, y) y es-
mayor-o-igual(y, 12) y es-menor-o-igual(y, 24) y existe Restaurante(r) y tiene-
identificador(r,id) y es-Franquicia(?r, true) entonces obten el id del restaurante.
En cuanto a subculturas identificadas, los llamados baby bursters (nacidos entre 1965-1976) se
caracterizan por ser desleales a las marcas, ser materialistas, adictos al trabajo, cínicos e
irónicos. Esto puede traducirse de la siguiente forma:
o Si existe una Persona(x) y tiene-edad(x, y) y edad-mayor-igual(y, 34) y edad-
menor-igual(y, 45) y existe Restaurante(r) y tiene-identificador(r,id) y
esFranquicia(r, falso) ^ tiene-formalidad(r, "formal") entonces obtener el id del
restaurante.
Por aspectos religiosos, considerese la época de cuaresma, donde los católicos consumen
mayormente mariscos:
o Si fecha-actual(hoy, d) y fecha-dentro-de-período(d, "2011-03-09", "2011-04-23") y
existe Persona(x) y persona-profesa(x, “católico”) y existe-Restaurante(r) y tiene-
identificador(r,id) y sirve-alimento(r, “mariscos”) entonces obtener el id del
restaurante.
El tipo de consumidores denominados bioconsumidores son personas entre 18 y 60 años, que
tienen un interés por la naturaleza y por la nutrición de su alimentación:
o Si existe una Persona(x) y tiene-edad(x, y) y edad-mayor-igual(y, 18) y edad-
menor-igual(y, 60) y tiene-interés(x, "naturaleza") y existe Restaurante(r) y tiene-
identificador(r,id) y sirve-alimento(r, Vegetariano) entonces obtener el id del
restaurante.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
36
Con respecto al tipo de personalidad, se han identificado distintos comportamientos
relacionadas con el dinero, entre ellas: cazadores, que asumen riesgos, son agresivo y gastan
dinero; ostentosos, que les gusta el lujo, son egocéntricos y buscan primera clase; ahorrativos,
son prósperos, apréstamistas y conservadores.
o Si existe una Persona(x) y tiene-personalidad(x, “Cazador-Ostentoso”) y existe
Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces obtener el
id del restaurante.
o Si existe una Persona(x) y tiene-personalidad(x, “Ahorrativo”) y tiene-ingreso(x,
"medio o bajo") y existe Restaurante(r) y tiene-identificador(r,id) y tiene-costo(?r,
"bajo") y esFranquicia(?r, falso) entonces obtener el id del restaurante.
Sobre la clase social, las clases identificadas como de nivel A y B se caracterizan por personas
que son jefes de familia con estudios superiores, empresarios con negocios grandes o
medianos, ejecutivos o profesionistas destacados, cuyos hijos reciben educación en escuelas
privadas nacionales o en el extranjero, cuentan con hogar propio, tienen varios automóviles,
utilizan tarjetas de crédito, entre otras características.
o Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y tiene-
ingreso(x,”alto”) y existe Restaurante(r) y tiene-identificador(r,id) y
tieneEstacionamiento(r, "propio") entonces obtener el id del restaurante.
o Si existe una Persona(x) y paga-con(x, “MasterCard, VISA”) y existe Restaurante(r)
^ tiene-identificador(r,id) y acepta-pago(r, “MasterCard, VISA”) entonces obtener el
id del restaurante.
Con respecto a la etapa de vida de una persona, la etapa recién casado identifica a personas que
están casadas, aún sin hijos y sin los gastos que ello implica, por lo que pueden usar ese dinero
en si mismos; la etapa conocida como nido completo I presenta a una persona casada, con hijos
pequeños, lo que implica una escasa liquidez económica ya que los gastos se centran en los
hijos, también se caracteriza por la alimentación infantil. Otro caso es el nido vacío I, en el que
la persona ya se encuentra en una posición más satisfactoria, donde los hijos ya son
independientes y el gasto que se avocaba hacia ellos ya puede ser usado para la persona misma.
o Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "no") y existe
Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces obtener el
id del restaurante.
o Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "chico") y existe
Restaurante(?r) y tiene-identificador(r,id) y tiene-costo(?r, "medio") entonces
obtener el id del restaurante.
o Si existe Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "independiente") y
existe Restaurante(r) y tiene-identificador(r,id) y tiene-costo(r, "alto") entonces
obtener el id del restaurante.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
37
3 Estado del arte
En este apartado se describe el estado del arte encontrado sobre investigaciones y desarrollos con
características afines o útiles para el trabajo de investigación propuesto.
Se presentan una serie de tablas que recopilan distintos trabajos e investigaciones en
diversas áreas relacionadas con el ámbito del trabajo de investigación que se desarrolló. Se aborda
de manera general las mejoras surgidas como producto de este trabajo con respecto a los
competidores identificados y los puntos que no serán contemplados al no ser de prioridad para esta
tesis.
Área: SIG Móvil (Mobile GIS)
Relación con el trabajo Descripción
La geolocalización permite que los usuarios
puedan valorar o realizar consultas de la manera
que más le sea propicia al lugar y momento donde
se encuentren.
Este apartado presenta aplicaciones y
trabajos de los SIG enfocados a la
recuperación de información geográfica.
Estado del arte
En los últimos años se han popularizado aplicaciones y servicios sobre mapas,
accesibles desde teléfonos celulares, como lo son Nokia Maps8, Google SMS
9, Google
Mobile Maps10
, MapQuest Mobile11
, Ask Mobile12
e inclusive trabajos de
investigación afines, como la aplicación m-Chartis presentada por Garofalakis (2006)
El proyecto GiMoDig (Hermans, 2003), (Nivala, 2003), busca el empleo de
dispositivos móviles para la localización de puntos de interés en un lugar determinado,
8 Nokia Europe – Nokia Maps, http://europe.nokia.com/A4509271
9 Google Mobile: Text message Google for quick results, http://www.google.com/intl/en_us/mobile/sms/.
10 Google Mobile: Google Maps, http://www.google.com/gmm
11 MapQuest: Mobile Maps & Driving Directions, AOL, http://www.mapquest.com/mobile/
12 Ask Mobile, http://gps.ask.com/
Capítulo 3
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
38
haciendo hincapié en las consideraciones necesarias para llevar a cabo un proyecto de
dicha índole, desde la interacción del usuario hasta la manera de presentar y procesar
la información.
Se han buscado alternativas para brindar una mejor experiencia de navegación del
usuario al investigar puntos de interés sobre un mapa, inclusive mediante el uso de
tecnologías como la realidad aumentada (Schoning, 2007).
El área de entretenimiento también trata de sacar provecho de ésta área, como lo
demuestra por ejemplo (Lonthoff, 2003) con Mobile Hunters, juego que aprovechan la
localización de los usuarios para su funcionamiento.
Y de manera general, una gran variedad de aplicaciones basadas en la localización de
lugares, trazado de rutas, informes de tráfico, localización de contactos, publicación de
fotos con información geográfica en la Web, entre otros, ya sea para fines comerciales,
de seguridad o de entretenimiento (como lo demuestran los participantes del concurso
NAVTEQ13
).
Los trabajos anteriores consideran de manera limitada (o no consideran) la dependencia
contextual en sus tres enfoques (personal, de ambiente o de datos); tampoco aprovechan la
retroalimentación que se puede obtener de la comunidad que utiliza sus servicios, como parte
del conocimiento colectivo que puede proveer.
Principales “jugadores”
Comerciales
1. Google
2. Nokia
3. AOL
4. Ask
Académicos
1. Universidad de Munster, Alemania (trabajo: Magic
lenses)
2. Helsinki University of Technology, Finlandia
(trabajo: GiMoDig)
3. Universidad de Patras, Grecia (trabajo: m-Chartis)
Competidores más cercanos
Nokia, Google, AOL, Ask, GiMoDig
Mejoras
Consideración de anotaciones sociales para consultas personalizadas y el ordenamiento de los
resultados mediante la participación de los usuarios en conjunto con la dependencia contextual
para determinar los servicios más pertinentes para la solicitud del usuario.
Puntos a no tratar
No se trabajará con guías que indiquen recorridos a seguir; la visualización en mapas es un
medio de complementar la información mostrada al usuario, no el fin. Empero, el objetivo de
esta tesis es una investigación que usa un prototipo experimental, siendo que el prototipo es un
auxiliar de la investigación y no el fin de la misma.
Aplicación: Mashups
Relación con el trabajo Historia / Descripción
Los mashups permiten la edición y visualización
de mapas con puntos de interés para algún usuario
en algún sitio Web.
Un mashups es un software híbrido que
combina el contenido de más de una
fuente, son un género de aplicaciones
Web interactivas que permiten recuperar
contenido de fuentes externas para crear
nuevos servicios. Actualmente, su uso en
13
NAVTEQ Global LBS Challenge, http://www.nn4d.com/site/global/market/lbs_challenge/p_lbs_home.jsp
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
39
la Web es muy popular, gracias al manejo
de la API de Google Maps.
Estado del arte
Gracias a servicios como Google Maps, Yahoo! y MSN, han surgido mashups que
integran y combinan sus mapas, así como información de otras fuentes, buscando dar
una mayor experiencia al usuario; un ejemplo representativo es ONGMAP14
.
También han aparecido aplicaciones Web y librerías que permiten usar en línea la API
de Google Maps para que el usuario realice su propio mashup, como son MapBuilder15
y J2MEMap16
. Otra API para el manejo de la localización del usuario es FireEagle17
,
por parte de Yahoo!.
La parte social también ha tenido su participación en los mashups, como lo demuestran
algunos proyectos para describir lugares (e inclusive el mundo), como GlobalMotion18
,
WikiMapia19
o Tagzania20
.
Otro ejemplo, es WikiMiniAtlas, usado dentro de contenidos de la Wikipedia para
enlazar información sobre algún lugar con su mapa correspondiente.
Rummble21
es un servicio social que permite que los participantes compartan sus
lugares visitados y sus fotos. Manejan búsqueda de lugares haciendo uso de
“rummbles” (inserción de puntos de interés para los usuarios) de los contactos
de un usuario y de los contactos de sus contactos, manejando así una red social
de consulta.
Google continúa presentando nuevas aplicaciones relacionadas con los mapas y la
geolocalización, como lo es el servicio Google Latitude22
, una aplicación para
dispositivos móviles que puede ser usada para buscar y encontrar amigos a partir de su
localización geográfica. Otro es la aplicación Places Directory, para los sistemas
Android, que permite encontrar lugares cercanos a la ubicación actual del usuario.
Los mashups combinan distintas fuentes para crear un producto al usuario, sin embargo, como
es el caso de los mapas geográficos, no están enfocados a la localización de servicios ni al
manejo de información contextual.
Principales “jugadores”
Mashups realizados por usuarios o grupos de usuarios, que combinan los mapas y servicios de
Google Maps, Yahoo! y MSN, como ONGMAP; sitios como MapBuilder y APIs como
J2MEMap. Proyectos para describir lugares, como GlobalMotion, WikiMapia o Tagzania.
Competidores más cercanos
Tagzania
Mejoras
Permitir la búsqueda de servicios en base a un criterio contextual.
Puntos a no tratar
El objetivo de la investigación no es el desarrollo de un mashup, si bien se utiliza como parte
del prototipo de la misma.
14
http://ongmap.com 15
www.mapbuilder.net 16
http:// j2memap.landspurg.net 17
http://fireeagle.yahoo.net/ 18
www.globalmotion.com 19
http://wikimapia.org 20
www.tagzania.com 21
http://www.rummble.com 22
Google Latitude, http://www.google.com/latitude
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
40
Área: Dependencia contextual
Relación con el trabajo Historia / Descripción
Para poder proveer un conjunto de resultados más
personalizados se requiere conocer el contexto en
el cual se encuentra quien realice una consulta, su
situación, sus gustos, lo que sucede a su
alrededor. Con estas consideraciones se busca
proporcionarle resultados que le sean útiles y no
información que en su contexto o situación le
resulte innecesaria.
El uso de información contextual permite
definir el medio en el que se encuentra
inmerso el usuario, para poder
proporcionarle servicios acordes a su
preferencia y necesidad, útiles de acuerdo
al lugar y momento donde se encuentre.
Dependiendo del grupo de usuarios
dependerá el contexto de aplicación. Es
por ello que se ha buscado la manera de
identificar distintos contextos de uso para
la misma información.
Estado del arte
Spaccapietra et. al. han presentado trabajos enfocados a determinar la información que
influye en el contexto que rodea al usuario (Yu, 2003, 2004), (Spaccapietra, 2005),
cómo esta información ayuda a una mayor delimitación semántica de lo que el usuario
puede estar consultando (Yu, 2005) y cómo los datos pueden ser almacenados y
representados bajo diferentes contextos (Benslimane, 2003), (Vangenot, 2004),
(Spaccapietra, 2006).
Nivala (2003) realiza una prueba de usabilidad con un grupo de usuarios, sobre el uso
de dispositivos móviles para la localización y orientación de los usuarios, con lo que
identifica un conjunto de elementos contextuales que influyen en la interacción con los
usuarios.
Una aplicación de la importancia contextual la presenta Sun (2004), mostrando un
trabajo encaminado a determinar recorridos turísticos, indicando una ponderación a
cada sitio de interés, basada en el criterio de expertos así como por el interés del
usuario.
Uno de los problemas para determinar el contexto en que se encuentra el usuario, es obtener la
información que lo rodea, desde los intereses de la persona y lo que sucede a su alrededor. Lo
que puede ser relevante para un usuario, para otro puede no serlo. Esta investigación buscó
conjuntar el manejo de información contextual junto con anotaciones sociales en el marco de
los sistemas de recomendación dentro de un lugar y momento determinado.
Área: Uso de ontologías en un SIG
Relación con el trabajo Historia / Descripción
Las ontologías permiten mantener una estructura
ordenada de conceptos sobre un dominio, así
como una relación explícita entre los conceptos
que la integran; ello permitiría una estructura
sobre la cual manejar la información concerniente
a la dependencia contextual y de los servicios y
lugares accesibles por el usuario.
El uso de ontologías para almacenar
información permite un orden y estructura
donde se puede integrar y compartir la
información. Su uso es variado, pues
permite modelar distintos enfoques de un
mismo dominio, además de hacerlo bajo
diferentes niveles de abstracción que
abarquen conceptos generales y un
contenido más específico.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
41
Estado del arte
Fonseca (2001) presenta un marco de trabajo para la integración de información
geográfica mediante ontologías (ODGIS) en una tesis que muestra que un modelo que
incorpora jerarquías y roles, tiene el potencial de integrar más información de distintas
fuentes geográficas que un modelo que no los incorporan.
Spaccapietra (2004) presenta un estudio de la importancia de las ontologías espaciales,
temporales, ontologías de dominio geográfico y ontologías espacio-temporales.
A su vez, trabajos como el de Tomai (2006), presentan una herramienta Web para la
creación de ontologías de dominio geográfico, como una manera más sencilla para el
desarrollo de éstas y su utilización.
Otros trabajos (Bernard, 2003), (Lutz, 2003, 2005, 2006), (Klien, 2004, 2005),
[Lutz05], [Lutz06]) presentan el uso de las ontologías en el dominio geográfico para la
descripción de servicios, como una manera de atacar el problema de la ambigüedad en
las consultas de los usuarios.
Holtkamp (2008) presentan un trabajo sobre el uso de ontologías para la información
personalizada consciente de la situación y el suministro de servicios para usuarios
móviles; presentan el sistema COMPASS, una aplicación de turistas para las
Olimpiadas de Beijing.
En esta investigación se recurrió al uso de ontologías para la estructuración de la información
relacionada con los servicios geolocalizables, así como del perfil contextual del usuario.
Principales “jugadores”
Universidad de Maine, EUA (trabajo: ODGIS),
Swiss Federal Institute of Technology, Suiza (trabajos: ontologías espaciales),
Universidad Nacional Técnica de Atenas, Grecia (trabajo: editor de ontologías
geográficas),
Universidad de Munster, Alemania (trabajo: emparejamiento de ontologías
geográficas).
Competidores más cercanos
Fonseca (ODGIS, Fonseca, 2001),
Spaccapietra (2004),
Tomai (2006),
Lutz (2005, 2006).
Holtkamp (2008).
Mejoras / Puntos a no tratar
La prioridad de la investigación recayó sobre el uso de aspectos sociales y contextuales. El uso
de ontologías recayó como una herramienta usada para realizar consultas, inferir y establecer
relaciones entre los servicios geolocalizables que pueden ser consultados y del perfil de
usuario.
Área: Sistemas de recomendación
Relación con el trabajo Historia / Descripción
Distintos aspectos de la participación directa de
los usuarios han afectado la forma en que se
utiliza la Web actualmente; los sistemas de
colaboración por filtrado colaborativo buscan
aprovechar el conocimiento colectivo de la
comunidad de usuarios para la recomendación de
ítems. En esta investigación los ítems a
recomendar se orientan a servicios
Tapestry fue el primer sistema de
recomendación por filtrado colaborativo,
surgido en 1992, sin embargo la evolución
de este tipo de sistemas a continuado,
teniendo un impacto actual, por ejemplo
en sitios de comercio electrónico. Se
continúan buscando maneras de mejorar
el desempeño de estos sistemas, desde
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
42
geolocalizables. distintos enfoques, como el seguido por
esta investigación.
Estado del arte
Tso-Sutter (2008) presenta el manejo de anotaciones sociales dentro del modelo usado
por los sistemas de recomendación, pasando de una matriz usuario-ítem hacia una
matriz tridimensional que considera usuario-ítem-anotación social.
Cai et al. (2010) proponen un modelo que considera los roles de las interacciones del
usuario dentro de una red social (bajo dos enfoques, la similitud del usuario por su
“atractivo” a otros usuarios y su “gusto”, es decir, que tan semejante es a otros),
presentando un filtrado colaborativo para permitir recomendaciones de personas a
otras personas.
Tapucu et al. (2010) presentan una arquitectura para la mejora del desempeño de los
sistemas de recomendación haciendo uso de las preferencias del usuario que se
encuentran implícitamente dentro del conocimiento de un dominio.
Cakiroglu & Birturk (2010) evalúan el efecto de los círculos sociales sobre las
preferencias de los usuarios, con un caso de estudio dentro de una aplicación en
Facebook.
Liang et al. (2010) presentan un acercamiento de anotaciones sociales dentro de los
sistemas de recomendación, a través de las similitudes entre los usuarios y los ítems a
partir de las anotaciones comunes que tengan.
En esta investigación se considero seguir el trabajo de Tso-Sutter como una manera de
incorporar el uso de anotaciones sociales dentro de los sistemas de recomendación; sobre esta
base se sigue un enfoque contextual para la recomendación de lugares socialmente relevantes y
contextualmente adecuados para el usuario. Finalmente, también se consideró el aporte de
Liang para lograr un mejor desempeño en los resultados de la recomendación.
Principales “jugadores”
Universidad de Hildesheim, Alemania (trabajo de la Dra. Tso-Sutter).
Universidad de Tecnología de Queensland, Australia (trabajo de Liang Huizhi).
Competidores más cercanos
Tso-Sutter (2008).
Liang (2010).
Mejoras / Puntos a no tratar
Dentro de la investigación se encontró que el manejo de anotaciones sociales podía ser usado
sobre los sistemas de recomendación. La investigación se oriento a comprobar si existía mejora
sobre estos sistemas al seguir también un enfoque contextual o bien un enfoque contextual en
conjunto con el enfoque social.
En la Tabla 1, se muestra un resumen comparativo de las características de los trabajos revisados.
Los elementos numerados de dicha tabla corresponden a los siguientes:
Característica
1 Proyectos GIS – LBS
2 Aplicación para la Web
3 Manejo de dependencia del contexto
4 Orientación Web 2.0
5 Desarrollo tipo mashup
6 Manejo de ontologías
7 Personalización por parte del usuario
8 Uso de la Web social
9 Ataca heterogeneidad semántica
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
43
Tabla 1. Comparativa general de los trabajos revisados.
Proyecto / Investigación 1 2 3 4 5 6 7 8 9
ODGIS (Fonseca 2001) ● ●
MADS (Spaccapietra, 2006), (Vangenot, 2004) ● ● ● ●
Herramienta Web para ontologías geográficas
(Tomai, 2006) ●
● ●
●
Descubrimiento de servicios SIG basado en
ontologías (Klien, 2004, 2005), (Lutz, 2005,2006)
●
●
WOS (Lacasta, 2007) ● ● ●
COMPASS (Holtkam,2008) ● ● ●
Lenguaje visual en consultas SIG (Loranca,2000) ●
Dependencia contextual en SIG (Yu,
2003,2004,2005), (Vangenot 2004), (Spaccapietra
2005)
●
●
Rutas turísticas (Sun 2004) ● ● ●
Lentes mágicos, contenido de la Wikipedia en
mapas (Schoning 2007) ● ● ●
Nokia Maps ●
Google Mobile Maps ● ● ● ●
FireEagle ● ● ● ●
we♥places23
● ● ● ●
GiMoDig (Sarjakoski 2005), (Nivala2003) ● ● ●
m-Chartis (Garofalakis 2006) ● ●
WikiMapia ● ● ● ● ●
Tagzania ● ● ● ● ●
WikiProjekt Georeferenzierung ● ● ●
MapBuilder ● ● ● ● ●
Rummble ● ● ● ● ●
Ongmap ● ● ● ●
GoPlanit24
● ● ● ● ● ●
Recomendaciones de citas (Cai 2010) ●
Anotaciones sociales en sistemas de
recomendación (Tso-Sutter 2008)
●
Recomendación de contactos en Facebook
(Cakiroglu 2010)
●
Anotaciones ponderadas para recomendaciones
personalizadas (Liang 2010)
●
Participantes NAVTEQ 1 2 3 4 5 6 8 9 10
Atlas Book, Where,
Loc Aid People, Aleona, Smarter Agent, W-
PlanIt
●
ParkWhiz ● ●
PocketCaster GPS, relive!, 8motions ● ●
Proxpro, Beacon, loopt ● ●
Wuh-sup? ● ●
23
We love places, http://www.weheartplaces.com/ 24
GoPlanit, http://www.goplanit.com/
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
44
Una tabla comparativa entre los principales exponentes con el trabajo de investigación aquí
propuesto, se muestra en la Tabla 2. Las columnas sobre dependencia contextual indican si el
proyecto toma en cuenta de alguna manera la dependencia contextual, ya sea computacional, del
perfil personal, del entorno o de los datos de los proveedores de servicios. La columna de
folcsonomía indica si se hace algún uso de anotaciones sociales para describir las locaciones y la
última indica si se sigue algún procedimiento para la ordenación jerárquica de los resultados tras
una consulta.
Tabla 2. Tabla comparativa con respecto a la investigación por realizar.
Trabajos
relacionados
Dependencia contextual Construcción
ontológica
Folcso-
nomía
LBS Ordena-
miento
Personal Entorno Datos
Foursquare
Nokia Maps
Servidores Mapas
Web Móviles
(Ask, MapQuest)
(Fonseca 2001)
(Lutz 2005)
(Sarjakoski 2005)
(Spaccapietra 06)
Google Maps (Tso-Sutter, 2008)
(Liang, 2010)
Investigación
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
45
4 Metodología de solución
La atención del trabajo se enfocó en el manejo de la información geoespacial, contextual y la
retroalimentación proporcionada por los usuarios a través de anotaciones sociales para la obtención
de un conjunto recomendado de resultados ante la solicitud de servicios basados en localización. El
caso de estudio realizado se efectuó sobre el dominio de restaurantes.
El manejo de información contextual se siguió bajo un enfoque basado en teoría de
mercadotecnia y de razonamiento del sentido común. El razonamiento de sentido común es un área
de la inteligencia artifical que involucra tomar información sobre ciertos aspectos de un escenario
en el mundo y hacer inferencias sobre otros aspectos de ese mismo escenario, tomando como base
el conocimiento del sentido común o conocimiento de cómo el mundo funciona. Usando el cálculo
de eventos, se puede representar conocimiento de sentido común y representar escenarios para
razonar sobre ellos. En el acercamiento basado en lógica para el razonamiento de sentido común, el
conocimiento es representado declarativamente como fórmulas lógicas (Mueller 2006).
Para la contextualización se consideraron el perfil del usuario, la información del entorno y
de los proveedores de servicios. Como mencionan Vanathi & Rhymend (2011), dentro de los
distintos acercamientos al modelado contextual, el basado en ontologías es el más adecuado para el
cómputo de conciencia contextual.
Con respecto al manejo de la recomendación social, se siguió la incorporación de
anotaciones sociales propuesta por Tso-Sutter (2008) y Liang (2010).
Con ambos enfoques se persigue la recomendación de resultados a partir de su importancia
contextual y social. Se describe a continuación la metodología de solución seguida para esta
investigación:
Recopilación de datos.
Creación de un sistema de recomendación contextual por filtrado colaborativo.
Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones
sociales.
Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en
anotaciones sociales.
Experimentación y comparación entre los sistemas.
Análisis de resultados.
Capítulo 4
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
46
A continuación se describen los pasos anteriores enfocados al caso de estudio efectuado en
esta investigación.
4.1 Recopilación de datos Para esta etapa se implementó un prototipo Web, llamado Surfeous (de momento disponible en
http://148.208.209.28:8080/surfeous/mapas). La función del prototipo fue primordialmente de
recopilar información sobre la cual poder efectuar la experimentación. Dadas las características del
acercamiento realizado en esta investigación, no existen repositorios de datos que proporcionen el
nivel de detalle de las características propias tanto de los ítems como de los usuarios, por lo que fue
necesario recurrir a este prototipo.
Dentro del ejercicio, participaron mayoritariamente distintos estudiantes de nivel
licenciatura y superior, a los que se les solicitó un mínimo de 10 restaurantes evaluados por
usuario, para evitar así el problema de cold-start o inicio frío que se presenta en los sistemas de
recomendación (Lathia, 2009). La cantidad de 10 corresponde principalmente a tener una cantidad
de restaurantes evaluados por los usuarios, de manera que se pudiera contar con su participación,
ya que en caso de pedir más, los usuarios pudieran mostrarse reacios a colaborar con esta
investigación. Tomando como base otros trabajos, la cantidad mínima seguida varía entre 5 (Liang,
2010; Verbert, 2011) y 10 (Tso-Sutter. 2008), por lo que se consideró a 10 como el valor inicial a
pedir.
4.1.1 Prototipo
Para proporcionar una manera sencilla de poder marcar y etiquetar los puntos de interés sobre un
mapa Web, se desarrolló una aplicación Web usando la API de Google Maps que permitiera a un
usuario marcar puntos de interés (POI) directamente en un mapa, y sobre dicho POI insertar una
serie de anotaciones sociales que lo describan (Figura 11).
Etiquetas
Lugares
Agrega
Elimina
EtiquetasEtiquetas
Lugares
Agrega
Elimina
Figura 11. Interacción de un usuario para agregar o eliminar anotaciones sobre un lugar geo-
localizable.
Dentro de las tecnologías utilizadas para el desarrollo del prototipo se mencionan las
siguientes:
- Se uso Protégé y Jess. Jess es un motor de reglas, hecho en Java. Jess no puede procesar
directamente las reglas SWRL, pero con el plug-in de Protégé, el SWRLTab (O’Connor 2005)
le da la capacidad de traducir una ontología OWL con reglas SWRL en hechos y reglas de Jess,
permitiendo que Jess pueda usarse como un módulo de razonamiento para la ejecución de
reglas junto con ontologías.
- El desarrollo utiliza la API de Google Maps, para el lado cliente el lenguaje JavaScript y el
lenguaje JSP sobre un servidor Apache Tomcat, así como una base de datos PostgreSQL junto
con su extensión PostGIS para el manejo de bases de datos espaciales.
Este prototipo sirvió principalmente para el proceso de captura de información, tanto de
usuarios como de restaurantes, para tener un repositorio sobre el cuál poder experimentar. La
construcción de este repositorio fue debido a que no existen actualmente repositorios que cuentes
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
47
con información sobre usuarios e ítems, con aspectos propios de ellos (es decir, sus atributos
contextuales), siendo que los repositorios generalmente usados para la experimentación sobre
sistemas de recomendación, incluyen datos sólo sobre qué usuarios han evaluado qué ítems, y en
algunos casos, qué anotaciones sociales han usado. Si bien no son el objetivo, el prototipo realiza
distintas funciones, principalmente con fines de que hubiera una mayor interactividad con el
usuario. Entre las funciones que cumple el prototipo se encuentran:
- Permitir el registro de nuevos usuarios.
- Permitir la creación del perfil de usuario bajo una extensión realizada de FOAF, a la que se
denominó eXtended FOAF o XFOAF (vocabulario denotado en el Anexo A).
- Permitir el registro de nuevos restaurantes.
- Valorar restaurantes dentro de la cuenta de cada usuario, así como especificarles anotaciones
sociales, dentro de tres facetas: pros, contras y descripción.
- Realizar búsquedas de restaurantes.
- Proporcionar una recomendación social y contextual al usuario.
- Visualizar la información de los restaurantes mediante mapas digitales.
Capturas ilustrativas del prototipo desarrollado se presentan en el anexo C.
4.1.2 Datos obtenidos
El sistema Surfeous cuenta con los siguientes datos:
- De un total de 133 022 lugares capturados, 132 560 fueron obtenidos usando información del
sitio trustedplaces.com y del proyecto Chefmoz. Sin embargo estos lugares corresponden a un
dominio internacional, por lo que para las pruebas locales no fueron de utilidad.
- 462 lugares capturados tanto manualmente (durante el inicio del poblado de la base, usando
como fuente de captura manual al sitio de Google Maps) como lugares agregados por los
usuarios.
- 400 usuarios registrados.
Sin embargo, pese a ser estos los valores totales, tras el uso de Surfeous, muchos usuarios sólo se
registraron y no participaron en el sistema, por lo que se tomó la parte densa de los datos
recolectados para la experimentación:
- 136 usuarios
- 130 ítems,
- 1161 ratings y
- 106 anotaciones sociales distintas.
La información capturada concerniente al usuario corresponde a la mostrada en la Tabla 3
mientras que la Tabla 4 muestra los datos capturados con respecto a los ítems (restaurantes).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
48
Tabla 3. Atributos contextuales de perfil de usuario.
Tabla 4. Atributos contextuales de ítem.
4.2 Propuesta de un sistema de recomendación contextual por filtrado colaborativo
Esta etapa involucró la creación de un sistema de recomendación sobre lugares geo localizables que
tome en cuenta información contextual, siguiendo un enfoque de mercadotecnia a través de
ontologías y reglas de Web Semántica.
Para ello, primero se explica el proceso para obtener estas reglas sobre información
contextual, después cómo son aplicadas mediante reglas de Web Semántica y finalmente la
construcción de un sistema de recomendación por filtrado colaborativo que las utilice.
4.2.1 Obtención de reglas contextuales para la recomendación de servicios basados en localización
Para la obtención de reglas, se siguió un enfoque basado en la teoría de la mercadotecnia (ver
sección 2.11 y en el Anexo F, secciones F.5 y F.6, sobre las variables internas y externas del
comportamiento del consumidor), así como otros patrones que otras investigaciones han
encontrado con respecto a la preferencia de restaurantes y otras actitudes (ver Anexo F, sección
F.10). También se siguió un enfoque basado en el razonamiento del sentido común, con el cual se
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
49
justifica como empatar características, por ejemplo, que si una persona se encuentra en determinada
hora, entonces se le recomiende un restaurante que esté abierto a esa hora.
El objetivo de identificar estas reglas, es para identificar puntos a favor de por qué
recomendar un elemento. Así, al cumplirse una serie de antecedentes, se lleva como consecuente la
consideración de hacer una recomendación.
En esta investigación se hizo esta representación a través de reglas de Web Semántica, que
permiten una manera de poder inferir y seleccionar elementos a recomendar a partir del
cumplimiento de una serie de antecedentes. Para el caso de estudio, la serie de antecedentes
consiste en el cumplimiento de características específicas sobre los atributos tanto del usuario, del
entorno y de los ítems a recomendar (información contextual, descrita al final de la sección 2.3); el
consecuente por su parte, estará indicado por los restaurantes a recomendar en base a los
antecedentes estipulados.
A continuación se presentan una serie de pasos para la aplicación de reglas de Web
Semántica bajo un enfoque de mercadotecnia, que puedan ser usadas dentro de un sistema de
recomendación. Los pasos son los siguientes:
1. Determinación del mercado objetivo. A quienes se realizará la recomendación. Para
nuestro caso, a usuarios que busquen recomendaciones de restaurantes de acuerdo a su
contexto.
2. Estudio de mercado. Este paso involucra comprender las características y relaciones
existentes entre los usuarios y los elementos a ser recomendados.
3. Determinación de reglas. Este paso consiste en la identificación de reglas que denoten la
relación existente entre los atributos tanto de los usuarios, de su entorno y de los ítems a
recomendar.
4. Desarrollo de una ontología de dominio. La aplicación de las reglas de Web Semántica se
efectúa sobre una ontología que contenga y permita representar conceptos y relaciones
propios del dominio a utilizar. Para el caso de estudio, el dominio se refiere a restaurantes,
representando conceptos, relaciones de tipo de objeto y de tipo de dato.
5. Formalización de reglas. En esta etapa se representan las reglas identificadas en las etapas
anteriores con un lenguaje formal, como lo es SWRL, mismas que pueden verse como una
representación de reglas por razonamiento del sentido común.
Tómese por ejemplo, de los patrones mencionados al final de la sección 2.11, los
siguientes:
- Si existe una Persona(x) y tiene-ocupacion(x, "profesionista") y existe Restaurante(r) y
tiene-identificador(r,id) y es-franquicia(r, falso) entonces obtener el id del restaurante.
Una representación a SQWRL puede ser la siguiente:
Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
esFranquicia(?r, false) sqwrl:selectDistinct(?id)
- Si existe una Persona(x) y estado-civil(x, "casado") y tiene-hijo(x, "chico") y existe
Restaurante(?r) y tiene-identificador(r,id) y tiene-costo(?r, "medio") entonces obtener el
id del restaurante.
Su representación a SQWRL puede ser como sigue:
Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x, "chico") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ tieneCosto(?r, "medio") sqwrl:selectDistinct(?id)
6. Pruebas y correcciones. Este paso incluye la verificación funcional de las reglas
formuladas y su posterior corrección en caso de así necesitarlo. Esto se refiere
principalmente a que las reglas puedan utilizarse dentro de la ontología desarrollada y
puedan ejecutarse bajo un motor de inferencia (como puede ser a través de Protégé y del
motor de Jess), ya que en caso de que la sintaxis de la regla sea incorrecta, el proceso de
inferencia fallará.
7. Adaptación evolutiva de las reglas conforme a los cambios del entorno. Al tratarse de un
entorno en evolución, en el que pueden aparecer e identificarse nuevos comportamientos,
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
50
se busca que sea posible la implementación de nuevas reglas o la corrección de otras que se
considere dejen de tener impacto sobre los consumidores. Dentro de las ventajas
perseguidas tras la utilización de ontologías se encuentra la escalabilidad y la
interoperabilidad de los datos almacenados en estas, pudiendo ser posible, en un futuro,
incluir nuevas fuentes de datos e incluso de reglas.
Tras los pasos del 1 al 6, se recopilaron una serie de reglas basadas en teoría de
mercadotecnia; el listado de las mismas se encuentra en el Anexo C. El paso 7 queda denotado para
abrir la posibilidad a futuras adecuaciones, permitiendo de esta manera una escalabilidad, misma
que es favorecida gracias a las tecnologías de Web Semántica y de ontologías.
La siguiente sección describen los pasos seguidos para la utilización de estas reglas dentro
de una ontología de dominio.
4.2.2 Utilización de reglas de Web Semántica sobre información contextual en una ontología de dominio
A continuación se describen los pasos seguidos para trabajar la información contextual tanto del
perfil de usuario, de los proveedores de datos e información de entorno, usando ontologías y reglas
de Web Semántica. Para este caso de estudio, el dominio se centra sobre restaurantes. Las etapas
seguidas corresponden a las siguientes, mismas que se entrelazan con el paso 4 de la sección
anterior, en lo que corresponde a la utilización de una ontología. La ejecución de estas reglas es
utilizada para el sistema de recomendación contextual propuesto, que se explica en la sección
siguiente.
- Creación de una ontología para servicios geo-localizables de restaurantes. Para el proceso
de recomendación, se utilizó una ontología que permitiera incluir servicios geo-localizables (en
este caso, restaurantes) de acuerdo a la localización del usuario, así como para manejar la
información contextual, tanto del perfil personal, información de entorno y de los datos de
lugares. Dentro de una ontología se definen clases, relaciones entre las clases y ejemplares de
las clases donde, para el marco de uso de esta investigación, las clases incluyen lugares y
personas.
Se buscó la reutilización de ontologías ya existentes, para su posterior edición e integración
dentro de una ontología para tal fin. Inicialmente la búsqueda de ontologías se realizó mediante
el buscador Swoogle, sin embargo finalmente se tomaron y adaptaron los atributos de la
ontología de Chefmoz, un proyecto sobre registro de restaurantes a nivel mundial, para la
creación de una ontología propia. El editor Protégé fue utilizado para la codificación OWL.
Una ventaja de trabajar con ontologías, es la escalabilidad que permiten, por lo que trabajos
futuros pueden considerar incrementar el tipo de servicios a tomar en cuenta.
Para fines de prueba, la ontología quedó delimitada a conceptos relacionados con
restaurantes. La ontología resultante consta de 15 conceptos, con 13 relaciones de tipo objeto y
50 relaciones de tipo de datos, a estos se le agregan los conceptos y relaciones implícitos que se
manejan dentro de las ontologías usadas por el lenguaje de SWRL. La descripción de la
ontología se encuentra en el Anexo B.
Los siguientes pasos indican las consideraciones que fueron hechas para la instanciación
de esta ontología, con respecto al perfil contextual de datos, de persona y de entorno.
- Población con ejemplares del contexto de perfil de persona. Para ello primero se definió un
vocabulario ontológico que permitiera representar los atributos del contexto sobre el perfil de
una persona, XFOAF, mismo que junto con los vocabularios FOAF y Geo, permiten crear una
instancia RDF que describa a cada usuario y sus preferencias. Los usuarios que participaron en
Surfeous son tomados como ejemplares; la ontología es instanciada con los datos del usuario
que va a recibir la recomendación. La descripción de XFOAF se encuentra en el anexo A.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
51
- Población con ejemplares del contexto del perfil de entorno. Este paso se refiere a la
obtención de información contextual de entorno, para ello se recurre a servicios Web para
obtener información contextual dado un par de coordenadas de latitud y longitud; para este
caso de prueba fueron considerados servicios Web para saber el clima y hora de un lugar, dado
un determinado lugar geográfico:
o Google Weather. Es una API no documentada de Google que permite obtener el clima
de un lugar geográfico, especificando para ello los parámetros de la ciudad y su país.
Para obtener los valores de ciudad y país para las coordenadas indicadas se utilizó la
API de Google Maps para geocodificación inversa25
.
o Earth Tools. API que permite obtener la hora de un determinado punto geográfico, a
partir de un par de coordenadas latitud y longitud.
- Población con ejemplares del contexto de perfil de datos. La información referente a los
lugares (contexto de datos) que fue capturada por el sistema Surfepus es almacenada dentro de
una base de datos espacial. Así, cuando se realice una recomendación a un usuario, se procede
a poblar la ontología con ejemplares de restaurantes que son tomado de dicha base. Si bien se
podría manejar la información de restaurantes directamente mediante el uso de ontologías, en
la praxis, un acercamiento de esta índole resulta poco viable debido a que se requeriría un
elevado procesamiento de cómputo; como alternativa a esta situación, se sigue un enfoque que
aproveche el uso de las bases de datos espaciales, tomando como punto de partida la ubicación
del usuario, a partir de sus coordenadas geográficas de latitud y longitud mediante consultas
SQL. De los resultados recuperados es sobre los que se efectúa el proceso de inferencia con
reglas de Web Semántica.
Así, cada lugar es declarado como un ejemplar de la ontología y los campos manejados en
la base de datos espacial son usados como propiedades de objetos y de tipo de datos, según se
requiera. Un fragmento a manera de ejemplo de una ontología creada de esta manera, se
muestra en el siguiente listado de código.
<rdf:RDF xmlns:swrla="http://swrl.stanford.edu/ontologies/3.3/swrla.owl#" xmlns:swrl="http://www.w3.org/2003/11/swrl#" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" xmlns:owl="http://www.w3.org/2002/07/owl#" xmlns="http://www.owl.com/restaurantes.owl#" xmlns:restaurant="http://restaurant/restaurant#" ... xml:base="http://www.owl.com/restaurantes.owl"> <owl:Ontology rdf:about=""> <owl:imports rdf:resource="http://sqwrl.stanford.edu/ontologies/built-ins/3.4/sqwrl.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.3/temporal.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.4/swrlm.owl"/> <owl:imports rdf:resource="http://swrl.stanford.edu/ontologies/built-ins/3.3/abox.owl"/> ... </owl:Ontology> <owl:Class rdf:about="http://restaurant/restaurant#Restaurant"/> <owl:Class rdf:about="http://restaurant/restaurant#IdPlace"/> <owl:Class rdf:about="http://restaurant/restaurant#Title"/>
... <owl:ObjectProperty rdf:about="http://restaurant/restaurant#sirveAlimento"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#permiteFumar"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#tieneEstacionamiento"/> <owl:ObjectProperty rdf:about="http://restaurant/restaurant#aceptaPago"/>
... <owl:DatatypeProperty rdf:about="http://restaurant/restaurant#Hours"/> <owl:DatatypeProperty rdf:about="http://restaurant/restaurant#noFumar"/> <restaurant:Restaurant rdf:ID="22070-Burger_King_">
25
La geocodificación inversa es un proceso por el cual, a partir de un par de coordenadas latitud-longitud, se
busca obtener la dirección a la que corresponde ese lugar.
Nombres de espacio
utilizados en la ontología
Ontologías
manejadas
por SWRL
Declaración de clases
Declaración
de relaciones
de objeto
Declaración de relaciones
de tipo de dato
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
52
<restaurant:tieneID><restaurant:IdPlace rdf:ID="22070"/> </restaurant:tieneID>
<restaurant:tieneNombre><restaurant:Title rdf:ID="Burger_King_"/> </restaurant:tieneNombre>
<restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Fast_Food"/></restaurant:sirveAlimento> </restaurant:Restaurant> <restaurant:Restaurant rdf:ID="62375-Jack_in_the_Box">
<restaurant:tieneID><restaurant:IdPlace rdf:ID="62375"/> </restaurant:tieneID>
<restaurant:tieneNombre><restaurant:Title rdf:ID="Jack_in_the_Box"/></restaurant:tieneNombre> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Fast_Food"/></restaurant:sirveAlimento> </restaurant:Restaurant> <restaurant:Restaurant rdf:ID="72227-Las_Vigas_Steak_Ranch_">
<restaurant:tieneID><restaurant:IdPlace rdf:ID="72227"/> </restaurant:tieneID>
<restaurant:tieneNombre><restaurant:Title rdf:ID="Las_Vigas_Steak_Ranch_"/></restaurant:tieneNombre>
<restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Mexican"/> </restaurant:sirveAlimento> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Steaks"/> </restaurant:sirveAlimento>
</restaurant:Restaurant> <restaurant:Restaurant rdf:ID="108215-Ryan_Dennis">
<restaurant:tieneID><restaurant:IdPlace rdf:ID="108215"/> </restaurant:tieneID> <restaurant:tieneNombre><restaurant:Title rdf:ID="Ryan_Dennis"/> </restaurant:tieneNombre>
<restaurant:sirveAlcohol><restaurant:ServicioAlcohol rdf:ID="full_bar"/></restaurant:sirveAlcohol> <restaurant:sirveAlimento><restaurant:Cuisine rdf:ID="Bar_/_Pub_/_Brewery"/></restaurant:sirveAlimento> </restaurant:Restaurant> ... </rdf:RDF>
- Ejecución de reglas de Web Semántica. Una vez que la ontología es instanciada y contiene
las reglas de Web Semántica a utilizar, se puede proceder a realizar un proceso de inferencia
sobre la ontología. Cada regla en SQWRL retorna un conjunto de restaurantes que cumplen los
antecedentes indicados por la regla, los que incluyen distintos aspectos contextuales, como lo
es su aspecto económico, psicológico y motivacional, características que se empatan con los
atributos de un producto o servicio. Si se cumplen los criterios dados entre el conjunto de
características por parte del consumidor y el conjunto de características del servicio, entonces
el servicio tiene valor contextual para ser recomendado.
Una visualización conceptual de la manera en que las etapas anteriores se relacionan entre sí se
muestra en la ¡Error! No se encuentra el origen de la referencia..
Ejemplos de
instancias
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
53
Figura 12. Etapas para la recomendación de resultados en base a la aplicación de reglas de Web
Semántica.
4.2.3 Sistema de recomendación contextual por filtrado colaborativo
Esta sección explica cómo fue abordada la incorporación contextual sobre un sistema de
recomendación por filtrado colaborativo.
El valor de la predicción bajo el enfoque contextual está dado por la fórmula (11), donde se
toman en cuenta las reglas ro que cumple un ítem in para un usuario um, es decir, reg (um, in, ra) =1
y reg (um, in, ra) =0 en caso contrario.
R
a anmnm
regla riuregiuP1
),,(),( (11)
Como se mencionaba en la sección 2.3, se consideran distintos tipos de contextos, de los
cuales se desprenden interrelaciones entre ellos: perfil personal con perfil de datos, perfil de datos
con perfil de entorno y perfil personal con perfil de entorno. Así, si se sigue esta diferenciación
contextual, la fórmula (11) es aplicada por cada una de estas tres interrelaciones, como se muestra
en la fórmula (12). En ésta, los valores respectivos de α, β y δ representan una ponderación
asignada a cada interrelación. También se aclara que cada valor de predicción (cada Pregla
) debe
ser normalizada a la unidad.
),(*),(*),(* 321_
nm
reglaTipo
nm
reglaTipo
nm
reglaTiporegladif iuPiuPiuPP (12)
Donde 1 .
En caso de que no se considere esta diferenciación contextual, la fórmula (11) es aplicada
directamente.
Finalmente, este valor de predicción contextual es después utilizado dentro de un sistema
de recomendación por fitrado colaborativo. La fórmula (13) presenta la incorporación de este factor
de predicción contextual sobre el sistema de recomendación por filtrado colaborativo basado en
ítem (tomado de la fórmula 2 en la sección 2.7.1). Ya que el factor de predicción contextual
representa una sumatoria de condiciones contextuales y el recomendador basado en ítem representa
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
54
una sumatoria de similitudes, los resultados de ambos deben ser primero normalizados y después
fusionados.
),(*)1(),(*),( nm
regla
onormalizadnm
item
onormalizadnm
ir iuPiuPiuP (13)
Donde 0 <= α <= 1.
La normalización seguida en esta investigación, considera al conjunto de valores de
predicción calculados para los ítems seleccionados a un usuario, el valor mayor es tomado como la
unidad y se calcula la proporción correspondiente el resto de valores de los demás ítems. Así, de
esta manera, por ejemplo, el ítem que haya obtenido el valor mayor dentro de los cálculos
efectuados por un sistema, tendrá un valor de predicción de 1.
4.3 Aplicación de un sistema de recomendación por filtrado colaborativo basado en anotaciones sociales.
Dentro de los sistemas de recomendación por filtrado colaborativo que utilizan anotaciones sociales
para su recomendación, se encuentran los sistemas tradicionales basados en usuario y en ítem
(explicados en la sección 2.7.1) cuyo modelo es extendido con anotaciones sociales (ver sección
2.7.2), la fusión de ambos sistemas, lo que corresponde al recomendador propuesto por Tso-Sutter,
así como el presentado por Liang (explicado también en la sección 2.7.2).
Un acercamiento propuesto en esta investigación, sobre estos sistemas que consideran
anotaciones sociales, es el uso de facetas que indiquen una posible clase a la que pertenecen las
anotaciones. Las fórmulas para el valor de predicción de estos sistemas no son alteradas por este
acercamiento con facetas, el cambio radica en que las anotaciones son identificadas por el tipo de
faceta sobre el que fueron puestas.
Por ejemplo, en Surfeous se consideraron las facetas pros, contras y descripción, un
ejemplo de anotación podría ser “caro”, si un usuario la utilizó en la faceta contras, esta anotación
puede ser identificada como “2caro”, para internamente saber a que faceta corresponde; así, un
sistema de recomendación sin facetas usará directamente la anotación “caro”, mientras que un
acercamiento con facetas considerara “2caro”, haciendo una distinción de la manera en que se uso
la faceta y agrupando las que se usaron con la misma intensión.
4.4 Creación de un sistema de recomendación por filtrado colaborativo contextual y basado en anotaciones sociales.
Finalmente, se presenta el sistema de recomendación propuesto, el cual parte del sistema de
recomendación por filtrado colaborativo que fue presentado en la sección 4.3, haciendo uso de la
fórmula (13), tomando además la similitud entre el usuario e ítem a partir de sus anotaciones
sociales (fórmula (5), en la sección 2.7.2). La predicción de un ítem a un usuario bajo ambas
consideraciones queda dada por la fórmula (14).
),(*)1(),cos(*),( nm
ir
n
T
mnm iuPiuiuP (14)
Donde 0<= <=1. En esta fórmula, tanto el valor obtenido por la similitud entre el usuario y el ítem a
recomendar como el valor de predicción contextual deben ser normalizados a la unidad.
La experimentación efectuada se aborda en la sección siguiente.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
55
4.5 Experimentación y comparación entre los sistemas. Explicadas las características y los algoritmos de la experimentación, antes de la comparación entre
los sistemas de recomendación, se efectuaron pruebas preliminares experimentando con una
variación a los sistemas de recomendación que usan anotaciones sociales, al aplicarlas mediante
facetas (sección 4.3), así como la diferencia de considerar o no tipos de contextos (sección 4.2.3).
Estos experimentos se corresponden a las secciones 4.5.1 y 4.5.2 respectivamente.
Tomando en cuenta los resultados de estas dos pruebas, se presenta la experimentación
efectuada para probar o refutar las hipótesis de investigación, sobre si un sistema de recomendación
con anotaciones sociales y consideración contextual presenta un mejor desempeño que un sistema
tradicional. El sistema evaluado corresponde al basado en la fórmula (13) de la sección 4.2.3. Este
experimento se encuentra en la sección 4.5.3.
Finalmente en la sección 4.5.4 se compara el sistema propuesto, basado en la fórmula (14)
de la sección 4.4, contra otros tomados en base a la literatura, lo que incluyo a los sistemas de
recomendación por filtrado colaborativo tradicionales basados en usuario y en ítem (explicados en
la sección 2.7.1), y los propuestos por Tso-Sutter y Liang (explicados en la sección 2.7.2), mismos
que consideran dentro de su proceso de recomendación a las anotaciones sociales.
La comparación contra los trabajos de Tso-Sutter y Liang permite observar cómo es el
comportamiento del sistema de recomendación propuesto contra estos sistemas que han aparecido
en los últimos años. Por parte del presentado por Tso-Sutter, fue de los primeros trabajos en
incorporar el uso de anotaciones sociales dentro del proceso de recomendación, mientras que el
caso de Liang es un trabajo reciente a la fecha de esta investigación, que presenta una mejora con
respecto a los sistemas tradicionales y contra otros, incluido el trabajo de Tso-Sutter.
A continuación se presentan los experimentos realizados, describiendo en cada
caso su plan de pruebas así como presentando su correspondiente análisis de resultados.
4.5.1 Consideración de facetas sobre un sistema de recomendación por filtrado colaborativo con anotaciones sociales
Propósito. Las facetas son una técnica empleada para agrupar bajo distintos enfoques
predeterminados a las anotaciones sociales que los usuarios pueden utilizar para describir un
recurso. Los sistemas de recomendación que utilizan anotaciones sociales, no hacen uso de facetas,
por lo que este experimento pretendió identificar si existe diferencia entre su uso o no dentro del
desempeño de un sistema de recomendación que utilice anotaciones sociales.
Hipótesis nula. El desempeño de un sistema de recomendación bajo anotaciones sociales, con
respecto a su precisión y recuerdo, es igual si aplica facetas a si no las utiliza.
Datos. Los datos utilizados para esta experimentación corresponden a los recopilados por Surfeous
(sección 4.1.2). Se manejaron tres facetas: pros, contras y descripción. Las anotaciones sociales
fueron previamente lematizadas26
usando funciones propias de PostgreSQL.
Variables. Como variables dependientes se evaluó la precisión, índice de recuerdo y medida F.
Como variables independientes se tiene el tipo de sistema de recomendación utilizado: sistemas de
filtrado colaborativo basado en usuario y en ítem, extendidos con anotaciones sociales, el
presentado por Tso-Tsutter y el presentado por Liang, cada uno de ellos considerando facetas y sin
considerarlas.
26
La lematización es el proceso de reducir palabras a su raíz. En esta experimentación se utilizaron funciones
propias del manejador de bases de datos PostgreSQL para este proceso.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
56
Experimentación. Se efectuaron 30 ejecuciones de cada uno de los sistemas de recomendación
mencionados, usando el top 10 de resultados y el esquema AllBut1 para la evaluación.
La recomendación basada en usuario sigue la fórmula (1) de la sección 2.7.1, mientras que
la basada en ítem se obtiene tras el uso de la fórmula (2) descrita en la misma sección. Para el
sistema de recomendación basado en usuario se varió la cantidad de k vecinos más cercanos de 10 a
40, fijándose ese límite debido a que, como se mostrará en los resultados, al aumentar la cantidad
de vecinos, para este caso de estudio, tanto la precisión como el índice de recuerdo decrementan.
Sobre el recomendador presentado por Tso-Sutter (presentado en la sección 2.7.2), como
muestra la tabla 13 y 14, se consideró la fusión al 10% para el sistema basado en usuario y 90%
basado en ítem. Para el caso del sistema presentado por Liang, se sigue la fórmula (6) presentada
en la sección 2.7.2.
Resultados.
La Tabla 5 muestra las medias obtenidas con respecto al índice de recuerdo y precisión
obtenido tras esta experimentación para los sistemas de recomendación basados en usuario y en
ítem, así como sus fusiones. La columna marcada como 1-0 corresponde a los resultados obtenidos
por el sistema de recomendación basado en usuario (100% basado en usuario, 0% basado en ítem),
la 0-1 al sistema basado en ítem (0% basado en usuario-100% basado en ítem), la .9-.1 se refiere a
la fusión con el 90% basado en usuario y el 10% basado en ítem y así sucesivamente hasta llegar a
la columna .1-.9 que corresponde a la fusión del 10% basado en usuario y 90% basado en ítem.
Esta última columna, la .1-.9 es la tomada como resultado para el sistema de Tso-Sutter.
De la misma tabla se observa que mientras más vecinos son tomados, los resultados son
menores, por lo que se toma el valor de k=10.
Tabla 5. Resultados de las medias del índice de recuerdo y la precisión reportadas para el sistema de
recomendación basado en usuario (columna 1-0), en ítem (columna 0-1) y las fusiones entre ellos en
intervalos de 10%, considerando y sin considerar facetas.
Índice de recuerdo con facetas
k 1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
10 0,42 0,472 0,472 0,475 0,485 0,495 0,507 0,515 0,524 0,525 0,5363
20 0,411 0,447 0,447 0,46 0,479 0,487 0,498 0,509 0,517 0,52 0,5363
30 0,408 0,433 0,435 0,456 0,471 0,488 0,497 0,509 0,514 0,518 0,5363
40 0,396 0,413 0,422 0,436 0,461 0,481 0,491 0,501 0,513 0,517 0,5363
Índice de recuerdo sin facetas
10 0,435 0,484 0,484 0,488 0,496 0,506 0,515 0,524 0,526 0,523 0,5355
20 0,422 0,451 0,452 0,466 0,483 0,494 0,504 0,514 0,518 0,519 0,5355
30 0,407 0,432 0,435 0,456 0,473 0,489 0,502 0,514 0,517 0,518 0,5355
40 0,402 0,416 0,427 0,442 0,466 0,485 0,502 0,509 0,52 0,517 0,5355
Precisión con facetas
k 1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
10 0,09 0,1 0,1 0,102 0,104 0,107 0,111 0,114 0,116 0,116 0,117
20 0,086 0,093 0,094 0,097 0,102 0,108 0,112 0,114 0,116 0,116 0,117
30 0,083 0,089 0,089 0,095 0,101 0,107 0,111 0,114 0,115 0,116 0,117
40 0,078 0,083 0,086 0,09 0,097 0,104 0,109 0,113 0,114 0,115 0,117
Precisión sin facetas
10 0,092 0,103 0,103 0,104 0,107 0,11 0,113 0,115 0,116 0,116 0,116
20 0,087 0,095 0,095 0,098 0,103 0,108 0,111 0,114 0,115 0,115 0,116
30 0,084 0,089 0,089 0,095 0,102 0,106 0,111 0,114 0,115 0,115 0,116
40 0,079 0,084 0,087 0,091 0,098 0,104 0,109 0,113 0,114 0,114 0,116
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
57
La Tabla 6 y la Figura 13 muestran los resultados para la precisión e índice de recuerdo de
los sistemas de recomendación probados, usando y sin usar facetas. Para este caso también se
observó la medida F, ya que se observa para el caso de Liang, éste presenta un menor índice de
recuerdo y una mayor precisión con respecto a los otros sistemas, por lo que esta métrica permite
tener una visión general del comportamiento de ambas variables.
Tabla 6. Índice de recuerdo, precisión y medida F para los sistemas de recomendación basado en ítem
extendido con anotaciones sociales, el presentado por Tsutter (2008) y Liang (2010), comparando el uso
o no uso de facetas sobre las anotaciones sociales.
Índice de recuerdo
Usuario Ítem Tso-Sutter Liang
no-faceta 0,435 0,536 0,523 0,451
Faceta 0,42 0,536 0,525 0,485
Precisión
Usuario Ítem Tso-Sutter Liang
no-faceta 0,092 0,116 0,116 0,12
Faceta 0,09 0,117 0,116 0,137
Medida F
Usuario Ítem Tso-Sutter Liang
no-faceta 0,152 0,191 0,1897 0,19
Faceta 0,148 0,192 0,1899 0,213
Índice de recuerdo
0,4
0,45
0,5
0,55
Usuario item Tso-Sutter Liang
no-faceta
faceta
Precisión
0,06
0,08
0,1
0,12
0,14
Usuario item Tso-Sutter Liang
no-faceta
faceta
Medida F
0,14
0,16
0,18
0,2
0,22
Usuario item Tso-Sutter Liang
no-faceta
faceta
Figura 13. Índice de recuerdo, precisión y medida F para los sistemas de recomendación basado en
ítem extendido con anotaciones sociales, el presentado por Tsutter (2008) y Liang (2010), comparando
el uso o no uso de facetas sobre las anotaciones sociales
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
58
Conclusión.
De la Tabla 6 se observa que el recomendador basado en ítem presenta un desempeño mayor que el
basado en usuario, lo cual concuerda con que el acercamiento basado en ítem sea en la práctica más
usado que el basado en usuario.
También se observa que para este experimento, el uso de facetas sobre los sistemas de
recomendación utilizados, mantiene o incrementa su precisión e índice de recuerdo con respecto a
sus contrapartes que no las utilicen, con la excepción del basado en usuario. Sin embargo, el basado
en usuario es el que presenta un menor desempeño con respecto a las tres métricas, en comparación
al resto de los sistemas de recomendación.
Se puede observar que el caso de Liang es el más beneficiado con el uso de facetas, esto
debido a que la base de su algoritmo está fuertemente ligada al uso de las anotaciones sociales para
efectuar las recomendaciones, al usarlas como criterio de similitud.
Con respecto a la hipótesis nula, para este caso de estudio se observa que el uso de facetas
cambia los valores de precisión, índice de recuerdo y medida F, siendo que para el recomendador
basado en usuario decrementa estos valores, para el basado en ítem y el de Tso-Sutter se mantiene
ligeramente encima y para el caso de Liang el incremento es mayor.
Como conclusión obtenida para este caso de estudio, se consideró el uso de facetas sobre
los sistemas de recomendación a utilizar para los siguientes experimentos realizados.
4.5.2 Prueba diferenciando contexto – sin diferenciar contexto
Propósito. Al inicio de esta investigación se consideró la diferenciación entre los contextos de
usuario, de ítem y de entorno, surgiendo una interrelación del tipo: usuario-datos, usuario-entorno y
datos-entorno. Estas interrelaciones son identificadas en las reglas de Web Semántica utilizadas
para el proceso de recomendación contextual (ver fórmula 12), de manera que para cada regla se
identifica a que tipo de interrelación pertenece. La siguiente experimentación tiene por objeto
identificar si es conveniente aplicar un peso a estas interrelaciones, al ser aplicadas sobre un
sistema de recomendación, esto con respecto al índice de recuerdo, ya que es una métrica enfocada
a medir la proporción de elementos que son correctamente recuperados.
Hipótesis nula. El índice de recuerdo se mantiene igual si se aplican distintas ponderaciones a las
interrelaciones contextuales de una recomendación contextual aplicada sobre un sistema de
recomendación basado en ítem.
Datos. Los datos utilizados para esta experimentación corresponden a los recopilados por Surfeous
(sección 4.1.2).
Variables. Como variables dependientes se evaluó el índice de recuerdo. Como variables
independientes, se tienen la recomendación contextual y su fusión con los siguientes sistemas de
recomendación basados en ítem, bajo distintas ponderaciones.
contexto datos - usuario (valor α) contexto datos - entorno (valor β)
1
2
3
4
5
90% 10%
70% 30%
50% 50%
10% 90%
Sin diferencia
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
59
Cada fusión es probada en intervalos de 10%. Cada uno de estos sistemas, son probados
considerando y sin considerar anotaciones sociales (el sistema con anotaciones es tomado a partir
del sistema de recomendación basado en ítem extendido con anotaciones sociales, mencionado en
la sección 2.7.2).
Experimentación.
Se efectuaron 30 ejecuciones de cada uno de los sistemas de recomendación, usando el top 10 de
resultados de cada recomendación; el esquema AllBut1 fue seguido para la evaluación de precisión
e índice de recuerdo.
Se utilizó el sistema de recomendación basado en ítem, ya que junto con el basado en
usuario, son los sistemas base dentro del área de los sistemas de recomendación. A partir de los
resultados observados en la experimentación de la sección anterior, se optó por utilizar el sistema
basado en ítem por sobre el basado en usuario. Para la recomendación bajo anotaciones sociales, se
eligió el modelo basado en ítem extendido con anotaciones, presentado por Tsutter, sólo como un
acercamiento para probar si el comportamiento obtenido por el sistema basado en ítem se
comportaba de manera semejante con uno que considere anotaciones, dentro del enfoque
contextual propuesto.
Para asegurar que este experimento fuera repetible, se manejaron un día y una hora fija
como aspectos contextuales de entorno para todos los sistemas de recomendación. El Anexo C
presenta las reglas utilizadas, así como al tipo de interrelación al cual corresponden.
Se consideró el contexto de ítem y de perfil de usuario (para el valor α) y entre el contexto
de ítem y de entorno (para el valor β), de acuerdo a la fórmula (12), quedando fuera la interrelación
de usuario-entorno (valor δ). Éste último no fue considerado debido a que para asegurar que la
experimentación fuese repetible, no había reglas que pudieran ser utilizadas bajo este contexto.
Resultado. La Tabla 7 presenta los resultados obtenidos con respecto al índice de recuerdo,
considerando la diferencia contextual bajo distintos valores de α y β, sobre un sistema de
recomendación basado en ítem y el contextual, mientras que la Tabla 8 los presenta sobre un
sistema de recomendación basado en ítem extendido con anotaciones sociales y el contextual.
En la Tabla 7, las columnas marcadas desde 1-0 a 0-1, corresponden a los resultados
obtenidos por el sistema de recomendación basado en ítem junto con el contextual, pasando de
100% basado en ítem-0% sistema contextual (columna 1-0), hasta la 0-1, correspondiente a 0%
basado en ítem-100% sistema contextual; los campos entre .9-.1 a .1-.9 corresponden a las fusiones
entre el sistema contextual y el basado en ítem, variando los porcentajes desde 90% basado en
ítem-10% basado en contexto, hasta 10% basado en ítem-90% basado en contexto. En la Tabla 8 se
presenta el mismo caso, la diferencia es que se trata del sistema basado en ítem extendido con
anotaciones sociales. En ambas tablas, las filas corresponden a distintos porcentajes para los
valores α y β para el caso contextual, respectivamente. Las Figura 14 y la Figura 15 presentan los
resultados de las tablas anteriores.
Tabla 7. Resultados de índice de recuerdo para los sistemas de recomendación basado en ítem
(columna 1-0) y contextual (columna 0-1), así como sus fusiones, considerando distintas ponderaciones
entre contextos y sin considerarlas.
1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
90%-10% 0,534 0,538 0,532 0,526 0,515 0,494 0,464 0,421 0,378 0,339 0,29
70%-30% 0,534 0,539 0,537 0,532 0,524 0,518 0,498 0,466 0,42 0,363 0,286
50%-50% 0,534 0,537 0,539 0,539 0,537 0,534 0,534 0,529 0,511 0,469 0,277
10%-90% 0,534 0,538 0,536 0,526 0,518 0,511 0,5 0,498 0,488 0,46 0,277
Sin diferencia 0,534 0,541 0,536 0,527 0,515 0,5 0,468 0,42 0,375 0,339 0,285
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
60
Tabla 8. Resultados de índice de recuerdo para los sistemas de recomendación basado en ítem
extendido con anotaciones (columna 1-0) y contextual (columna 0-1), así como sus fusiones,
considerando distintas ponderaciones entre contextos y sin considerarlas.
1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
70%-30% 0,547 0,547 0,543 0,538 0,53 0,518 0,495 0,463 0,414 0,354 0,286
50%-50% 0,547 0,544 0,544 0,542 0,542 0,541 0,539 0,532 0,515 0,468 0,277
90%-10% 0,547 0,547 0,539 0,529 0,515 0,49 0,456 0,412 0,371 0,336 0,29
10%-90% 0,547 0,541 0,538 0,532 0,525 0,519 0,505 0,5 0,491 0,457 0,277
Sin diferencia 0,547 0,55 0,541 0,53 0,517 0,493 0,461 0,413 0,374 0,34 0,285
0,53
0,532
0,534
0,536
0,538
0,54
0,542
70%-30% 50%-50% 90%-10% 10%-90% Sin
diferencia
1-0
.9-.1
.8-.2
Figura 14. Índice de recuerdo para los sistemas de recomendación basado en ítem (1-0) y su fusión con
el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas ponderaciones contextuales entre
contexto de ítem-perfil de usuario y contexto de ítem-contexto de entorno.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
61
0,53
0,535
0,54
0,545
0,55
0,555
70%-30% 50%-50% 90%-10% 10%-90% Sin
diferencia
1-0
.9-.1
.8-.2
Figura 15. Índice de recuerdo para los sistemas de recomendación basado en ítem extendido con
anotaciones (1-0) y su fusión con el sistema contextual, al 90%-10% y al 80%-20%, bajo distintas
ponderaciones contextuales entre contexto de ítem-perfil de usuario y contexto de ítem-contexto de
entorno.
Conclusión. Con respecto a la hipótesis nula, se observó dentro de esta experimentación que el realizar una
ponderación a las interrelaciones contextuales causaba un detrimento en el índice de recuerdo
obtenido, contra no hacerla.
Se puede observar que el caso de no considerar una diferencia contextual es la que presenta
un mayor índice de recuerdo dentro de un sistema de recomendación basado en ítem al 90% junto
con un 10% de recomendación contextual, con respecto a las demás fusiones y ponderaciones
contextuales, para ambos casos considerando anotaciones como sin considerarlas. Comparando
esto entre el sistema que considera anotaciones contra el que no, se observa que es mayor para el
caso del sistema basado en ítem extendido con anotaciones, apoyando la opción de seguir este
acercamiento.
De las tablas anteriores se puede observar lo siguiente: el enfoque contextual presentado
persigue un acercamiento que considera los ítems que sean relevantes en cuanto al contexto, sin
embargo tiene un mayor peso dentro del proceso de recomendación la consideración de la
popularidad que tienen los elementos dentro de la comunidad de usuarios, como se observa tras el
sistema de recomendación basado en ítem.
Considérese por ejemplo, los sitios de compras en línea, como eBay, en donde un usuario,
ante dos ítems con características semejantes, tiende a elegir aquel que ha sido elegido por más
usuarios. Esto justifica por qué en la fusión usando contexto, este se toma al 10%, sirviendo
principalmente como un ordenamiento sobre aquellos ítems que se le recomiendan al usuario en
base a su popularidad dentro de la comunidad.
En base a esto se concluye que dentro de este caso de estudio no es conveniente seguir una
ponderación a las interrelaciones contextuales, ya que un sistema de recomendación basado en ítem
junto con una recomendación contextual sin esta ponderación, presenta un mayor índice de
recuerdo.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
62
4.5.3 Prueba sobre el sistema de recomendación por filtrado colaborativo usando anotaciones sociales e información contextual.
Propósito. Se procede a analizar el efecto de aplicar el enfoque contextual propuesto y el uso de
anotaciones sociales, sobre el sistema de recomendación por filtrado colaborativo basado en ítem.
Hipótesis. Se presentan las hipótesis mostradas para esta investigación (sección 1.4).
I. El uso de aspectos contextuales permiten una mayor precisión e índice de recuerdo sobre los
sistemas de recomendación tradicionales.
II. Es posible mejorar el desempeño de consultas de servicios basados en localización, mediante la
incorporación en conjunto de elementos contextuales y anotaciones sociales.
Para ambos casos, el sistema de recomendación tradicional utilizado, es el basado en ítem.
Datos. Los datos utilizados para esta experimentación corresponden a los recopilados por Surfeous
(sección 4.1,2).
Variables. Como variables dependientes se evaluó la precisión, índice de recuerdo; de manera
adicional, también se observó la medida F y el nDCG con el fin de constatar el comportamiento de
los sistemas de recomendación en manera conjunta de la precisión y el índice de recuerdo (con la
medida F) y de la posición en que son realizadas las recomendaciones (nDCG,). Como variables
independientes se tomó en cuenta el sistema de recomendación basado en ítem (basado en la
fórmula 2 de la sección 2.7.1), el basado en ítem extendido con anotaciones sociales (presentado en
la sección 2.7.2), la fusión entre el basado en ítem con recomendación basada en contexto y la
fusión entre el basado en ítem con anotaciones sociales y recomendación basada en contexto
(tomados de la fórmula 13 en la sección 2.7.3).
Experimentación. Se efectuaron 50 ejecuciones de cada uno de los sistemas de recomendación,
considerando el top 10 de resultados, bajo el esquema AllBut1.
Resultados. En la Tabla 9 y en la Tabla 10, se presentan el índice de recuerdo y la precisión
media reportadas entre el sistema de recomendación basado en ítem (denotado como ítem), el
basado en ítem con anotaciones sociales (denotado como tag) y la fusión de éstos con la
recomendación contextual. Estas fusiones se presentan en intervalos de 10%.
Tabla 9. Índice de recuerdo medio entre las fusiones de los sistemas de recomendación por filtrado
colaborativo basado en ítem y basado en ítem extendido con anotaciones sociales, junto con un
acercamiento contextual.
1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
Ítem 0,5296 0,5337 0,529 0,519 0,509 0,491 0,459 0,416 0,37 0,334 0,281
Tag 0,531 0,537 0,529 0,518 0,508 0,481 0,446 0,405 0,365 0,33 0,281
Tabla 10. Precisión media entre las fusiones de los sistemas de recomendación por filtrado colaborativo
basado en ítem y basado en ítem extendido con anotaciones sociales, junto con un acercamiento
contextual.
1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
Ítem 0,115 0,1177 0,1175 0,117 0,113 0,106 0,096 0,083 0,071 0,063 0,052
Tag 0,116 0,1183 0,1177 0,116 0,113 0,106 0,095 0,081 0,07 0,063 0,052
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
63
Para visualizar la diferencia de aplicar o no el contexto y anotaciones sociales, la Figura 16
compara el índice de recuerdo obtenido entre el sistema de recomendación base (ítem), el extendido
con anotaciones sociales (tag), el extendido con contexto (identificado como itemctx, tomado de la
Tabla 9, en la fila ítem, columna .9-.1) y el que combina tanto contexto como anotaciones sociales
(identificada como tagctx, tomado de la Tabla 9, fila tag, columna .9-,1).
0,524
0,526
0,528
0,53
0,532
0,534
0,536
0,538
Sistemas de recomendación
item
tag
itemctx
tagctx
Figura 16. Índice de recuerdo sobre sistemas de recomendación: normal, con anotaciones, con contexto
y con anotaciones y contexto.
Con respecto a la precisión, de manera semejante, la Figura 17 compara el sistema de
recomendación base (ítem), el extendido con anotaciones sociales (tag), el extendido con contexto
(itemctx) y la incorporación de ambos (tagctx).
0,113
0,114
0,115
0,116
0,117
0,118
0,119
Sistemas de recomendación
item
tag
itemctx
tagctx
Figura 17. Precisión sobre sistemas de recomendación: tradicional, con anotaciones, con contexto y con
anotaciones y contexto.
Conclusión. En la tabla se observa que la fusión al 90% de ítem (sistema base) y tag (sistema base extendido
con anotaciones) y el sistema contextual al 10% (columna .9-.1) es la que presenta un mayor índice
de recuerdo y precisión, de allí que la fusión tomada sea ésta. Este comportamiento también se
observa en la precisión (¡Error! No se encuentra el origen de la referencia.).
Se puede observar que en este estudio, la aplicación de anotaciones sociales dentro del
modelo de predicción del sistema de recomendación presenta un mayor índice de recuerdo sobre el
sistema base, al igual que la consideración de contexto; con respecto a la hipótesis inicial:
I. El uso de aspectos contextuales permiten una mayor precisión e índice de recuerdo sobre
los sistemas de recomendación tradicionales.
se cumple para el caso del índice de recuerdo, sobre el entorno de prueba efectuado.
Para la segunda hipótesis, basta observar que el índice de recuerdo obtenido por el sistema
marcado como tagctx se presenta mayor tanto para el sistema base, el extendido con anotaciones y
el contextual, por lo que la segunda hipótesis:
II. Es posible mejorar el desempeño de consultas de servicios basados en localización,
mediante la incorporación en conjunto de elementos contextuales y anotaciones sociales.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
64
para este caso de estudio, con respecto al índice de recuerdo, también es aceptada.
De manera semejante al índice de recuerdo, se observa un comportamiento similar con
respecto a la precisión, por lo que ambas hipótesis con respecto a este caso, son aceptadas.
4.5.4 Prueba de un sistema de recomendación por filtrado colaborativo propuesto.
Propósito. Comparar el desempeño del sistema de recomendación propuesto contra otros de la
literatura, para observar si el acercamiento propuesto que hace uso de recomendación contextual y
de anotaciones sociales, es equiparable al desempeño de éstos.
Hipótesis nula. El sistema de recomendación propuesto presenta un desempeño, en cuanto a
precisión e índice de recuerdo, igual al de los sistemas de recomendación tradicionales y de otros
de la literatura, que usan anotaciones sociales.
Como caso de estudio, como sistemas que usan anotaciones sociales para su
recomendación, se presentan los desarrollados por Tso-Sutter y Liang (ver sección 2.7.2).
Datos. Los datos utilizados para esta experimentación corresponden a los recopilados por Surfeous
(sección 4.1.2).
Variables. Como variables dependientes se evaluó la precisión y el índice de recuerdo; de manera
adicional, también se observó la medida F y el nDCG con el fin de constatar el comportamiento de
los sistemas de recomendación en manera conjunta de la precisión y el índice de recuerdo (con la
medida F) y de la posición en que son realizadas las recomendaciones (nDCG,). Como variables
independientes se tomaron los siguientes sistemas de recomendación: sistema de recomendación
basado en ítem (identificado como ítem, tomado de la sección 2.7.1), el basado en usuario
(identificado como usuario, tomado de la sección 2.7.1), el basado en ítem extendido con
anotaciones y bajo contexto (identificado como tagctx, explicado en la sección 4.2.3, con relación a
la fórmula 13), el sistema propuesto por Tso-Sutter (identificado como Tso-Sutter) y el presentado
por Liang (Liang), explicados en la sección 2.7.2 y finalmente el sistema propuesto (fórmula 14,
sección 4.4).
Experimentación. Se efectuaron 50 ejecuciones de cada uno de los sistemas de recomendación,
considerando el top 10 de resultados, bajo el esquema AllBut1.
Resultados. En lo siguiente, se identifican a los sistemas de recomendación basado en usuario (usuario), en
ítem (ítem), el presentado por Tso-Sutter (tsutter), el recomendador basado en ítem al 90% bajo
anotaciones sociales y 10% bajo contexto (tgctx), el presentado por Liang (Liang) y por último el
sistema propuesto (propuesta).
Para el sistema propuesto, se fusiona el sistema tagctx con la fórmula (5), para así
incorporarar la similitud entre el usuario y un ítem a partir de sus anotaciones; los valores medios
reportados tras este experimento se presentan en la Tabla, donde las columnas indican en qué
porcentaje se toma el sistema tagctx contra el valor de la similitud mencionada.
Al tomar en consideración tanto la precisión como el índice de recuerdo, se consideró para
el sistema propuesto, tomar la proporción 40% sobre tagctx y y 60% sobre la similitud (columna
.4-.6).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
65
Tabla 11. Ìndice de recuerdo y precisión entre el sistema tagctx con la similitud por anotaciones sociales
entre usuario e ítem.
1-0 .9-.1 .8-.2 .7-.3 .6-.4 .5-.5 .4-.6 .3-.7 .2-.8 .1-.9 0-1
Í. recuerdo 0,54 0,57 0,6 0,613 0,622 0,628 0,617 0,598 0,58 0,55 0,49
Precisión 0,12 0,13 0,14 0,146 0,155 0,162 0,167 0,164 0,16 0,15 0,14
La Tabla 12 presenta las medias obtenidas con los sistemas de recomendación, con
respecto al índice de recuerdo y a la precisión, mostrando su respectiva desviación estándar para
cada métrica así como su error. Tabla 12. Media del índice de recuerdo y precisión obtenidos tras la experimentación con los datos del
prototipo bajo distintos sistemas de recomendación
Descriptivos
N Media Desviación Error
Índice de recuerdo usuario 50 ,41 ,0327 ,0046
Item 50 ,53 ,0393 ,0056
tagctx 50 ,537 ,0415 ,0059
Tso-Sutter 50 ,515 ,0417 ,0059
Liang 50 ,486 ,0366 ,0052
propuesta 50 ,617 ,0361 ,0051
Precisión usuario 50 ,085 ,0098 ,0014
item 50 ,116 ,0107 ,0015
tagctx 50 ,119 ,0115 ,0016
Tso-Sutter 50 ,116 ,0122 ,0017
Liang 50 ,138 ,0134 ,0019
propuesta 50 ,167 ,0129 ,0018
Dentro de este estudio, el sistema de recomendación propuesto presentó una mayor
precisión e índice de recuerdo, inclusive en comparación con los reportados por Tso-Sutter (2008)
y Liang (2010), como se puede observar en la Figura 18 y en la Figura 19.
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
índice de recuerdo
usuario
item
Tso-Sutter
Liang
propuesto
Figura 18. Comparación del índice de recuerdo medio entre distintos sistemas de recomendación
contra el sistema propuesto.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
66
0,07
0,08
0,09
0,1
0,11
0,12
0,13
0,14
0,15
0,16
0,17
Precisión
usuario
item
Tso-Sutter
Liang
propuesto
Figura 19. Comparación de la precisión media entre distintos sistemas de recomendación contra el
sistema propuesto.
Se puede observar una clara diferencia entre los demás sistemas, tanto en índice de
recuerdo como en precisión, con respecto al sistema propuesto.
Finalmente, se procedió también con un análisis estadístico de los resultados obtenidos
mediante el análisis de la varianza (ANOVA), el cual proporciona un medio estadístico para probar
si las medias presentadas entre distintos grupos son o no iguales; el análisis fue realizado con
auxilio del software estadístico SPSS27
. Con ello se buscó identificar si las variables dependientes
(precisión e índice de recuerdo) son afectados de manera estadísticamente significativa por el
acercamiento seguido bajo cada sistema de recomendación.
El resultado completo arrojado por este software se presenta en el Anexo E. En éste,
además de los resultados de la precisión y del índice del recuerdo, también se muestran las métricas
de la medida F y de la ganancia acumulada descontada normalizada o nDCG, sin embargo los
resultados obtenidos con éstas son acordes a los obtenidos con la precisión y el índice de recuerdo.
Dentro de los resultados obtenidos por SPSS, se presentan las ver Tabla 13 y Tabla 14, con
los resultados del test de Tukey, para un intervalo de confianza del 95% y del 99%. El test de
Tukey es comunmente usado junto con ANOVA para encontrar qué medias son significativamente
diferentes unas de otras.
Tabla 13. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística entre medias
del índice de recuerdo y de la precisión para distintos sistemas de recomendación, bajo un intervalo de
confianza del 95%.
Índice de recuerdo
Clase N
Para alfa = 0.05
1 2 3 4 5
Usuario 50 ,410
Liang 50 ,486
Tso-Sutter 50 ,515
Item 50 ,530 ,530
Tagctx 50 ,537
Propuesta 50 ,617
27
SPSS, Data Mining, Statistical Analysis Software, Predictive Analysis, Predictive Analytics, Decision
Support System, http://www.spss.com/
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
67
Precisión
Clase N
Para alfa = 0.05
1 2 3 4
usuario 50 ,085
Item 50 ,116
Tso-Sutter 50 ,116
Tagctx 50 ,119
Liang 50 ,138
propuesta 50 ,167
Tabla 14. Resultado de SPSS sobre el test de Tukey para identificar diferencia estadística entre medias
del índice de recuerdo y de la precisión para distintos sistemas de recomendación, bajo un intervalo de
confianza del 99%.
Índice de recuerdo
Clase N
Para alfa = 0.01
1 2 3 4
usuario 50 ,410
Liang 50 ,486
Tso-Sutter 50 ,515
Item 50 ,530
Tagctx 50 ,537
propuesta 50 ,617
Precisión
Clase N
Para alfa = 0.01
1 2 3 4
usuario 50 ,085
Item 50 ,116
Tso-Sutter 50 ,116
Tagctx 50 ,119
Liang 50 ,138
propuesta 50 ,167
Conclusión. Tras realizar el análisis de la varianza, bajo un nivel de confianza del 95% y del 99%, se
encontró que existía una diferencia estadística significativa entre las medias del índice de recuerdo
y la precisión entre los otros recomendadores contra el sistema propuesto, comprobado esto
mediante el test de Tukey.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
68
En estas tablas se pueden observar que se forman distintos grupos, siendo que los
elementos que se encuentran en un mismo grupo no son estadísticamente diferentes entre sí; se
observa cómo entonces, tanto en precisión como índice de recuerdo, el sistema propuesto es
diferente a los otros comparados, para este caso de estudio, rechazando así la hipótesis nula.
El caso de Tso-Sutter se mantiene semejante al del sistema basado en ítem, esto concuerda
con los resultados mostrados por esta autora, ya que su mejora era pequeña con respecto a este
sistema base. El caso de Liang si bien en el índice de recuerdo se muestra menor, es con respecto a
la precisión donde tiene una mayor diferencia, siendo el trabajo de este autor uno de los más
recientes a la fecha de esta investigación. Finalmente, el sistema propuesto se muestra con una
media estadísticamente significativa mayor con respecto a los sistemas comparados.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
69
5 Conclusiones
Entre los aportes de esta investigación se presentan:
- Un nuevo acercamiento dentro del uso de anotaciones sociales para ser usadas dentro de los
sistemas de recomendación por filtrado colaborativo, al ser aplicadas bajo facetas. Las facetas
hacen una distinción en el tipo de anotación social utilizada para describir un ítem. Bajo este
enfoque se observó una diferencia en el índice de recuerdo observado contra un sistema de
recomendación que utilice las anotaciones sociales directamente.
- Se presentó un nuevo acercamiento dentro de los sistemas de recomendación, al aplicar
información contextual haciendo uso de reglas de Web Semántica, para representar
características usadas dentro de mercadotecnia.
- Dentro del caso de estudio efectuado en esta tesis, se probó que el desempeño en cuanto a
precisión e índice de recuerdo de un sistema de recomendación usando el acercamiento
contextual propuesto, presenta un incremento con respecto a un sistema de recomendación
basado en ítem.
- Se presentó un sistema de recomendación que parte del uso de información contextual ya
mencionado, junto con un acercamiento usando anotaciones sociales.
- Se encontró una mejora estadísticamente significativa dentro del caso de estudio, en el
desempeño de este sistema de recomendación propuesto, en cuanto a precisión e índice de
recuerdo, con respecto a los sistemas tradicionales (basado en ítem y basado en usuario) y a
otros de la literatura (el presentado por Tso-Sutter, 2008, y Liang, 2010), dentro de un intervalo
de confianza del 95% y 99%. Para este experimento se siguió un análisis de la varianza y se
utilizó el test de Tukey para comprobar la diferencia de medias.
Dentro de las conclusiones generales, se tiene que esta combinación social y contextual dentro de la
recomendación de recursos, especialmente en el caso de servicios geolocalizables, efectúa su
proceso de recomendación de acuerdo al perfil del usuario y conforme a los elementos socialmente
populares, haciendo uso del llamado conocimiento colectivo.
La relevancia de la geolocalización, en conjunto con tecnologías de Web Semántica y
reglas, permitirá traer un nuevo abanico de aplicaciones inteligentes que combinen tanto la
Capítulo 5
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
70
ubicación del usuario con la información que lo rodea, permitiendo así la aparición de nuevos
mashups y servicios que las aprovechen.
El modelado mediante OWL tiene distintas ventajas, como el facilitar el almacenamiento,
el compartir y la distribución de los modelos y de las conceptualizaciones de un dominio, así como
facilitar el diseño cooperativo de los mismos. Un acercamiento que permita una automatización en
la manera de realizar consultas que se ajusten a la situación espacio temporal del usuario, es posible
mediante el uso de ontologías y la consulta sobre reglas como SQWRL.
Entre los beneficios de utilizar SQWRL con respecto a un lenguaje de consulta ontológico
como SPARQL, recae en el poder de inferencia del primero, ya que SPARQL si bien permite
realizar consultas sobre ontologías, está restringido a los elementos que se denoten explícitamente
en la consulta; por ejemplo, una consulta SQWRL que considere una relación de transitividad hará
provecho de la misma, situación que en SPARQL se lograría haciendo o bien consultas recursivas o
bien ciclos de consultas.
Una ventaja inherente a las ontologías es su capacidad de escalabilidad, por lo que, según
se presente y bajo el rubro que se deseé aplicar este enfoque, se pueden expandir los conceptos y
relaciones manejados; si bien las reglas presentadas recayeron principalmente sobre un tipo de
servicio particular, dependiendo de otros servicios, nuevas reglas se pueden crear y compartir, lo
que a largo plazo significa una ventaja en cuanto a escalabilidad e interoperabilidad.
Por otra parte, la adopción de un enfoque social ha tomado relevancia en los últimos años,
por lo que la inclusión de este tipo de información puede recaer en distintos entornos, como lo es la
recomendación de lugares, permitiendo a los usuarios valorar, etiquetar y comentar lugares geo-
localizables. Se probó que dentro de las recomendaciones geo-localizables se puede considerar una
pertinencia de acuerdo al contexto del usuario y a la relevancia social de los lugares (González et
al, 2008).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
71
6 Trabajo Futuro
Entre los aspectos considerados como trabajo futuro a partir de la presente investigación, se
propone:
Experimentación con nuevos sistemas de recomendación. El área de los sistemas de
recomendación ha tomado gran impulso en años recientes, donde se buscan mejoras en su
desempeño bajo distintos enfoques. Se propone considerar las mejoras reportadas en otros
trabajos para comprobar mejoras en el desempeño de los sistemas de recomendación.
Expansión a otros dominios de servicios basados en localización. Dentro de este punto se
encuentra terminada una tesis de maestría ya finalizada, efectuada por César Villatoro en
cenidet, trabajando el enfoque de recomendación contextual sobre el dominio de hoteles.
Un estudio más profundo sobre la influencia de los atributos contextuales y su influencia en el
proceso de recomendación, misma investigación que al momento de presentar este documento,
se encuentra en proceso como parte de un proyecto de posgrado sustentado por la Dra. Blanca
Vargas Govea, dentro del cenidet.
La consideración de cómo distintos aspectos técnicos de tecnología de vanguardia puede
ayudar a la usabilidad y al desempeño de los sistemas de recomendación, tema abordado por la
tesis en desarrollo del alumno Hugo Omar Alejandrés que considera la incorporación de
realidad aumentada dentro de los sistemas de recomendación.
Expansión y orientación de las clases ontológicas utilizadas hacia el Open Link Data, como
parte de los objetivos pretendidos por la Web Semántica en los que se permita una
interoperabilidad entre distintas fuentes de datos, nutriendo la información contenida por una
ontología con otras.
Capítulo 6
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
72
7 Reconocimientos y publicaciones
Durante este período se logró la aceptación de los siguientes pósters y artículos, relacionados tanto
directamente con esta tesis, como con trabajos aledaños a la misma. Algunos de éstos tuvieron que
retirarse debido a situaciones ajenas a nuestro control.
Pósters:
– “Contextual impact factor applied to information retrieval for e-learning
applications”, Workshop on Ontologies and Semantic Web for E-Learning,
SWEL, 2008 (Retirado por cuestiones económicas).
– “Spatial Data Integration for e-Government Workflow Processes”, Research in
Computing Science Vol. 39, IPN; Encuentro Nacional de Computacion (ENC'08),
Mexicali, Baja California, México, 2008.
– “Geosemantic Web Queries on ChefMoz for Personalized Information Retrieval”,
MICAI 2009.
Artículos:
– “Contextual Impact Factor in a Social LBS Information Retrieval System”,
International Multi-Conference on Advanced Computer Systems, ISSN: 1230-
1485, Polonia, 2008.
– “Guiding the user search: an ontological approach”, International Multi-
Conference on Advanced Computer Systems, ISSN: 1230-1485, Polonia, 2008.
– “Collective knowledge – Contextual Dependency for Querying Location Based
Services”, New Aspects of Computers, ISBN: 978-960-6766-85-5, ISSN: 1790-
5109; 12th WSEAS International Conference on COMPUTERS, Grecia, 2008.
– “Technology Integration around the Geographic Information: A State of the Art”,
IJCSI International Journal of Computer Science Issues, Vol. 5, ISSN versión en
línea: 1694-0784, ISSN versión impresa: 1694-0814, 2009.
Capítulo 7
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
73
– “Social Tagging in Collaborative Filtering Recommender System” dentro del
evento ACS 2010, Polonia (Retirado por cuestiones económicas).
– Artículo de divulgación La privacidad en los servicios de Internet, aceptado para la
revista Elementos, 2011.
También se dieron las siguientes pláticas y ponencias:
– Ponente invitado a la Segunda Jornada de Informática, en la Universidad de la
Sierra del Sur, efectuada en octubre de 2009, participando con la ponencia: “Web
3.0: La Web Semántica”.
– Curso “Introducción a Protégé”, en el Centro Nacional de Investigación y
Desarrollo Tecnológico, el 20 de noviembre de 2009.
– Ponente invitado en el Instituto Tecnológico de Ciudad Victoria con el tema: Taller
introductorio a Google Maps, el 10 de noviembre de 2010 durante el evento FITIT
2010.
– Ponente invitado al Seminario de Sistemas Distribuidos y la Web Semántica, en la
Universidad Autónoma Metropolitana, en junio de 2011.
– Ponente invitado próximo a participar en el SiSei 2011, a efectuarse en el Instituto
Tecnológico de Culiacán, con un tema sobre la Web Semántica.
Se participó como revisor para los siguientes eventos y publicaciones:
– Revisor del Congreso Internacional sobre Innovación y Desarrollo Tecnológico
(CIINDET), 2008-2011.
– Revisor dentro del International Journal of Computer Science Issues (IJCSI), 2009-
2011.
– Revisor dentro del International Journal of Combinatorial Optimization Problems
and Informatics (IJCOPI), 2010-2011.
– Revisor para el Central European Journal of Computer Science, 2011.
Y se asistió a los siguientes eventos:
– Google Developers Day, 2008.
– Campus Party 2009, evento donde se asistió a una charla por parte de Tim Berners-
Lee sobre el futuro de la Web.
– Google DevFest 2010.
– Campus Party 2010.
– Campus Party 2011.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
74
Anexos
Anexo A: XFOAF, extensión del vocabulario FOAF para definir el perfil contextual del usuario
Para esta investigación, FOAF fue extendió para incluir aspectos propios de características
contextuales del perfil de los usuarios, nombrada en adelante, XFOAF (eXtended FOAF).
Haciendo uso tanto de los vocabularios FOAF (la especificación del vocabulario foaf se encuentra
en http://xmlns.com/foaf/spec/), Geo y XFOAF, se puede crear un archivo RDF que describa al
usuario y sus preferencias. Gracias al uso de nombres de espacio comunes, esta descripción
personal puede relacionarse con otra información ontológica, como la obtenida con respecto a
lugares geo-localizables.
Un ejemplo sencillo de uno de estos archivos se muestra en el siguiente código. Primero se
indican los nombres de espacio utilizados y después se utiliza el vocabulario propio de FOAF para
definir algunas características generales, el vocabulario Geo (del vocabulario del W3C encontrado
en http://www.w3.org/2003/01/geo/wgs84_pos) para denotar la latitud y longitud del usuario y el
vocabulario XFOAF para denotar sus preferencias personales.
A continuación se describen también los elementos del vocabulario xfoaf manejados. Cabe
resaltar que estos elementos corresponden a una parte implementada dentro del prototipo de
investigación, sin embargo una de las bondades de seguir un enfoque basado en tecnologías de
Web Semántica es que este vocabulario sea escalable, por lo que bien se puede expandir o integrar
con otros vocabularios, para añadirle más características y abarcar más casos.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
75
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:rdfs="http://www.w3.org/2000/01/rdf-schema#" xmlns:geo="http://www.w3.org/2003/01/geo#" xmlns:xfoaf="http://www.mindswap.org/2003/owl/foaf#" xmlns:cpersonal="http://www.owl-ontologies.com/cpersonal.owl#" xmlns:restaurant="http://chefmoz.org/restaurant/#" xmlns:xsd="http://www.w3.org/2001/XMLSchema#" xmlns:foaf="http://xmlns.com/foaf/0.1/"> <foaf:Person> <foaf:nick>mabel</foaf:nick> <geo:lat>19.400000</geo:lat> <geo:lon>-99.150000</geo:lon> <xfoaf:hasCharacteristic> <xfoaf:personalContext rdf:ID="mabel-gusta_Comer"> <xfoaf:birth>1982</xfoaf:birth> <xfoaf:height>1.59</xfoaf:height> <xfoaf:weight>40</xfoaf:weight> <xfoaf:favoriteCuisine>Eastern_European</xfoaf:favoriteCuisine > <xfoaf:favoriteCuisine>Eclectic</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Family</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Fine_Dining</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>French</xfoaf:favoriteCuisine> <xfoaf:favoriteCuisine>Hot_Dogs</xfoaf:favoriteCuisine> <xfoaf:drinker rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Bebedor social</xfoaf:drinker> <xfoaf:smoker rdf:datatype="http://www.w3.org/2001/XMLSchema#boolean">true</xfoaf:smoker> <xfoaf:ambiance rdf:datatype="http://www.w3.org/2001/XMLSchema#string">amigos</xfoaf:ambiance> <xfoaf:civilState rdf:datatype="http://www.w3.org/2001/XMLSchema#string">soltero</xfoaf:civilState> <xfoaf:hasSon rdf:datatype="http://www.w3.org/2001/XMLSchema#string">dependiente</xfoaf:hasSon> <xfoaf:dress rdf:datatype="http://www.w3.org/2001/XMLSchema#string">formal</xfoaf:dress> <xfoaf:ocupation rdf:datatype="http://www.w3.org/2001/XMLSchema#string">desempleado</xfoaf:ocupation> <xfoaf:assets rdf:datatype="http://www.w3.org/2001/XMLSchema#string">medio</xfoaf:assets> <xfoaf:transport rdf:datatype="http://www.w3.org/2001/XMLSchema#string">a pie</xfoaf:transport> <xfoaf:paycard rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Efectivo</xfoaf:paycard> <xfoaf:paycard rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Discover</xfoaf:paycard> <xfoaf:dissability rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Otro</xfoaf:dissability> <xfoaf:favoriteColor rdf:datatype="http://www.w3.org/2001/XMLSchema#string">naranja</xfoaf:favoriteColor> <xfoaf:religion rdf:datatype="http://www.w3.org/2001/XMLSchema#string">catolico</xfoaf:religion> <xfoaf:hasPersonality rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Ahorrativo-Protector</xfoaf:hasPersonality> <xfoaf:interest rdf:datatype="http://www.w3.org/2001/XMLSchema#string">retro</xfoaf:interest> <xfoaf:nacionality rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Mexico</xfoaf:nacionality> </xfoaf:personalContext> </xfoaf:hasCharacteristic> </foaf:Person> </rdf:RDF>
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
76
Propiedad: xfoaf:hasCharacteristic
hasCharacteristic – Las características de una persona.
Dominio: foaf:Person
Rango: xfoaf:personalContext
La relación xfoaf:hasCharacteristic engloba los distintos tipos de características que una persona puede tener, ya sea tanto de información contextual, sicológica, educativa, etc. De momento xfoaf contempla información contextual, pero cabe recordar que las ontologías son escalables.
Clase: xfoaf:personalContext
personalContext – Las características contextuales generales de una persona.
En rango
de: xfoaf:hasCharacteristic
En
dominio
de:
xfoaf:birth, xfoaf:height, xfoaf:weight, xfoaf:favoriteCuisine, xfoaf:drinker,
xfoaf:smoker, xfoaf:civilState, xfoaf:hasSon, xfoaf:ambiance, xfoaf:dress,
xfoaf:assets, xfoaf:transport, xfoaf:ocupation, xfoaf:religion, xfoaf:paycard,
xfoaf:dissability, xfoaf:nacionality, xfoaf:favoriteColor, xfoaf:interest,
xfoaf:hasPersonality
La clase xfoaf:personalContext identifica a una clase de características de una persona, que pueden ser usadas para describirlo tanto a él o ella, en aspectos desde su edad, lo que le gusta comer, si es bebedor o fumador, el ambiente en el que se encuentra, el tipo de vestuario que prefiere llevar, su presupuesto, su medio de transporte usado, el tipo de tarjetas que usa para pagar así como si tiene alguna discapacidad.
Propiedad: xfoaf:birth
birth– La edad de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#integer
Valor entero para identificar el año de nacimiento de una persona.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
77
Propiedad: xfoaf:height
height– La altura de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#float
Cadena textual para identificar la estatura de una persona.
Propiedad: xfoaf:weight
weight– El peso de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#float
Cadena textual para identificar la estatura de una persona.
Propiedad: xfoaf:favoriteCuisine
favoriteCuisine – El tipo de cocina favorito de una persona.
Dominio: xfoaf:personalContext
Rango: xfoaf:Cuisine
Cadena textual para identificar los gustos culinarios de una persona.
Propiedad: xfoaf:drinker
drinker – Identifica el tipo de bebedor que es una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar si una persona es bebedora o abstemia. Se consideran los valores: abstemio, bebedor-casual y bebedor-social.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
78
Propiedad: xfoaf:smoker
smoker – Identifica si una persona es fumadora.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#boolean
Valor boleano para identificar si una persona fuma o no.
Propiedad: xfoaf:ambiance
ambiance – El tipo de ambiente en el que la persona viaja o se encuentra.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el tipo de ambiente o plan en el que una persona se encuentra. Se consideradon los valores: solo, familiar y con amigos.
Propiedad: xfoaf:dress
dress – Identifica la preferencia de una persona sobre la formalidad de su indumentaria.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el tipo de indumentaria que una persona prefiere llevar, ya sea formal o informal. Se manejan los valores: informal, formal, elegante y cualquiera.
Propiedad: xfoaf:civilState
civilState – Identifica el estado civil de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el estado civil de una persona. Se consideran los valores: soltero, casado y viudo.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
79
Propiedad: xfoaf:hasSon
hasSon – Tiene hijo; usado para identificar la situación del usuario con respecto a si tiene hijos y si estos son o no dependientes del usuario.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el estado familiar de una persona con respecto a sus hijos. Se consideran los valores: pequeño, dependiente y sin hijos/indepentiente.
Propiedad: xfoaf:ocupation
ocupation – Ocupación; usado para identificar el estado laboral del usuario.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena de texto para identificar si el usuario trabaja, estudia o es desempleado. Se consideran los valores: desempleado, obrero, estudiante y profesionista.
Propiedad: xfoaf:assets
presupuesto – Identifica el tipo de presupuesto que dispone una persona. Acepta los
valores “alto”, “medio” o “bajo”.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual que identifica el tipo de presupuesto del que una persona dispone. Considera los valores: bajo, medio y alto.
Propiedad: xfoaf:transport
transporte – Identifica el tipo de transporte usado generalmente por una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el tipo de vehículo que una persona usa para transportarse. Se consideran los valores: a pie, vehículo propio y transporte público.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
80
Propiedad: xfoaf:paycard
paycard – Identifica el tipo de pago que una persona puede efectuar.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar los tipos de tarjeta que una persona puede usar para pagar. Considera los valores visa, mastercard, efectivo, tarjeta débito y cheque.
Propiedad: xfoaf:religion
religión – Credo religioso profesado por una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar si una persona profesa alguna religión y cual. Se consideran los valores: ninguna, católico, cristiano, mormón y judío.
Propiedad: xfoaf:dissability
dissability – Identifica si una persona cuenta con algún tipo de capacidad diferente.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el tipo de capacidad diferente que una persona puede tener (o en su defecto, alguien que acompañe a la persona en cuestión).
Propiedad: xfoaf:nacionality
nacionality – Nacionalidad; identifica la nacionaidad de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el país de origen de una persona.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
81
Propiedad: xfoaf:favoriteColor
favoriteColor – Color favorito; identifica el color favorito de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el color favorito de una persona, en consideración a los factores sicológicos que de ésta información se puede desprender. Se consideran los valores: amarillo, azul, blanco, naranja, púrpura, rojo y verde.
Propiedad: xfoaf:interest
interest – Interés; identifica el tipo de preferencias de una persona.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el interés principal de una persona. Se consideran los valores: variedad, naturaleza, retro y tecnología.
Propiedad: xfoaf:hasPersonality
hasPersonality – tiene personalidad; identifica cómo el usuario considera que es su personalidad.
Dominio: xfoaf:personalContext
Rango: http://www.w3.org/2001/XMLSchema#string
Cadena textual para identificar el tipo de personalidad que el usuario considera que tiene, en consideración a los factores sicológicos que de ésta información se puede desprender. Se consideran los valores: esforzado, ahorrativo, ostentoso y conformista.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
82
Anexo B: Conceptos, relaciones y atributos de una ontología de restaurantes
Las tablas de este anexo muestran respectivamente a los conceptos, las relaciones de objeto y a los
atributos de la ontología de restaurantes utilizada para el procesamiento de las reglas en SWRL.
Los elementos que no cuentan con una descripción son tomados de las ontologías
manejadas por SWRL y sus relacionados.
Tabla 15. Descripción de las clases de la ontología sobre resturantes utilizada para el procesamiento de
las reglas en SWRL.
Clase Descripción Subclases Superclases
Accesibilidad Concepto para identificar el tipo de
accesibilidad ofrecida por un restaurante. owl:Thing Resource
Alimento
Concepto para identificar los tipos de
alimentos proporcionados por un
restaurante.
owl:Thing Resource
Clima Concepto para identificar el tipo de
clima. owl:Thing Resource
Color
Concepto usado para identificar colores,
mismos que son usados para identificar
patrones sicológicos de comportamiento
en el usuario.
owl:Thing Resource
Consulta
Concepto usado para identificar el
momento y lugar particular desde el cuál
se hace una solicitud de recomendación.
owl:Thing Resource
Cuisine Concepto para identificar el tipo de
cocina que sirve un restaurante. owl:Thing Resource
Entity
Granularity
ValidTime
Proposition
ExtendedProposition
ValidPeriod
ValidInstant
Estacion Concepto para identificar estaciones del
año. owl:Thing Resource
ExtendedProposition
Resource
Proposition
Entity
Granularity Resource
Entity
Pago
Concepto para identificar los tipos de
pago que acepta un restaurante o que
puede hacer una persona.
owl:Thing Resource
Pais Concepto que hace alusión a una
locación geográfica. owl:Thing Resource
Persona Concepto que refiere al usuario al que se owl:Thing Resource
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
83
le efectúa una recomendación.
Personalidad Concepto que refiere al tipo de
personalidad que un usuario presenta. owl:Thing Resource
Proposition ExtendedProposition Entity
Region Zona geográfica a la que puede
pertenecer un usuario. owl:Thing Resource
Religion Creencia o credo que profesa un grupo
social. owl:Thing Resource
Restaurant
Concepto que refiere al lugar que brinda
un servicio de alimentación a los
usuarios.
owl:Thing Resource
RuleGroup Resource
Entity
ServicioAlcohol
Concepto para identificar si un
restaurante ofrece algún tipo de servicio
relacionado con bebidas alcohólicas.
owl:Thing Resource
ValidInstant
Resource
ValidTime
Entity
ValidPeriod
Resource
ValidTime
Entity
ValidTime
ValidPeriod
ValidInstant
Resource
Entity
Tabla 16. Descripción de las relaciones de la ontología sobre resturantes utilizada para el
procesamiento de las reglas en SWRL.
Atributo Descripción Dominio Rango
(tipo)
Lista de
valores Funcional
altura
Atributo de una persona
con respecto a cuanto
mide.
Persona
float Funcional
ambiance
Atributo de una persona
para indicar el tipo de
ambiente de su visita a un
restaurante.
Persona
string
pareja
familiar
negocio
solo
amigos
Funcional
dia
Atributo para indicar el día
en que se realiza la
recomendación de
restaurantes a una persona.
Consulta
string Funcional
distancia
Atributo para indicar la
distancia a la que se
encuentra un restaurante
con respecto a una
persona.
Restaurant
string Funcional
edoCivil Atributo para indicar el
estado civil de una
Persona
string
soltero
casado Funcional
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
84
persona. viudo
entorno
Atributo para indicar el
tipo de ambiente que
predomina en un
restaurante.
Restaurant
string
familiar
tranquilo
romantico
esFranquicia
Atributo para indicar si un
restaurante pertenece a
una cadena de franquicias.
Restaurant
boolean Funcional
esFumador Atributo para indicar si un
usuario es fumador.
Persona
boolean Funcional
esLatino Atributo para indicar si un
usuario es latino.
Persona
boolean Funcional
espacio
Atributo para indicar si un
usuario se encuentra en un
lugar cerrado o al aire
libre.
Restaurant
string
cerrado
aire libre
estaAlLado
Atributo para indicar si un
restaurante se encuentra a
metros de distancia de una
persona.
Restaurant
boolean Funcional
estaCerca
Atributo para indicar si un
restaurante se encuentra
cerca de una persona.
Restaurant
boolean Funcional
estaMuyCerca
Atributo para indicar si un
restaurante se encuentre en
las inmediaciones de una
persona.
Restaurant
boolean Funcional
esTomador
Atributo para indicar con
que frecuencia una
persona consume bebidas
alcohólicas.
string
bebedor social
bebedor
casual
abstemio
Funcional
fechaActual
Atributo para identificar la
fecha actual en la que se
realiza una
recomendación.
Consulta
date Funcional
hasBuiltInPhrase string Funcional
hasClassPhrase string Funcional
hasFinishTime ValidPeriod
dateTime Funcional
hasPropertyPhrase string Funcional
hasRuleCategory
hasStartTime ValidPeriod
dateTime Funcional
hasTime ValidInstant
dateTime Funcional
horaCierreDomingo
Atributo para indicar el
horario de cierre de un
restaurante en día
domingo.
Restaurant
time
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
85
horaCierreEntresemana
Atributo para indicar el
horario de cierre de un
restaurante entresemana.
Restaurant
time
horaCierreSabado
Atributo para indicar el
horario de cierre de un
restaurante en día sabado.
Restaurant
time
horaConsulta
Atributo para identificar la
hora en que se realiza una
recomendación.
Consulta
time Funcional
horaDomingo
Atributo para identificar la
hora de apertura de un
restaurante en día
domingo.
Restaurant
time
horaEntresemana
Atributo para identificar el
horario de apertira de un
restaurante entresemana.
Restaurant
time
horaSabado
Atributo para identificar el
horario de apertura de un
restaurante en día sábado.
Restaurant
time
IDPlace
Atributo para asinar un
identificador a un
restaurante.
Restaurant
string Funcional
imc
Atributo para indicar el
índice de masa corporal de
una persona.
Persona
float Funcional
ingreso
Atributo para indicar el
tipo de ingreso económico
percibido por una persona.
Persona
string
bajo
medio
alto
Funcional
interes
Atributo para indicar el
tipo de interés que tiene
una persona.
Persona
string
variedad
tecnologia
retro
naturaleza
isRuleEnabled Imp
boolean Funcional
isRuleGroupEnabled RuleGroup
boolean Funcional
latitud Atributo para indicar una
latitud geográfica.
Persona
Restaurant
float Funcional
longitud Atributo para indicar una
longitud geográfica.
Persona
Restaurant
float Funcional
medioTransporte
Atributo para indicar el
tipo de transporte usado
por una persona.
Persona
string
propio
publico
a pie
Funcional
nacimiento
Atributo para indicar el
año de nacimiento de una
persona.
Persona
int Funcional
ofreceServicio Atributo para identificar Restaurant string variedad
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
86
tipos de servicios
ofrecidos por un
restaurante, ajenos a la
comida.
Internet
permiteFumar
Atributo para identificar si
un restaurante permite a
las personas fumar.
Restaurant
string
en el bar
no permitido
permitido
seccion
peso Atributo para indicar el
peso de una persona.
Persona
float Funcional
tieneCiudad
Atributo para indicar la
ciudad donde se encuentra
un restaurante.
Restaurant
string Funcional
tieneCosto
Atributo para indicar el
costo general de los
alimentos servidor por un
restaurante.
Restaurant
string
bajo
medio
alto
Funcional
tieneDireccion
Atributo para indicar la
dirección donde se
encuentra un restaurante.
Restaurant
string Funcional
tieneEdad Atributo para indicar la
edad de una persona.
Persona
int Funcional
tieneEstacionamiento
Atributo para indicar el
tipo de estacionamiento
del que dispone un
restaurante.
Restaurant
string
calle
de paga
propio
publico
sin parking
valet parking
validated
parking
tieneEstado
Atributo para indicar el
estado geográfico de un
restaurante.
Restaurant
string Funcional
tieneFax Atributo para indicar el
fax de un restaurante.
Restaurant
string Funcional
tieneFormalidad
Atributo para indicar el
tipo de formalidad
presente en un restaurante.
Restaurant
string
formal
informal
elegante
cualquiera
Funcional
tieneHijo
Atributo para indicar en
que estado se encuentran
los hijos de una persona.
Persona
string
pequeno
dependiente
independiente
tieneNombre Atributo para indicar el
nombre de un restaurante.
Restaurant
string Funcional
tieneOcupacion Atributo para indicar la
ocupación de una persona.
Persona
string
estudiante
desempleado
profesionista
obrero
Funcional
tieneZip Atributo para indicar el
código postal de un
Restaurant
string Funcional
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
87
restaurante.
url
Atributo para indicar la
página Web de un
restaurante.
Restaurant
string Funcional
valorComida
Atributo para indicar el
valor promedio que los
usuarios han asignado a la
comida servida por un
restaurante.
Restaurant
float Funcional
valorServicio
Atributo para indicar el
valor promedio que los
usuarios han asignado al
servicio brindado por un
restaurante.
Restaurant
float Funcional
valorSocial
Atributo para indicar el
valor promedio que los
usuarios han asignado en
general a un restaurante.
Restaurant
float Funcional
viste
Atributo para indicar la
formalidad de la
indumentaria con que un
usuario asistirá a un
restaurante.
Persona
string
casual
formal
informal
formal
required
Funcional
Tabla 17. Descripción de los atributos de la ontología sobre resturantes utilizada para el procesamiento
de las reglas en SWRL.
Relacion Descripción Dominio Rango Tipo
aceptaPago
Relación para identificar los
tipos de pago que acepta un
restaurante.
Restaurant
Pago
climaActual Relación para identificar el
clima actual.
Consulta
Clima
Funcional
colorFavorito Relación para identificar el
color favorito de una persona.
Persona
Color
Funcional
gustaAlimento
Relación para identificar los
tipos de cocina que prefiere el
usuario.
Persona
Cuisine
hasGranularity ValidTime
Granularity
Funcional
hasRuleGroup Imp
RuleGroup
hasValidTime ExtendedProposition
ValidTime
pagaCon
Relación usada para
identificar los tipos de pago
que puede realizar una
persona.
Persona
Pago
perteneceRegion Relación usada para
identificar la región a la que
Pais
Region
Funcional
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
88
pertenece un país.
profesa
Relación usada para
identificar la religión que
practica una persona.
Persona
Religion
Funcional
sirveAlcohol
Relación para identificar el
tipo de servicio que ofrece un
restaurante con respecto a
bebidas alcohólicas.
Restaurant
ServicioAlcohol
sirveAlimento
Relación para identificar el
tipo de cocina que sirve un
restaurante.
Restaurant
Cuisine
temporadaActual Relación para identificar la
estación del año actual.
Consulta
Estacion
Funcional
tieneCuisineNacional
Relación para identificar el
país al que corresponde un
tipo de cocina.
Pais
Cuisine
tieneNacionalidad Relación para identificar la
nacionalidad de un usuario.
Persona
Pais
Funcional
tienePersonalidad
Relación para identificar el
tipo de personalidad de un
usuario.
Persona
Personalidad
Funcional
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
89
Anexo C: Reglas de Web Semántica en SWRL y SQWRL
A continuación se presentan las reglas bajo SWRL y SQWRL utilizadas durante el proceso de
recomendación contextual. Las reglas bajo SQWRL son manejadas a través de un archivo XML y
después son cargadas dentro de una ontología OWL para su posterior ejecución; las reglas bajo
SWRL se encuentran precargadas dentro de la ontología, pero para fines ilustrativos se incluyen en
la tabla siguiente, junto con las reglas SQWRL.
Las reglas marcadas de tipo 1 corresponden a reglas que representan una interrelación entre
los contextos de perfil de usuario con perfil de datos, las marcadas como de tipo 2 representan a la
interrelación entre el contexto de perfil de datos con perfil de entorno y de tipo 3 a la interrelación
entre contexto de perfil de usuario y perfil de entorno. Las reglas sin especificar algún tipo, se
refieren reglas de operaciones para realizar algún cálculo.
<regla nombre="estacionInvierno">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al invierno.
<antecedente>latitud(hoy, ?l) ^ swrlb:greaterThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-12-22", "2012-03-
20", temporal:Days)
<consecuente>temporadaActual(hoy, invierno)
<regla nombre="estacioninviernoB">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al invierno.
<antecedente>latitud(hoy, ?l) ^ swrlb:lessThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-06-21", "2011-09-
23", temporal:Days)
<consecuente>temporadaActual(hoy, invierno)
<regla nombre="estacionOtono">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al otoño.
<antecedente>latitud(hoy, ?l) ^ swrlb:greaterThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-09-23", "2012-12-
22", temporal:Days)
<consecuente>temporadaActual(hoy, otono)
<regla nombre="estacionOtonob">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al otoño.
<antecedente>latitud(hoy, ?l) ^ swrlb:lessThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^
temporal:during(?p, "2011-03-20", "2011-06-21", temporal:Days)
<consecuente>temporadaActual(hoy, otono)
<regla nombre="estacionPrimavera">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde a la primavera.
<antecedente>latitud(hoy, ?l) ^ swrlb:greaterThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-03-20", "2011-06-
21", temporal:Days)
<consecuente>temporadaActual(hoy, verano)
<regla nombre="estacionPrimaverab">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde a la primavera.
<antecedente>latitud(hoy, ?l) ^ swrlb:lessThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-09-23", "2011-12-
22", temporal:Days)
<consecuente>temporadaActual(hoy, verano)
<regla nombre="estacionverano">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
90
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al verano.
<antecedente>latitud(hoy, ?l) ^ swrlb:lessThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-12-22", "2012-03-
20", temporal:Days) </antecedente>
<consecuente>temporadaActual(hoy, verano)
<regla nombre="estacionVeranob">
Regla para identificar si de acuerdo
a la fecha y las coordenadas
geográficas, la estación actual
corresponde al verano.
<antecedente>latitud(hoy, ?l) ^ swrlb:greaterThanOrEqual(?l, 0) ^
fechaActual(hoy, ?p) ^ temporal:during(?p, "2011-06-21", "2011-09-
23", temporal:Days)
<consecuente>temporadaActual(hoy, verano)
<regla nombre="Regla-edad">
Regla para determinar la edad de
una persona.
<antecedente>Persona(?x) ^ nacimiento(?x, ?y) ^ swrlb:subtract(?z,
2011, ?y)
<consecuente>tieneEdad(?x, ?z)
<regla nombre="regla-imc">
Regla para calcular el índice de
masa corporal de una persona.
<antecedente>Persona(?x) ^ peso(?x, ?p) ^ altura(?x, ?a) ^
swrlb:multiply(?a2, ?a, ?a) ^ swrlb:divide(?i, ?p, ?a2)
<consecuente>imc(?x, ?i)
<regla nombre="fumatrue1">
Regla tipo 1 para identificar
restaurantes que tengan sección de
fumadores para usuarios que
fumen.
<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^
permiteFumar(?r,"seccion") ^ Persona(?p) ^ esFumador(?p, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="fumatrue2">
Regla tipo 1 para identificar
restaurantes que permitan fumar a
las personas.
<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^
permiteFumar(?r,"permitido") ^ Persona(?p) ^ esFumador(?p, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="fumatrue3">
Regla tipo 1 para identificar
restaurantes que permitan fumar y
beber a una persona.
<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^ permiteFumar(?r,"en
el bar") ^ Persona(?p) ^ esFumador(?p, true) ^ esTomador(?p,
"Bebedor casual")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="fumatrue4">
Regla tipo 1 para identificar
restaurantes que permitan fumar y
beber a una persona.
<antecedente>Restaurant(?r) ^ IDPlace(?r,?id) ^ permiteFumar(?r,"en
el bar") ^ Persona(?p) ^ esFumador(?p, true) ^ esTomador(?p,
"Bebedor social")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="fumafalse1">
Regla tipo 1 para identificar
restaurantes que no permitan
fumar.
<antecedente>permiteFumar(?r,"no permitido") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ Persona(?p) ^ esFumador(?p, false)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="fumafalse2">
Regla tipo 1 para identificar
restaurantes que permitan fumar
sólo en una sección.
<antecedente>permiteFumar(?r,"seccion") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ Persona(?p) ^ esFumador(?p, false)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="formalidad1">
Regla tipo 1 para identificar
restaurantes para situaciones
formales a usuarios que así lo
<antecedente>tieneFormalidad(?r,"formal") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "formal")
<consecuente>sqwrl:selectDistinct(?id)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
91
deseén.
<regla nombre="formalidad2">
Regla tipo 1 para identificar
restaurantes que no requieran una
vestimenta formal como admisión.
<antecedente>tieneFormalidad(?r,"informal") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "informal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="formalidad3">
Regla tipo 1 para identificar
restaurantes de etiqueta.
<antecedente>tieneFormalidad(?r,"formal required") ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "elegante")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="formalidad4">
Regla tipo 1 para identificar
restaurantes cuyo código de
vestimenta no sea estricto.
<antecedente>tieneFormalidad(?r,"casual") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ Persona(?p) ^ viste(?p, "informal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="intelectual">
Regla tipo 1 para identificar
restaurantes que ofrezcan servicios
de variedad, patrón acorde al perfil
de consumidor denominado como
intelectual.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 25) ^ swrlb:lessThanOrEqual(?y, 40)
^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, ?variedad) ^
swrlb:stringEqualIgnoreCase(?variedad, "variedad")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="intelectual2">
Regla tipo 1 para identificar
restaurantes que ofrezcan servicios
de conectividad a Internet, patrón
acorde al perfil de consumidor
denominado como intelectual.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 25) ^ swrlb:lessThanOrEqual(?y, 40)
^ interes(?x, ?inter) ^ swrlb:stringEqualIgnoreCase(?inter,
"tecnologia") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r,
?servicio) ^ swrlb:stringEqualIgnoreCase(?servicio, "internet")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="chaviza">
Regla tipo 1 para identificar
restaurantes que ofrezcan servicios
de conectividad a Internet para
jóvenes interesados en tecnología.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 12) ^ swrlb:lessThanOrEqual(?y, 24) ^
interes(?x, ?inter) ^ swrlb:stringEqualIgnoreCase(?inter, "tecnologia")
^ Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, ?servicio) ^
swrlb:stringEqualIgnoreCase(?servicio, "internet")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="chaviza2">
Regla tipo 1 para identificar
restaurantes de comida rápida,
patrón acorde al perfil de
consumidor denominado como
chaviza.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 12) ^ swrlb:lessThanOrEqual(?y, 24)
^ Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Fast_Food)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="chaviza3">
Regla tipo 1 para identificar
restaurantes que pertenezcan a
cadenas comerciales, patrón
acorde al perfil de consumidor
denominado como chaviza.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^
tieneEdad(?x, ?y) ^ swrlb:greaterThanOrEqual(?y, 12) ^
swrlb:lessThanOrEqual(?y, 24) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
esFranquicia(?r, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="retro">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
92
Regla tipo 1 para identificar
restaurantes de comida típica al
lugar de una persona.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 18) ^ swrlb:lessThanOrEqual(?y, 50)
^ interes(?x, "retro") ^ tieneNacionalidad(?x, ?n) ^
tieneCuisineNacional(?n, ?c) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
sirveAlimento(?r, ?c)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="bioconsumidor">
Regla tipo 1 para identificar
restaurantes de comida natural
para personas interesadas en la
naturaleza, patrón acorde al perfil
de consumidor denominado como
bioconsumidores.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 18) ^ swrlb:lessThanOrEqual(?y, 60)
^ interes(?x, "naturaleza") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
sirveAlimento(?r, Vegetarian)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="babyboomer1">
Regla tipo 1 para identificar
restaurantes elegantes a personas
solteras con ingresos altos, patrón
acorde al perfil de consumidor
denominado como babyboomers.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 46) ^ swrlb:lessThanOrEqual(?y, 64)
^ edoCivil(?x, "soltero") ^ ingreso(?x, "alto") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="babyboomer2">
Regla tipo 1 para identificar
restaurantes que ofrescan servicios
de variedad a personas solteras
interesadas, patrón acorde al perfil
de consumidor denominado como
babyboomers.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 46) ^ swrlb:lessThanOrEqual(?y, 64)
^ edoCivil(?x, "soltero") ^ interes(?x, "variedad") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ ofreceServicio(?r, "variedad")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="babyboomer3">
Regla tipo 1 para identificar
restaurantes a personas solteras
interesadas que vayan con su
pareja, patrón acorde al perfil de
consumidor denominado como
babyboomers.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 46) ^ swrlb:lessThanOrEqual(?y, 64)
^ edoCivil(?x, "soltero") ^ ingreso(?x, "alto") ^ ambiance(?x,
"pareja") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="estudiante">
Regla tipo 1 para identificar
restaurantes de bajo costo para
estudiantes.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="profesionista">
Regla tipo 1 para identificar
restaurantes de costo alto para
profesionistas.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="estudiante2a">
Regla tipo 1 para identificar
restaurantes que se encuentren
próximos a la localización de un
estudiante.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ estaAlLado(?r, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="profesionista2">
Regla tipo 1 para identificar
restaurantes formales para
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
93
usuarios que sean profesionistas. <consecuente>sqwrl:selectDistinct(?id)
<regla nombre="estudiante3">
Regla tipo 1 para identificar
restaurantes que hayan sido
valorados socialmente por otros
usuarios de manera alta.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ valorSocial(?r, ?v) ^
swrlb:greaterThan(?v, 2)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="estudiante3b">
Regla tipo 1 para identificar
restaurantes que hayan sido
valorados por otros usuarios de
manera alta en cuanto a la comida
que sirven.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "estudiante") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ valorComida(?r, ?v) ^
swrlb:greaterThan(?v, 2)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="profesionista3">
Regla tipo 1 para identificar
restaurantes que hayan sido
valorados por otros usuarios de
manera alta en cuanto al servicio
ofrecido.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ valorServicio(?r, ?v) ^
swrlb:greaterThan(?v, 2)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="profesionista4">
Regla tipo 1 para identificar
restaurantes que no sean
franquicias, para usuarios que
sean profesionistas.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nacionEUA">
Regla tipo 1 para identificar
restaurantes que sean franquicias,
los cuales son preferidos por
personas nacidas en Estados
Unidos.
<antecedente>Persona(?x) ^ tieneNacionalidad(?x, EUA) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nacionMexico2">
Regla tipo 1 para identificar
restaurantes que ofrezcan un
entorno familiar si el usuario es
mexicano y tiene hijos chicos.
<antecedente>Persona(?x) ^ tieneNacionalidad(?x, Mexico) ^
tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
entorno(?r, "familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaAmarillo">
Regla tipo 1 para identificar
restaurantes cuyo costo sea bajo,
de acuerdo al perfil sicólogico de
las personas que prefieren el
color amarillo.
<antecedente>Persona(?x) ^ colorFavorito(?x, amarillo) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaBlanco">
Regla tipo 1 para identificar
restaurantes vegetarianos, de
acuerdo al perfil sicólogico de las
personas que prefieren el color
blanco.
<antecedente>Persona(?x) ^ colorFavorito(?x, blanco) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaAmarilloKids">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno familiar, de acuerdo al
<antecedente>Persona(?x) ^ colorFavorito(?x, amarillo) ^
tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
entorno(?r, "familiar")
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
94
perfil sicólogico de las personas
que prefieren el color amarillo y
que tengan hijos pequeños.
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaNaranja">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno familiar, de acuerdo al
perfil sicólogico de las personas
que prefieren el color naranja y
que tengan hijos pequeños.
<antecedente>Persona(?x) ^ colorFavorito(?x, naranja) ^
tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
entorno(?r, "familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaNaranja2">
Regla tipo 1 para identificar
restaurantes que permitan un
atuendo informal, de acuerdo al
perfil sicólogico de las personas
que prefieren el color naranja.
<antecedente>Persona(?x) ^ colorFavorito(?x, naranja) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "informal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaRojo">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno romántico, de acuerdo al
perfil sicólogico de las personas
que prefieren el color rojo, que
sean solteros pero que acudan
con su pareja.
<antecedente>Persona(?x) ^ colorFavorito(?x, rojo) ^ edoCivil(?x,
"soltero") ^ ambiance(?x, "pareja") ^ Restaurant(?r) ^ IDPlace(?r,?id)
^ entorno(?r, "romantico")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaPurpura">
Regla tipo 1 para identificar
restaurantes elegantes, de
acuerdo al perfil sicólogico de las
personas que prefieren el color
púrpura.
<antecedente>Persona(?x) ^ colorFavorito(?x, purpura) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaPurpura2">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno familiar, de acuerdo al
perfil sicólogico de las personas
que prefieren el color púrpura y
que tengan hijos pequeños.
<antecedente>Persona(?x) ^ colorFavorito(?x, purpura) ^
tieneHijo(?x, "chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ entorno(?r,
"familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaPurpura3">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno familiar, de acuerdo al
perfil sicólogico de las personas
que prefieren el color púrpura y
que tengan hijos aún
dependientes.
<antecedente>Persona(?x) ^ colorFavorito(?x, purpura) ^
tieneHijo(?x, "dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
entorno(?r, "familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaAzul">
Regla tipo 1 para identificar
restaurantes que tengan un
entorno traquilo, de acuerdo al
perfil sicólogico de las personas
<antecedente>Persona(?x) ^ colorFavorito(?x, azul) ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ entorno(?r, "tranquilo")
<consecuente>sqwrl:selectDistinct(?id)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
95
que prefieren el color azul.
<regla nombre="reglaAzul2">
Regla tipo 1 para identificar
restaurantes que sirvan comida
vegetariana, de acuerdo al perfil
sicólogico de las personas que
prefieren el color azul.
<antecedente>Persona(?x) ^ colorFavorito(?x, azul) ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaVerde">
Regla tipo 1 para identificar
restaurantes que sirvan comida
vegetariana, de acuerdo al perfil
sicólogico de las personas que
prefieren el color verde.
<antecedente>Persona(?x) ^ colorFavorito(?x, verde) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r, Vegetarian)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaVerde2">
Regla tipo 1 para identificar
restaurantes que se encuentren al
aire libre, de acuerdo al perfil
sicólogico de las personas que
prefieren el color verde.
<antecedente>Persona(?x) ^ colorFavorito(?x, verde) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ espacio(?r, "aire libre")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaNegro">
Regla tipo 1 para identificar
restaurantes que permitan un
entorno de formalidad, de
acuerdo al perfil sicólogico de las
personas que prefieren el color
negro.
<antecedente>Persona(?x) ^ colorFavorito(?x, negro) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglaProfesionista">
Regla tipo 1 para identificar
restaurantes que ofrezcan
servicio de Internet para usuarios
que sean profesionistas.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, "internet")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="babyburster">
Regla tipo 1 para identificar
restaurantes que no pertenezcan
a alguna franquicia y que sean
formales, para usuarios dentro de
la categoría identificada en
mercadotecnia como
babyburster.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 34) ^ swrlb:lessThanOrEqual(?y, 45) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false) ^
tieneFormalidad(?r, "formal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="babyboolet">
Regla tipo 1 para identificar
restaurantes que no pertenezcan
a alguna franquicia y que tengan
un valor social elevado para los
usuarios, para personas dentro de
la categoría identificada en
mercadotecnia como babyboolet.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:greaterThanOrEqual(?y, 15) ^ swrlb:lessThanOrEqual(?y, 33) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ esFranquicia(?r, false) ^
valorSocial(?r, ?v) ^ swrlb:greaterThan(?v, 2)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="echobust">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
96
Regla tipo 1 para identificar
restaurantes que proporcionen
servicio de Internet para usuarios
dentro de la categoría
identificada en mercadotecnia
como echobust.
<antecedente>Persona(?x) ^ tieneEdad(?x, ?y) ^
swrlb:lessThanOrEqual(?y, 14) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
ofreceServicio(?r, "internet")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="trabajo">
Regla tipo 1 para identificar
restaurantes que proporcionen un
entorno formal para usarios que
asistan en plan de negocios.
<antecedente>Persona(?x) ^ ambiance(?x, "negocio") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="parejaRecien">
Regla tipo 1 para identificar
restaurantes cuyo costo sea alto
para personas que no tienen
hijos, son casadas y su ingreso
sea alta, patrón identificado
como parejas recién casadas.
<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,
"no") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto") ^
ingreso(?x, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nidoC1">
Regla tipo 1 para identificar
restaurantes de costo medio para
usuarios dentro del período
identificado en mercadotecnia
como nido completo I, donde la
persona es casada y tiene hijos
pequeños.
<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,
"chico") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "medio")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nidoC2">
Regla tipo 1 para identificar
restaurantes con un ambiente
familiar para usuarios dentro del
período identificado en
mercadotecnia como nido
completo II, donde la persona es
casada y tiene hijos
dependientes.
<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,
"dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ entorno(?r,
"familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nidoC3">
Regla tipo 1 para identificar
restaurantes de costo medio para
usuarios dentro del período
identificado en mercadotecnia
como nido completo III, donde
la persona es casada y tiene
hijos dependientes.
<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,
"dependiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,
"medio")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="nidoVacio">
Regla tipo 1 para identificar
restaurantes de costo alta para
usuarios dentro del período
identificado en mercadotecnia
como nido vacío, donde la
persona es casada y tiene hijos
<antecedente>Persona(?x) ^ edoCivil(?x, "casado") ^ tieneHijo(?x,
"independiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,
"alto")
<consecuente>sqwrl:selectDistinct(?id)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
97
independientes, lo que le
permite tener otros gastos.
<regla nombre="superviviente">
Regla tipo 1 para identificar
restaurantes de costo medio para
usuarios dentro del período
identificado en mercadotecnia
como supervivientes, donde la
persona es viuda y tiene hijos
independientes.
<antecedente>Persona(?x) ^ edoCivil(?x, "viudo") ^ tieneHijo(?x,
"independiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,
"medio")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="superviviente2">
Regla tipo 1 para identificar
restaurantes de costo bajo para
usuarios dentro del período
identificado en mercadotecnia
como supervivientes, donde la
persona es viuda y tiene hijos
independientes.
<antecedente>Persona(?x) ^ edoCivil(?x, "viudo") ^ tieneHijo(?x,
"independiente") ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r,
"bajo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseA">
Regla tipo 1 para identificar
restaurantes de costo alto para
usuarios dentro de la clase social
tipo A identificada en
mercadotecnia, donde la persona
es profesionista.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseAtechno">
Regla tipo 1 para identificar
restaurantes que ofrezcan
servicio de Internet para
usuarios dentro de la clase social
tipo A identificada en
mercadotecnia, donde la persona
es profesionista.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ ofreceServicio(?r, "internet")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseAparking">
Regla tipo 1 para identificar
restaurantes que tengan
estacionamiento propio, para
usuarios dentro de la clase social
tipo A identificada en
mercadotecnia, donde la persona
es profesionista.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "profesionista") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, "propio")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseAPago">
Regla tipo 1 para identificar
restaurantes que acepten pago
con tarjeta Masterd Card, para
usuarios dentro de la clase social
tipo A identificada en
mercadotecnia, donde la persona
tiene ese tipo de tarjeta.
<antecedente>Persona(?x) ^ pagaCon(?x, MasterCard-Eurocard) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ aceptaPago(?r, MasterCard-
Eurocard)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseApagob">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
98
Regla tipo 1 para identificar
restaurantes que acepten pago
con tarjeta VISA, para usuarios
dentro de la clase social tipo A
identificada en mercadotecnia,
donde la persona tiene ese tipo
de tarjeta
<antecedente>Persona(?x) ^ pagaCon(?x, VISA) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ aceptaPago(?r, VISA)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="claseD">
Regla tipo 1 para identificar
restaurantes que no cuenten con
estacionamiento para usuarios
dentro de la clase social tipo D
identificada en mercadotecnia,
donde la persona es
desempleada.
<antecedente>Persona(?x) ^ tieneOcupacion(?x, "desempleado") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, "sin
parking")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="cazador">
Regla tipo 1 para identificar
restaurantes de costo alto para
usuarios identificados bajo la
personalidad de cazador u
ostentoso.
<antecedente>Persona(?x) ^ tienePersonalidad(?x, Cazador-Ostentoso)
^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="ahorrativo">
Regla tipo 1 para identificar
restaurantes de costo bajo y que
no son franquicias, para usuarios
identificados bajo la
personalidad de ahorrativo o
protector, cuyo ingreso sea
medio.
<antecedente>Persona(?x) ^ tienePersonalidad(?x, Ahorrativo-
Protector) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo") ^
esFranquicia(?r, false) ^ ingreso(?x, "medio")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="ahorrativo2">
Regla tipo 1 para identificar
restaurantes de costo bajo y que
no sean franquicias, para
usuarios identificados bajo la
personalidad de ahorrativo o
protector, cuyo ingreso sea bajo.
<antecedente>Persona(?x) ^ tienePersonalidad(?x, Ahorrativo-
Protector) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo") ^
esFranquicia(?r, false) ^ ingreso(?x, "bajo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="afanado">
Regla tipo 1 para identificar
restaurantes de costo alto, que
no sean franquicias y que tengan
un ambiente tranquilo, para
usuarios identificados bajo la
personalidad de afanado y cuyo
ingreso sea alto.
<antecedente>Persona(?x) ^ tienePersonalidad(?x, Afanado) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "alto") ^
esFranquicia(?r, false) ^ ingreso(?x, "alto") ^ entorno(?r, "tranquilo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="conformista">
Regla tipo 1 para identificar
restaurantes de costo bajo para
usuarios identificados bajo la
personalidad de conformistas.
<antecedente>Persona(?x) ^ tienePersonalidad(?x, Conformista) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneCosto(?r, "bajo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="regla-sobrepeso">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
99
Regla tipo 1 para identificar
restaurantes vegetarianos si se
identifica que el usuario tiene
sobrepeso, de acuerdo al cálculo
de su índice de masa corporal.
<antecedente>Persona(?x) ^ imc(?x, ?i) ^
swrlb:greaterThanOrEqual(?i,30) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
sirveAlimento(?r, Vegetarian)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="reglacoche">
Regla tipo 1 para identificar
restaurantes que posean algún
tipo de estacionamiento, para
usuarios que cuenten con un
medio de transporte propio.
<antecedente>Persona(?x) ^ medioTransporte(?x, "Propio") ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ tieneEstacionamiento(?r, ?e) ^
tbox:notEqualTo(?e, "sin parking")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="motivo1">
Regla tipo 1 para identificar
restaurantes cuyo entorno sea
tranquilo para usuarios que
vayan solos.
<antecedente>Persona(?x) ^ ambiance(?x, "solo") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ entorno(?r, "tranquilo")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="motivo2">
Regla tipo 1 para identificar
restaurantes cuyo entorno sea
romántico para usuarios que
vayan con su pareja.
<antecedente>Persona(?x) ^ ambiance(?x, "pareja") ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ entorno(?r, "romantico")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="motivo3">
Regla tipo 1 para identificar
restaurantes cuyo ambiente sea
familiar para usuarios que vayan
con su familia.
<antecedente>Persona(?x) ^ ambiance(?x, "familiar") ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ entorno(?r, "familiar")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="motivo4">
Regla tipo 1 para identificar
restaurantes que le permitan al
usuario realizar negociaciones
en un marco formal.
<antecedente>Persona(?x) ^ ambiance(?x, "negocio") ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "formal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="motivo5">
Regla tipo 1 para identificar
restaurantes cuyo entorno sea
informal para usuarios que
vayan con sus amigos.
<antecedente>Persona(?x) ^ ambiance(?x, "amigos") ^ Restaurant(?r)
^ IDPlace(?r,?id) ^ tieneFormalidad(?r, "informal")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="latino-cerca">
Regla tipo 1 para identificar
restaurantes que se encuentren
en las inmediaciones del
usuario, si el usuario es latino y
vive en Estados Unidos.
<antecedente>Persona(?x) ^ esLatino(?x, true) ^ lugarConsulta(?x,
EUA) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ estaMuyCerca(?r, true)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="cuaresma">
Regla tipo 3 para identificar
restaurantes que vendan
mariscos, para personas que
sean católicas y se encuentren
en cuaresma.
<antecedente>fechaActual(hoy, ?d) ^ temporal:during(?d, "2011-03-
09", "2011-04-23", temporal:Days) ^ Persona(?x) ^ profesa(?x,
catolico) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ sirveAlimento(?r,
Seafood)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="abiertoSabado">
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
100
Regla tipo 2 para identificar
restaurantes que operen en día
sábado y cuyo horario
concuerde con el momento de la
recomendación.
<antecedente>dia(hoy, "sabado") ^ fechaActual(hoy, ?f) ^
horaConsulta(hoy, ?h) ^ swrlb:stringConcat(?p, ?f, "T", ?h) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ horaSabado(?r, ?s1) ^
swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreSabado(?r, ?s2) ^
swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,
temporal:Hours)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="abiertoDomingo">
Regla tipo 2 para identificar
restaurantes que operen en día
domingo y cuyo horario
concuerde con el momento de
la recomendación.
<antecedente>dia(hoy, "domingo") ^ fechaActual(hoy, ?f) ^
horaConsulta(hoy, ?h) ^ swrlb:stringConcat(?p, ?f, "T", ?h) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ horaDomingo(?r, ?s1) ^
swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreDomingo(?r, ?s2) ^
swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,
temporal:Hours)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="abiertoentresemana">
Regla tipo 2 para identificar
restaurantes que operen entre
semana y cuyo horario
concuerde con el momento de
la recomendación.
<antecedente>dia(hoy, "entresemana") ^ fechaActual(hoy, ?f) ^
horaConsulta(hoy, ?h) ^ swrlb:stringConcat(?p, ?f, "T", ?h) ^
Restaurant(?r) ^ IDPlace(?r,?id) ^ horaEntresemana(?r, ?s1) ^
swrlb:stringConcat(?p1, ?f, "T", ?s1) ^ horaCierreEntresemana(?r, ?s2)
^ swrlb:stringConcat(?p2, ?f, "T", ?s2) ^ temporal:during(?p, ?p1, ?p2,
temporal:Hours)
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-lluvia">
Regla tipo 2 para identificar
restaurantes que permitan
donde guarecerse las personas
en caso de que el clima actual
sea lluvioso.
<antecedente>climaActual(hoy, Rain) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ espacio(?r, "cubierto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-posiblelluvia">
Regla tipo 2 para identificar
restaurantes que permitan
donde guarecerse las personas
en caso de que el clima actual
sea con posibilidad de lluvia.
<antecedente>climaActual(hoy, Chance_of_Rain) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ espacio(?r, "cubierto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-casinieve">
Regla tipo 2 para identificar
restaurantes que permitan
donde guarecerse las personas
en caso de que el clima actual
sea nevado.
<antecedente>climaActual(hoy, Chance_of_Snow) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ espacio(?r, "cubierto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-nieve">
Regla tipo 2 para identificar
restaurantes que permitan
donde guarecerse las personas
en caso de que el clima actual
sea con posibilidad de nevada.
<antecedente>climaActual(hoy, Snow) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ espacio(?r, "cubierto")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-sol">
Regla tipo 2 para identificar
restaurantes al aire libre en caso
<antecedente>climaActual(hoy, Sunny) ^ temporadaActual(hoy,
verano) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^ espacio(?r, "aire libre")
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
101
de que el clima actual sea
soleado.
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="clima-muchosol">
Regla tipo 2 para identificar
restaurantes al aire libre en caso
de que el clima actual sea
mayormente soleado.
<antecedente>climaActual(hoy, Mostly_Sunny) ^
temporadaActual(hoy, verano) ^ Restaurant(?r) ^ IDPlace(?r,?id) ^
espacio(?r, "aire libre")
<consecuente>sqwrl:selectDistinct(?id)
<regla nombre="gustoCuisine">
Regla tipo 1 para identificar
restaurantes sirvan el tipo de
alimento que es preferido por el
usuario.
<antecedente>Persona(?x) ^ gustaAlimento(?x, ?c) ^ Restaurant(?r) ^
IDPlace(?r,?id) ^ sirveAlimento(?r, ?c)
<consecuente>sqwrl:selectDistinct(?id)
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
102
Anexo D: Capturas del prototipo de captura
A continuación se presentan una serie de capturas del prototipo desarrollado, mismo que cubre
aspectos del manejo de anotaciones sociales y consulta aplicando reglas de Web Semántica (Figura
20).
Figura 20. Pantalla de inicio del prototipo
La Figura 21 muestra la pantalla de bienvenida del usuario, mostrando puntos de interés en base a
las coordenadas que el usuario define en su perfil.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
103
Figura 21. Pantalla principal mostrando puntos de interés al usuario.
La Figura 22 presenta el formulario usado para registrar la información personal del usuario; el
perfil del usuario se guarda en un archivo XFOAF.
Figura 22. Captura del perfil personal del usuario.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
104
La Figura 23 muestra los lugares marcados por el usuario, así como las anotaciones que ha puesto
sobre ellos. Desde esta ventana puede agregar nuevos puntos, junto con sus anotaciones, así como
modificar o eliminar los lugares y anotaciones ya existentes.
Figura 23. Lugares valorados por un usuario.
La Figura 24 presenta un mapa con las recomendaciones efectuadas al usuario a partir del sistema
de recomendación social y contextual.
Figura 24. Recomendación bajo un enfoque social y contextual.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
105
Anexo E: Análisis de la varianza
Este apartado presenta el reporte obtenido usando el software SPSS sobre el análisis de la varianza
efectuado sobre el índice de recuerdo, precisión, medida F y nDCG obtenidos tras diferentes
sistemas de recomendación mencionados a lo largo de este documento.
Para poder proceder, primero se comprobó que los datos presentaran una distribución
normal. Dentro de las curvas Q-Q se considera que los datos siguen una distribución normal al
pasar junto a la recta mostrada, como es el caso mostrado. La Figura 25 presenta los gráficos Q-Q
para el índice de recuerdo y precisión estimada en el sistema de recomendación base (sin
anotaciones ni contexto), la Figura 26 hace lo mismo para el sistema de recomendación basado en
ítem con anotaciones sociales y contexto, la Figura 27 para el sistema de recomendación por
filtrado colaborativo basado en usuario, la Figura 28 el presentado por Tso-Sutter (2008), la Figura
29 el presentado por Liang (2010) y finalmente la Figura 30 el sistema propuesto.
Figura 25. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo basado en ítem.
Figura 26. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo basado en ítem con anotaciones sociales y contexto.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
106
Figura 27. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo basado en usuario.
Figura 28. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo de Tso-Sutter.
Figura 29. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo de Liang.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
107
Figura 30. Distribución normal del índice de recuerdo y precisión obtenidos mediante el sistema de
recomendación por filtrado colaborativo propuesto.
Comprobado lo anterior, se adjunta el reporte generado por el software SPSS para el análisis de la
varianza, bajo un intervalo de confianza al 95%.
Descriptives
N Mean Std. Deviation Std. Error
Índice de recuerdo item 50 ,530 ,0393 ,0056
tagctx 50 ,537 ,0415 ,0059
usuario 50 ,410 ,0327 ,0046
Tso-Sutter 50 ,515 ,0417 ,0059
propuesta 50 ,617 ,0361 ,0051
Liang 50 ,486 ,0366 ,0052
Total 300 ,516 ,0728 ,0042
Precisión item 50 ,116 ,0107 ,0015
tagctx 50 ,119 ,0115 ,0016
usuario 50 ,085 ,0098 ,0014
Tso-Sutter 50 ,116 ,0122 ,0017
propuesta 50 ,167 ,0129 ,0018
Liang 50 ,138 ,0134 ,0019
Total 300 ,123 ,0274 ,0016
F item 50 ,190 ,0162 ,0023
tagctx 50 ,194 ,0177 ,0025
usuario 50 ,141 ,0149 ,0021
Tso-Sutter 50 ,190 ,0183 ,0026
propuesta 50 ,262 ,0181 ,0026
Liang 50 ,214 ,0183 ,0026
Total 300 ,199 ,0400 ,0023
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
108
Ndcg item 50 ,276 ,0205 ,0029
tagctx 50 ,282 ,0238 ,0034
usuario 50 ,203 ,0200 ,0028
Tso-Sutter 50 ,273 ,0240 ,0034
propuesta 50 ,377 ,0224 ,0032
Liang 50 ,307 ,0261 ,0037
Total 300 ,286 ,0564 ,0033
Descriptives
95% Confidence Interval for Mean
Minimum Maximum Lower Bound Upper Bound
Índice de recuerdo item ,518 ,541 ,4 ,6
tagctx ,525 ,549 ,5 ,6
usuario ,400 ,419 ,3 ,5
Tso-Sutter ,503 ,527 ,4 ,6
propuesta ,607 ,628 ,5 ,7
Liang ,475 ,496 ,4 ,6
Total ,507 ,524 ,3 ,7
Precisión item ,113 ,119 ,1 ,1
tagctx ,116 ,122 ,1 ,1
usuario ,083 ,088 ,1 ,1
Tso-Sutter ,113 ,120 ,1 ,1
propuesta ,163 ,170 ,1 ,2
Liang ,134 ,141 ,1 ,2
Total ,120 ,127 ,1 ,2
f item ,185 ,195 ,2 ,2
tagctx ,189 ,199 ,2 ,2
usuario ,137 ,145 ,1 ,2
Tso-Sutter ,184 ,195 ,1 ,2
propuesta ,257 ,268 ,2 ,3
Liang ,209 ,219 ,2 ,3
Total ,194 ,203 ,1 ,3
ndcg item ,270 ,282 ,2 ,3
tagctx ,275 ,288 ,2 ,3
usuario ,197 ,208 ,2 ,2
Tso-Sutter ,266 ,280 ,2 ,3
propuesta ,371 ,383 ,3 ,4
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
109
Liang ,300 ,315 ,2 ,4
Total ,280 ,293 ,2 ,4
Test of Homogeneity of Variances
Levene Statistic df1 df2 Sig.
Índice de recuerdo ,948 5 294 ,450
Precisión ,508 5 294 ,770
f ,192 5 294 ,965
ndcg ,315 5 294 ,904
ANOVA
Sum of Squares Df Mean Square
Índice de recuerdo Between Groups 1,157 5 ,231
Within Groups ,427 294 ,001
Total 1,584 299
Precisión Between Groups ,183 5 ,037
Within Groups ,041 294 ,000
Total ,224 299
f Between Groups ,390 5 ,078
Within Groups ,088 294 ,000
Total ,478 299
ndcg Between Groups ,797 5 ,159
Within Groups ,154 294 ,001
Total ,951 299
ANOVA
F Sig.
Índice de recuerdo Between Groups 159,207 ,000
Within Groups
Total
Precisión Between Groups 262,142 ,000
Within Groups
Total
f Between Groups 260,387 ,000
Within Groups
Total
ndcg Between Groups 303,399 ,000
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
110
Within Groups
Total
Post Hoc Tests
Multiple Comparisons
Tukey HSD
Dependent
Variable (I) clase (J) clase
Mean
Difference (I-
J)
Std.
Error Sig.
95% Confidence Interval
Lower
Bound
Upper
Bound
Índice de recuerdo item Tagctx -,0075 ,0076 ,923 -,029 ,014
Usuario ,1200* ,0076 ,000 ,098 ,142
Tso-Sutter ,0144 ,0076 ,407 -,007 ,036
Propuesta -,0878* ,0076 ,000 -,110 -,066
Liang ,0437* ,0076 ,000 ,022 ,066
tagctx Item ,0075 ,0076 ,923 -,014 ,029
Usuario ,1275* ,0076 ,000 ,106 ,149
Tso-Sutter ,0219* ,0076 ,049 ,000 ,044
Propuesta -,0803* ,0076 ,000 -,102 -,058
Liang ,0512* ,0076 ,000 ,029 ,073
usuario Item -,1200* ,0076 ,000 -,142 -,098
Tagctx -,1275* ,0076 ,000 -,149 -,106
Tso-Sutter -,1056* ,0076 ,000 -,127 -,084
Propuesta -,2078* ,0076 ,000 -,230 -,186
Liang -,0763* ,0076 ,000 -,098 -,054
Tso-Sutter Item -,0144 ,0076 ,407 -,036 ,007
Tagctx -,0219* ,0076 ,049 -,044 ,000
Usuario ,1056* ,0076 ,000 ,084 ,127
Propuesta -,1022* ,0076 ,000 -,124 -,080
Liang ,0292* ,0076 ,002 ,007 ,051
propuesta Item ,0878* ,0076 ,000 ,066 ,110
Tagctx ,0803* ,0076 ,000 ,058 ,102
Usuario ,2078* ,0076 ,000 ,186 ,230
Tso-Sutter ,1022* ,0076 ,000 ,080 ,124
Liang ,1315* ,0076 ,000 ,110 ,153
Liang Item -,0437* ,0076 ,000 -,066 -,022
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
111
Tagctx -,0512* ,0076 ,000 -,073 -,029
Usuario ,0763* ,0076 ,000 ,054 ,098
Tso-Sutter -,0292* ,0076 ,002 -,051 -,007
Propuesta -,1315* ,0076 ,000 -,153 -,110
Precisión item Tagctx -,0029 ,0024 ,813 -,010 ,004
Usuario ,0306* ,0024 ,000 ,024 ,037
Tso-Sutter -,0005 ,0024 1,000 -,007 ,006
Propuesta -,0509* ,0024 ,000 -,058 -,044
Liang -,0217* ,0024 ,000 -,029 -,015
tagctx Item ,0029 ,0024 ,813 -,004 ,010
Usuario ,0335* ,0024 ,000 ,027 ,040
Tso-Sutter ,0025 ,0024 ,900 -,004 ,009
Propuesta -,0480* ,0024 ,000 -,055 -,041
Liang -,0188* ,0024 ,000 -,026 -,012
usuario Item -,0306* ,0024 ,000 -,037 -,024
Tagctx -,0335* ,0024 ,000 -,040 -,027
Tso-Sutter -,0310* ,0024 ,000 -,038 -,024
Propuesta -,0815* ,0024 ,000 -,088 -,075
Liang -,0523* ,0024 ,000 -,059 -,046
Tso-Sutter Item ,0005 ,0024 1,000 -,006 ,007
Tagctx -,0025 ,0024 ,900 -,009 ,004
Usuario ,0310* ,0024 ,000 ,024 ,038
Propuesta -,0504* ,0024 ,000 -,057 -,044
Liang -,0213* ,0024 ,000 -,028 -,014
propuesta Item ,0509* ,0024 ,000 ,044 ,058
Tagctx ,0480* ,0024 ,000 ,041 ,055
Usuario ,0815* ,0024 ,000 ,075 ,088
Tso-Sutter ,0504* ,0024 ,000 ,044 ,057
Liang ,0292* ,0024 ,000 ,022 ,036
Liang Item ,0217* ,0024 ,000 ,015 ,029
Tagctx ,0188* ,0024 ,000 ,012 ,026
Usuario ,0523* ,0024 ,000 ,046 ,059
Tso-Sutter ,0213* ,0024 ,000 ,014 ,028
Propuesta -,0292* ,0024 ,000 -,036 -,022
f item Tagctx -,0045 ,0035 ,787 -,014 ,005
Usuario ,0489* ,0035 ,000 ,039 ,059
Tso-Sutter ,0003 ,0035 1,000 -,010 ,010
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
112
Propuesta -,0724* ,0035 ,000 -,082 -,063
Liang -,0242* ,0035 ,000 -,034 -,014
tagctx Item ,0045 ,0035 ,787 -,005 ,014
Usuario ,0534* ,0035 ,000 ,043 ,063
Tso-Sutter ,0048 ,0035 ,733 -,005 ,015
Propuesta -,0680* ,0035 ,000 -,078 -,058
Liang -,0197* ,0035 ,000 -,030 -,010
usuario Item -,0489* ,0035 ,000 -,059 -,039
Tagctx -,0534* ,0035 ,000 -,063 -,043
Tso-Sutter -,0486* ,0035 ,000 -,059 -,039
Propuesta -,1214* ,0035 ,000 -,131 -,111
Liang -,0731* ,0035 ,000 -,083 -,063
Tso-Sutter Item -,0003 ,0035 1,000 -,010 ,010
Tagctx -,0048 ,0035 ,733 -,015 ,005
Usuario ,0486* ,0035 ,000 ,039 ,059
Propuesta -,0728* ,0035 ,000 -,083 -,063
Liang -,0245* ,0035 ,000 -,034 -,015
propuesta Item ,0724* ,0035 ,000 ,063 ,082
Tagctx ,0680* ,0035 ,000 ,058 ,078
Usuario ,1214* ,0035 ,000 ,111 ,131
Tso-Sutter ,0728* ,0035 ,000 ,063 ,083
Liang ,0482* ,0035 ,000 ,038 ,058
Liang Item ,0242* ,0035 ,000 ,014 ,034
Tagctx ,0197* ,0035 ,000 ,010 ,030
Usuario ,0731* ,0035 ,000 ,063 ,083
Tso-Sutter ,0245* ,0035 ,000 ,015 ,034
Propuesta -,0482* ,0035 ,000 -,058 -,038
ndcg item Tagctx -,0057 ,0046 ,810 -,019 ,007
Usuario ,0730* ,0046 ,000 ,060 ,086
Tso-Sutter ,0028 ,0046 ,991 -,010 ,016
Propuesta -,1012* ,0046 ,000 -,114 -,088
Liang -,0313* ,0046 ,000 -,044 -,018
tagctx Item ,0057 ,0046 ,810 -,007 ,019
Usuario ,0787* ,0046 ,000 ,066 ,092
Tso-Sutter ,0085 ,0046 ,429 -,005 ,022
Propuesta -,0954* ,0046 ,000 -,109 -,082
Liang -,0255* ,0046 ,000 -,039 -,012
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
113
usuario Item -,0730* ,0046 ,000 -,086 -,060
Tagctx -,0787* ,0046 ,000 -,092 -,066
Tso-Sutter -,0702* ,0046 ,000 -,083 -,057
Propuesta -,1742* ,0046 ,000 -,187 -,161
Liang -,1043* ,0046 ,000 -,117 -,091
Tso-Sutter Item -,0028 ,0046 ,991 -,016 ,010
Tagctx -,0085 ,0046 ,429 -,022 ,005
Usuario ,0702* ,0046 ,000 ,057 ,083
Propuesta -,1040* ,0046 ,000 -,117 -,091
Liang -,0341* ,0046 ,000 -,047 -,021
propuesta Item ,1012* ,0046 ,000 ,088 ,114
Tagctx ,0954* ,0046 ,000 ,082 ,109
Usuario ,1742* ,0046 ,000 ,161 ,187
Tso-Sutter ,1040* ,0046 ,000 ,091 ,117
Liang ,0699* ,0046 ,000 ,057 ,083
Liang Item ,0313* ,0046 ,000 ,018 ,044
Tagctx ,0255* ,0046 ,000 ,012 ,039
Usuario ,1043* ,0046 ,000 ,091 ,117
Tso-Sutter ,0341* ,0046 ,000 ,021 ,047
Propuesta -,0699* ,0046 ,000 -,083 -,057
*. The mean difference is significant at the 0.05 level.
Homogeneous Subsets
Índice de recuerdo
Tukey HSDa
clase N
Subset for alpha = 0.05
1 2 3 4 5
usuario 50 ,410
Liang 50 ,486
Tso-Sutter 50 ,515
item 50 ,530 ,530
tagctx 50 ,537
propuesta 50 ,617
Sig. 1,000 1,000 ,407 ,923 1,000
Means for groups in homogeneous subsets are displayed.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
114
Índice de recuerdo
Tukey HSDa
clase N
Subset for alpha = 0.05
1 2 3 4 5
usuario 50 ,410
Liang 50 ,486
Tso-Sutter 50 ,515
item 50 ,530 ,530
tagctx 50 ,537
propuesta 50 ,617
Sig. 1,000 1,000 ,407 ,923 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
Precisión
Tukey HSDa
clase N
Subset for alpha = 0.05
1 2 3 4
usuario 50 ,085
item 50 ,116
Tso-Sutter 50 ,116
tagctx 50 ,119
Liang 50 ,138
propuesta 50 ,167
Sig. 1,000 ,813 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
F
Tukey HSDa
clase N
Subset for alpha = 0.05
1 2 3 4
usuario 50 ,141
Tso-Sutter 50 ,190
item 50 ,190
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
115
tagctx 50 ,194
Liang 50 ,214
propuesta 50 ,262
Sig. 1,000 ,733 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
Ndcg
Tukey HSDa
clase N
Subset for alpha = 0.05
1 2 3 4
usuario 50 ,203
Tso-Sutter 50 ,273
item 50 ,276
tagctx 50 ,282
Liang 50 ,307
propuesta 50 ,377
Sig. 1,000 ,429 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
Means Plots
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
116
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
117
El siguiente es el reporte obtenido por SPSS para el mismo estudio, pero bajo un intervalo
de confianza al 99%.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
118
ANOVA
Sum of Squares df Mean Square
Índice de recuerdo Between Groups 1,157 5 ,231
Within Groups ,427 294 ,001
Total 1,584 299
Precisión Between Groups ,183 5 ,037
Within Groups ,041 294 ,000
Total ,224 299
F Between Groups ,390 5 ,078
Within Groups ,088 294 ,000
Total ,478 299
ndcg Between Groups ,797 5 ,159
Within Groups ,154 294 ,001
Total ,951 299
ANOVA
F Sig.
Índice de recuerdo Between Groups 159,207 ,000
Within Groups
Total
Precisión Between Groups 262,142 ,000
Within Groups
Total
f Between Groups 260,387 ,000
Within Groups
Total
ndcg Between Groups 303,399 ,000
Within Groups
Total
Post Hoc Tests
Multiple Comparisons
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
119
Tukey HSD
Dependent
Variable (I) clase (J) clase
Mean
Difference (I-
J)
Std.
Error Sig.
99% Confidence Interval
Lower
Bound
Upper
Bound
Índice de recuerdo item tagctx -,0075 ,0076 ,923 -,033 ,018
usuario ,1200* ,0076 ,000 ,094 ,146
Tso-Sutter ,0144 ,0076 ,407 -,011 ,040
propuesta -,0878* ,0076 ,000 -,114 -,062
Liang ,0437* ,0076 ,000 ,018 ,070
tagctx item ,0075 ,0076 ,923 -,018 ,033
usuario ,1275* ,0076 ,000 ,102 ,153
Tso-Sutter ,0219 ,0076 ,049 -,004 ,048
propuesta -,0803* ,0076 ,000 -,106 -,054
Liang ,0512* ,0076 ,000 ,025 ,077
usuario item -,1200* ,0076 ,000 -,146 -,094
tagctx -,1275* ,0076 ,000 -,153 -,102
Tso-Sutter -,1056* ,0076 ,000 -,131 -,080
propuesta -,2078* ,0076 ,000 -,234 -,182
Liang -,0763* ,0076 ,000 -,102 -,050
Tso-Sutter item -,0144 ,0076 ,407 -,040 ,011
tagctx -,0219 ,0076 ,049 -,048 ,004
usuario ,1056* ,0076 ,000 ,080 ,131
propuesta -,1022* ,0076 ,000 -,128 -,076
Liang ,0292* ,0076 ,002 ,003 ,055
propuesta item ,0878* ,0076 ,000 ,062 ,114
tagctx ,0803* ,0076 ,000 ,054 ,106
usuario ,2078* ,0076 ,000 ,182 ,234
Tso-Sutter ,1022* ,0076 ,000 ,076 ,128
Liang ,1315* ,0076 ,000 ,106 ,157
Liang item -,0437* ,0076 ,000 -,070 -,018
tagctx -,0512* ,0076 ,000 -,077 -,025
usuario ,0763* ,0076 ,000 ,050 ,102
Tso-Sutter -,0292* ,0076 ,002 -,055 -,003
propuesta -,1315* ,0076 ,000 -,157 -,106
Precisión item tagctx -,0029 ,0024 ,813 -,011 ,005
usuario ,0306* ,0024 ,000 ,023 ,039
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
120
Tso-Sutter -,0005 ,0024 1,000 -,008 ,008
propuesta -,0509* ,0024 ,000 -,059 -,043
Liang -,0217* ,0024 ,000 -,030 -,014
tagctx item ,0029 ,0024 ,813 -,005 ,011
usuario ,0335* ,0024 ,000 ,025 ,042
Tso-Sutter ,0025 ,0024 ,900 -,006 ,011
propuesta -,0480* ,0024 ,000 -,056 -,040
Liang -,0188* ,0024 ,000 -,027 -,011
usuario item -,0306* ,0024 ,000 -,039 -,023
tagctx -,0335* ,0024 ,000 -,042 -,025
Tso-Sutter -,0310* ,0024 ,000 -,039 -,023
propuesta -,0815* ,0024 ,000 -,090 -,073
Liang -,0523* ,0024 ,000 -,060 -,044
Tso-Sutter item ,0005 ,0024 1,000 -,008 ,008
tagctx -,0025 ,0024 ,900 -,011 ,006
usuario ,0310* ,0024 ,000 ,023 ,039
propuesta -,0504* ,0024 ,000 -,058 -,042
Liang -,0213* ,0024 ,000 -,029 -,013
propuesta item ,0509* ,0024 ,000 ,043 ,059
tagctx ,0480* ,0024 ,000 ,040 ,056
usuario ,0815* ,0024 ,000 ,073 ,090
Tso-Sutter ,0504* ,0024 ,000 ,042 ,058
Liang ,0292* ,0024 ,000 ,021 ,037
Liang item ,0217* ,0024 ,000 ,014 ,030
tagctx ,0188* ,0024 ,000 ,011 ,027
usuario ,0523* ,0024 ,000 ,044 ,060
Tso-Sutter ,0213* ,0024 ,000 ,013 ,029
propuesta -,0292* ,0024 ,000 -,037 -,021
f item tagctx -,0045 ,0035 ,787 -,016 ,007
usuario ,0489* ,0035 ,000 ,037 ,061
Tso-Sutter ,0003 ,0035 1,000 -,011 ,012
propuesta -,0724* ,0035 ,000 -,084 -,061
Liang -,0242* ,0035 ,000 -,036 -,012
tagctx item ,0045 ,0035 ,787 -,007 ,016
usuario ,0534* ,0035 ,000 ,042 ,065
Tso-Sutter ,0048 ,0035 ,733 -,007 ,017
propuesta -,0680* ,0035 ,000 -,080 -,056
Liang -,0197* ,0035 ,000 -,031 -,008
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
121
usuario item -,0489* ,0035 ,000 -,061 -,037
tagctx -,0534* ,0035 ,000 -,065 -,042
Tso-Sutter -,0486* ,0035 ,000 -,060 -,037
propuesta -,1214* ,0035 ,000 -,133 -,110
Liang -,0731* ,0035 ,000 -,085 -,061
Tso-Sutter item -,0003 ,0035 1,000 -,012 ,011
tagctx -,0048 ,0035 ,733 -,017 ,007
usuario ,0486* ,0035 ,000 ,037 ,060
propuesta -,0728* ,0035 ,000 -,085 -,061
Liang -,0245* ,0035 ,000 -,036 -,013
propuesta item ,0724* ,0035 ,000 ,061 ,084
tagctx ,0680* ,0035 ,000 ,056 ,080
usuario ,1214* ,0035 ,000 ,110 ,133
Tso-Sutter ,0728* ,0035 ,000 ,061 ,085
Liang ,0482* ,0035 ,000 ,036 ,060
Liang item ,0242* ,0035 ,000 ,012 ,036
tagctx ,0197* ,0035 ,000 ,008 ,031
usuario ,0731* ,0035 ,000 ,061 ,085
Tso-Sutter ,0245* ,0035 ,000 ,013 ,036
propuesta -,0482* ,0035 ,000 -,060 -,036
ndcg item tagctx -,0057 ,0046 ,810 -,021 ,010
usuario ,0730* ,0046 ,000 ,057 ,089
Tso-Sutter ,0028 ,0046 ,991 -,013 ,018
propuesta -,1012* ,0046 ,000 -,117 -,086
Liang -,0313* ,0046 ,000 -,047 -,016
tagctx item ,0057 ,0046 ,810 -,010 ,021
usuario ,0787* ,0046 ,000 ,063 ,094
Tso-Sutter ,0085 ,0046 ,429 -,007 ,024
propuesta -,0954* ,0046 ,000 -,111 -,080
Liang -,0255* ,0046 ,000 -,041 -,010
usuario item -,0730* ,0046 ,000 -,089 -,057
tagctx -,0787* ,0046 ,000 -,094 -,063
Tso-Sutter -,0702* ,0046 ,000 -,086 -,055
propuesta -,1742* ,0046 ,000 -,190 -,159
Liang -,1043* ,0046 ,000 -,120 -,089
Tso-Sutter item -,0028 ,0046 ,991 -,018 ,013
tagctx -,0085 ,0046 ,429 -,024 ,007
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
122
usuario ,0702* ,0046 ,000 ,055 ,086
propuesta -,1040* ,0046 ,000 -,120 -,088
Liang -,0341* ,0046 ,000 -,050 -,019
propuesta item ,1012* ,0046 ,000 ,086 ,117
tagctx ,0954* ,0046 ,000 ,080 ,111
usuario ,1742* ,0046 ,000 ,159 ,190
Tso-Sutter ,1040* ,0046 ,000 ,088 ,120
Liang ,0699* ,0046 ,000 ,054 ,085
Liang item ,0313* ,0046 ,000 ,016 ,047
tagctx ,0255* ,0046 ,000 ,010 ,041
usuario ,1043* ,0046 ,000 ,089 ,120
Tso-Sutter ,0341* ,0046 ,000 ,019 ,050
propuesta -,0699* ,0046 ,000 -,085 -,054
*. The mean difference is significant at the 0.01 level.
Homogeneous Subsets
Índice de recuerdo
Tukey HSDa
clase N
Subset for alpha = 0.01
1 2 3 4
usuario 50 ,410
Liang 50 ,486
Tso-Sutter 50 ,515
item 50 ,530
tagctx 50 ,537
propuesta 50 ,617
Sig. 1,000 1,000 ,049 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
Precisión
Tukey HSDa
clase N
Subset for alpha = 0.01
1 2 3 4
usuario 50 ,085
item 50 ,116
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
123
Tso-Sutter 50 ,116
tagctx 50 ,119
Liang 50 ,138
propuesta 50 ,167
Sig. 1,000 ,813 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
f
Tukey HSDa
clase N
Subset for alpha = 0.01
1 2 3 4
usuario 50 ,141
Tso-Sutter 50 ,190
item 50 ,190
tagctx 50 ,194
Liang 50 ,214
propuesta 50 ,262
Sig. 1,000 ,733 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
ndcg
Tukey HSDa
clase N
Subset for alpha = 0.01
1 2 3 4
usuario 50 ,203
Tso-Sutter 50 ,273
item 50 ,276
tagctx 50 ,282
Liang 50 ,307
propuesta 50 ,377
Sig. 1,000 ,429 1,000 1,000
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 50,000.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
124
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
125
Anexo F: Mercadotecnia
G.1 Introducción El concepto mercado se compone tanto de personas como de organizaciones, ambas con
necesidades, dinero y deseo de gastarlo. Pero también se hace la diferencia de que las necesidades y
los deseos de los distintos compradores no son las mismas, propiciando a que las compañías deban
profundizar en el conocimiento de a quién le ofrecen sus servicios y productos, ya sea para adaptar
su oferta y su estrategia de mercadotecnia.
Uno de los problemas de los países latinoamericanos es que las empresas siempre han
dirigido sus estrategias de marketing al segmento más rico de la población, pero se ha dejado
intacto al 80% de la misma. América Latina tiene un ingreso per cápita promedio de 3 mil dólares,
frente a un consumidor norteamericano que dispone de 23 mil dólares. Sólo esa diferencia explica
una estructura de compras y consumo totalmente diferentes (Zeballos 2007). Pero además, existen
otro tipo de diferencias.
Como ejemplo, considérese que la estructura de edades en Latinoamérica se inclina a la
juventud, ya que un 60% de la población tiene menos de 21 años y un tercio de ésta es menor de
quince años. En Latinoamérica las mujeres siguen siendo las principales encargadas de la decisión
de las compras a pesar de los nuevos estilos de vida que se viven día con día. A pesar de la
creciente inserción laboral de la mujer, a la hora de tomar las decisiones de compras, ellas son la
mayoría con 85%.
Con respecto a la frecuencia de compra, se puede observar que es cada vez mayor. Debido
a la crisis, la gente compra volúmenes menores y realiza sus compras más seguido, llevando a
importantes segmentos de la población a focalizar su atención en el precio por sobre la calidad.
Concretamente, cada vez son más los que sacrifican su tiempo comparando folletos de las ofertas
de los supermercados antes de tomar una decisión de compra (Zeballos, 2007).
Estas situaciones por sí mismas son un problema, ya que la empresa debe poder adaptarse a
la gran diversidad de clientes dentro del mercado. Tradicionalmente, este proceso se había atacado
por segmentos de mercado, donde se consideraban grupos grandes de consumidores, con
características similares, como sus deseos, poder de compra, ubicación geográfica y patrones de
comportamiento. Sin embargo, con el advenimiento de las tecnologías de la información, inclusive
este tipo de giros a cambiado, como lo demuestran conceptos como el Long Tail; así se tiene que
por ejemplo dentro de la red, se empiece a dar especial importancia a la personalización de la
publicidad, como lo ha estado demostrando Google con su Ad-sense.
La mercadotecnia masiva fue creada durante la revolución industrial gracias a la
producción en masa, distribución en masa y publicidad en masa. Sin embargo, algunos predicen
que este tipo de mercadeo está en decadencia ya que la masa se esta desintegrando en cada vez más
pequeños y numerosos segmentos de clientes, cada uno con requerimientos y gustos específicos.
A la mercadotecnia enfocada a esta segmentación se le conoce como mercadotecnia
objetivo (target marketing). En ésta, la empresa fabrica productos para atender las necesidades
específicas de determinados mercados meta. Parten de la premisa de que cada mercado está
constituido por grupos o segmentos de clientes con diferentes gustos y necesidades.
Tras ello, aparece la mercadotecnia personalizada. Si durante la Revolución Industrial se
avocaba a la producción en masa, distribución en masa y publicidad en masa, así como la creación
de la estandarización de los productos, tras el advenimiento de las Tecnologías de la Información y
Comunicación (TIC), las bases de datos de mercadeo y las fábricas flexibles, ahora se ha buscado
la disminución en los costos de ofrecer productos más personalizados. Se está manifestando el
resurgir del mercadeo "a la medida del cliente".
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
126
Si bien se puede apreciar, la tendencia es hacia una mejor comprensión del consumidor y
sus necesidades. Para ello es necesario comprender quién es el consumidor.
G.2 Consumidor
En el pasado, muchas compañías consideraban que sus clientes estaban garantizados. Los clientes
estaban ante diferentes dilemas: o no tenían muchas alternativas de suministro, o los
suministradores no eran buenos en calidad o servicio, o el mercado crecía tan rápidamente que la
compañía no se preocupaba por conseguir una alta satisfacción de sus clientes.
Hoy en día, cada vez es más difícil complacer a los clientes. Son más listos, más
conscientes de las diferencias de precios, más exigentes, menos tolerantes y están asediados por
más competidores que les hacen ofertas mejores o similares.
Para que los productos sean considerados, los consumidores exigen en general que sean
realmente novedosos, saludables, duraderos, que no se estropeen, que sean cómodos de utilizar y
sobre todo, claros en la información sobre el producto (importancia del etiquetado) y que estén
realizados con aditivos que aporten beneficios para la salud (marketing, 2009c).
Cuando los clientes se encuentran satisfechos, tienden a adquieren más y están dispuestos a
pagar precios más elevados por el producto o servicio. Los clientes no satisfechos, por el contrario,
hablan de sus malas experiencias con por lo menos el doble de sus amigos que cuando hablan de
sus buenas experiencias.
En su comportamiento, el cliente elige a la empresa que: a) ofrece mejores alternativas a un precio
similar que la competencia y donde el paquete tenga la calidad percibida como más elevada, y b) a
un competidor si éste ofrece el mismo paquete de bienes y servicios a un precio inferior.
Para contar con clientes satisfechos, el cliente considera la calidad percibida:
Calidad percibida = calidad real - calidad esperada
Donde:
Calidad esperada: Las necesidades y expectativas reales del cliente; lo que él supone que
recibirá del producto o servicio.
Calidad real: Resultado del proceso de producción y lo que realmente se entrega al cliente.
Calidad percibida: Lo que el cliente ve y percibe.
La calidad percibida es la que impulsa el comportamiento del cliente. Es en este punto
donde las empresas deben centrar su atención. Por ejemplo, considérese que:
Si calidad real > calidad esperada Satisfacción no esperada.
Si calidad real < calidad esperada Falta de satisfacción.
El consumidor valora mucho la presentación de ofertas, si bien se siente influenciado por
los consejos de un amigo/amiga (el boca a boca) e incluso por las ganas de probar algo nuevo
(marketing, 2009c).
Todos los servicios que supongan ahorro de tiempo tienen posibilidades de éxito. La
incorporación de la mujer al mercado laboral, así como las obligaciones familiares y profesionales,
dejan al consumidor/consumidora, poco tiempo para ir de compras. Por eso los productos y
servicios que se ofrezcan con mayor facilidad y ahorro de tiempo facilitarán la vida del
consumidor/consumidora.
Por ejemplo, el colectivo mayor de 65 años, que continuará creciendo en porcentaje
poblacional, va a suponer una revolución en los sectores turístico, inmobiliario, sanitario, de ocio e
incluso educativo. Al mismo tiempo, y como corresponde a una sociedad de consumo bien comida
y vestida, seguirá creciendo la preocupación por la salud, por la seguridad, el ocio y la búsqueda de
un sentido interior de la existencia. El hombre mantiene sus preferencias por las innovaciones
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
127
tecnológicas aplicadas a la vida cotidiana, y la mujer se preocupa más por las novedades en
productos de belleza y en aquellos destinados a la apariencia estética (marketing, 2009c).
Entre las nuevas tendencias mundiales se encuentran (AltoNivel, 2010) la máxima
transparencia en el etiquetado y los servicios para adultos mayores. Desde 2008 se comenzó a
impulsar un plan que busca mejorar la información disponible para los comensales a la hora de
asistir a un restaurante. Se trata de que, junto al nombre de cada plato, se ofrezca una completa
información nutricional: energía, proteínas, hidratos de carbono, fibra, grasas, colesterol, ácidos
grasos omega 3 y 6, hierro, yodo y más. En México, algunos de los restaurantes ya han
implementado esta modalidad, aunque aún no logra masificarse con fuerza. Por otro lado, la
pirámide de población está cambiando: en México, por ejemplo, la población de adultos mayores
ha crecido 20% en los últimos años, según cifras del Consejo Nacional de Población (Conapo).
Actualmente 8 millones de mexicanos tienen más de 60 años y se calcula que serán unos 14
millones en 2020.
Los expertos en mercadotecnia no dejan de insistir en que el factor clave para que las
ventas triunfen ahora y en el futuro próximo, se encuentra en la segmentación de los grupos de
clientes. Efectivamente, la aparente paradoja reside en que, a pesar de que parece existir una fuerte
homogeneización entre los consumidores a nivel mundial, ésta solamente se refiere a que todo el
mundo posee preferencias individuales y personalizadas (marketing, 2009c).
Así, se ha pasado de los mercados masivos e indiferenciados a la fragmentación en
micromercados, que obedecen a distintas tipologías de consumidores caracterizados por
preferencias marcadas y diferenciadas.
G.3 Historia de la investigación del consumidor.
Fases históricas en la investigación de los componentes de las acciones de consumo (Rey, 2010):
a) Fase pre-científica. Antes de los años 40 la conducta del consumidor es vista y discutida bajo
puntos de vista filosóficos y socio-críticos. Veblen hablaba del “consumo conspicuo” en su libro
“la teoría de la Clase del Ocio”, donde se centraba en explicar el gusto por los gastos caros en ropas
u otros complementos de la clase social alta.
b) Fase motivacional. Durante el periodo comprendido entre 1940-1964 surge la figura de E.
Dichter, que aplicó las teorías psicoanalíticas del Dr. Freud al comportamiento del consumidor.
Utilizando entrevistas en profundidad como metodología de investigación Dichter y sus
colaboradores llegaron a establecer motivos inconscientes de compra y uso de bienes y servicios.
c) Etapa de investigación de procesos por separado. Esta fase surge en los años 60, con el estudio
de componentes separados de un mismo fenómeno (la conducta). Se refiere al estudio de la
personalidad, el riesgo percibido y de la disonancia cognitiva.
d) Teorías integradoras. En el periodo de 1966 a 1972 surgieron un buen número de teorías
generalizadoras, mismas que trataban de integrar todos los factores implicados en el
comportamiento del consumidor, mediante diagramas de flujo, esquemas y flechas.
e) Las teorías del procesamiento de la información. Los años 70 se caracterizaron por el avance en
las ciencias de la computación, que tuvieron su efecto en el estudio del comportamiento. Son los
años de la investigación del procesamiento de la información.
f) La vuelta al estudio de la afectividad. En los 80, se le ha devuelto una determinada importancia
al afecto o emoción, el cual parecía haber sido olvidado anteriormente. Si bien, se ha presentado al
consumidor como un ente racional que toma decisiones, muchas veces el afecto media en estas.
g) Las investigaciones experienciales. El reto del estudio de la conducta de consumo hoy en día se
centra en aspectos experienciales, en el significado simbólico que tienen los bienes y servicios para
los consumidores.
G.4 Comportamiento del consumidor
El consumidor busca satisfacer sus necesidades mediante productos y servicios; básicamente, una
necesidad se presenta cuando existe una discrepancia entre el estado actual y el estado deseado
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
128
(Hawkins, 2004). Por ello, para las compañías es indispensable conocer al cliente y su
comportamiento, en pro de que llegué a ese estado deseado mediante la oferta de sus productos.
Algunas definiciones del comportamiento del consumidor lo conciben como una actitud
interna o externa del individuo o grupo de individuos dirigida a la satisfacción de sus necesidades
mediante bienes y servicios; también como “el estudio de las personas, grupos, organizaciones y
los procesos que siguen para conseguir, usar y disponer de productos, servicios, experiencias o
ideas para satisfacer necesidades y los impactos que estos procesos tienen en el consumidor y la
sociedad” (Hawkins, 2004); otra definición dice que es “… el proceso de decisión y la actividad
física que los individuos realizan cuando evalúan, adquieren, usan o consumen bienes y servicios”
(Loundon/Della Bita, referenciado en Hawkins, 2004).
Es necesario el estudio del comportamiento del consumidor, ya que debido a la gran
segmentación existente en el mercado, al cambio constante de las preferencias de los consumidores
y su diversificación, se vuelve indispensable para poder atender mejor a los consumidores. El
consumidor es un ser complejo que basa su comportamiento en sus necesidades, su percepción de
la realidad, sus actitudes y el aprendizaje que ha tenido durante su vida en un medio social
determinado.
El estudio del comportamiento del consumidor involucra a distintas disciplinas:
- Psicología: Encargada del estudio del individuo.
- Sociología: Encargada del estudio de grupos.
- Psicología social: Estudio de la forma que un individuo se interrelaciona dentro de un grupo.
- Antropología: Estudio de la influencia que ejerce la sociedad sobre el individuo.
También existen distintas teorías clásicas del comportamiento del consumidor, de entre las
cuales destacan:
a) Económica. Busca maximizar el beneficio, se compra lo más rentable. Es el comportamiento
orientado hacia la maximización de la utilidad. Presenta recursos limitados para necesidades
ilimitadas, con múltiples ofertas para satisfacer las necesidades.
b) Psicosociológica. Se aprende y se modifica la conducta por repetición. Considera las variables
internas y del entorno que influencian el comportamiento. Entre estas se encuentra la teoría del
comportamiento (Parlov) y la Teoría de la Influencia Social. El aprendizaje es el cambio de
comportamiento resultante de la observación y la experiencia.
c) Motivacional.Lo que compra la gente es por “eros” o “thanatos”. Considera a la motivación
como la fuerza impulsora que orienta al comportamiento. Aquí se encuentra la pirámide de las
necesidades de Maslow y la teoría psicoanalítica de Freud. Una persona aprende cuando
reacciona ante algún estímulo conduciéndose en una forma particular, cuando se le premia por
emitir una respuesta correcta y se le castiga por una respuesta incorrecta o cuando la misma
respuesta correcta se realiza en reacción ante un estímulo idéntico, quedando establecido un
patrón conductual o aprendizaje.
La dificultad del estudio del comportamiento radica en que las mentes son más selectivas
que antes, están saturadas de información, por lo que las elecciones del comprador descansan, no
sobre el producto, sino sobre el servicio o beneficio que el consumidor espera de su uso. Por ello,
todo producto es considerado como un conjunto de atributos o de características.
La elección del consumidor radica en la búsqueda de ventajas; es el factor que “genera” el
servicio y la satisfacción, y que como tal, es utilizado como un criterio de elección. En esta
consideración se observan los atributos determinantes, mismos que son los atributos que permiten
discriminar entre las marcas. Si un atributo está presente también en otras marcas comparadas, pero
que no permite diferenciarlas, desde ese momento el atributo en cuestión no puede ser determinante
en la elección.
Se puede concluir que la investigación comportamental tiende a ser cada vez más
exploratoria, experimental, especulativa, estar basada en información cualitativa y en la opinión de
expertos. De aquí se desprende que existen distintos factores que intervienen en la relación entre el
consumidor y la empresa.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
129
El sistema comercial de una empresa, de manera simplificada, se presenta en la siguiente
figura.
De la anterior, se puede apreciar la influencia del entorno y cómo ejerce presión tanto sobre
las empresas como sobre las personas. Para tratar de identificar las preferencias del consumidor y
su posible comportamiento, no basta con una o dos características para definir el comportamiento
del consumidor, sino que es necesario considerar varias dimensiones.
Dentro de los factores y eventos del entorno que influyen y afectan a la empresa, y en
especial a sus programas de mercadotecnia, se pueden encontrar factores del medio ambiente
como:
Una economía y una sociedad globalizada.
Un mundo informatizado y comunicado.
Cambios sociales y culturales.
Estilos de vida globales y nacionalismo cultural.
La preocupación medioambiental.
Mayor valor del tiempo.
El poder del consumidor.
Incorporación de la mujer a la fuerza laboral.
Familias más pequeñas con mayores ingresos disponibles.
Compradores más sensibles al precio, más exigentes, más sofisticados y críticos
Desplazamiento de mercados de masas a micromercados.
Tasas de crecimiento demográfica más bajas.
Envejecimiento paulatino de la población.
Rápida diseminación de estilos de vida globales.
Bienes de consumo más baratos.
Búsqueda de lo “natural”.
Creciente competencia nacional y externa.
Dificultades para sostener ventajas competitivas.
Información
Esfuerzo de marketing
Retribución
Empresa
Personas necesidades,
deseos
Competencia
Entorno
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
130
Proliferación de productos y servicios.
Ciclos de vida de productos más cortos.
Pérdida de valor de las marcas.
Nuevos tecnologías para los servicios.
Cambios en la distribución.
Poder creciente de minoristas.
Dentro del análisis del mercado, interesa conocer quienes integran al mercado, así como las
características de sus integrantes. Dentro del comportamiento del consumidor influyen aspectos de
diversa índole (marketing, 2009b), (Perez, 1998), como se ilustra en la siguiente figura:
Así, se puede representar un modelo general de comportamiento de compra de un
consumidor, de la siguiente manera:
A continuación se abordarán los distintos estímulos a los que responde el comportamiento
del consumidor. Estas se encuentran en tres grupos:
Variables externas.
Variables internas.
Proceso de decisión.
Estímulos
externos Factores
socioculturales
Estímulos de
marketing Caja negra del
consumidor - Proceso de
decisión de compra
Respuesta del
consumidor
Influencias personales
Influencias socio-culturales
Influencias psicológicas
Factores situacionales
Comportamiento del consumidor
Decisión de compra
Estimulos de
entorno
Estimulos de
marketing
Níveles de
respuesta (Decisiones)
Producto
Marca
Lugar
Oportunidad
Condiciones
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
131
G.5 Variables externas sobre el comportamiento del consumidor
Las variables externas que influencían el comportamiento del consumidor, se refiere a los
elementos que definen su macroentorno o macroambiente. Entre estas se encuentran la dimensión
geográfica, la demográfica, económica, factores políticos y sociales, la tecnología y la dimensión
social.
Dimensión geográfica.
Se refiere a la atención del mercado según su ubicación. Algunos criterios son:
o Región: San Luis Potosí, región note, región sur, etc.
o Tamaño de la ciudad.
o Urbana o rural.
o Clima.
Dimensión demográfica.
Su importancia radica en que son las personas quienes conforman el mercado. Se hace necesario el
estudio y análisis de diferentes aspectos de la población, entre otros: tamaño; densidad; ubicación y
distribución; edad y sexo; grupos étnicos, empleo y desempleo; estado civil; número de hijos;
escolaridad, tipo de vivienda; migración, índices de natalidad y mortandad; etapa del ciclo de vida
familiar; distribución del ingreso; clase social; religión; escolaridad o nivel educativo, entre otros.
Los cambios demográficos dan origen a nuevos mercados y eliminan otros.
o Edad. 10-15, 20-25, etc.
o Género. Masculino – femenino.
o Nivel de estudios. Primaria, secundaria, etc.
o Ingresos. Menos de 10 000, 10 000 – 25 000, etc.
o Ciclo de vida familiar: joven, soltero, casado, divorciado, viudo.
o Clase social: alta, media, baja.
o Ocupación: Profesionista, oficinista, hogar, etc.
o Origen étnico: africano, asiático, hispánico, etc.
Dimensión económica.
Las personas no constituyen por sí mismas un mercado; es preciso que dispongan de dinero para
gastarlo y estén dispuestas a hacerlo. Por lo tanto, es esencial que las empresas observen el
ambiente económico y traten de identificar las probables direcciones de la inflación, las tasas de
interés, el crecimiento económico, los costos y la disponibilidad de las materias primas.
El consumidor recurre a otras marcas no por deslealtad sino por necesidad y, en algunos casos,
según el producto, abandona la categoría. En países con consumidores tan castigados, estos factores
son el paradigma del brand equity, se valora la marca pero no puede costearse (Galindo, 2007).
Factores políticos y legales.
Conjunto interactuante de leyes, dependencias del gobierno, y grupos de presión que influyen y
limitan tanto las actividades de las organizaciones como las de los individuos en la sociedad.
Incluyen la estabilidad del gobierno, la participación del gobierno como ente regulador, la
definición de políticas para el mercado, los incentivos fiscales y la confianza política.
Tecnología.
Los cambios en la tecnología pueden afectar seriamente las clases de productos disponibles en una
industria y las clases de procesos empleados para producir esos productos. Incluyen a las
tecnologías que impactan el mercado y el negocio, así como su madurez; también abarcan la
capacidad de innovación tecnológica, el grado de pre-disposición al uso de la tecnología y la
generación y uso local de tecnología.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
132
Dimensión social.
Se refiere a aspectos culturales y sociales. Dentro de los factores culturales, se encuentran la cultura
y las subculturas. De los aspectos sociales, se refiere a los grupos sociales al que pertenece el
individuo, a su familia y a su clase social.
o Cultura.
La cultura no determina la naturaleza de los impulsos biológicos, pero sí define la manera
del cómo, cuándo y en qué condiciones deben satisfacerse.Cultura es la suma de las creencias,
valores, costumbres aprendidas y rituales que sirven para dirigir el comportamiento de consumo de
los miembros de una sociedad determinada; por creencia se entienden a las declaraciones verbales
o mentales que reflejan el conocimiento y evaluación particular de una persona respecto a alguna
cosa o idea; por costumbres a las formas abiertas de conducta presentes en una cultura que
constituyen formas aceptables de comportamiento en situaciones específicas (formas usuales y
aceptables de comportamiento) y por valores a las creencias relativamente perdurables que sirven
como guía para lo que se considera comportamiento “apropiado” y que son ampliamente aceptados
por los miembros de una sociedad.
En 1983 Khale basado en los trabajos de Rokeach y Maslow desarrollo la lista de valores
que se consideran más asociados al comportamiento del consumidor.
1.- Sentimiento de pertenencia (ser aceptado y necesitado por la familia, comunidad y amigos).
2.- Excitación (experimentar, estimulación y emociones nuevas).
3.- Relaciones cálidas con otros (tener compañías cercanas y amigos íntimos)
4.- Autorrealización (encontrar la paz consigo mismo y poder hacer uso de los talentos).
5.- Prestigio social (Ser admirado por otros y recibir reconocimientos).
6.- Diversión y gozo en la vida (tener una vida feliz y placentera).
7.- Seguridad (estar a salvo y protegido de la adversidad y las agresiones externas).
8.- Auto confianza o respeto (estar orgulloso y confiar en uno mismo).
9.- Sensación de logro (tener éxito en lo que uno desea hacer.
Los factores culturales son los que ejercen la influencia más amplia y profunda sobre el
comportamiento de los compradores. Sin embargo, en México, la "familia" influye de manera
preponderante en sus procesos de decisión de compra. La familia es la organización d e consumo
más importante de la sociedad (Galindo, 2007).
o Subcultura.
Valores, costumbre y otras formas de conducta que son propias de un segmento cultural y
que permiten distinguirlo de otros segmentos que comparten el mismo legado cultural. Según
señala Philip Kotler (referenciado en Sahui, 2008), pueden distinguirse cuatro tipos básicos de
subculturas:
1. Grupos nacionales: en cualquier comunidad hay grupos bastante homogéneos por razón de su
nacionalidad de origen. Aunque con frecuencia estos grupos adoptan la cultura del entorno, hay
ocasiones en las que se cierran parcialmente al exterior y mantienen sus diferencias culturales, su
idioma, sus tradiciones y sus hábitos de compra y consumo. Por ejemplo las comunidades libanesa,
española y judía localizadas en la república mexicana, mismas que exhiben gustos y tendencias
culturales diferentes.
2. Grupos religiosos: pueden llegar a configurarse como importantes subculturas, especialmente
en aquellos casos en los que el grupo manifiesta normas estrictas, que de alguna manera inciden en
sus prácticas de consumo. Por ejemplo, como los evangélicos, presbiterianos, mormones, testigos
de Jehová, etc. Por otro lado, y debido a que el catolicismo representa a más del 90% de la
población, en el caso de México, no se le puede considerar propiamente como una subcultura.
3. Grupos geográficos: casi todos los países muestran áreas geográficas que desarrollan
históricamente y aún mantienen subculturas propias, y que evidencian diferencias y
particularidades respecto al consumo. Ejemplo pueden ser la región sureste, el norte del país, la
zona centro, el occidente del país, etc.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
133
4. Grupos raciales: estos grupos se caracterizan por tener una herencia común. Ésta determina
formas de comportamiento que deben orientar políticas públicas y actuaciones empresariales
diferentes con relación al consumo de los distintos grupos raciales. En lo que respecta a México, se
considera a los distintos grupos indígenas autóctonos que habitan en varias regiones del país.
Asimismo, también se incluye en esta clasificación a los individuos de raza negra, así como a los
orientales.
También se han identificado siete subculturas por experiencia social y temporal:
Soldados: Antes de 1930, veteranos, ahorrativos, patriotas.
Depresión: 1930-1939, pobres a prósperos, grandes emporios, mafias.
Bebés de la guerra: 1940-1945, sólo por edad.
Baby boomers: leales a las marcas, alto valor a la educación y a la juventud, sexo, ostentosos,
1946-1964.
Baby bursters: 1965-1976, desleales, materialistas, adictos al trabajo, cínicos, irónicos,
generación X.
Baby boomlet: 1977-1995, pragmáticos, antimarketing, comunicación alta.
Echo bust: 1996-2005, tecnológicos, información, conocimiento.
Wii: 2006.
o Grupo social.
Los grupos sociales y de referencia son un conjunto de personas que tienen un sentido de
afinidad resultante de una modalidad de interacción entre si. Los grupos de referencia son aquellos
que el consumidor utiliza como guía para evaluar sus propias creencias y actitudes. La influencia
de los grupos de referencia recae tanto en un beneficio informativo (cuando un grupo de referencia
parece mejorar el conocimiento que el consumidor tiene del ambiente y su capacidad para lidiar
con él) como en beneficios utilitarios (cuando el consumidor acepta la influencia de un grupo de
referencia porque espera alcanzar ciertos premios o evitar ciertos castigos sociales).
Los grupos de referencia son determinantes para seleccionar productos y cambiar de
marcas; esto realza que la información de boca en boca sea tan influyente.
Una clasificación de los grupos sociales está dada como sigue:
Por el grado de intensidad de la relación:
1. Grupos primarios. Relaciones entre los miembros del grupo son frecuentes e íntimas.
Caracterizado por la familia. Principal unidad de consumo. Motiva las investigaciones de
marketing sobre la influencia de la familia en el comportamiento de compra.
2. Grupos secundarios. Relación entre los miembros es formal e informal.
* Por el grado de formalidad de la relación:
1. Grupos formales. Poseen una estructura organizacional bien definida y aceptada por los
miembros.
2. Grupos informales. Estructura más relajada, carecen de metas bien definidas o de
políticas establecidas.
* Por la pertenencia o no a un grupo:
1. Grupos de pertenencia.
2. Grupos de no pertenencia.
2.1 De aspiración.
2.2 Disociativos.
* Por función (católicos y protestantes).
o Familia.
Forma especial de los grupos sociales que se caracterizan por las numerosas y fuertes
interacciones personales de sus miembros.
En la sociedad mexicana, la dinámica del comportamiento de la familia es diferente incluso
a la de otros países de América Latina, independientemente del ciclo de vida en el que se
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
134
encuentre; el proceso, desde la decisión y hasta la realización de la compra es responsabilidad del
ama de casa. Aunque ella es la que toma las decisiones, sus gustos y necesidades siempre quedan
subordinados, en primer lugar a las demandas familiares y en segundo al gasto (Galindo, 2007).
Los hijos ejercen un alto poder de influencia sobre los hábitos de compra, recreación y
dinámica de la familia. Es por ello que son sometidos por parte de los fabricantes a un fuerte
bombardeo promocional y publicitario. En el segmento infantil de la población mexicana, el
mercadólogo encuentra un terreno fértil para llegar al realizador de las compras, el ama de casa. No
sólo la mayoría de las decisiones de compra recaen sobre la mujer, sino también la educación y
crianza de los hijos. A cambio, este proveedor material exige atenciones y muestras de
agradecimiento de los miembros de la familia (Galindo, 2007).
Se han identificado las siguientes etapas del ciclo de vida familiar (Wagner & Hanna, 1983,
referenciado en (Sahui, 2008)):
Soltería: Orientación al ocio.
Parejas recién unidas: Sin hijos. Elevada tasa de consumo.
Nido completo I: Hijos < 6 años. Escasa liquidez. Alimentación infantil.
Nido completo II: Hijos > 6 años. La mujer suele trabajar; alimentación.
Nido completo III: Matrimonio maduro con hijos dependientes. Buena posición, las esposas
trabajan. Bienes duraredos.
Nido vacío I: Posición satisfactoria. Vacaciones y artículos de lujo.
Nido vacío II: Disminución de ingresos. Farmaceúticos.
Superviviente I: Viudos. Buenos ingresos. Farmaceúticos, servicios médicos.
Superviviente II: Viudos. Ingresos escasos con necesidad de atención.
o Clase social.
Es cuando los miembros de una sociedad se clasifican unos con otros en diversas
posiciones sociales, propiciando con ello una jerarquía. Son estratos compuestos por grupos y/o
individuos que comparten significados, valores y opiniones similares.
Los tipos de clases sociales identificados son los siguientes:
A: Alta dirección y profesionales con un alto nivel educativo.
B: Mandos intermedios.
C: Empleados no manuales, trabajadores cualificados y propietarios de un negocio con un alto
nivel educativo.
D: Trabajadores manuales cualificados y no cualificados, y trabajadores no
manuales/encargados con un bajo nivel educativo.
E: Trabajadores manuales cualificados y no cualificados, propietarios de pequeñas empresas y
agricultores/ganaderos o pescadores con un menor nivel educativo. Esta última categoría se
subdivide en E1, E2 y E3.
Niveles socioeconómicos:
Nivel Clase
ABC1 alta - media alta
C2
C3
media típica,
media baja
D1
D2
E
baja superior
baja inferior
marginal
Las características de estas clases sociales son las siguientes:
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
135
- Clase social nivel E. Caracterizado por un jefe de familia sub empleado o empleo temporal, donde
difícilmente sus hijos no trabajan. Más de una generación habita la misma vivienda, que nunca es
de su propiedad.Carecen de sistemas de agua y drenaje, no tienen auto ni utilizan la banca; no
tienen opciones de diversión, únicamente radio y tv.
- Clase social nivel D. Caracterizada por un jefe de familia con estudios en primaria, que esobrero,
empleado de mantenimiento, mostrador, chofer público o comerciante. Sus hijos estudian en
escuelas públicas.Tiene hogar propio o rentado, de interés social. No tienen auto ni utilizan la
banca. La mitad tiene calentador y lavadora, una cuarta parte tiene teléfono.
- Clase social D+. Caracterizado por un jefe de familia con estudios de secundaria, puede ser un
taxista, plomero, carpintero, cobrador, obrero. Sus hijos estudian en escuelas públicas. Su hogar es
de tres o más habitaciones; la cuarta parte tiene automóvil, la mitad tiene teléfono; se desplaza en el
transporte público, utilizan la banca, pero no tarjetas de crédito. Para divertirse, asisten a
espectáculos públicos, servicios deportivos y parques públicos.
- Clase social nivel C. Caracterizado por un jefe de familia con estudios de preparatoria. Pueden
ser pequeños comerciantes, maestros, técnicos y obreros calificados. Sus hijos reciben educación
superior en escuelas públicas, mientras que la primaria y secundaria puede ser en escuelas privadas.
Cuentan con hogar propio de cuatro o más habitaciones. La tercera parte tiene automóvil; tienen
teléfono, modular y televisor. La mitad tiene microondas, cable y pc. Utilizan tarjetas de crédito y
para divertirse, asisten a espectáculos públicos, cine, servicios deportivos y parques públicos. Salen
de vacaciones a destinos nacionales.
- Clase social nivel C+. Jefe de familia con estudios superiores; se trata de empresarios con
negocios pequeños y medianos, ejecutivos de nivel medio, o profesionistas independientes. Sus
hijos reciben educación superior en escuelas privadas. Tienen hogar propio de cinco habitaciones y
hasta dos automóviles. Presentan una variedad de electrodomésticos, la cuarta parte tiene personal
de servicio. Utilizan tarjetas de crédito, son miembros de clubes privados. Salen de vacaciones a
destinos nacionales y viajan una vez al año al extranjero.
- Clase social nivel A/B. Jefe de familia con estudios superiores; empresarios con negocios grandes
o medianos, ejecutivos o profesionistas destacados. Sus hijos reciben educación en escuelas
privadas nacionales o en el extranjero. Cuentan con hogar propio de lujo seis habitaciones, tienen
varios automóviles y tiene personal de servicio.Utilizan varias tarjetas de crédito. Disponen de
seguros de vida y gastos médicos. Son miembros de clubes privados. Tienen casa de campo, viajan
en avión, salen de vacaciones a destinos de lujo en el extranjero.
G.6 Variebles internas sobre el comportamiento del consumidor
Son variables que intervienen en el proceso de selección del consumidor. Basadas en aspectos de
personalidad, estilo de vida y conducta de la persona. Destaca el estudio de la psicología en el
proceso de consumo ya que se refiere a la forma en que compran los individuos, grupos u
organizaciones y el camino que usan para seleccionar, comprar, usar y desechar productos,
servicios, experiencias o ideas para satisfacer necesidades, además del impacto que estos procesos
tienen en el consumidor y la sociedad (Galindo, 2007).
De los factores psicológicos, el que viene en primer término es la motivación, ya que en
función de esta se va generar el impulso de compra. Retomando la teoría de la motivación de
Maslow, la cual jerarquiza las necesidades de un individuo y comienza por las de menor hasta las
de mayor urgencia, es difícil establecer una correlación entre el nivel de consumo del individuo y
sus necesidades, ya que no forzosamente se sigue este orden para motivar la compra o no de un
producto. Los estímulos para el consumidor tienen implicaciones más allá de la mera “necesidad”
(Galindo, 2007).
Las características personales que son principalmente consideradas, se refieren a aspectos
como las características demográficas, aspectos socioeconómicos, psicográficos, la memoria y el
perfil sicológico.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
136
Perfil demográfico.
Edad, sexo, estado civil, posición familiar, hábitat de residencia, ciclo de vida familiar,
clase social, ingreso, ocupación, educación, religión, grupo étnico, generación, nacionalidad.
Variables socioeconómicas.
Ocupación, situación patrimonial, nivel de estudios.
Perfil psicográfico.
Personalidad (conjunto de características psicológicas internas que determinan y reflejan la
forma en que una persona reacciona ante el medio ambiente), estilo de vida (Clasificación VALS y
Global Scan). Ofrecen una estructura para que despliegue un patrón constante de comportamiento.
La personalidad representa las propiedades estructurales y dinámicas de un individuo, tal
cómo éstas se reflejan en sus respuestas características a las diferentes situaciones planteadas. Se
han identificado distintos grados o rasgos de personalidad:
Reservado (introvertido) vs Expresivo (extrovertido).
Torpe vs Brillante.
Inestable emocionalmente (variable) vs Emocionalmente estable (maduro).
Pacífico vs Agresivo.
Serio vs Alegre.
Práctico vs Imaginativo.
Seguro (autoconfiado) vs Inseguro (se autorecrimina).
Conservador (tradicional) vs Innovador (propensión al cambio).
Dependiente vs Autosuficiente.
Negligente (indisciplinado) vs Disciplinado (controlado).
Relajado (tranquilo) vs Tenso (frustado).
Humilde vs Presuntuoso.
Valiente vs Cobarde.
Emprendedor vs. Conformista.
También se han identificado distintas personalidades relacionadas con el dinero:
Cazador. Asume riesgos, agresivo, gasta dinero.
Ahorrativo. Es próspero, apréstamista y conservador.
Protector. Primero están los demás, busca proteger con el dinero y éste es un medio.
Ostentoso. Lujoso, egocéntrico, busca primera clase.
Afanado. El dinero es su motor, es afamiliar y busca el poder que da el dinero.
Conformista. Cuida el dinero, sin lujos, sólo sus necesidades.
Idealista. Es inmaterial, el dinero es la raíz de todos los males y la vida es primero.
Arnold Mitchell (referenciado en (Sahui, 2008)) desarrolló la tipología VALS (“Values and
Life Style” Variables y Estilos de Vida), misma que clasifica a los individuos en nueve tipos de
estilo de vida:
Realistas.
Luchadores.
Orientación por principios.
Realizados.
Creyentes.
Orientación por estatus.
Realizadores.
Esforzados.
Orientación por acción..
Experimentadores.
Creadores.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
137
También se presenta la clasificación de estilos de vida Global Scan (Instituto: “Backer
Spielvogel Bates Worldwide”):
Ganadores o realizados.
Luchadores o esforzados.
Presionados.
Tradicionales.
Adaptados.
Memoria.
Capacidad De impresión, retención, acumulación y recuperación de acontecimientos y
experiencias de aprendizaje previas. Los consumidores adquieren productos y recuerdan su nombre
y características y además aprenden criterios para juzgar los productos, lugares donde adquirirlos,
capacidades relacionadas con la solución de problemas, patrones de gustos y de conducta.
Estructura psicológica.
Se refiere a la motivación de las personas. Un individuo tiende a participar más a un proceso de
compra cuando la compra se relaciona más intensamente con su auto concepto. El comprador no
busca el bien en si, sino los servicios que éste le puede proveer, ya que productos diferentes pueden
responder a una misma necesidad y todo producto presenta un conjunto de características o
atributos. En ello influye el procesamiento de la información, su aprendizaje y las actitudes.
Motivación. Relevancia o importancia que el consumidor percibe en determinada situación de
compra. La motivación es la fuerza impulsora que empuja a la acción como causa última de
todo comportamiento o conducta. Dentro de las teorías de la motivación se encuentran las
propuestas por:
o Freud. Las fuerzas que dan forma a la conducta y sus motivos, son inconscientes.
o Maslow. Las necesidades humanas están ordenadas por jerarquías.
Necesidades Fisiológicas.
Necesidades de Seguridad.
Necesidades Sociales.
Necesidades de Estima.
Necesidades de Realización.
o Herzberg. Existen factores agraviantes y factores satisfactores. En mercadotecnia se
refiere a buscar los factores que motiven al mercado.
Procesamiento de información o percepción. Proceso complejo a través del cual los individuos
seleccionamos, organizamos e interpretamos los estímulos sensoriales, convirtiéndolos y
transformándolos en imágenes dotadas de un significado. Actividades que los consumidores
lleven a cabo cuando adquieren, integran y evalúan la información.
Aprendizaje. Capacidad de las personas para adquirir, asimilar y organizar información que
permite una correcta adaptación al medio y sus cambios. El consumidor recibe una serie de
estímulos, los cuáles, a partir de sus necesidades y conocimiento, busca un producto para
cumplir sus expectativas. Dependiendo de la respuesta obtenida tras el producto o servicio y del
refuerzo que se haga del mismo, se puede incrementar la probabilidad de repetición y la
formación de un hábito. Existen distintas teorías del aprendizaje:
- Teorías conductistas:
- Condicionamiento clásico (Parlov). Estímulo - respuesta.
- Condicionamiento instrumental (Skinner).
- Teorías de la observación: Se refiere a la observación del comportamiento. Líderes de opinión.
- Teoría cognoscitiva: Aplicación de la actividad mental a la resolución de problemas.
Actitudes. Rigen la orientación básica hacia los objetos, las personas, los hechos y nuestras
actividades. La actitud es una organización duradera de procesos cognitivos, emocionales,
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
138
motivacionales y perceptuales con respecto a algún aspecto del entorno, es decir, un
conocimiento y sentir positivo o negativo sobre un objeto o actividad.
Las actitudes son predisposiciones aprendidas para responder consistentemente de manera
favorable o desfavorable a un objeto dado. No son innatas, son aprendidas, se relacionan con un
comportamiento y van dirigidas a un objeto. Se ven afectadas por aspectos cognoscitivos,
afectivos y comportamentales. Las actitudes se componen de 3 elementos (Hawkins,
referenciado por (Carhalvo, 2007)):
- Componente cognitivo. Relacionado a las creencias de un consumidor con respecto a un
producto.
- Componente afectivo. Relacionado con los sentimientos o reacciones afectivas a algo.
- Componente de comportamiento. La tendencia de responder de cierta manera ante algo.
Dependiendo de la manera en que se jerarquicen estos componentes, diferentes tipos de
actitudes pueden ser formadas. La cantidad de involucramiento asignado a una actitud tiene una
influencia crítica sobre qué tan estable y consistente será la actitud y qué tan difícil será
cambiarla.
Hay gran controversia en cómo una actitud positiva hacia una marca o compañía pueda
influenciar en el comportamiento. El comportamiento de compra se refiere al acto del
consumidor de comprar un producto o servicio específico. De la actitud individual se considera
que depende de diversos factores, como (Carhalvo, 2007):
- Nivel de involucramiento o elaboración.
- Conocimiento y experiencia.
- Accesibilidad de las actitudes.
- Factores situacionales.
- Variables de personalidad.
Los factores situacionales responden al cuándo, dónde, cómo y por qué. El cuándo
corresponde a una dimensión temporal (¿De qué manera en la compra influyen la estación, la
semana, el día o la hora? ¿Qué impacto tienen en la decisión de compra los hechos pasados y
presentes? ¿De cuánto tiempo dispone el cliente para realizar la compra?), el dónde, al ambiente
físico y social. El cómo, a las condiciones de la compra y el estado de ánimo, mientras que el
por qué, al objetivo de la compra.
A partir de esto, se realza la importancia de modelos para la medición de la actitud para
predecir y comprender el comportamiento del comprador (Carhalvo, 2007).
G.7 Proceso de decisión sobre el comportamiento del consumidor
Se refiere al comportamiento del consumidor, al comportamiento con el producto, en
cuanto a los beneficios que se desean que proporcione y la tasa de consumo. Dentro de este
proceso, recaen directamente los determinantes de valor (Carhalvo, 2007), mismos que son los
atributos de un producto que crean valor en los consumidores. Esto involucra encontrar los
atributos que son más importantes para el consumidor. También se refieren a atributos que
permitan diferenciar entre una marca y otra, cuando un consumidor elige entre dos o más
productos.
Las etapas del proceso de decisión de compra, dentro de la mercadotecnia, se compone de
los siguientes pasos.
Reconocimiento del problema. El consumidor se da cuenta en su conciencia de la diferencia
notable entre su situación real y su concepto de la situación ideal.
Búsqueda y evaluación de información. Comienza con una búsqueda interna en base a las
creencias y actitudes que han influido en las preferencias del consumidor por determinadas
marcas.
Proceso de compra.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
139
Comportamiento después de la compra. La satisfacción o insatisfacción y duda después de la
compra, misma información que puede influir en las etapas de conseguir más información y el
reconocimiento posterior de problemas.
El modelo del proceso de decisión del consumidor se describe en la siguiente imagen.
Dentro de este proceso, se siguen distintas reglas de decisión por parte de los consumidores:
o Compensatorias. Un tipo de regla de decisión en la cual el consumidor cada marca en
términos de cada atributo relevante y luego selecciona la marca con el puntaje
ponderado superior.
o No compensatorias. Un tipo de regla de decisión en la cual la evaluación positiva de
una marca no compensa la evaluación negativa de la misma marca en otro atributo.
Reglas de decisión conjuntiva. Una regla de decisión no compensatoria en la
cual los consumidores establecen un mínimo aceptable como punto de corte
para cada atributo evaluado. Las marcas que caen bajo el punto de corte en
cualquiera de los atributos son eliminadas de consideración.
Reglas de decisión disyuntiva. Una regla no compensatoria en la cual los
consumidores establecen un punto de corte mínimamente aceptable para cada
atributo relevante del producto; cualquier marca que cumpla o sobrepase el
punto de corte en cualquiera de estos atributos es considerada una elección
aceptable.
Regla lexicográfica. Una regla no compensatoria en la cual el consumidor
jerarquiza los atributos del producto en términos de su importancia, luego
compara las marcas en términos del atributo más importante. Si una marca
tiene un puntaje superior a otras marcas, ella es seleccionada; si no el proceso
continúa con el atributo que le siga en importancia y así sucesivamente.
Influencias externas
Entrada
Esfuerzos de la empresa * Producto
* Promoción
* Precio
* Canales de distribución
Medioambiente sociocultural * Familia
* Fuentes informales
* Otras fuentes no comerciales
* Clase social
* Cultura y subcultura
Proceso de toma de decisión del consumidor
Reconocimiento de la
necesidad
Búsqueda precompra
Evaluación de las
alternativas
Campo sicológico * Motivación
* Percepción
* Aprendizaje
* Personalidad
* Actitud
Experiencia
Proceso
Comportamiento post-decisión
Salida Compra * Prueba
* Compra repetida Evaluación post-compra
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
140
Arellano Cueva (referenciado en Sahui, 2009), propone una asignación de valores distintos
a cada variable “en función de la importancia que pueda tener para explicar cada comportamiento
específico, lo que dará como resultado una ecuación de la forma siguiente:
Ci = bEi + bAi + bPi + bSi
Donde:
Ci = explicación del comportamiento de compra del producto i
bEi = fuerza de la variable económica en la compra del producto i
bAi = fuerza de la variable de aprendizaje en la compra del producto i
bPi = fuerza de la variable psicoanalítica en la compra del producto i
bSi = fuerza de la variable sociológica en la compra del producto i
G.8 Mercadotecnia de alimentos
Debido al dominio de aplicación de la investigación realizada, se abordaron aspectos más
particulares de la mercadotecnia, como es el caso del mercado de alimentos. El modelo de
Steemkamp es el más generalizado para analizar el comportamienton del consumidor de alimentos.
Mientras que hasta los años 70 predominó un enfoque económico para describir el comportamiento
del consumidor, en las últimas décadas se le ha dado mayor importancia a un enfoque de
comportamiento (Steenkamp, 1997).
El modelo del comportamiento del consumidor de Steemkamp distingue entre los procesos
de decisión con respecto a los alimentos y los factores que afectan estos procesos de decisión.
Dentro de los factores que afectan el estado, se encuentran la cultura, la subcultura, estilos
de vida y características sociodemográficas (Hawkins, 2004; Steemkamp, 1997). En el caso de los
productos alimenticios, la mayor fuente de información son las experiencias previas de los
consumidores.
Para Steenkamp, los cinco criterios más importantes para la evaluación de alternativas son:
la calidad del producto, el precio, la marca, la frescura y la garantía. La teoría Means-end chains
considera tres niveles para los criterios de evaluación: atributos, consecuencias y valores; los
consumidores eligen un producto o servicio, ya que esperan que sus atributos específicos puedan
ser de ayuda a conseguir un fin o valor, a través de sus consecuencias o beneficios. Con ello, el
producto a ser seleccionado será aquél ante el cuál el consumidor tenga la mayor actitud positiva
(Sepúlveda, 2009).
Los factores externos (Sepúlveda, 2009) que afectan el proceso de decisión son:
- Factores relacionados con la persona. Steenkamp distingue entre factores biológicos,
psicológicos y sociodemográficos. En los biológicos, se destacan la edad y el peso.
- Factores ambientales
- Propiedades de los alimentos.
G.9 Tendencias recientes de la mercadotecnia
En la actualidad, el mercadeo internacional está obligado a abarcar los deseos y problemas de una
base de consumidores significativamente más diversa.
Los clientes principalmente se van o abandonan debido a la mala calidad de un servicio
seguido de la mala calidad de un producto, mientras que los clientes que quedan con un producto o
servicio es debido ya sea por la satisfacción del mismo, por el trato personalizado, la buena imagen
y por la recompensa de su uso.
El cliente no compra por el precio, actualmente se considera el valor recibido; el valor
percibido no es material, el cliente compra en base a sus emociones. Bajo este panorama, el
marketing ha cambiado. Antes se decía: "que el cliente se cuide". Ahora se ha cambiado a "cuidado
con el cliente". Antes, se tenía una oferta y el objetivo era encontrar a un grupo de personas a
quienes proponérsela. Ahora, se tiene una persona y el objetivo es encontrar la mejor oferta para
ella (Ceritu, 2009). El aprender ese cambio es necesario para subsistir en el mercado, puesto que no
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
141
hacerlo, trae consecuencias negativas, tómese como ejemplo que entre 1920 y 1923, la
participación de mercado de la Ford, cayó del 55% al 12%, por no entender que era necesario
producir vehículos para cada segmento, mientras que su competencia, General Motors si lo
entendió.
Los niveles de segmentación más comunes sobre bienes y productos son:
+ Por Beneficio: que tengan un beneficio similar (bajo precio, alta calidad, buen servicio, etc).
+ Demográfico: que compartan un elemento demográfico (adultos, niños, jóvenes, hombre, mujer,
etc).
+ Razón de uso: que tengan una razón de uso similar (por trabajo, por placer, por emergencia, etc).
+ Por nivel de uso: dependiendo si usan mucho o poco el producto.
+ Estilo de Vida: de acuerdo a sus consumidores: ejecutivos, bohemios, conservadores, etc.
+ Geográfico: dependiendo de donde están ubicados geográficamente.
Los nichos se describen típicamente como grupos de clientes que tienen una combinación
de necesidades mucho más específicas que las de todo el segmento. Hoy en día hay muchos
mercados donde atender nichos es la norma. Por supuesto el problema es la dependencia de una
cantidad muy pequeña de clientes. Las empresas dedicadas a los nichos por lo general tienen una
relación muy cercana y estrecha con sus clientes.
Algunas empresas requieren identificar pequeños grupos de clientes, menores a un
segmento, los cuales comparten ciertas características comunes. A estos grupos se les llaman
Células de Mercado. Estas celdas pueden surgir tanto de la información y experiencia de los que
manejan estos clientes (Ej. La fuerza de ventas), como de las bases de datos de clientes. A través
del procesamiento de la información de esta base de datos, se identifican los clientes que
conformarían estas celdas. Este procesamiento de la base de datos se le denomina minería de datos.
Entre los nuevos acercamientos de mercadotecnia se encuentran:
Marketing 1x1: Tiene al cliente como centro de atención, con atención y ofertas
personalizadas, maximizando el valor del cliente. Como ventajas, se vende más, se satisface
mejor al cliente y reduce las inversiones en campañas publicitarias. Maneja como nuevos
paradigmas tratar: al cliente como socio y un cliente por vez. Todos los clientes no son iguales;
se aplica la ley del 80/20 de Paretto: el 20% de los clientes generá el 80% de los ingresos.
Customer Relationship Management (CRM). Es una estrategia que permite a la empresa tener
una visión de su cliente y, a partir de ahí, saber explorar las oportunidades de negocio. CRM se
puede resumir en tratar a clientes diferentes diferentemente. Se trata de una filosofía de trabajo
sobre el marketing 1 a 1 que involucra estrategias de mercadotecnia en un proceso que se
alimenta de información interna y externa. CRM es una estrategia que busca aprender las
necesidades y el comportamiento de los clientes para desarrollar mejores y más fuertes
relaciones con ellos.
$$ $$ $$ $$ $$ $$ $$ $$
$$ $$ $$ $$ $$ $$ $$
$$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$
$$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$ $$
$$ $$ $$
$$ $$
Habituales
Frecuentes
Ocasionales
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
142
Conociendo al cliente y sus hábitos, se le puede comparar con otros clientes o clientes
potenciales, logrando establecer “mellizos”. Conociendo a uno de los mellizos se puede predecir lo
que hará el otro. Ej: los clientes que compran el producto A y B, suelen comprar también el C. A
los que compran el C se les puede ofrecer el A y B y viceversa.
Un cliente insatisfecho le cuenta a 10 personas su desilusión, uno muy satisfecho le cuenta
solo a 3; sólo 1 de cada 5 clientes inconformes se animan a quejarse, los otros 4 se lo cuentan a 10
más. Un cliente resarcido es más fiel que uno satisfecho.
Concluyendo, la mercadotecnia de antaño se enfocaba en el producto y en venderlo, la
nueva mercadotecnia se centra en el cliente y en satisfacer sus necesidades. Un cliente satisfecho es
fiel a la empresa mucho más tiempo, compra más (nuevos productos y mejora la calidad), extiende
un boca a boca favorable, es más fiel a la marca (tiene menos en cuenta los precios), ofrece
retroalimentación y reduce los costes de transacción.
La influencia personal también actúa como un efecto o cambio en las actitudes de
comportamiento de una persona por la comunicación con otros. La importancia de la influencia
personal estriba en que el boca a boca es verídico y confiable, ya que se trata de una serie de
contactos que brindan apoyo social y que la información proporcionada está respaldada por un
grupo social (Ceruti, 2009).
G.10 Otros patrones de comportamiento
Los siguientes son algunos patrones identificados por distintos autores, así como su posible
representación a manera de regla, en caso de poder representarse.
Con respecto al perfil de usuario, se encuentran los distintos tipos de clientes (marketing, 2009):
Cliente intelectual, se refiere a una persona, entre 25 y 40 años, que tiene preferencia por la
cultura, el arte, la tecnología, el cine y la música. Una representación de esto sería: (hombre |
mujer) ^ (edad>=25 ^ edad<=40) ^ (cultura | arte | tecnología | cine | música+).
Chaviza, se refiere a personas, entre 12 y 24 años, con gustos sobre la música, marcas de moda,
franquicias, aspectos sociales, gusto por la tecnología y que en general no cuidan su
alimentación. (hombre | mujer) ^(edad>=12 ^edad<=24) ^(musica | marcas de moda | social |
no cuida alimentación | tecnologia ).
Retro, personas entre 18 y 50 años, con una mayor preferencia por bienes y placeres retros en
vez de modernos. (hombre | mujer) ^(edad>=18 ^edad<=50) ^(retro | no moderno)
Bioconsumidor, personas entre 18 y 60 años, con interés por la naturaleza y su nutrición.
(hombre | mujer) ^(edad>=18 ^edad<=60) ^(naturaleza ^nutricion )
Adultos solteros (conocidos como baby boomer), personas no casadas, entre 40 y 60 años, que
cuentan con buenos ingresos, les gusta la cultura, la música y temas del amor. ((hombre |
mujer) ^ no casado)) ^(edad>=40 ^edad<=60) ^ (ingreso+ ^cultura ^musica ^ amor?)
Joven soltero, personas mayores de 20 años con su propia fuente de ingresos para sus gastos.
(hombre | mujer) ^(edad>=20) ^ (ingreso).
Nielsen (2008) identifica que las personas latinas gustan de asistir a entretenimientos fuera de su
casa y a ahorrar. persona ^ latino --> ahorro, persona ^ latino --> restaurantes con variedad.
Marin (2005) identificó patrones entre estudiantes y profesionistas, con respecto a las preferencias
de ambos grupos para asistir a un restaurante.
Tanto estudiantes como profesionistas salen a comer a un restaurante por lo menos una vez por
semana.
Comparados, un estudiante está dispuesto a pagar menos que un profesionista por sus
alimentos.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
143
La razón principal de salir a comer a un restaurante, para ambos, es por placer, la segunda
razón para los estudiantes, es la cercanía, mientras que para los profesionistas es por cuestiones
de negocios.
Los jóvenes se guían más por las recomendaciones de la gente.
Los profesionistas se guían primero por el ambiente del lugar (prestigio o mejor marca) y luego
por las recomendaciones.
Los estudiantes regresan a un restaurante por el valor que le asignan a la comida, luego por el
valor asignado al servicio.
Los profesionistas se fijan primero en el servicio, luego en la comida.
Los estudiantes: relacionan una franquicia con calidad y estandarización.
Los profesionistas las relacionan con calidad y luego con confianza.
Los estudiantes consideran que las franquicias cumplen más sus expectativas (consumen
marcas consolidadas de manera simple).
Los profesionistas consideran que los restaurantes independientes cumplen más sus
expectativas.
El siguiente es un orden de los factores que intervienen en la elección de un restaurante (Lillywhite,
2009):
1. Precio.
2. Alimentos locales servidos (cambios en la actitud del consumidor con el ambiente, calidad
del alimento, salud personal).
3. Tipo de restaurante.
Existen diferencias culturales entre los países, por ejemplo, en Estados Unidos las personas se
identifican como realizados, realizadores, experimentadores, creyentes, esforzados, creadores,
luchadores, en Japón se sigue la cultura Hitomani (es decir, de alinearse con otras personas), donde
se comportan como tribus de cristal, es decir, que siguen marcas conocidas, donde su tribu es su
hogar, dando importancia a los valores hacia la familia, pero también considerando que las marcas
indican estatus. Para Rusia, se les considera cosacos (es decir, el nacionalismo da estatus), por lo
que las almas rusas son tradicionales (fieles a marcas). Pero también existen casos, como los
hispanos que viven en Estados Unidos, ellos se caracterizan por:
* Preferir marcas bien conocidas y familiares, compran lo que compraban sus padres.
* Creen que los productos de marcas de renombre son de mejor calidad. Los productos genéricos
no funcionan en este mercado. Las marcas premium son un distintivo de estatus social.
* Son propensos a una marca que se interese en su cultura.
* NO son compradores compulsivos.
* Tienden a ser policrónicos, es decir, integran distintas dimensiones de la vida como el juego y el
trabajo. Juegan mientras trabajan, trabajan mientras juegan.
* Se puede aprovechar el humor y la risa para contactar con el consumidor hispano.
* Les disgustan las tiendas impersonales.
* Desconfían de las prácticas de mercadotecnia e intervención gubernamental en los negocios.
* Para los hispanos mexicanos, el bienestar tiene que ver con el dinero, y la generosidad está ligada
con la caridad. Dinero es sinónimo de superación y superioridad.
* Para ellos, la mercadotecnia se basa en relaciones, se debe crear una relación entre el consumidor
y la compañía.
* Prefieren productos frescos a preparados o congelados.
* Consumen más bebidas con sabor a frutas que los no hispanos.
* Gastan más en bebidas carbonatadas, bebidas de frutas y cereal que la población promedio.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
144
* Buscan precios bajos, localización cercana, variedad en la mercancía, empleados que hablen
español, productos relacionados a su cultura, que exista varias opciones de pago, que el dueño de la
tienda pertenezca a la comunidad.
* Prefieren más la comida fresca que el resto de los estadounidenses.
Finalmente, dentro de los aspectos sicológicos, los colores y la preferencia a ciertos colores,
identifican patrones de preferencia y de comportamiento (Webtaller, 2010):
Blanco: a menudo se asocia a con la pérdida de peso, productos bajos en calorías
y los productos lácteos.
Amarillo: asociado con economía, caracteríza tiendas de precio bajo. El amarillo sugiere el
efecto de entrar en calor, provoca alegría, estimula la actividad mental y genera energía
muscular. Con frecuencia se le asocia a la comida. Es recomendable utilizar amarillo para
provocar sensaciones agradables, alegres. Es muy adecuado para promocionar productos para
los niños y para el ocio.Los hombres normalmente encuentran el amarillo como muy
desenfadado, por lo que no es muy recomendable para promocionar productos caros,
prestigiosos o específicos para hombres.Ningún hombre de negocios compraría un reloj caro
con correa amarilla.
Naranja: es un color que encaja muy bien con la gente joven, por lo que es muy recomendable
para comunicar con ellos. Es muy adecuado para promocionar productos alimenticios y
juguetes.
Rojo: en publicidad se utiliza el rojo para provocar sentimientos eróticos. Símbolos como
labios o uñas rojos, zapatos, vestidos, etc., son arquetipos en la comunicación visual sugerente.
Como está muy relacionado con la energía, es muy adecuado para anunciar coches motos,
bebidas energéticas, juegos, deportes y actividades de riesgo. El rosa evoca romance, amor y
amistad. Representa cualidades femeninas y pasividad.
Púrpura: se asocia a la realeza y simboliza poder, nobleza, lujo y ambición. Sugiere riqueza y
extravagancia. Hay encuestas que indican que es el color preferido del 75% de los niños antes
de la adolescencia. El púrpura representa la magia y el misterio. El púrpura brillante es un color
ideal para diseños drigidos a la mujer. También es muy adecuado para promocionar artículos
dirigidos a los niños. El púrpura claro produce sentimientos nostálgicos y románticos.
Azul: el azul es un color típicamente masculino, muy bien aceptado por los hombres, por lo
que en general será un buen color para asociar a productos para estos. Sin embargo se debe
evitar para productos alimenticios y relacionados con la cocina en general, porque es un
supresor del apetito. El azul claro se asocia a la salud, la curación, el entendimiento, la
suavidad y la tranquilidad.
Verde: el verde oscuro tiene también una correspondencia social con el dinero. Es
recomendable utilizar el verde asociado a productos médicos o medicinas. Por su asociación a
la naturaleza es ideal para promocionar productos de jardinería, turismo rural, actividades al
aire libre o productos ecológicos.
Negro: se asocia al prestigio y la seriedad.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
145
Bibliografía
Adamic L., Adar E., How to Search a Social Network, Social Networks, 27 (3), págs. 187 - 203,
2005.
Alto Nivel, Comportamientos de los consumidores en 2010, AltoNivel,
http://www.altonivel.com.mx/interior/index.php?p=nota&idNota=89894.
Arjomand Lari, Sampling distributions of the mean, Universidad de Clayton, EUA, 1996,
http://business.clayton.edu/arjomand/business/l7.html, visitada en julio, 2011.
Bennett Anthony, The Big Book of Marketing, McGraw Hill, ISBN 978-0-07-162615-6, 2010.
Benslimane D., Vangenot C., Roussey C., Arara A., Multirepresentation in ontologies, Universidad
Lyon, Francia, 2003.
Bernard L., Einspanier U., Lutz M., Portele C., Interoperability in GI Service Chains – The Way
Forward, Proceedings of the 6th AGILE, Universidad de Munster, Alemania, 2003.
Berners-Lee, T., Hendler, J., Lassila, O.: The Semantic Web, Sci., Am 284 (5), pps. 35-43. (2001).
Bleecker J., A design approach for the geospatial Web, 2005. Disponible en línea
http://www.oreillynet.com/pub/a/network/2005/06/07/geospatialweb.html, última visita marzo
2009.
Bolaños R., Comportamiento del Consumidor, 2009,
http://www.inpsicon.com/elconsumidor/articulos/Comportamiento_del_consumidor/Comportamien
to%20del%20consumidor.pdf
Breitman K. K., Casanova M. A., Truszkowski W., Semantic Web: Concepts,Technologies and
Applications, Springer-Verlag, pp105-125, 2007.
Brut M., Sedes F., Zayani C., Ontology-Based User Competencies Modeling for E-Learning
Recommenders Systems, Collaborative and Social Information Retrieval and Access Techniques
for Improved User Modeling, IGI Global, págs, 119-136, 2009.
Burke R., Hybrid Web Recommender Systems, The Adaptive Web, LNCS 4321, págs. 377 – 408,
2007.
Candillier L., Jack K., Fessant F., Meyer F., State-of-the-Art Recommender Systems, Collaborative
and Social Information Retrieval and Access Techniques for Improved User Modeling, IGI Global,
págs. 1 – 22, 2009.
Cai Xiongai, Bain Michael, Krzywicki Alfred, Wobcke Wayne, Sok Kim Yang, Compton Paul,
Mahidadia Ashesh, Collaborative Filtering for People to People Recommendation in Social
Networks, J. Li (Ed.), AI 2010, LNAI 6464, pp. 476-485, Springer-Verlag Berlin, 2010.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
146
Cakiroglu Seda, Birturk Aysenur, Suggerst Me a Movie: A Multi-Client Movie Recommendarion
Application on Facebook, E. Gelenbe et al. (eds.) Computer and Information Science, Lecture
Notes in Electrical Engineering 62, Springer Science+Bussiness Media, 2010.
Carvalho C. A., Impact of Consumer Attitude in Predicting Purchasing Behaviour. IASO
Consulting. 2007.
Cayzer S., Michlmayr E., Adaptative User Profiles, Collaborative and Social Information Retrieval
and Access Techniques for Improved User Modeling, IGI Global, págs, 65-86, 2009.
Ceruti N., Tendencias en Comportamiento del Consumidor, Universidad de Palermo, 2009.
Chandrasekaran, B., Johnson, T., Benjamins, V.: What are ontologies, and why do we need them?
In: IEEE Intelligent Systems and Their Applications, Vol. 14 (1), pps. 20-26. (1999).
Clarkin L, Holmes J., Enterprise Mashups, The Architecture Journal #13, 2007.
Cregan A. M., Overview of Semantic Technologies, Handbook of Ontologies for Business
Interaction, IGI Global, pps. 1-20, 2008.
Delalonde C., Soulier E., DemonD: A social Search Engine Built Upon the Actor-Network Theory,
Collaborative and Social Information Retrieval and Access Techniques for Improved User
Modeling, IGI Global, págs, 165-182, 2009.
Deshpande M., Karypis G., Item-based top-n recommendation algorithms, ACM Transactions on
Information Systems, Springer Verlag 22/1, 2004.
Fonseca F., Egenhofer M., Davis C., Borges K., Ontologies and Knowledge Sharing in Urban GIS,
Computer, Environment and Urban Systems, Universidad de Maine, EUA, 2000.
Fonseca F., Ontology-Driven Geographic Information Systems, Tesis de Doctorado, Universidad
de Maine, EUA., 2001.
Frantz V., Automated information retrieval: theory and methods, Academic Press, XIV, San Diego,
EUA, 1997.
Galindo A., Psicología del Consumidor Mexicano, Grupo IDM, 2007.
Garofalakis J., Michail T.A., Plessas A., Web Based Device Independent Mobile Map
Applications. The m-CHARTIS System, International World Wide Web Conference Committee
(IW3C2), Escocia, 2006.
Gartner G., Frank A., Retscher, G., Pedestrian navigation system in mixed indoor/outdoor
environments - The NAVIO project, Proceedings of the CORP 2004 and Geomultimedia04
Symposium, págs. 165 - 171, 2004.
Goldberg D., Nichols D., Oki B. M., Terry D., Using Collaborative Filtering to Weave an
Information Tapestry, Communications of the ACM, 35, ACM Press, págs. 61 – 70, 1992.
Gruber T.: A Translation Approach to Portable Ontologies. Knowledge Acquisition Vol. 5 (2), pps.
199-220. (1993).
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
147
Hawkins, Del I., R.J. Best, and K.A. Coney. Comportamiento del consumidor: construyendo
estrategias de marketing. Mexico: McGraw-Hill Interamericana, 2004.
Herlocker J., Konstan J., Terveen L., Riedl J., Evaluating collaborative filtering recommender
systems, ACM Transactions on Information Systems, 22 (1), págs. 5 – 53, 2004.
Hermans O., Laarni J., Searching Information from Screen Maps, Proceedings ScanGIS’2003 - The
9th Scandinavian Research Conference on Geographical Information Science, Finlandia, 2003.
Holtkamp B., Weiβenberg N., Wojciechowski M., Gartmann R., Matching Dynamic Demands of
Mobile Users with Dynamic Service Offers, Handbook of Ontologies for Business Interaction, IGI
Global, pps. 278-293, 2008.
Horrocks I., Patel-Schneider P. F., Boley H., Tabet S., Grosof B., Dean M., SWRL: A Semantic
Web Rule Languaje Combining OWL and RuleML, W3C Member Submission, 2004, disponible
en línea http://www.w3.org/Submission/SWRL/, última visita en noviembre 2008.
Horrocks I., Patel-Schneider P. F., Bechhofer S., Tsarkov D., A Proposal for an OWL Rules
Language, Journal of Web Semantics vol. 3 págs. 23 - 40, 2005.
Kikiras P., Tsetsos V., Hadjiefthymiades S., Ontology-based user modeling for pedestrian
navigation systems, ECAI 2006 Workshop on Ubiquitous User Modeling (UbiqUM), 2006.
Klien E., Einspanier U., Lutz M., Hubner S., An Architecture for Ontology-based GI Discovery
and Retrieval of Geographic Information, 7th Conference on Geographic Information Science
(AGILE) 2004.
Klien E., Lutz M., Kuhn W., Ontology-based discovery of geographic information services – An
application in disaster management, Computers, Environment and Urban Systems, Elsevier, 2005.
Konstan J., Miller B., Maltz D., Herlocker J., Gordon L., Riedl J., GroupLens: Applying
Collaborative Filtering to Usenet News, Communications of the ACM, 40, ACM Press, 77-87,
1997.
Kotler Philip, Lee Nancy, Marketing in the public sector, Pearson Education, ISBN 0-13-187515-9,
2007.
Lacasta J., Nogueras-Iso J., Béjar R., Muro-Medrano P.R., Zarazaga-Soria F.J., A Web Ontology
Service to facilitate interoperability within a Spatial Data Infrastructure: applicability to discovery,
Data & Knowledge Engineering Volume 63 (3), Elsevier Science Publishers B. V., 2007.
Lancaster F., Warner A., Information Retrieval Today, Arlington, Virginia, Information Resources,
1993.
Lathia Neal, Computing Recommendations with Collaborative Filtering, Collaborative and Social
Information Retrieval and Access Techniques for Improved User Modeling (pp. 23-38), IGI
Global, 2009.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
148
Liang H., Xu Y., Li Y., Nayak R., Tao X., Connecting Users and Items with Weighted Tags for
Personalized Item Recommendations, Proceedings of the 21st ACM conference on Hypertext and
hypermedia, pps. 51-60, ISBN: 978-1-4503-0041-4, 2010.
Lillywhite J. M., Simonsen J. E., Acharya R. N., Laney, K., Local Food Preferences of Restaurant
Consumers, IAMA 19th Annual Food and Agribusiness World Forum and Symposium, 2009.
Lonthoff J., Ortner E., Mobile Location-Based Gaming as Driver for Location-Based Services
(LBS) – Exemplified by Mobile Hunters, Informatica Journal, Vol. 31, Num. 2, 2007.
Loranca M., Consultas espaciales en una arquitectura de componentes GIS, Tesis de maestría,
Universidad de las Américas, México, 2000.
Lutz M., Riedermann C., Probst F., A Classificarion Framework for Approaches to Achieving
Semantic Interoperability between GI Web Services, Universidad de Munster, Alemania. 2003.
Lutz M., Ontology-based Discovery and Composition of Geographic Information Services, tesis de
doctorado, Universidad de Munster, Alemania, 2005.
Lutz M., Klien E., Ontology-based Retrieval of Geographic Information, International Journal of
Geographic Information Science, 2006.
Marín Anaya A., Zorrilla Alanís J., Preferencia de los consumidores en cuanto a los restaurantes de
franquicia en comparación a independientes: caso aplicado a restaurantes de servicio completo en
la Ciudad de Puebla, Universidad de las Américas, Puebla, Tesis, 2005.
Marketing, Nichos de alto crecimiento en México, Comportamiento del Consumidor: Consumer
Attitudes, 2009. http://marketingconsumidor.blogspot.com/2009/06/nichos-de-alto-crecimiento-en-
mexico.html
Marketingb, Comportamiento del consumidor, Comportamiento del Consumidor: Consumer
Attitudes, 2009. http://marketingconsumidor.blogspot.com/2009/06/comportamiento-del-
consumidor.html
Marketingc, Tendencias del consumidor: Gustos, Hábitos y Preferencias; Comportamiento del
Consumidor: Consumer Attitudes, 2009.
http://marketingconsumidor.blogspot.com/2009/06/tendencias-del-cosumidor-gustos-habitos.html
Martínez F., Propuesta y desarrollo de un modelo para la evaluación de la recuperación de
información en Internet, Tesis de Doctorado, Universidad de Murcia, 2002.
Merrill D., Mashups: The new breed of Web app, disponible en línea en
http://www.ibm.com/developerworks/xml/library/x-mashups.html, IBM, 2006, última visita en
noviembre 2007.
Miller M., 501 Web Site Secrets: Unleash the Power of Google, Amazon, eBay, and More, Whiley
Publishing, Inc. EUA, 2004.
Mills E., Mapping a revolution with ‘mashups’, disponible en línea en
http://www.news.com/Mapping-a-revolution-with-mashups/2009-1025_3-5944608.html, 2005,
última visita en noviembre 2007.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
149
Mueller Erik T., Commonsense reasoning, Morgan Kaufman Title, ISBN: 978-0-12-369388-4,
2006.
Nielsen, Confianza Consumidor 2008, Nielsen Company, 2008.
http://mx.nielsen.com/news/ConfianzaConsumidor2008.shtml
Nivala A., Sarjakoski L. T., An Approach to Intelligent Maps : Context Awareness, Workshop HCI
in mobile Guides », Italia, 2003.
Pekkinen, P., A. Rainio, Market analysis of mobile map services. GiMoDig-project, IST-2000-
30090, Deliverable D2.2.1, Public EC report, 53 p., 2002.
Pérez Calderón R., Factores que Inciden en la Elaboración de un Programa de Mercadotecnia
Exitoso, Gestión y Estrategia No. 14, 1998.
http://www.azc.uam.mx/publicaciones/gestion/num14/doc19.htm
Perry M., Sheth A., Arpinar I. B., Hakimpour F., Geospatial and Temporal Semantic Analytics,
Handbook of Research on Geoinformatics, IGI Global, pps. 161-170, 2009.
Puhretmair F., Rumetshofer H., Schaumlechner E., Extended decision making in tourism
information systems, LNCS 2455, págs. 57 – 66, 2002.
Resnick P., Iacovou N., Suchak M., Bergstrom P., Riedl J., Grouplens: An open architecture for
collaborative filtering of netnews, Conference on Computer Supported Cooperative Work, ACM,
págs. 175 – 186, 1994.
Rey Pino J. M., Psicología del consumidor, Tesis de doctorado, Universidad de Cádiz.
Rijsbergen C. J. van, Information Retrieval. Butterworth 1979.
Sahui Maldonado J. A., Factores que Influyen en la Conducta del Consumidor. Una Aproximación
desde las Ciencias Sociales, Universidad Modelo, COLPARMEX 2008.
Sahui Maldonado J. A., Influencia de los Factores Psicológicos en la Conducta del Consumidor,
2009, http://www.eumed.net/rev/tecsistecatl/n5/jasm.htm
Sarjakoski L. T., The GiMoDig public final report, Geospatial info-mobility service by real-time
data integration and generalization, página del proyecto http://gimodig.fgi.fi, última visita junio
2011.
Schoning J., Rohs M., Kruger A., Paper Maps as an Entry Point for Tourist to Explore Wikipedia
Content, Universidad de Munster, Alemania, 2007.
Segaran Toby, Programming Collective Intelligence, ISBN-10: 0-596-52932-5, ISBN-13: 978-0-
596-52932-1O'Reilly Media 2007.
Sepúlveda W. S., Maza M. T., Segura P. E., Djafar S.. Comportamiento del consumidor de
alimentos y el etiquetado como señal de calidad, CLADEA 2009, Ecuador, 2009.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
150
Smith Gene, Tagging People-Powered Metadata for the Social Web, New Riders, pp. 4-5, ISBN-
10: 0-321-52917-0, 2008.
Spaccapietra S., On spatial ontologies, GeoInfo 2004, Swiss Federal Institute of Technology, Suiza,
2004.
Spaccapietra S., Al-Jadir L., Yu S., Somebody, Sometime, Somewhere, Something, Swiss Federal
Institute of Technology, Suiza, 2005.
Spaccapietra S., MADS: SPACE, TIME AND CONTEXT MODELING FOR GEOGRAPHIC
APPLICATIONS, 3rd eBZ Workshop on e-Government - Organizing the City: Time, Space, and
Mobility, Italia, 2006.
Stanton W., Fundamentals of Marketing, Mc Graw Hill, 1994.
Steenkamp, Jan-Benedict E.M. "Dynamics in consumer behaviour with respect to agricultural and
food products". Agricultural marketing and consumer behaviour in a changing world. Eds. B.
Wierenga, et al.: Norwell: Kluwer Academic Publishers, 1997. 143-188.
Steiniger S., Neun M., Alistair E., Foundations of Location Based Services, Departamento de
Geografìa, Universidad de Zurich, Suiza. 2006.
Sun Y., Lee L., Agent-based Personalized Tourist Route Advice System, International Archives of
Photogrammetry Remote Sensing and Spatial Information Sciences, Vol. 35 Part 2, ISSN 1682-
1750, págs. 319 - 324, 2004.
Sugiyama K., Hatano K., Yoshikawa M., Adaptive web search based on user profile constructed
without any effort from users, Proceedings of the 13th International Conference on World Wide
Web, WWW ’04, ACM, págs. 675 - 684, 2004.
Srivihok A., Sukonmanee P., Intelligent agent for e-Tourism: Personalization travel support agent
using reinforcement learning, Proceeding of The 14th International World Wide Web Conference
(WWW2005) Workshop, 2005.
Tapucu Dilek, Tekbacak Fatih, Osman Ünahr Murat, Kasap Seda, A Roadmap for Semantifying
Recommender Systems Using Preference Management, E. Gelenbe et al. (eds.), Computer and
Information Sciences, Lecture Notes in Electrical Engineering 62, Springer Science+Bussiness
Media, 2010.
Terveen L., Hill W., Beyond Recommender Systems: Helping People Help Each Other, HCI In
The New Millenium, Jack Carroll, ed., Addison-Wesley, pps. 1-21, 2001.
Tomai E., Spanaki M., From ontology design to ontology implementation: A web tool for building
geographic ontologies, 8th AGILE Conference on Geographic Information Science, Portugal, 2006.
Tsetsos V., Anagnostopoulos C., Kikiras P., Hadjiefthymiades S., Semantically enriched
navigation for indoor environments, International Journal of Web and Grid Services, 2 (4),
Inderscience Publishers, págs. 473 - 47, 2006.
Búsquedas contextuales de Servicios Basados en Localización en un entorno de Web Social
151
Tsetsos V., Papataxiarhis V., Hadjiefthymiades S., Personalization Based on Semantic Web
Technologies, Semantic Web Engineering in the Knowledge Society, IGI Global, págs. 52 - 75,
2009.
Tso-Sutter K., Marinho L. B., Schmidt L., Tag-aware Recommender Systems by Fusion of
Collaborative Filtering Algorithms, Proceedings of the 2nd ACM Symposium on Applied
Computing, pps. 1995-1999, ISBN: 978-1-59593-753-7, 2008.
Vanathi B., Rhymend Uthariaraj V., Collaborative Context Management and Selection in Context
Aware Computing, N. Meghanathan et al. (eds.), CCSIT 2011, Part III, CCIS 133, pp. 348-357,
Springer-Verlag Berlin, 2011.
Vangenot C., Multi-representation un spatial databases using the MADS conceptual model, ICA
Workshop on Generalisation and Multiple representation, Suiza, 2004.
Vert Gregory L., Sitharama Iyengar S., Phoha Vir V., Introduction to Contextual Processing –
Theory and Applications, pp. 29, CRC Press, Taylor & Francis Group, EUA, 2011.
Verbert K., Drachsler H., Manouselis N., Wolpers M., Vuorikari R., Duval, E., Dataset-driven
Research for ImprovingRecommender Systems for Learning. 1st International Conference
Learning Analytics & Knowledge, Canada, 2011.
WebTaller, El significado de los colores,
http://www.webtaller.com/maletin/articulos/significado_de_los_colores.php
Weinberger David, Everything Is Miscellaneous: The Power of the New Digital Disorder, Times
Books, ISBN-10: 0805080430, ISBN-13: 978-0805080438, 2007.
Yu S., Aufaure M., Cullot N., Spaccapietra S., A Collaborative Framework for Location-Based
Services, Swiss Federal Institute of Technology, Suiza, 2003.
Yu S., Spaccapietra S., Cullot N., Aufaure M., User Profiles in Location-based Services: Make
Humans More Nomadic and Personalized, Swiss Federal Institute of Technology, Suiza, 2004.
Yu S., Al-Jadir L., Spaccapietra S., Matching User’s Semantics with Data Semantics in Location-
Based Services, Swiss Federal Institute of Technology, Suiza, 2005.
Zeballos V., Comportamiento del consumidor en América Latina, Una manera diferente de ver al
mundo, 2007. http://vanessa-zeballos-ccmk27.nireblog.com/post/2007/11/17/comportamiento-del-
consumidor-en-america-latina.
Zhao P., Di L., Yang W., Yu G., Yue P., Geospatial Semantic Web: Critical Issues, Handbook of
Research on Geoinformatics, IGI Global, pps. 178-187, 2009.