tesis de maestria

Centro Nacional de Investigación y Desarrollo Tecnológico

Departamento de Ciencias Computacionales

TESIS DE MAESTRÍA EN CIENCIAS

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

presentada por

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

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

Director de tesis: Dr. Juan Gabriel González Serna

Co-Director de tesis:

Dra. Azucena Montes Rendón

Jurado:

Dra. Alicia Martínez Rebollar – Presidente M.C. Rocío Vargas Arroyo – Secretario

Dr. Juan Gabriel González Serna – Vocal

Cuernavaca, Morelos, México. 28 de febrero de 2012

DEDICATORIAS

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

A mi hermana y hermano.

A aquellos que habrán de formar parte de mi vida

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

AGRADECIMIENTOS

A MPC, por las bendiciones que no puedo medir y por los dones que no puedo

evaluar. Por a aquellos que me rodean y que tanto aportan a mi vida.

A mis padres, Martha y Porfirio. Por ser padres un ejemplo de vida, por su

cuidado, su sacrificio y el esforzarse cada día. Por haber dado tanto de sí mismos,

para que pudiese disfrutar de tantas cosas. Un agradecimiento eterno por su

amor, sus enseñanzas y el apoyo que desde siempre me brindaron, que se que

siempre tendré y que es para mí la herencia más valiosa que pidiera recibir.

A mis hermanos, Maho y Aby, por el cariño y apoyo que siempre he recibido de

ustedes, esperando que comprendan que si he de tener algún logro, es también

suyo e inspirado en ustedes.

A mi director de tesis, Dr. Juan Gabriel González Serna, por brindarme su apoyo,

por su confianza, por ser un amigo y por ser una gran influencia profesional.

A los miembros del grupo de investigación CARS, por fomentar el intercambio de

ideas debido al trabajo en equipo, por ay darme a adquirir nuevos conocimientos y

profundizar en lo aprendido anteriormente, por considerar a cada integrante del

grupo como una parte importante que debe ser valorada y por mantener un

ambiente de alegría aún en los momentos de pánico.

A los profesores que conocí como alumno de CENIDET, por sus enseñanzas y

sobre todo, por su consideración de la ética en la investigación y de la

responsabilidad social. Por los días en los que no pude evitar pensar "hoy he

aprendido algo".

Al Centro Nacional de Investigación y Desarrollo Tecnológico, que me permitió

vivir apreciadas y tensas experiencias, ser parte de la institución y crecer en tantos

aspectos.

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

investigación.

A los miembros del Ontology Engineering Group (OEG), por su ayuda durante una

experiencia muy intensa, en la que aprendí mucho de la convivencia, aunque

breve, con los miembros del grupo. Realmente, tener la posibilidad de

experimentar diferentes maneras de pensar y de vivir la profesión de investigador

es algo que hoy en día recuerdo con alegría, de tal forma que para mí, el

levantarme cada día por la mañana y tener un ambiente de trabajo tan

multicultural y ameno, ya era una experiencia positiva.

Al personal de la Universidad Politécnica de Madrid (UPM), por ser un apoyo muy

importante durante toda la duración de la estancia.

A Roció, Rafa, la Dra. Blanca y Hugo, por rescatarme en los momentos de

desesperación semánticos y otros momentos de pánico, por su sencillez y su

capacidad para transmitir conocimiento.

A Paty, Jaime, Everardo, Eliel, Sabo, Emma, Kaliz y resto de kushules, por todos

los momentos divertidos que pasamos juntos y el apoyo en los no tan divertidos.

A los residentes y veraniegos: Gio, Paco, Oscar, Chucho y Sadher, por sus

esfuerzos y contribuciones, sin las cuales este trabajo de tesis no estaría

terminado.

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

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

A todos ustedes, mil gracias.

RESUMEN

Dentro del dominio de los Sistemas de Recomendación Semánticos Conscientes

del Contexto (SRSCC) diseñados para organizaciones, existen trabajos que

ofrecen a los usuarios recomendaciones sobre distintos tipos de elementos

relacionados a la organización, manejando procesos de inferencia sobre

ontologías que modelan el contexto y las características de los usuarios, sin

embargo, la mayoría de estos sistemas tienen un dominio de recomendación

centrado en solo una parte de la organización, como la recomendación de

personas, la recomendación de documentos, la recomendación de eventos y la

recomendación de servicios, por ejemplo.

Esta tesis presenta un conjunto de conceptos, técnicas y metodologías aplicables

al desarrollo de SRSCC organizacionales, por lo que, con la finalidad de demostrar

la validez de esos elementos, se utilizaron en el desarrollo de un SRSCC llamado

T-Guía, el cual tiene el objetivo de ofrecer a los visitantes recomendaciones sobre

personas, objetos de conocimiento, lugares, actividades, eventos, recursos

tecnológicos y servicios -basados en competencias organizacionales- que resulten

interesantes para ellos.

Además, centrándose en el proceso de recomendación, se aplicó un conjunto de

pruebas sobre el motor de inferencia del SRSCC T-Guía, con el propósito de

verificar la forma en que los conjuntos de recomendaciones inferidos son

afectados por cambios en los factores contextuales y en las características de los

usuarios.

Finalmente, en calidad de trabajos futuros, se proponen actividades para

complementar y mejorar algunos de los conceptos propuestos en esta tesis.

ABSTRACT

In the semantic context-aware recommender systems domain there are works that

offer to the user recommendations about different types of elements related to an

organizational environment. These approaches use inference processes on

ontologies that model context and user characteristics. However, most of the

systems are centered on a single aspect of the organization such as expert people,

documents, events and services.

This thesis presents a set of concepts, techniques and methodologies applicable to

the development of Ontology Based Context-aware Recommender Systems

(OBCaRS).In order to demonstrate their validity, they are used in the development

of an OBCaRS. The specific developed OBCaRS is called T-Guía, which focuses

on offering recommendations to visitors about people, knowledge objects, places,

activities, events, technological resources and services based on organizational

competences relevant for the user.

Also, focusing on the recommendation process, a set of tests were applied to the

inference engine of the OBCaRS T-Guía, to verify how the set of recommendations

obtained is affected by changes in contextual factors and in the characteristics of

users.

Finally, as future works, some activities to complement and improve some of the

presented concepts are mentioned.

i

TABLA DE CONTENIDO

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

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

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

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

Capítulo 1 Introducción

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

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

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

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

2009] .................................................................................................................. 4

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

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

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

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

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

Capítulo 2 Marco Teórico

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

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

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

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

ii

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

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

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

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

Capítulo 3 Estado del Arte

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

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

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

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

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

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

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

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

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

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

Capítulo 4 Definición de una arquitectura genérica para un SRSCC

organizacional

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

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

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

4.3.1 Repositorio de recursos ontológicos y la Ontología de Memoria

Organizacional 1.0 ............................................................................................ 43

iii

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

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

4.3.4 Módulo de identificación de comportamiento de usuarios y análisis del

funcionamiento de un SRSCC .......................................................................... 54

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

Capítulo 5 Desarrollo del SRSCC organizacional T-Guía

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

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

5.2.1 Poblado de la Organizational Memory Ontology implementada y la

aplicación web Semantic T-Guide .................................................................... 67

5.2.1.1 Instanciación de los catálogos seleccionados: uso de la librería NOR2O .....................67

5.2.1.2 Instanciación de elementos organizacionales: Sistema de Administración de

Información Académica SAIA y método para la transformación de sitios de IES a la web 3.0 .69

5.2.1.3 Registro de los usuarios del T-Guía: Semantic T-Guide ...............................................73

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

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

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

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

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

5.4 Análisis y diseño de la interfaz adaptable para el cliente del SRSCC

organizacional T-Guía: Mobile T-Guide ................................................................ 86

5.5 Implementación una aplicación para el análisis del funcionamiento del T-Guía y

del comportamiento de sus usuarios: T-Guide Admin .......................................... 97

iv

Capítulo 6 Pruebas y caso de estudio

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

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

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

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

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

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

pruebas .......................................................................................................... 105

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

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

6.3.1 Evaluación experimental ........................................................................ 118

6.3.1.1 Caso de prueba 1. Análisis de la recomendación de ítems considerando variaciones

temporales en el proceso de inferencia .................................................................................. 118

6.3.1.2 Caso de prueba 2. Análisis de la recomendación de ítems de acuerdo al tipo de

usuario del Usuario Activo....................................................................................................... 125

6.4 Comportamiento del SRSCC organizacional T-Guía observado durante la fase

de pruebas ......................................................................................................... 138

Capítulo 7 Conclusiones

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

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

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

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

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

v

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

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

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

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

vi

LISTA DE FIGURAS

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

usuario mediante OWL………………………………………………………………………………………………………4

Figura 3.1: Red de ontologías mIO! …………………………………………………………………………………21

Figura 3.2: Modelo SeCoM………………………………………………………….…………………………………..22

Figura 3.3: Niveles del modelo contextual……………………………………………………………………….30

Figura 3.4: Arquitectura de MyMose……………………………………………………………………………….32

Figura 3.5: Relaciones principales de la SEEMP Reference Ontology………………….……………34

Figura 4.1: Caso de uso del comportamiento de un SRSCC organizacional típico…………….39

Figura 4.2: Caso de uso de la generación de recomendaciones en un SRSCC organizacional

típico……………………………………………………………………………………………………………………………….39

Figura 4.3: Arquitectura genérica de un SRSCC organizacional………………….…………………….40

Figura 4.4: Ontología de Memoria Organizacional versión 1.0………………….…………………….44

Figura 4.5: Caso de uso del comportamiento del Motor de Inferencia de un SRSCC

organizacional implementado para diversos tipos de organizaciones………………….………….50

Figura 4.6: Etapas del proceso de inferencia planteado para el Motor de Inferencia del

SRSCC organizacional T-Guía………………….…………………………….…………………………….……………51

Figura 5.1: Vista estática de los módulos del SRSCC organizacional T-Guía………………….…..59

Figura 5.2: Vista funcional de los elementos del SRSCC organizacional T-Guía…………………62

Figura 5.3: Contenido del modelo ontológico reducido………………….………………………………..63

Figura 5.4:Implementación de la Organizational Memory Ontology usando el editor

Protégé 3.4………………….…………………………….…………………………….……………………………………..64

Figura 5.5: Ventana principal de la página de documentación de la Organizational Memory

Ontology………………….…………………………….………………………………………………………………….…...65

Figura 5.6: Proceso para la instanciación de catálogos ……………………………………………..…….69

Figura 5.7: Proceso para la instanciación de elementos organizacionales………………………..72

Figura 5.8: Proceso para la instanciación de usuarios del T-Guía…………………………………….73

Figura 5.9: Formulario para la creación de una cuenta del T-Guía…………………………………..74

Figura 5.10: Formularios para la captura de los datos de contacto de un usuario de la

organización a la que pertenece………………….…………………………….……………………………………74

Figura 5.11: Módulos del Motor de Inferencia del sistema T-Guía…………………………………..77

Figura 5.12: Entradas y salida de la clase SWRL4U.java……………………………………………………78

Figura 5.13: Entradas y salida de la clase SPARQL4U.java………………….…………………………….78

Figura 5.14: Submódulo de pre-filtrado de ítems…………….…………………………….………………..81

Figura 5.15: Submódulo de extracción de instancias asociadas a una organización…………82

vii

Figura 5.16: Submódulo generador de recomendaciones………………….…………………………….84

Figura 5.17: Contenido del archivo de ejemplo nimrod.xml generado con el Módulo

generador de recomendaciones………………….…………………………….…………………………….………84

Figura 5.18: Submódulo para la actualización de conjuntos de ítems pre-filtrados…………86

Figura 5.19: Diagrama de casos de uso para la GUI adaptable del cliente del SRSCC

organizacional T-Guía………………….…………………………….…………………………….………………………87

Figura 5.20: Diagrama de casos de uso para organizar las recomendaciones en el cliente

móvil del SRSCC organizacional T-Guía………………….…………………………….…………………………..87

Figura 5.21: Diagrama de casos de uso para la interacción de los usuarios con las

recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía………………..88

Figura 5.22: Diagrama de casos de uso para registrar la interacción de los usuarios con las

recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía………………..88

Figura 5.23: Pantalla de bienvenida del Mobile T-Guide………………………………………………….89

Figura 5.24: GUI estándar del cliente del SRSCC organizacional T-Guía……………………………90

Figura 5.25: Adaptación de la GUI del cliente del SRSCC organizacional T-Guía……………..91

Figura 5.26: Estrategia de calificación manual implementada en el SRSCC organizacional T-

Guía………………….…………………………….…………………………….………………………………………………..93

Figura 5.27: Diseño de la base de datos para el cliente móvil del SRSCC organizacional T-

Guía………………….…………………………….…………………………….………………………………………………..94

Figura 5.28: Visualización de recomendaciones de personas para un usuario del tipo

Estudiante………………….…………………………….…………………………….……………………………………….94

Figura 5.29: Visualización de la información detallada de una recomendación………………..95

Figura 5.30: Visualización de recomendaciones de lugares para un usuario del tipo

Profesor Investigador………………….…………………………….…………………………….………………………95

Figura 5.31: Visualización de recomendaciones de proyectos para un usuario del tipo

Empresario………………….…………………………….…………………………….……………………………………96

Figura 5.32: Ejemplo del archivo tguia_valoradas.xml………………….…………………………….….96

Figura 5.33: Caso de uso de una aplicación para la implementación del Módulo de

identificación de comportamiento de usuarios……………………………………………………………..97

Figura 5.34: Diseño de la base de datos implementada para el SRSCC T-Guía……………...98

Figura 5.35: Caso de uso para el almacenamiento de información sobre el funcionamiento

del sistema en una aplicación para la implementación del Módulo de identificación de

comportamiento de usuarios………………….…………………………….…………………………….………..98

Figura 5.36: Pantalla de bienvenida del T-Guide Admin…………………………………………………99

Figura 5.37: Capturas de los reportes generados con el T-Guide Admin………………………..100

Figura 6.1: Capturas del cliente mostrando las recomendaciones ofrecidas al usuario

UsuarioProfesor2 según las variaciones temporales en el Escenario 1 ............................. 112

viii





Figura 6.4: Diferencia en las recomendaciones de tipo Persona ....................................... 115

Figura 6.5: Despliegue de datos asociados al ítem ............................................................ 116

Figura 6.6: Visualización de las recomendaciones de tipo Lugar, Recurso y Competencia

ofrecidas al usuario UsuarioProfesor2 ............................................................................... 116

Figura 6.7: Visualización de las recomendaciones de tipo Objeto de Conocimiento y

Actividades para el usuario UsiarioProfesor2 .................................................................... 117

Figura 6.8: Cierre de la sesión del usuario UsuarioProfesor2 en la GUI adaptable ........... 117

Figura 6.9: Diferencias entre los ítems de tipo Competencias recomendados al usuario

UsuarioMuestra1 ................................................................................................................ 126

Figura 6.10: Recomendaciones enlistadas para el UsuarioMuestra1 con el valor de

Profesor para el atributo userType ..................................................................................... 127


Estudiante para el atributo userType ................................................................................. 128


Empresario para el atributo userType ................................................................................ 129


Profesor para el atributo userType .................................................................................... 132

















ix

Figura 6.4: Diferencia en las recomendaciones de tipo Persona ....................................... 115

Figura 6.5: Despliegue de datos asociados al ítem ............................................................ 116

Figura 6.6: Visualización de las recomendaciones de tipo Lugar, Recurso y Competencia

ofrecidas al usuario UsuarioProfesor2 ............................................................................... 116

Figura 6.7: Visualización de las recomendaciones de tipo Objeto de Conocimiento y

Actividades para el usuario UsiarioProfesor2 .................................................................... 117

Figura 6.8: Cierre de la sesión del usuario UsuarioProfesor2 en la GUI adaptable ........... 117

Figura 6.9: Diferencias entre los ítems de tipo Competencias recomendados al usuario

UsuarioMuestra1 ................................................................................................................ 126


Profesor para el atributo userType ..................................................................................... 127

















x

LISTA DE TABLAS

Tabla 3.1: Comparativa de los trabajos relacionados con el proyecto de tesis ................... 36

Tabla 5.1: Ontologías importadas en implementación de la Organizational Memory

Ontology ............................................................................................................................... 65

Tabla 6.1: Resumen de los elementos del conjunto I usado en la fase de pruebas .......... 105

Tabla 6.2: Instanciación del conjunto I usado en la fase de pruebas ................................. 105

Tabla 6.3: Instanciación de los datos del usuario UsuarioProfesor2 ................................. 109

Tabla 6.4: Elementos del subconjunto Iua para el usuario UsuarioProfesor2 .................. 110

Tabla 6.5: Elementos del subconjunto I´ua para el usuario UsuarioProfesor2 .................. 111

Tabla 6.6: Variaciones contextuales en el caso de uso del usuario UsuarioProfesor2 ...... 111

Tabla 6.7: Elementos del conjunto Rua para el usuario UsuarioProfesor2 ....................... 112

Tabla 6.8: Casos de prueba ................................................................................................. 118

Tabla 6.9: Escenarios para la Prueba 1 ............................................................................... 119

Tabla 6.10: Promedios de los tiempos de ejecución y las recomendaciones inferidas ..... 120

Tabla 6.11: Cantidad de ítems recomendados por categoría, por tipo de usuario y por

escenario............................................................................................................................. 123

Tabla 6.12: Recomendaciones para el UsuarioMuestra1 de acuerdo al atributo userType

............................................................................................................................................ 130

Tabla 6.13: Hipótesis probadas en cada caso. .................................................................... 130


............................................................................................................................................ 131


……….…………………………………………………………………………………………………………………………….131

xi

LISTA DE GRÁFICAS

Gráfica 6.1: Variaciones en el tiempo total de ejecución medido en milisegundos bajo tres

combinaciones diferentes de variables temporales. ......................................................... 121

Gráfica 6.2: Variaciones en la cantidad de recomendaciones inferidas bajo tres

combinaciones diferentes de variables temporales .......................................................... 121

Gráfica 6.3: Variaciones en el tiempo total de ejecución del Módulo generador de

recomendaciones medido en milisegundos bajo tres combinaciones diferentes de

variables temporales. ......................................................................................................... 122

Gráfica 6.4: Frecuencia de repetición de los ítems de acuerdo a los tres escenarios

definidos ............................................................................................................................. 123

Gráfica 6.5: Frecuencia de repetición porcentual de un ítem de acuerdo a los tipos de

usuario ................................................................................................................................ 124

1

CAPÍTULO 1 INTRODUCCIÓN

En este capítulo se explica el contexto del trabajo de tesis desarrollado, el

problema a abordar, el objetivo y los alcances del mismo, además de la

organización en general del documento.

2

1.1 Introducción

En años recientes, ha crecido la tendencia hacia el desarrollo de aplicaciones que

buscan ofrecer a los usuarios altos niveles de comodidad, de tal forma que en la

actualidad se pone gran interés en capturar la información del entorno en el que el

usuario se desenvuelve [Sadeh, 2006]. Es por esto que los Sistemas de

Recomendación Conscientes del Contexto (SRCC) han adquirido una enorme

importancia en las áreas de investigación y desarrollo vigentes hoy en día.

Los SRCC filtran información para presentar al usuario aquella que resulte de su

interés, utilizando para ello el perfil del usuario y su contexto. Cuando la

información sobre la que opera el SRCC está descrita en ontologías se le llama

Sistema de Recomendación Semántico Consciente del Contexto (en adelante,

SRSCC). En un SRSCC pueden usarse reglas de inferencia para realizar el

proceso de filtrado.

De acuerdo a los enfoques actuales, el contexto es cualquier información que

pueda ser usada para caracterizar la situación de una entidad, donde una entidad

puede ser una persona, lugar u objeto físico o computacional, por lo que puede

verse como un espacio multidimensional donde cada dimensión es representada

por una ontología especifica [Bouzeghoub, 2009].

Bajo esta idea, los datos del contexto pueden incluir diversos aspectos, tales

como: dispositivo de usuario, red de acceso, ubicación espacial, ubicación

temporal, situación del usuario, patrones de comportamiento, consideraciones

sociales, entre otros. En cuanto al perfil del usuario se incluyen características que

describen aspectos económicos, de ocupación, sus preferencias, gustos y otros

grupos de datos que sean necesarios para el correcto funcionamiento del sistema.

Para modelar el contexto como un espacio multidimensional puede implementarse

una red de ontologías, en la que se utilizan ontologías específicas relacionadas

entre sí de acuerdo a las dimensiones requeridas, formando un conjunto que

adquiere el nombre de ontología de contexto multidimensional. Mientras más

dimensiones se consideran, el SRSCC tiene una mayor variedad de información a

considerar en su proceso de inferencia, pudiendo generar recomendaciones cada

vez más adecuadas.

Un SRSCC implementado en una organización pode recomendarle a un usuario,

por ejemplo, personas, instalaciones, libros, servicios, trámites y cualquier

información que sea afín a sus intereses.

3

En este trabajo de tesis se presenta un SRSCC que utiliza diversas ontologías

desarrolladas a partir de estándares internacionales, las cuales se interconectan

para modelar un gran número de dimensiones contextuales relacionadas con

ambientes organizacionales. Dichas dimensiones consideran múltiples dominios

de conocimiento, como la contabilidad y las ciencias de la computación, el

modelado de comercio electrónico, el manejo de recursos humanos y la

administración empresarial.

El conjunto final de ontologías que permite modelar información de Instituciones

de Educación Superior (IES), empresas y dependencias de gobierno, además,

mediante el uso de reglas de inferencia, es posible identificar varios atributos de

estas organizaciones, como son servicios, objetos de conocimiento, personas y

productos que pueden ser de interés para un usuario.

1.2 Antecedentes

La Web Semántica y los servicios de recomendación contextual semánticos son

dos de los temas que más atención han recibido en los últimos años en el

CENIDET, resaltando la relevancia que han adquirido específicamente en la línea

de investigación de Sistemas Distribuidos, dentro de la cual se han realizado

diversos trabajos relacionados con la creación y uso de ontologías, además del

desarrollo de servicios de recomendación para ambientes organizacionales.

Debido a esto, varios trabajos, incluidos algunos que aún se encuentran en

desarrollo al momento de redactar este documento de tesis, impactan de manera

importante en la investigación realizada, por lo que se describen en las secciones

siguientes.

1.2.1 T-Guide [Arjona, 2009]

Este trabajo desarrolla servicios conscientes del contexto para la localización de

personas mediante tecnologías de posicionamiento heterogéneas. Estos servicios

permiten a un usuario realizar las actividades que tiene programadas en su

agenda personal, las cuales están relacionadas con una ubicación específica, es

decir, se define una relación espacio-tiempo.

4

En este proyecto se utilizan tecnologías de auto-identificación, como RFID y

QRCode, además de teléfonos celulares para la localización de usuarios, los

cuales se pueden encontrar dentro de edificios multinivel y en áreas tipo campus,

es decir con varios edificios.

El sistema desarrollado en este trabajo de investigación consta de 3 aplicaciones:

el cliente montado en el dispositivo celular, el servidor que atiende las peticiones

del cliente y la aplicación Web que gestiona la información de tareas, ubicaciones,

usuarios y recursos.

1.2.2 Generador semiautomático de perfiles de usuario mediante

OWL [Rojas, 2009]

Este trabajo de investigación define una ontología que permite modelar a un

usuario, así como sus costumbres, roles cotidianos y características. Esta

ontología es poblada mediante una interfaz gráfica de un ambiente de desarrollo

para poder instanciarla y explotarla. La ontología comprende el conjunto de todas

las clases mostradas en la Figura 1.1.

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

5

1.2.3 Modelo colaborativo para la integración de sistemas

[Vargas, 2011]

Dentro de este trabajo de investigación, aun en desarrollo, se realiza el modelado

organizacional semántico para caracterizar competencias organizacionales,

competencias individuales, objetos de conocimiento, infraestructura y servicios. El

modelo contempla la definición de un perfil organizacional formado por los

atributos generales, los atributos financieros y las competencias de una

organización, la descripción de su capital intelectual a partir del capital humano, el

capital estructural y el capital relacional, y la definición de un perfil individual

dependiente del dominio de conocimiento para caracterizar competencias

individuales de los miembros de la organización.

De manera adicional, se busca el desarrollo de servicios de recomendación para

la conformación de grupos de trabajo sinérgicos basado en modelos semánticos

de competencias, tanto organizacionales como individuales.

1.3 Descripción del problema

En la actualidad, es habitual el desarrollo de sistemas de información que buscan

proporcionar al usuario altos niveles de comodidad y facilidad de uso,

proporcionando toda la información necesaria justo en el momento para apoyar el

proceso de toma de decisión, estos sistemas requieren información de la

ubicación del usuario [Sadeh, 2006]; esto se logra mediante servicios de

información contextuales que explotan el perfil del usuario y los datos de su

ubicación actual. Algunas de estas aplicaciones son los sistemas de

recomendación sensibles al contexto y existen algunos de ellos que poseen

características semánticas, a los que se les denomina Sistema de Recomendación

Semántico Consciente del Contexto (SRSCC).

Los SRSCC consideran el contexto de un usuario analizando diferentes factores,

y en base a ello, adaptan las recomendaciones de modo que satisfagan los

intereses del usuario. Adicionalmente, algunos SRSCC recurren al uso de las

ontologías para generar ―descripciones semánticas de servicios, lo cual facilita a

los agentes software su descubrimiento‖ [Peis, 2008].

6

Hoy en día los SRSCC consideran como información de contexto diversos

aspectos, tales como las características del dispositivo móvil de un usuario, los

servicios de conexión disponibles en el lugar que permitan acceder a una red de

área local, la ubicación espacial de personas y objetos, además de la ubicación

temporal, situación del usuario, patrones de comportamiento y consideraciones

sociales.

Esto implica que los SRSCC deben ser capaces de ubicar a un usuario e

identificar sus requerimientos o necesidades no explicitas, con la intención de

ofrecerle al usuario recomendaciones eficientes en la satisfacción de sus

necesidades.

Para que los SRSCC que se implementan actualmente en organizaciones infieran

las necesidades de un usuario, los edificios deben contar con mecanismos que

permitan monitorear su entorno, identificando personas, objetos y lugares

(instalaciones) propias de la organización o evento.

Sin embargo, en el diseño de SRSCC para organizaciones, normalmente no se

consideran aspectos relacionados con los servicios proporcionados al usuario y

los objetos de conocimiento asociados a las personas que pertenecen a una

organización.

Al no considerar estos elementos, se descuidan aspectos importantes relativos a

la naturaleza de la organización, haciendo que las recomendaciones no sean tan

precisas como deberían serlo.

Para desarrollar un SRSCC que considere los servicios ofrecidos por una

organización y los objetos de conocimiento asociados a ésta, se requiere de una

máquina de inferencia que opere con un conjunto de reglas definidas para

dominios específicos, es decir, reglas agrupadas según el tipo de organización en

la que se implemente el sistema.

En este trabajo de investigación se pretende desarrollar un mecanismo que

permita procesar reglas de inferencia para, asociar personas, actividades,

capacidades, objetos de conocimiento, instalaciones, localización geoespacial y

ubicación temporal, de manera que se infieran recomendaciones para un usuario,

extrayendo sus atributos de una ontología de perfiles, para asociarlos a los

conceptos de una ontología de dominio, de tal manera que sea posible identificar

los servicios que sean de su interés.

Utilizando este tipo de asociación en un SRSCC para una IES, se podrá, por

ejemplo, recomendar objetos de conocimiento a los usuarios que ingresen, tales

como: tesis, artículos técnicos, libros, prototipos de software, también se pueden

7

recomendar equipo de laboratorio especializado y personas; todas estas

recomendaciones dependen de las áreas de interés que define el usuario en su

perfil y que mediante modelos semánticos se pueden inferir.

De manera similar, si un usuario ingresa a un edificio de gobierno, el SRSCC

debe recomendar, por ejemplo: lugar para realizar ciertos trámites, pago de

servicios, las personas responsables de estos servicios o formatos requeridos

para realizar trámites. Otro escenario puede presentarse en un congreso, en

donde se identifica de manera automática al usuario y se le hacen

recomendaciones de conferencias relacionadas con su área de interés para

planificar el horario de las mismas, en este mismo escenario se puede conformar

también redes académicas identificando a conferencistas o asistentes al congreso

con quienes comparte área de conocimiento o líneas de investigación comunes.

1.4 Objetivo

Esta tesis es realizada con el objetivo de desarrollar servicios de recomendación

contextuales para usuarios móviles de un SRSCC organizacional, mediante la

explotación de ontologías organizacionales y ontologías de perfil de usuario, para

inferir recomendaciones de servicios, personas, lugares y objetos asociados a una

organización.

Las recomendaciones ofrecidas son visualizadas mediante el dispositivo móvil de

un usuario, aplicando técnicas avanzadas de interacción basadas en texto y

utilizando el potencial de los dispositivos móviles de última generación.

Para el cumplimiento del objetivo general, se manejan los objetivos específicos

que se describen a continuación:

Crear un conjunto de reglas de inferencia basadas en el perfil del usuario y

el contexto de organizaciones.

Diseñar e implementar en un dispositivo móvil un módulo para explotar las

recomendaciones de la máquina de inferencia.

Diseñar e implementar una interfaz de usuario en el dispositivo móvil para

mostrar las recomendaciones además de las técnicas para poder

interactuar con éstas.

Diseñar e implementar una red de ontologías multidimensional que

represente dimensiones de un ambiente organizacional.

8

1.5 Justificación y beneficios

Refiriéndose a ambientes organizacionales, a pesar del coste que representa

reestructurar la información existente para adaptarla a un modelo semántico, el

uso de un SRSCC en una organización en vez de uno tradicional permite

incorporar relaciones y contenido semántico a dicha información, lo cual se refleja

en la aplicación de procesos de inferencia en base a su significado. Para ello, se

necesita un conjunto de reglas de inferencia adecuadas para dicha organización,

además de un conjunto de ontologías apropiado para describir sus servicios

ofrecidos, las preferencias de sus usuarios y su contexto.

Actualmente, para realizar el proceso de inferencia, la mayoría de SRSCC para

organizaciones no considera objetos de conocimiento, ni las capacidades

tecnológicas y científicas de las personas que laboran en ella, específicamente en

las IES. Al considerar objetos de conocimiento y capacidades en un SRSCC, es

posible incrementar la eficiencia de las recomendaciones que se infieren en un

ambiente organizacional.

Este trabajo de tesis desarrolla un conjunto de reglas que operan sobre el perfil

de los usuarios y el contexto de diferentes tipos de instituciones, con el fin de

incrementar los alcances de los SRSCC para ambientes organizacionales.

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

Se tiene un conjunto de reglas de inferencia que consideran la información

que describe a una organización y las preferencias de un usuario, que se

pueden reutilizar en trabajos futuros.

Se identificaron subconjuntos de reglas específicos para cada tipo de

organización, por lo cual es posible implementar sólo aquellos subconjuntos

que sean apropiados al tipo de institución para el que se desarrolle un

SRSCC.

La información contenida en las ontologías organizacionales considera

objetos de conocimiento y competencias individuales.

Se tiene un servicio de recomendación adaptable a diversos tipos de

organizaciones, el cual es capaz de ofrecer distintos resultados

considerando el entorno en el que se desenvuelve un usuario.

Las funciones del cliente del sistema de recomendación se pueden colocar

en diversos dispositivos móviles.

El trabajo realizado permite que otros desarrolladores hagan uso de una o

más funciones que requieran en futuras investigaciones.

9

1.6 Organización del documento

Este documento de tesis se encuentra organizado en siete capítulos, los cuales

describen el trabajo de investigación en sus diversas etapas como se indica a

continuación:

Capítulo 2 Marco Teórico. En este capítulo se describe la etapa relacionada con

la Investigación de conceptos claves de los SRSCCs, por lo que se presenta un

marco teórico al respecto, donde se incluyen conceptos y principios técnicos sobre

los sistemas de recomendación contextuales semánticos, redes de ontologías y

métodos de inferencia semánticos.

Capítulo 3 Estado del Arte. En este capítulo se presenta información obtenida de

la actividad de Investigación de los enfoques actuales en el desarrollo de

SRSCCs, describiendo brevemente sistemas de recomendación contextuales

semánticos y las ontologías usadas en ellos para la representación del contexto.

Capítulo 4 Definición de una arquitectura genérica para un SRSCC

organizacional. Como su nombre lo indica, en este capítulo se describe una

arquitectura capaz de permitirle a un SRSCC realizar las tareas involucradas con

su funcionamiento, las cuales se han asociado a módulos específicos que

consideran los enfoques analizados en el estado del arte.

Capítulo 5 Desarrollo del SRSCC organizacional T-Guía. En este capítulo se

describen la forma en que la arquitectura propuesta fue usada en el desarrollo de

un SRSCC organizacional, llamado T-Guía, el cual está diseñado para funcionar

de forma proactiva con clientes móviles en entornos de tipo campus.

Capítulo 6 Pruebas y caso de estudio. En este capítulo se detalla la etapa de

Pruebas al SRSCC organizacional T-Guía, especificando los resultados

observados y las hipótesis que se buscaron comprobar. Además, se describe un

escenario de uso del T-Guía en el que se analiza el comportamiento del sistema

bajo distintas variaciones contextuales.

Capítulo 7 Conclusiones. En este capítulo se plantean las conclusiones

obtenidas con la realización de este trabajo, además de sugerir áreas de

oportunidad y posibles trabajos futuros que pueden ampliar esta investigación.

Por último, se incluye una sección de anexos que aportan información de soporte

a la investigación realizada, la cual no se incorpora en el contenido principal del

documento debido a su extensión o por ser material redactado explícitamente

como complemento a aspectos claves del trabajo de tesis.

10

CAPÍTULO 2 MARCO TEÓRICO

Los contenidos de este capítulo explican conceptos necesarios para la realización

del trabajo de tesis, abarcando temas relacionados a sistemas de recomendación

contextuales semánticos, redes de ontologías y métodos de inferencia semánticos.

11

2.1 Sistema de recomendación semántico adaptable al contexto

Los sistemas de recomendación semánticos basan su proceso de recomendación

sobre una base de conocimiento, normalmente definida a través de un esquema

de conceptos (como una taxonomía o un tesauro) o una ontología, y además, para

ser considerados como adaptables al contexto, estos tipos de sistemas deben

tomar en consideración diferentes factores (temporales, de lugar, nivel de

experiencia del usuario, dispositivo que se está utilizando en el momento de recibir

la recomendación, entre otros.) para inferir el contexto en que se encuentra el

usuario y adaptar las recomendación a esas circunstancias, facilitando el acceso

de los usuarios a la información que necesitan [Peis, 2008].

Para realizar este proceso de inferencia, las técnicas utilizadas por los sistemas de

recomendación adaptables al contexto usan lo que se considera como

conocimiento funcional, es decir, se tiene conocimiento acerca de cómo un

elemento en particular responde a una necesidad particular del usuario, y por lo

tanto se puede razonar sobre la relación entre una necesidad y una posible

recomendación [Burke, 2002].

2.2 Ontología de contexto multidimensional

El contexto es cualquier información que puede ser usada para caracterizar la

situación de una entidad, donde una entidad puede ser una persona, lugar u

objeto físico o computacional, por lo que puede verse como un espacio

multidimensional donde cada dimensión es representada por una ontología

especifica [Bouzeghoub, 2009]. Para ello, se maneja una red de ontologías,

relacionadas entre sí, las cuales en conjunto contienen la información que

describe el contexto y adquieren el nombre de ontología de contexto

multidimensional.

12

2.3 Clasificaciones de sistemas de recomendación

Existen dos clasificaciones de sistemas de recomendación manejadas en la

literatura, la primera de ellas define las siguientes categorías [Balabanovi, 1997]:

Basados en contenido: al usuario se le recomiendan ítems basados en lo

que le ha gustado previamente.

Colaborativos: al usuario se le recomiendan ítems que han sido del agrado

de usuarios con preferencias similares.

Híbridos: estos sistemas combinan el enfoque basado en contenidos con el

enfoque colaborativo.

La segunda clasificación agrupa a los sistemas de recomendación en basados en

reglas, de filtrado colaborativo y de personalización basada en contenidos

[Shipman, 1995], [Chen, 1998].

2.4 Algoritmos de recomendación contextual

En los enfoques analizados para el desarrollo de sistemas de recomendación, se

encontró que existen diferencias significativas entre las técnicas de filtrado basado

en contenidos, entre las técnicas de filtrado colaborativo y entre las técnicas de

filtrado híbrido, pues cada una de éstas tiene características bien definidas que se

describen en los apartados siguientes:

2.4.1 Técnicas de filtrado basado en contenidos

Los sistemas de recomendación basados en contenidos utilizan algoritmos que

analizan la descripción de los ítems, con el objetivo de identificar aquellos que

resulten de interés para el usuario [Balabanović, 1997]. En este tipo de algoritmos

se tiene un perfil de usuario que describe sus preferencias en base a las

características de los objetos que ha calificado, lo que en la literatura se conoce

como ―correlación ítem-a-ítem‖ [Burke, 2002].

13

Existen diferentes formas de representar los ítems; una técnica para crear

estructuras que representen el contenido de los ítems es el stemming, cuya meta

es determinar un término que refleje el significado común existente entre

diferentes palabras [Balabanović, 1997]. El valor de una palabra (variable)

asociada a un término es un número real que representa su relevancia.

Dentro de los algoritmos de recomendación sobre contenidos se distinguen los

siguientes enfoques:

Árboles de decisión y reglas de inducción.

Redes neuronales.

Vecino más cercano.

Algoritmo de Rocchio.

Clasificadores lineales.

Métodos probabilísticos y Naïve Bayes.

2.4.2 Técnicas de filtrado colaborativo

Los algoritmos de filtrado colaborativo proporcionan recomendaciones o

predicciones de ítems basándose en la opinión de usuarios con características

similares, siendo que esta opinión puede ser obtenida de manera explícita o

implícita.

En otras palabras, la meta de los algoritmos de filtrado colaborativo es sugerir

nuevos ítems o predecir la utilidad de cierto ítem para un usuario particular,

basándose en los gustos y opiniones definidos previamente por usuarios similares

[Sarwar, 2001].

Para un escenario típico de filtrado colaborativo se tiene una lista de m usuarios

U = {𝑢1; 𝑢2; … ; 𝑢𝑚 } y una lista de n ítems I= {𝑖1; 𝑖2; … ; 𝑖𝑛 }. Cada usuario 𝑢𝑖 tiene

una lista de ítems 𝐼𝑢 𝑖 para los cuales expresa opiniones que pueden ser explicitas

al asignarles una puntuación (normalmente dentro de una escala establecida), o

implícita obtenida a partir de los registros.

El usuario específico para el cual se desarrolla el proceso de filtrado se le llama

usuario activo, y se distingue como 𝑢𝑎 , y se han establecido dos formas de definir

si un ítem es aceptable para un usuario, una de ellas es la predicción y la segunda

es la recomendación:

14

Predicción: es un valor numérico 𝑃𝑎 ,𝑗 que expresa el grado de

satisfacción calculado para un ítem 𝐼𝑗 ∈ 𝐼𝑢𝑎con respecto a un usuario

activo 𝑢𝑎 .

Recomendación: es una lista de N ítems 𝐼𝑟 ⊂ 𝐼, que podrían ser del

agrado de un usuario activo.

Los algoritmos de filtrado colaborativo manejan una matriz de valoraciones A de

m×n para representar la puntuación aginada por un usuario para un ítem.

2.4.3 Técnicas de filtrado híbrido

Los sistemas de recomendación híbridos combinan dos o más técnicas de

recomendación para tener un mejor desempeño. A continuación se describen

algunas de las combinaciones más comunes [Burke, 2002].

Ponderación o Weighted: en este enfoque se calcula un puntaje

para un ítem a partir de todas las técnicas de recomendación

disponibles en el sistema.

Conmutación o Switching: en este enfoque el sistema utiliza algún

criterio para cambiar entre distintas técnicas de recomendación

dependiendo de la situación presente al momento de efectuar la

recomendación.

Mixta: en este enfoque se utilizan más de una técnica de

recomendación que pueden ser ejecutadas simultáneamente, lo cual

es útil cuando se necesita generar múltiples recomendaciones al

mismo tiempo.

Función de combinación: en este enfoque se realiza una mezcla

entre algoritmos colaborativos y basados en contenido al tratar la

información colaborativa simplemente como datos adicionales, y

usar técnicas basadas en contenidos sobre el conjunto de datos

extendido. De este modo, se pueden considerar datos colaborativos

sin tener que depender exclusivamente de ellos, lo que reduce la

sensibilidad del sistema a la cantidad de usuarios que han calificado

un ítem. Otra particularidad es que permite tener una apreciación de

la similitud entre los ítems que no sería visible usando únicamente

técnicas colaborativas.

15

Cascada: la hibridación cascada implica un proceso por etapas,

primeramente se emplea una técnica para producir un conjunto de

ítems candidatos, a partir de éste se aplica una segunda técnica que

refina la recomendación de ítems. Su eficiencia radica en que la

segunda técnica se aplica sólo a los elementos que requieren un

segundo filtrado, mientras que en otros enfoques cada técnica se

aplica a todos los elementos.

Función de incremento: en este enfoque, se emplea una técnica

para producir la clasificación de un ítem incorporando esta

información denle el proceso de la siguiente técnica de

recomendación.

Meta-nivel: en este enfoque se usa el modelo generado por una

técnica como entrada de otra. El meta-nivel hibrido se enfoca

exclusivamente en la recomendación conocida como "colaboración

vía contenido" y tiene la ventaja de que el modelo es una versión

comprimida de los intereses del usuario y un mecanismo colaborativo

que puede operar fácilmente sobre su representación de densidad de

información.

2.5 Lenguaje de Reglas de la Web Semántica (SWRL)

El Lenguaje de Reglas de la Web Semántica (SWRL, o Semantic Web Rule

Language e inglés), se basa en una combinación de los sub-lenguajes OWL DL,

OWL Lite y RuleML y usa una notación similar a la EBNF [Horrocks, 2004]. SWRL

extiende el conjunto de axiomas de OWL para incluir clausulas de Horn1. Esto

hace posible combinar clausulas de Horn con una base de conocimientos en

OWL. Además, posee una sintaxis abstracta de alto nivel, con la que se puede

describir una ontología de OWL como una secuencia de axiomas y hechos.

Las reglas definidas con SWRL se definen como cláusulas de Horn, estableciendo

una relación entre un antecedente y un consecuente, es decir, cuando se cumplen

las condiciones definidas en el antecedente, las condiciones establecidas en el

1 Clausula de Horn: De acuerdo a [Nielson, 2002], una cláusula de Horn es un conjunto finito de

implicaciones. Cada implicación r es de la forma h ⇐ α donde h y α son la cabeza (antecedente) y la condición previa de r, respectivamente. En otras palabras, en una clausula se puede expresar

una disyunción de literales con al menos una literal positiva, por ejemplo: p q t

u

16

consecuente deberán cumplirse también. Estas reglas se definen de la forma

Antecedente (body) -> Consecuente (head).

Cada consecuente puede estar formado por un conjunto de átomos (incluso el

conjunto vacío) y se pueden utilizar referencias URI, que sirven para identificar

una regla y las variables son marcadas con un signo ‗?‘ como prefijo. Un ejemplo

de regla en SWRL es: la afirmación de que las propiedades hasParent y

hasBrother implican hasUncle.

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

17

CAPÍTULO 3 ESTADO DEL ARTE

Este capítulo presenta tópicos relacionados con las tendencias y enfoques

actuales en los sistemas de recomendación contextuales semánticos, los cuales

impactaron en el desarrollo de éste trabajo de tesis.

18

3.1 Categorización de trabajos

Los trabajos relacionados que se describen a continuación corresponden a

proyectos de investigación recientes (2008-2010), relacionadas con el tema de

tesis. En estos trabajos se presentan Sistemas de Recomendación Semánticos

Conscientes del Contexto (SRSCCs) que usan bases de conocimientos de dos

tipos, las que utilizan redes de ontologías y las que se basan en ontologías

tradicionales y recursos no ontológicos. En el primer tipo de base de

conocimientos se busca modelar toda la información que engloba a un SRSCC,

mientras que en el segundo caso, la mayoría de los enfoques se centran en

modelar las preferencias e intereses de los usuarios en una ontología y los

aspectos relacionados con la información contextual son obtenidos de otras

fuentes. Posteriormente se analizan tres trabajos que abordan el uso de redes

ontológicas y seis trabajos en los que se explotan ontologías tradicionales.

Finalmente, se incluye la descripción de una red de ontologías para el modelado

semántico de recursos humanos, cuyos módulos ontológicos se encuentran

estrechamente relacionados con las dimensiones contextuales manejadas en este

trabajo de tesis.

3.2 Propuesta de Bouzeghoub [Bouzeghoub, 2009]

El trabajo desarrollado por Bouzeghoub se enfoca a SRSCC que realizan

recomendaciones sobre personas, edificios, eventos y recursos disponibles

[Bouzeghoub, 2009]. Además, considera usuarios con dispositivos móviles en un

entorno de tipo campus, a los que de forma proactiva y según la situación del

usuario, se les muestra información sobre los edificios e individuos más

relevantes que se encuentran cerca de él.

Dentro de este enfoque, se sugiere que ―el contexto es un espacio

multidimensional donde cada dimensión es representada por una ontología

especifica‖, además, el concepto de situación es manejado bajo la siguiente

definición: ―una situación describe la información contextual durante un instante de

tiempo‖ [Bouzeghoub, 2009]. Esto corresponde a un conjunto de relaciones

semánticas, las cuales son validas en un instante dado o que son estables en un

intervalo de tiempo. Una situación combina todas o algunas dimensiones

19

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

de situación‖.

La red de ontologías manejada está formada por cinco ontologías, las cuales se

describen a continuación:

1. Domain ontology: está ontología permite crear instancias de competencias

y recursos, (equipos y documentos), que se manejan en el sistema.

2. User ontology: incluye una lista de las competencias del usuario (conceptos

que trabaja u ofrece, así como un nivel de conocimiento, ponderado de

menos a más, que está asociado a cada concepto), una lista de sus

intereses, y una lista de recursos que ha aprendido, visto o recomendado.

3. Activity ontology: diseñada para modelar las actividades que realizan los

usuarios.

4. Location ontology: se basa en las ontologías de [Chen, 2003]. Maneja

conceptos relacionados a la localización geográfica (ejemplo, ‗inDoor‘, ‗out-

Door‘, ‗room‘, ‗school‘, ‗class‘, ‗street‘, ‗office‘, ‗train‘...), entidades

geopolíticas (‗Country‘, ‗Home‘, ‗City‘, ‗Company‘, ‗University‘, ‗State‘,

‗Department‘…) y sus relaciones.

5. Time information ontology: usan la ontología OWL-Time2 [W3C, 2006] como

modelo de tiempo, la cual es extendida para los fines del proyecto e

implementada en F-Logic. Los conceptos básicos de esta ontología son:

‗instant‘, ‗interval‘, ‗instant event‘, y ‗interval event‘ y las relaciones básicas

son ‗before‘, ‗after‘, ‗inside‘.

Además del contexto y perfil de usuario, en el proceso de inferencia se

considera el historial de recomendaciones, el cual almacena las recomendaciones

aceptadas previamente por los usuarios, para determinar cuáles son las

recomendaciones más novedosas.

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

20

3.3 Proyecto mIO! [Cadenas, 2009]

El proyecto mIO! está orientado al sector turismo, considerando usuarios finales

con dispositivos móviles en un ambiente urbano, para quienes se ofrecen

recomendaciones sobre puntos de interés, servicios y ofertas comerciales,

permitiendo también mantener una interfaz adaptable a los clientes.

La base de conocimientos usada consiste en una red de ontologías para la

descripción del contexto, llamada mIO!, la cual fue creada usando la metodología

para la creación de redes de ontologías NeOn [Cadenas, 2009]. Esta red de

ontologías, mostrada en la Figura 3.1: Red de ontologías mIO! está formada por

las ontologías siguientes:

1. User ontology: esta ontología es usada para modelar información sobre

personas, grupos y organizaciones. Es definida reutilizando las ontologías

CoDAMoS3 y FOAF4.

2. Role ontology: esta ontología es usada para modelar roles, perfiles y

preferencias.

3. Environment ontology: esta ontología modela la información relacionada

con el ambiente, como humedad, luminosidad, ruido, etc. Esta ontología

reutiliza la ontología CoDAMoS.

4. Location ontology: esta ontología es usada para modelar información

relacionada a la localización, como lo son edificios, entidades espaciales,

coordenadas, distancia, etc. En su diseño se reutilizó la ontología SOUPA5.

5. Time ontology: en esta ontología se modela información sobre el tiempo, tal

como unidades temporales, entidades temporales, instantes, intervalos, etc.

Esta ontología es obtenida por la reutilización de la ontología OWL-Time.

6. Service ontology: esta ontología modela el conocimiento sobre los servicios.

7. Provider ontology: esta ontología modela la información sobre el proveedor

de servicios.

8. Device ontology: esta ontología reutiliza la ontología CoDAMoS , y modela

información sobre el hardware, el software y la plataforma de los

dispositivos.

9. Interface ontology: esta ontología modela información sobre las diferentes

interfaces de usuario que un dispositivo puede proporcionar.

10. Network ontology: esta ontología modela el conocimiento sobre las redes

de comunicación.

3 http://www2.cs.kuleuven.be/~distrinet/projects/CoDAMoS/ontology/context.owl

4 http://xmlns.com/foaf/spec/

5 http://cobra.umbc.edu/ont/soupa-ont.tar.gz

21

Figura 3.1: Red de ontologías mIO!

De manera adicional, en este proyecto se propone el uso de un historial del

contexto, el cual deberá ser considerado en el proceso de inferencia para deducir

mejores recomendaciones.

3.4 Proyecto ICAS [Sousa, 2009]

El proyecto ICAS presenta una arquitectura que permite la creación de servicios

sensibles al contexto y describe un modelo semántico para representar el contexto

llamado SeCoM [Sousa, 2009].

El modelo SeCoM se compone de seis ontologías principales y seis ontologías de

soporte, describiéndose las primeras de la siguiente forma:

1. Actor ontology: en esta ontología se modela la información correspondiente al perfil de entidades como personas, grupos y organizaciones.

2. Time ontology: en esta ontología se modela información temporal en términos de instantes de tiempo e intervalos de tiempo, las relaciones entre ellos e información sobre calendarios y horarios.

3. Temporal Event ontology: en esta ontología se modelan los eventos con extensiones de la Time ontology, de modo que se tienen instantes o intervalos de los eventos, además de información relacionado con su frecuencia y duración.

22

4. Space ontology: en esta ontología se modela información relacionada con la ubicación de los actores. Para ello, se consideran lugares virtuales y reales, tanto en interiores como exteriores, y relaciones entre lugares y partes de ellos, y conceptos referentes a la orientación, entre otros.

5. Spatial Event ontology: en esta ontología se modelan los eventos con extensiones de la Space ontology; se pueden representar eventos físicos (que ocurren en una localización física) y eventos virtuales (que ocurren en una localización virtual).

6. Device ontology: esta ontología describe los dispositivos en términos de hardware y software, relaciones entre sus componentes y aspectos del cómputo móvil.

7. Activity ontology: en esta ontología se describen las actividades como un conjunto de eventos espaciotemporales, incluyendo a los actores y dispositivos involucrados en ellos. Se manejan dos tipos de actividades, las planeadas y las improvisadas.

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

Figura 3.2: Modelo SeCoM

23

El proceso de inferencia en ICAS se basa en la consideración de las preferencias,

el contexto, los parámetros y los intereses de los usuarios para identificar los

servicios que les sean relevantes. En este enfoque, los servicios se clasifican en

categorías, y se marcan precondiciones y poscondiciones para cada uno de ellos,

de tal forma que en el proceso de filtrado de información, se realiza una búsqueda

por tipos de servicios, y después, se hace un enlace de los servicios compatibles,

en base a sus entradas y salidas. Por último se realiza una puntuación de las

combinaciones, utilizando las ponderaciones de los parámetros de evaluación

definidos por los autores y evaluando las políticas particulares de cada usuario, el

resultado se entrega al cliente en forma de lista.

De acuerdo al enfoque seguido en el proyecto, también se mantiene un historial de

las acciones de los usuarios en una base de datos. Estas acciones intervienen en

la recomendación de servicios determinando frecuencias de uso. Estas acciones

se almacenan en el formato: Action + target Triplet (e.g. update: Bob isMemberOf

the Sciences Students Group).

24

3.5 Proyecto SeMoDesk [Woerndl, 2009]

Este proyecto desarrolla un sistema de recomendación semántico que sigue un

enfoque para el manejo de información personal usando dispositivos PDA´s, el

cual realiza recomendaciones de artículos basándose en el contexto y la ontología

personal de un usuario. Para ello, se maneja un algoritmo que utiliza una función

de evaluación para recorrer el grafo de los recursos y ranquear sus nodos

[Woerndl, 2009]. Los recursos y otros elementos relevantes, tales como puntos de

interés, se señalan en un mapa desplegado en el dispositivo móvil.

La idea básica del algoritmo de recomendación es encontrar recursos relevantes y

recomendarlos junto con ítems adicionales. Las recomendaciones se obtienen a

partir de la selección de un tema o documento que es del interés del usuario, y el

sistema le muestra, en forma de lista, recursos relacionados con su selección,

para lo cual considera la agenda y localización de dicho usuario. Cuando el

usuario selecciona un elemento de la lista se le recomiendan recursos adicionales.

En este proceso el algoritmo sólo evalúa las entidades que el usuario ha definido

en el SeMoDesk.

Para identificar los ítems relevantes para el usuario, se recorre el grafo de la

ontología, usando una función de evaluación para determinar si un nodo es

recomendable; los vecinos de un nodo no recomendable son ignorados en el

recorrido. La función de evaluación considera la distancia entre el nodo

recomendable al nodo raíz, su peso dependiendo del tipo de concepto o recurso al

que corresponde, y el peso de sus relaciones con otros conceptos, considerando

que se pueden asignar distintos pesos de importancia a distintos tipos de

relaciones. La recomendación de ítems adicionales es posible por la extensión de

la ontología PIMO [Sauermann, 2007], realizada con la adición de puntos de

interés (POIs), los cuales se relacionan a los conceptos y recursos. Los objetos de

tipo POI pueden referirse, por ejemplo, a restaurantes, cines o tiendas, entre otros.

25

3.6 Propuesta de Rasanen [Rasanen , 2009]

Rasanen busca representar información referente al ambiente en que se

encuentra el usuario de un SRSCC, como condiciones de luminosidad, humedad,

temperatura y condiciones climáticas, además de esto, se consideran elementos

que describen los dispositivos que usa y la manera en que se desplaza un

usuario, como su medio de transporte y la velocidad con que se mueve [Rasanen ,

2009].

Dentro del proceso de inferencia, se propone considerar el contexto, políticas de

privacidad y preferencias de los usuarios, y también se maneja una clasificación

de actividades a las que corresponden un conjunto específico de preferencias,

teniendo, por ejemplo, que para las actividades de tipo ―viajes‖ en el proceso de

inferencia se consideran únicamente el conjunto de preferencias formadas por el

pronóstico del tiempo, las aerolíneas, los hoteles y servicios de renta de autos.

De manera adicional, el proceso de inferencia considera un historial de los lugares

que visita un usuario como factor para determinar las recomendaciones. Este

historial almacena datos referentes a la actividad y el contexto en que se realizó,

las recomendaciones que se le hicieron y los servicios que utilizó.

Para los datos de actividad y contexto se almacena el rango de tiempo en que se

realizó dicha actividad, la ubicación, el nivel de luminosidad (definidos en día,

tarde, noche, entre otros), la temperatura ambiental y la velocidad y aceleración

con que se desplazaba el usuario.

Además, para los datos de recomendaciones realizadas, se almacena la lista de

recomendaciones efectuadas con el peso de cada una de ellas, y para los datos

de los servicios usados se almacena el nombre de la recomendación y la

valoración otorgada por el usuario.

26

3.7 SMARTMUSEUM [Liiv, 2009]

La plataforma SMARTMUSEUM es utilizada para realizar recomendaciones para

el dominio del patrimonio cultural en un museo, por medio de un sistema que

combina los enfoques basado en reglas, colaborativo y personalización basada en

contenidos, siendo que estos contenidos están descritos semánticamente en una

ontología [Liiv, 2009].

La propuesta considera dos escenarios para el uso de un SRSCC, uno para

interiores y otro para exteriores, el primero de ellos está orientado a usuarios que

visitan las instalaciones del museo, mientras que el segundo se centra en usuarios

que pasean por la ciudad buscando lugares interesantes para visitar. Para la

localización, en exteriores se maneja GPS y en interiores tags RFID.

En ambos escenarios el funcionamiento es el siguiente:

1. Localizar al usuario.

2. Enviar el perfil del usuario del PDA al servidor de recomendaciones y

calcular los intereses del usuario.

3. Presentar los lugares sugeridos para visitar.

4. Presentar información detallada de los lugares que el usuario

seleccione.

5. Almacenar los intereses y comentarios del usuario en su perfil. La

información que se almacena es un indicador si al usuario le gusta o

no el ítem y un comentario sobre él.

6. Permitir al usuario modificar su perfil manualmente.

7. Ofrecer a los administradores herramientas para administrar los

museos y lugares de interés de la ciudad.

Específicamente, el SMARTMUSEUM recomienda objetos que se encuentran en

el museo, considerados como los ítems registrados en el sistema, pero además se

tiene un segundo tipo de recomendación, en el que se recomienda contenido

relacionado a un objeto en particular que el usuario visita dentro del museo.

Uno de los mecanismos para determinar la popularidad de los ítems entre los

usuarios es medir el tiempo que permanecen en las páginas web de los puntos de

interés (incluidas como ligas dentro de la información detallada de los lugares que

se recomiendan a los usuarios), y usarlo para tener un ranqueo de ellos.

27

El perfil de usuario que se maneja en SMARTMUSEUM incluye información de las

habilidades e intereses del usuario, además de un historial de los lugares que

visita. Para los dos primeros grupos de información se utilizan las ontologías

GUMO[Heckmann,2005] y Getty6, mientras que el historial se maneja como una

lista de registros que contienen el identificador del objeto, el contexto de la visita,

la URL correspondiente y la valoración asignada por el usuario para el objeto y el

contenido.

La calificación que se almacena para cada ítem es calculada por una combinación

de la entrada manual con un monitoreo implícito, en el cual se registran las

acciones que el usuario realiza para identificar si un ítem recomendado es de su

agrado, asignándose valores de la siguiente forma:

1: si el usuario indica manualmente que un ítem le gusta.

0.7: el usuario consulta información detallada sobre el ítem.

0.3: el usuario consulta sólo la información básica del ítem.

-0.01: el usuario visita el lugar donde se encuentra el objeto pero no se

muestra interesado.

-1: el usuario indica manualmente que el ítem no le agrada.

El sistema de reglas planteado para el componente de recomendación del

SMARTMUSEUM se basa en dos consideraciones:

Las capacidades y preferencias del usuario, identificadas a partir de

su perfil.

La información contextual del entorno del usuario, especificada al

comenzar el recorrido por un museo.

La primera consideración es la base del proceso de recomendación, mientras que

la información contextual es usada para optimizar las recomendaciones.

Para proporcionar recomendaciones basadas en los intereses de los usuarios y el

contexto se utiliza un componente basado en ontologías. Estos intereses son

determinados basándose en metadatos que describen los ítems que el usuario ha

etiquetado en diferentes contextos, para lo cual se utilizan anotaciones, definidas

en RDF, que describen los objetos en términos de ontologías y esquemas de

metadatos. Estas anotaciones están estructuradas utilizando una extensión del

esquema de metadatos Dublin Core7, el cual, contiene descriptores para

representar diferentes aspectos de los objetos, tales como: el tipo de objeto, su

lugar de fabricación, su creador y el material del cual está hecho, entre otros.

6 http://www.getty.edu/research/conducting_research/vocabularies/

7 http://dublincore.org/documents/1998/09/dces/

http://www.getty.edu/research/conducting_research/vocabularies/

http://dublincore.org/documents/1998/09/dces/

28

El perfil de usuario es obtenido mediante una aplicación web en la que se ofrece a

los usuarios una lista de palabras para definir sus intereses, la cual es obtenida a

partir del vocabulario Getty6, y después, el perfil del usuario es actualizado

continuamente mediante las anotaciones que va realizando a través de la interfaz

del PDA, en la cual indica si un ítem le agrada o no. Cada tripleta del perfil de

usuario es ligada al contexto en el que el usuario efectuó la anotación.

Además, el perfil de usuario es definido por los autores como un conjunto de ítems

de perfil, que representan tripletas individuales de la forma pi =< t, ct, w >, donde t

es una tripleta, ct el contexto de la tripleta y w es el peso de la tripleta t en ct. El

peso del ítem de perfil puede ser determinado a partir de una probabilidad

máxima, que es el número de veces que una tripleta ha sido etiquetada entre el

número total de tripletas que existen. Para evitar tener una probabilidad igual a

cero cuando no se tienen anotaciones para un objeto en cierto contexto se utiliza

el suavizado de Laplace [Field, 1988].

El perfil de contexto representa el contexto de un usuario al momento de efectuar

una recomendación, manejando información de su localización que define

restricciones espaciales para la recomendación de ítems, las cuales pueden ser

una tripleta indicando que un usuario está dentro de cierto museo, o bien, pueden

ser coordenadas del World Geodetic System 84 (WGS84)8, indicando que el

usuario se encuentra en el exterior. En un tercer escenario, se utiliza la lectura de

etiquetas RFID colocadas en objetos cercanos al usuario y cuyos identificadores

se almacenan en el perfil de usuario, lo que es útil para realizar recomendaciones

referentes a ese ítem. Para el proceso de recomendación se calcula el cociente de

similitud entre el perfil de usuario y las tripletas que describen a los objetos.

8 El World Geodetic System 84 (que significa Sistema Geodésico Mundial 1984), es un sistema de

referencia terrestre único para referenciar las posiciones y vectores. Se estableció este sistema utilizando observaciones Doppler al sistema de satélites de navegación NNSS o Transit, de tal forma que se adaptara lo mejor posible a toda la Tierra. Se define como un sistema cartesiano geocéntrico del siguiente modo:

- Origen, centro de masas de la Tierra, incluyendo océanos y atmósfera. - Eje Z paralelo a la dirección del polo CIO o polo medio definido por el BIH, época 1984.0

con una precisión de 0,005". - El eje X la intersección del meridiano origen, Greenwich, y el plano que pasa por el origen

y es perpendicular al eje Z, el meridiano de referencia coincide con el meridiano cero del BIH en la época 1984.0 con una precisión de 0,005". Realmente el meridiano origen se define como el IERS Reference Meridian (IRM).

- El eje Y ortogonal a los anteriores, pasando por el origen. - Terna rectangular dextrosum.

Fuente: Department of defense world geodetic system 1984—its definition and relationships with local geodetic systems. Technical Report TR8350.2, National Imagery and Mapping Agency, Bethesda, USA

29

Finalmente, la retroalimentación del recomendador se basa en el perfil de usuario

y el perfil de contexto, teniéndose un conjunto de tripletas para definirlos, cada una

con un peso calculado para determinar su probabilidad de ocurrencia en un

contexto dado, además, pueden usarse consultas para expandir cada tripleta,

identificando relaciones de inclusión entre ellas.

3.8 El proyecto MyMose [Zubizarreta, 2009], [Zubizarreta, 2008],

[Arias, 2008] y [Zubizarreta, 2005]

El consorcio MORFEO9 a impulsado un proyecto de investigación sobre búsqueda

contextual aplicado al entorno de Web Móvil denominado MyMose, el cual incluye

un sistema de recomendación consciente del contexto que realiza sugerencias a

los usuarios sobre servicios que pudiesen interesarle en base a sus solicitudes, y

cuya base de conocimientos está basada en ontologías y tesauros. MyMose busca

recabar los datos y preferencias de un usuario para definir su perfil y en base a

ello realizar las recomendaciones [Zubizarreta, 2009], [Zubizarreta, 2008], [Arias,

2008] y [Zubizarreta, 2005].

Dentro de este proyecto, se maneja un modelo para la obtención del contexto

usando ontologías, en el cual se incluyen todas las propiedades del ambiente del

usuario y de sus intereses, para lo cual se utiliza una taxonomía de clases y

propiedades, que se ligan a conceptos similares y si se llegasen a necesitar

nuevos conceptos estos pueden ser creados por un especialista. Una vez que las

propiedades han sido identificadas y definidas, no pueden ser removidas del

modelo, ya que esto podría producir rupturas en las dependencias entre

propiedades.

En este proyecto se propone un modelo contextual extensible dividido en tres

niveles, que corresponde a la Figura 3.3: Niveles del modelo contextual y cuya

descripción se presenta a continuación:

Propiedades recuperadas directamente: Estas son propiedades que

pueden ser reunidas automáticamente de las fuentes de información

contextual.

Propiedades derivadas: Son propiedades implícitas que pueden ser

inferidas a partir de las propiedades recuperadas directamente

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

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

30

Propiedades de aplicación específica: Son propiedades adicionales

definidas o redefinidas para una aplicación específica.

Figura 3.3: Niveles del modelo contextual

De manera adicional, se propone la creación automática de propiedades a partir

de la aplicación de reglas a propiedades ya existentes, y se enfatiza el hecho de

que es posible redefinir cualquier propiedad en el modelo, igualmente que las

reglas pueden ser modificadas del registro, las cuales han sido definidas con

SWRL.

Las ontologías definidas para el modelo contextual propuesto, consideran las

siguientes dimensiones:

Perfil de usuario: Contiene propiedades explicitas e implícitas relacionadas

al usuario y sus circunstancias, así como sus preferencias. Esta ontología

es definida usando una extensión de FOAF.

Dispositivo y navegador: Este conjunto de propiedades describen las

características del dispositivo y del navegador usados por un usuario, con el

objeto de proporcionar una fuente de información que permita la

personalización de interfaces de usuario de funciones de autocompletado y

características de búsqueda entre otras.

Contexto geoespacial: La información sobre la localización de un usuario

incluye coordenadas geográficas, tipos de lugares, entidades políticas y

adicionalmente, se ha incluido en el modelo el concepto de alcance

espacia. La localización puede ser obtenida a través de GPS o

triangulación GPRS, de acuerdo a las características tecnológicas

dispositivos de usuario.

Condiciones ambientales: estas propiedades buscan modelar el ambiente

alrededor del usuario.

31

Fecha y hora: como parte de una dimensión temporal, se manejan los

elementos fecha y hora para modelar momentos asociados a los usuarios y

a los servicios recomendados por MyMose, como el instante en que se

efectúa la recomendación u horarios de atención, por ejemplo.

Otras: esta dimensión del modelo permite la inclusión de cualquier

elemento interesante que no haya sido considerado en la ontología, que

pueden ser culturales, sobre redes, contexto social, intensiones del usuario,

contexto de las actividades, entre otras.

Otro aspecto interesante en este proyecto es la definición de una clasificación de

dispositivos, además de la clasificación de contenidos Web, propone un método

para desarrollar estas clasificaciones.

La arquitectura manejada en MyMose se compone de seis módulos, los cuales

corresponden a la Figura 3.4: Arquitectura de MyMose y se explican a

continuación:

Modelo del Contexto provee una representación del usuario el ambiente y

el mecanismo de acceso, permitiendo la personalización y la conciencia del

contexto.

Tesauros: modela semánticamente entre conceptos específicos

manejados por el sistema de búsqueda.

Ontología: Describe propiedades adicionales que cada concepto del

tesauro puede tener.

Asistente para la construcción de consultas semánticas: Busca

recomendar opciones más adecuadas dentro de un contexto para evitar

escritura del usuario y personalizar el proceso de búsqueda.

Motor de búsqueda personalizada: Utiliza toda la información disponible

para encontrar resultados relevantes.

Interface usuario: En [Arias 2008] Se presenta un prototipo adaptable a los

dispositivos móviles, el cual utiliza los módulos previos para interactuar con

el usuario.

32

Figura 3.4: Arquitectura de MyMose

El sistema de recomendación semántico consciente del contexto manejado en

este proyecto para la construcción de consultas, opera sobre un tesauro definido a

partir del vocabulario SKOS10 e implementado en RDF, en el que para cada

concepto se incluyen sinónimos que reflejan la misma idea y se permite el uso de

palabras en diferentes idiomas.

Otro punto a resaltar es la definición de las propiedades isSuitableInContext e

isNotSuitableInContext, que permiten identificar si un concepto es adecuado o no

para un contexto específico y de esta forma aumentar la eficiencia del filtrado de

información. Una de las reglas aplicables al tesauro para identificar el valor de

estas propiedades se define de la forma:

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

Usando esta regla y un conjunto de condiciones especificadas por un experto, el

Motor de Inferencia es el encargado de identificar bajo qué condiciones un

concepto es deseable.

3.9 Proyecto SEEMP [Gómez-Pérez, 2010]

El proyecto SEEMP tiene el objetivo de facilitar la administración de empleos en

Europa, y con ese objetivo, se ha desarrollado una red de ontologías capaz de

describir las características de empleos y empleados en términos de recursos

humanos [Gómez-Pérez, 2010].

10

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

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

33

Esta red de ontologías, llamada SEEMP Reference Ontology 11, contiene varias de

las dimensiones contextuales consideradas en esta tesis, además de otras que se

pueden incluir para extender el modelo manejado, las cuales se describen a

continuación:

1. Job Seeker Ontology. Esta ontología modela información sobre los

buscadores de empleo y sus CV usada en el proyecto SEEMP.

2. Job Offer Ontology. Esta ontología modela conocimiento sobre vacantes,

empleadores y ofertas de trabajo.

3. Compensation Ontology. Esta ontología modela información sobre sueldos

y salarios, y está basada en el estándar ISO 421712, el cual es una lista de

254 nombres y códigos de monedas nacionales expresado en HTML.

4. Driving License Ontology. Esta ontología modela conocimiento relacionado

al dominio de las licencias de manejo, y está basada en las normativas de

la legislación europea13 contemplando 12 tipos de licencias de manejo.

5. Economic Activity Ontology. Esta ontología maneja conocimiento de las

actividades y sectores económicos, usando como base el estándar NACE

Rev. 1.114

6. Occupation Ontology. Esta ontología se basa en los estándares ISCO-88

(COM)15, ONET16 y European Dynamics para modelar conocimiento sobre

ocupaciones y tipos de trabajos.

7. Education Ontology. Esta ontología modela conocimiento sobre campos y

niveles de educación tomando los estándares FOET17 e ISCED9718

8. Geography Ontology. Esta ontología se basa en el estándar ISO 316619 y la

European Dynamics classifications: Continent and Region para representar

conocimiento sobre 244 países y 367 regiones del mundo.

9. Labour Regulatory Ontology. Esta ontología está basada en la clasificación

LE FOREM20 para expresar conocimiento sobre reglamentos y contratos de

trabajo.

10. Language Ontology. Esta ontología se basa en los estándares ISO 639221 y

Common European Framework of Reference (CEF)22

para modelar

conocimiento sobre idiomas.

11

http://droz.dia.fi.upm.es/seemp/ 12

http://www.iso.org/iso/en/prods-services/popstds/currencycodeslist.html 13

http://ec.europa.eu/transport/home/drivinglicence/ 14

http://ec.europa.eu/comm/eurostat/ramon/ 15

http://online.onetcenter.org/ 16

http://online.onetcenter.org/ 17

http://ec.europa.eu/comm/eurostat/ramon/ 18

http://www.iso.org/iso/en/prods-services/iso3166ma/index.html 19

http://www.iso.org/iso/en/prods-services/iso3166ma/index.html 20

http://www.leforem.be/ 21

http://www.iso.org/iso/en/prods-services/popstds/languagecodes.html

http://droz.dia.fi.upm.es/seemp/

http://www.iso.org/iso/en/prods-services/popstds/currencycodeslist.html

http://ec.europa.eu/transport/home/drivinglicence/

http://ec.europa.eu/comm/eurostat/ramon/

http://online.onetcenter.org/

http://online.onetcenter.org/

http://ec.europa.eu/comm/eurostat/ramon/

http://www.iso.org/iso/en/prods-services/iso3166ma/index.html

http://www.iso.org/iso/en/prods-services/iso3166ma/index.html

http://www.leforem.be/

http://www.iso.org/iso/en/prods-services/popstds/languagecodes.html

34

11. Skill Ontology. Esta ontología modela conocimiento sobre habilidades basándose en la clasificación European Dynamics Skill.

12. Competence Ontology. Esta ontología modela conocimiento sobre competencias manejando el concepto Competence como una súper clase de los conceptos importados Skill, Language Proficiency y Driving License.

13. Time Ontology. Esta ontología se basa en la DAML ontology23 para

expresar conocimiento relacionado a entidades temporales. En resumen, la llamada SEEMP Reference Ontology está formada por trece módulos ontológicos como se representa en la Figura 3.5: Relaciones principales de la SEEMP Reference Ontology, con un total de 1609 clases, 6727 atributos y 94 relaciones.

Figura 3.5: Relaciones principales de la SEEMP Reference Ontology

22

http://www.cambridgeesol.org/exams/cef.htm 23

http://cs.yale.edu/homes/dvm/daml/time-page.html

http://www.cambridgeesol.org/exams/cef.htm

http://cs.yale.edu/homes/dvm/daml/time-page.html

35

3.10 Estudio comparativo

Para realizar una comparación entre los trabajos presentados y éste trabajo de

tesis, mostrada en la Tabla 3.1, se evaluaron las siguientes características:

Entorno: en esta columna se indica si el SRSCC está orientado a entornos

urbanos o de tipo campus.

Funcionamiento: esta columna sirve para especificar la forma en que un

SRSCC inicia su funcionamiento, es decir, si trabaja de forma proactiva o

reactiva.

Consideración de historiales: esta columna se refiere al uso de algún tipo

de historial durante el proceso de inferencia.

Condiciones contextuales complejas: de acuerdo a la definición de

Rasanen [Rasanen, 2009], esta columna indica si se consideran

dimensiones contextuales adicionales a las tradicionales, como

luminosidad, humedad y temperatura, por ejemplo.

Recursos ontológicos: esta columna sirve para expresar la forma en que

un SRSCC realiza el modelado semántico de la información que filtra.

Recomendación de Personas: esta columna indica si se consideran ítems

del tipo Persona dentro del dominio de recomendación del SRSCC.

Recomendación de Objetos de Conocimiento: esta columna indica si se

consideran ítems del tipo Persona dentro del dominio de recomendación del

SRSCC.

Recomendación de Lugares: esta columna indica si se consideran ítems

del tipo Lugar dentro del dominio de recomendación del SRSCC.

Recomendación de Servicios: esta columna indica si se consideran ítems

del tipo Servicio dentro del dominio de recomendación del SRSCC.

Recomendación de Recursos: esta columna indica si se consideran ítems

del tipo Recurso Tecnológico dentro del dominio de recomendación del

SRSCC.

Recomendación de Actividades y/o Eventos: esta columna indica si se

consideran ítems del tipo Actividad o Evento dentro del dominio de

recomendación del SRSCC.

36

Tabla 3.1: Comparativa de los trabajos relacionados con el proyecto de tesis

En

torn

o

Fu

ncio

nam

ien

to

Co

nsid

era

ció

n d

e

his

tori

ale

s

Co

nd

icio

nes

co

nte

xtu

ale

s c

om

ple

jas

Recu

rso

s o

nto

lóg

ico

s

Reco

men

dació

n d

e

Pers

on

as

Reco

men

dació

n d

e

Ob

jeto

s d

e

Co

no

cim

ien

to

Reco

men

dació

n d

e

Lu

gare

s

Reco

men

dació

n d

e

Serv

icio

s

Reco

men

dació

n d

e

Recu

rso

s

Reco

men

dació

n d

e

Acti

vid

ad

es y

/o E

ven

tos

Propuesta de

Bouzeghoub Campus Proactivo SI

NO SI SI NO SI NO SI SI

mIO! Urbano Reactivo SI NO SI NO NO SI SI NO NO

ICAS Campus Proactivo SI NO SI SI SI NO SI NO NO

Propuesta de

Rasanen Urbano

NO

ESPECIFICA

NO SI NO SI NO SI SI NO NO

SeMoDesk Urbano Reactivo NO NO SI NO NO SI SI NO NO

SMARTMUSEUM Campus/Urbano Proactivo NO SI SI NO NO SI SI SI NO

El proyecto

MyMose Urbano Reactivo NO

SI SI NO NO NO SI NO NO

Trabajo de tesis Campus Proactivo NO NO SI SI SI SI SI SI SI

37

CAPÍTULO 4: DEFINICIÓN DE UNA ARQUITECTURA GENERICA PARA

UN SRSCC ORGANIZACIONAL

Los contenidos de este capítulo describen una arquitectura genérica para SRSCC

definida a partir de los enfoques analizados en el Estado del Arte.

38

4.1 Introducción

Las tendencias en el desarrollo de SRSCCs mantienen una evolución constante,

la cual está motivada en gran medida por la búsqueda de una mayor eficiencia en

las recomendaciones que se le ofrecen al usuario. Estas tendencias, apreciadas

en los distintos SRSCCs presentados en el capítulo 3, se combinan en este

trabajo de tesis para definir una arquitectura base para la creación de SRSCCs

orientados a ambientes organizacionales, la cual fue usada con fines de

demostración en el desarrollo del SRSCC organizacional T-Guía, como se

describe en el capítulo 5.

Adicionalmente, se presentan conceptos relacionados con el análisis, diseño e

implementación de los módulos de un SRSCC organizacional, los cuales han sido

identificados a partir del análisis de los distintos SRSCCs descrito en el capítulo

anterior. Estos módulos se orientan, por una parte, a la generación de

recomendaciones y el entorno de operación de un SRSCC organizacional, y por

otro lado, a la interacción de los usuarios con el sistema de recomendación.

4.2 Descripción de la arquitectura genérica para un SRSCC

organizacional

Esta sección contiene la descripción de una arquitectura genérica para SRSCCs

organizacionales, cuyos módulos permitan realizar al menos las siguientes tareas

como parte su funcionamiento:

Permitir la administración de la información relacionada a los ítems

recomendables.

Permitir la administración de la información relacionada a los usuarios.

Detectar las condiciones contextuales que rodean a los usuarios.

Inferir y ofrecer conjuntos de ítems recomendables a los usuarios que

pueden estar clasificados y/u ordenados de acuerdo a criterios específicos.

Registrar el impacto que tienen las recomendaciones ofrecidas sobre los

usuarios.

39

En base a estas tareas y como parte del análisis realizado, se presenta el

diagrama de casos de uso mostrado en la Figura 4.1, el cual es usado para

capturar el comportamiento buscado en un SRSCC organizacional.

Figura 4.1: Caso de uso del comportamiento de un SRSCC organizacional típico

Una especificación de las sub-tareas necesarias para que un usuario pueda

consultar las recomendaciones inferidas se muestra mediante el caso de uso

presentado en la Figura 4.2, en el que se detalla el proceso de inferencia de una

forma que sea comprensible por desarrolladores, usuarios finales y expertos.

Figura 4.2: Caso de uso de la generación de recomendaciones en un SRSCC organizacional típico

40

A fin de desarrollar un SRSCC organizacional capaz de realizar todas las tareas y

sub-tareas descritas previamente, se propone una arquitectura genérica adaptable

a las necesidades de otros desarrollos, la cual se muestra en la Figura 4.3 y está

conformada por seis módulos y dos elementos de almacenamiento de acuerdo al

funcionamiento esperado para un SRSCC.

Figura 4.3: Arquitectura genérica de un SRSCC organizacional

Los componentes de la arquitectura propuesta se describen a continuación:

Módulo de poblado de ontologías: este módulo se encarga de poblar una

ontología o red de ontologías, contenida(s) en el Repositorio de recursos

ontológicos, a partir de una o más fuentes de datos, que pueden consistir

en bases de datos, archivos .xml, hojas de cálculo o documentos de texto.

Módulo de localización: este módulo identifica cuando un usuario llega a

las instalaciones de una organización y además, puede realizar el

monitoreo constante de la posición de los usuarios y de los ítems

recomendables, lo cual es almacenado en el Repositorio de recursos no

ontológicos para ser usada por el Módulo de identificación de

comportamiento de usuarios.

Módulo recolector de contexto: este módulo se encarga de identificar los

valores de las dimensiones contextuales que se consideran en el proceso

de inferencia. De manera adicional, puede implementarse de tal forma que

detecte cambios drásticos en una o más dimensiones contextuales,

motivando la generación de nuevas recomendaciones, modificando el peso

de las recomendaciones que ya han sido inferidas o la actualización del

41

estatus de disponibilidad de un ítem; el valor de las variables contextuales

puede obtenerse mediante el uso de sensores específicos para cada

dimensión contextual, pudiéndose considerar condiciones de luminosidad,

humedad, temperatura o condiciones climáticas [Rasanen , 2009], de

acuerdo a los requerimientos del SRSCC organizacional.

Módulo Motor de Inferencia: este módulo es el componente del SRSCC

que se encarga de identificar los ítems que se recomiendan a un usuario.

Adicionalmente, puede encargase de clasificar y/u ordenar las

recomendaciones, agrupándolas por tipo o identificando el peso de cada

recomendación para organizarlas jerárquicamente, por ejemplo. Para el

proceso de inferencia que permite filtrar la información, el Módulo Motor de

Inferencia recibe la salida del Módulo recolector de contexto y extrae del

Repositorio de recursos ontológicos el perfil de un usuario y las

características de los ítems recomendables, además, puede considerar el

historial de recomendaciones ofrecidas previamente al usuario, las cuales

se almacenan en el Repositorio de recursos no ontológicos.

Módulo GUI adaptable al usuario: este módulo permite modificar la forma

en que las recomendaciones inferidas por el Módulo Motor de Inferencia

serán mostradas a un usuario, con el objetivo de facilitar la interacción con

ellas. De acuerdo a las características de un usuario específico, podrán

hacerse adaptaciones en los elementos gráficos o en el contenido de la

información, por ejemplo. El proceso de adaptación es posible si se definen

diferentes conjuntos de características para el cliente del SRSCC y se

relacionan a tipos preestablecidos de usuarios, o definiendo opciones de

personalización que permitan al usuario configurar el cliente en base a sus

necesidades y preferencias.

De manera adicional, es posible implementar un mecanismo para identificar

el grado de satisfacción de un usuario con respecto a una recomendación,

lo cual se logra a través de una combinación de enfoques implícitos y

explícitos en el monitoreo; adicionalmente, las recomendaciones pueden

ser evaluadas manualmente por un usuario o se pueden analizar las

acciones que el usuario efectúa sobre cada recomendación recibida. La

salida de este módulo es una lista de recomendaciones con las acciones

que el usuario realizó sobre éstas.

Módulo de identificación de comportamiento de usuarios: este módulo

se encarga de organizar y almacenar el comportamiento de los usuarios y

del propio SRSCC, con el objetivo de contar con una fuente de información

correspondiente a las recomendaciones efectuadas por el SRSCC y

registrar la percepción de las mismas por parte de los usuario, además de

almacenar detalles referentes al el contexto en que fueron inferidas. Esta

42

información se debe almacenar en una estructura que permita considerarla

en el proceso de filtrado, a fin de generar recomendaciones más eficientes

y usarla en la identificación de patrones de comportamiento.

Para ello, el módulo recibe información del dispositivo del usuario desde la

GUI adaptable al usuario la cual es procesada junto con información

correspondiente al desplazamiento del usuario, la cual es almacenada en

tablas de posición de usuario localizadas en el Repositorio de recursos

no ontológicos.

Repositorio de recursos ontológicos: esta arquitectura plantea que las

instancias del modelo semántico usado por un SRSCC organizacional estén

contenidas en un Repositorio de recursos ontológicos. Este modelo

tiene la función de describir semánticamente las características que dan

identidad a una organización, buscando proporcionar conocimiento

consensual que sea explotable por aplicaciones semánticas desarrolladas

para ambientes organizacionales, por lo tanto, el Repositorio de recursos

ontológicos contiene instancias asociadas a distintos grupos de

información, ya sea acerca de la organización o sobre las dimensiones

contextuales consideradas por el SRSCC.

Repositorio de recursos no ontológicos: la arquitectura propuesta

contempla una base de datos en la que se almacenan los recursos no

ontológicos usados por el SRSCC, específicamente un grupo de

información espacial relacionada con el comportamiento de un usuario, la

cual es generada en forma combinada por el Módulo de localización y el

Módulo de identificación de comportamiento de usuarios.

43

4.3 Descripción de los módulos principales de la arquitectura

Esta sección describe el análisis desarrollado para la definición de los elementos

principales de la arquitectura propuesta, especificando los módulos cuyo

desarrollo se contempla dentro de los alcances de este trabajo de tesis. Dichos

módulos están relacionados con el modelado semántico de la información de la

organización, el proceso de inferencia, la interacción con las recomendaciones por

parte de un usuario y el análisis sobre la forma en que estas influyen en su

comportamiento. Los apartados siguientes detallan las características generales

de cada módulo y en el capítulo 5 se explica la forma en que han sido

implementados en un SRSCC.

4.3.1 Repositorio de recursos ontológicos y la Ontología de

Memoria Organizacional 1.0

Dado que la arquitectura considera un proceso de inferencia a partir de las

instancias de una ontología o red de ontologías, se define un elemento para

almacenarlas, denominado Repositorio de recursos ontológicos, el cual puede

ser implementando reutilizando recursos ontológicos existentes. Como parte del

trabajo realizado, se ha definido un modelo semántico propio que se presenta en

esta sección, el cual es una red de ontologías llamada Ontología de Memoria

Organizacional versión 1.0.

Esta red de ontologías tiene el objetivo de describir semánticamente dimensiones

contextuales a considerar durante el proceso de inferencia de las

recomendaciones, además de las características que dan identidad a una

organización, usando un nivel de granularidad adecuado para permitir el modelado

de distintos tipos de organizaciones como empresas, IES, instituciones de

gobierno o incluso eventos académicos (congresos, simposios, etc.).

Es importante señalar que la Ontología de Memoria Organizacional versión 1.0

puede ser extendida, modularizada y/o personalizada mediante técnicas de

reutilización de recursos ontológicos. Esta red de ontologías contiene diversos

grupos de información modelados en 19 ontologías interconectadas, las cuales

han sido desarrolladas a partir de recursos ontológicos y no ontológicos

estandarizados o comúnmente aceptados, los cuales están asociados a diferentes

dominios de conocimiento y se integran de acuerdo a su importancia,

disponibilidad y potencial de explotación.

44

Un esquema conceptual de esta red de ontologías se muestra en la Figura 4.4, en

el cual se resaltan aquellas ontologías desarrolladas total o parcialmente como

parte de otros trabajos de tesis.

Figura 4.4: Ontología de Memoria Organizacional versión 1.0

Las ontologías que conforman la red se explican a continuación:

Activity ontology: esta ontología está diseñada para modelar las

actividades que se realizan en una organización, para lo cual, se reutilizan

elementos de las ontologías SWEET Human Activities24 y ConOnto

Activity25, además de conceptos extraídos del proyecto TOVE26 , con los

cuales, se describen las actividades que desempeñan las personas

pertenecientes a una organización, considerando el tipo de actividad, su

asociación a un área de conocimiento, condiciones para su realización,

estados previos y posteriores a la realización de una actividad, el propósito

24

http://gcmd.nasa.gov/records/SWEET-Ontology.html 25

http://www.site.uottawa.ca/~mkhedr/contexto.html 26

http://www.eil.utoronto.ca/enterprise-modelling/tove/

http://gcmd.nasa.gov/records/SWEET-Ontology.html

http://www.site.uottawa.ca/~mkhedr/contexto.html


45

de su ejecución, su relación con otras actividades y el tipo de personas que

la ejecutan. Otro punto resaltable es que al relacionarla con el resto del

modelo semántico, es posible describir los recursos organizacionales

usados para el desarrollo de una actividad, las habilidades de las personas

que las realizan e información espacio-temporal sobre las condiciones en

que es ejecutada.

Advertising ontology: esta ontología modela conocimiento relacionado a

la forma en que una organización difunde sus ideas, productos y servicios.

Para su desarrollo, se toman definiciones de la EASA27 (European

Advertising Standards Alliance) y de la ASA28 (Advertising Standars

Authority), según las cuales, se maneja una clasificación de mercados y

medios de comunicación, además de una clasificación de tipos de

publicidad y promociones comerciales.

Al integrar esta ontología al modelo semántico, es posible describir

estrategias de publicidad definidas para los productos y servicios ofrecidos

por una organización, las entidades relacionadas con el proceso publicitario

y la manera en que una organización invierte en publicidad, entre otras

cosas.

Commerce ontology: esta ontología modela conocimiento relacionado a la

compraventa de productos y servicios, lo cual es descrito bajo un enfoque

orientado a entidades organizacionales, para ello se reutiliza la ontología

Goodrelations29, que está diseñada para e-comercio y describe los

elementos necesarios para la comercialización de productos y servicios.

Al integrar esta ontología al modelo semántico, se puede usar para describir

el proceso de comercialización seguido por una organización y relacionarlo

a estrategias de publicidad.

Competence ontology: esta ontología se basa en el proyecto SEEMP para

manejar el conocimiento relacionado a las competencias de una

organización [Gómez-Pérez, 2007]. Usando esta ontología en el modelo

semántico propuesto, es posible identificar competencias organizacionales

y describir la asociación entre competencias y habilidades o competencias y

ocupaciones. La ontología reutiliza el catálogo de competencias O*Net.

Device ontology: esta ontología, tomada del proyecto MiO!, reutiliza la

ontología CoDAMoS y modela información sobre el hardware, el software y

la plataforma de los dispositivos [Cadenas, 2009]. Empleando esta

27

http://www.easa-alliance.org/Issues/page.aspx/72 28

http://www.asa.org.uk/Regulation-Explained/What-we-cover.aspx 29 http://purl.org/goodrelations/

http://www.easa-alliance.org/Issues/page.aspx/72

http://www.asa.org.uk/Regulation-Explained/What-we-cover.aspx

http://purl.org/goodrelations/

46

ontología en el modelo semántico, es posible describir los dispositivos

usados por los usuarios de un SRSCC.

Economic Activities ontology: esta ontología toma como referencia el

proyecto SEEMP, y se basa en la Nomenclatura de Actividades

Económicas de la Comunidad Europea elaborada en el 2007, comúnmente

conocida como NACE Rev. 2, el cual es un estándar que clasifica a las

actividades económicas de acuerdo a 996 elementos organizados en 21

grupos principales. La integración de esta ontología al modelo semántico

permite asociar organizaciones, personas y ocupaciones a un tipo

especifico de actividad económica [Gómez-Pérez, 2007].

Education ontology: esta ontología es planteada a partir de la propuesta

desarrollada en el proyecto SEEMP, según la cual, se modela conocimiento

sobre niveles y campos de educación. La definición de los campos de

educación está basada en la clasificación europea de campos de educación

y entrenamiento FOET, la cual define 127 campos de educación, y además,

los niveles de educación son concebidos a partir del estándar internacional

de clasificaciones de la educación ISCED97 establecido por la UNESCO y

que define 7 niveles de educación [Gómez-Pérez, 2007]. La ontología es

usada dentro del modelo semántico para describir la educación que ha

cursado una persona.

Indoor Location ontology: esta ontología modela conocimiento

relacionado a la forma en que una entidad física puede ser localizada

dentro de las instalaciones de una organización, para ello se considera el

uso de tecnologías RFID, 802.11, 802.15 y QR-Code. La ontología es

usada dentro del modelo semántico para describir los mecanismos de

localización implementados en las instalaciones de una organización.

Infrastructure ontology: esta ontología describe el conocimiento

relacionado con las instalaciones de una organización, considerando

espacios interiores y exteriores al reutilizar elementos de las ontologías

LAIR [G Look, 2005], OntoNav30, ONALIN [M. Dudas, 2009] y COBRA-ON

[Chen,2004]. Dentro del modelo semántico, esta ontología es explotada

para definir un espacio donde se realiza una actividad, la asignación de

personas a un área de trabajo, la asociación de recursos tecnológicos y

objetos de conocimiento a un espacio determinado, la pertenencia de un

edificio a una organización y la localización geográfica de un espacio

específico de la organización.

Interface ontology: esta ontología, tomada del proyecto MiO!, modela

información sobre las diferentes interfaces de usuario que un dispositivo

puede proporcionar [Cadenas, 2009]. En el modelo semántico, esta

30

http://p-comp.di.uoa.gr/projects/ontonav/index.html

http://p-comp.di.uoa.gr/projects/ontonav/index.html

47

ontología se usa para saber las interfaces asociadas al dispositivo de un

usuario.

Knowledge Objects ontology: esta ontología modela información sobre

representaciones físicas o electrónicas de conocimiento, considerando que

dicho conocimiento puede estar plasmado en forma de texto, audio, video

o imagen. Para el desarrollo de esta ontología, se reutilizan elementos de la

ontología DBLP31, la cual defines las clases y atributos de diferentes tipos

de publicaciones. La ontología es usada dentro del modelo semántico para

describir los objetos de conocimiento que pertenecen a una organización,

su uso en el desarrollo de una actividad, su distribución en las instalaciones

y su asociación con los miembros de la organización.

Language ontology: esta ontología sigue la propuesta desarrollada en el

proyecto SEEMP, según la cual, se emplea el estándar ISO 6392, que

define la nomenclatura de los lenguajes y el marco común europeo de

referencia para las lenguas CEF32 para modelar el conocimiento

relacionado a los lenguajes. Esta ontología se integra al modelo semántico

para especificar información multilingüe relacionada a una organización,

como los idiomas que habla una persona o en los que se encuentra escrito

un objeto de conocimiento, entre otros usos. [Gómez-Pérez, 2007].

Location ontology: esta ontología, extraída del proyecto MiO!, es usada

para modelar información relacionada a la localización, como entidades

geopolíticas, entidades espaciales, coordenadas, distancia entre

posiciones, entre otros elementos. En su diseño se reutilizó la ontología

SOUPA33 [Cadenas, 2009] y es integrada al modelo semántico para

describir la localización espacial de personas, organizaciones y de los

edificios de la organización.

Occupation ontology: en esta ontología se considera el trabajo ontológico

desarrollado en el proyecto SEEMP, según el cual se plantea un modelo de

conocimiento sobre ocupaciones y empleos, tomando como base el ISCO-

2008 (COM), el catálogo de ocupaciones O*Net y la clasificación europea

de ocupaciones Eures [Gómez-Pérez, 2007]. La ontología es usada en el

modelo semántico para describir las ocupaciones que se desempeñan en

una organización y las ocupaciones que una persona puede desempeñar.

Organization ontology: esta ontología es la parte central del modelo

semántico, y describe información sobre una organización, empleando la

ontología FOAF34 para manejar los datos generales y de contacto de una

organización, además, se utilizan definiciones del estándar contable

31

http://swat.cse.lehigh.edu/projects/index.html#dldb 32

http://www.coe.int/t/dg4/linguistic/cadre_en.asp 33

http://cobra.umbc.edu/ont/soupa-ont.tar.gz 34

http://xmlns.com/foaf/spec/

http://swat.cse.lehigh.edu/projects/index.html#dldb

http://www.coe.int/t/dg4/linguistic/cadre_en.asp

http://cobra.umbc.edu/ont/soupa-ont.tar.gz


48

internacional IAS35 y de las Normas Internacionales de Contabilidad 2008

NIC´s36 para modelar aspectos financieros de la organización. De manera

adicional, se utilizan definiciones ontológicas presentadas en el proyecto

para el modelado de empresas públicas y comerciales TOVE, del cual se

extraen elementos para el modelado de metas, roles, políticas y estructuras

organizacionales, además de las líneas de comunicación a través de las

cuales interactúan los miembros de una organización.

Skill ontology: esta ontología permite modelar el conocimiento relacionado

a las habilidades asociadas a una competencia organizacional, retomando

el trabajo ontológico desarrollado en el proyecto SEEMP, el cual se basa en

la clasificación europea de habilidades Eures [Gómez-Pérez, 2007].

Time ontology: en esta ontología, extraída del proyecto MiO!, se modela

información temporal, tal como: unidades temporales, entidades

temporales, instantes, intervalos, etc. Esta ontología es obtenida por la

reutilización de la ontología OWL-Time [Cadenas, 2009]. En el modelo

semántico propuesto, esta ontología permite asociar elementos temporales

a las actividades y eventos desarrollados en una organización.

Technology Resources ontology: esta ontología modela información

sobre recursos especializados que una organización posee, incluyendo

herramientas, equipos, instrumentos, materiales, máquinas y dispositivos.

Para desarrollarla, se tomaron en consideración definiciones de las NIC´s

referentes a los activos fijos de una organización, además de conceptos

extraídos del proyecto TOVE37, con lo cual, al integrar la ontología al

modelo, es posible describir el uso de los recursos tecnológicos de una

organización en la ejecución de actividades, su asignación a instalaciones

específicas, las personas responsables de ellos y los objetos de

conocimiento que describen su funcionamiento, por ejemplo.

Person ontology: esta ontología es usada para modelar información sobre

personas, incluyendo descripciones sobre sus intereses y preferencias,

además de información general y de contacto. Está diseñada reutilizando la

ontología FOAF38 y es usada para describir tanto a los miembros de una

organización, como a los usuarios de un SRSCC.

35

www.iasplus.com/standard/standard.htm 36

http://www.normasinternacionalesdecontabilidad.es 37

http://www.eil.utoronto.ca/enterprise-modelling/tove/ 38


http://www.iasplus.com/standard/standard.htm

http://www.normasinternacionalesdecontabilidad.es/



49

4.3.2 Módulo Motor de Inferencia y reglas de inferencia

Explotando el modelo semántico descrito en la sección anterior, es posible

procesar las instancias almacenadas en el Repositorio de recursos

ontológicos, con el objetivo de identificar ítems que le resulten interesantes a los

usuarios. Este filtrado puede ser ejecutado mediante la aplicación de reglas de

inferencia por parte del Módulo Motor de Inferencia definido en la arquitectura

propuesta.

Dadas las dimensiones modeladas y enfocándose al ambiente organizacional, se

tienen los elementos necesarios para definir reglas de inferencia de acuerdo a las

siguientes características:

Cercanía a los usuarios: el modelo permite explotar información espacial

en distintos niveles y bajo diversas apreciaciones, lo cual se logra al

considerar la localización de los elementos modelados, ya sea mediante

coordenadas geográficas usando el sistema clásico de latitud y longitud

para ambientes urbanos, o bien, identificando su posición en un punto

específico de las instalaciones de una organización, mediante un sistema

de coordenadas cartesianas para ambientes de tipo campus.

Disponibilidad de los ítems: con el modelo planteado, se pueden definir

reglas de inferencia que exploten políticas internas de una organización

para definir la accesibilidad de un ítem, ya sea en base a restricciones de

acceso para distintos tipos de usuarios, funcionamiento interno de acuerdo

a distintos momentos temporales o el estatus de los ítems dentro de un flujo

de trabajo, entre otras.

Información temporal: usando el módulo ontológico para el modelado de

entidades temporales, es posible definir reglas de inferencia que operen

sobre factores relacionados a intervalos de tiempo, épocas del año, zonas

horarias, duración de actividades, horarios y calendarios, por ejemplo.

Dispositivos de los usuarios: usando el modelo ontológico es posible

definir reglas que exploten las características de hardware y software sobre

el dispositivo de un usuario, como plataforma, conectividad, pantalla o

cámara, por ejemplo.

Aplicabilidad de los ítems: explotando el modelo ontológico, es posible

definir reglas de inferencia que identifiquen el potencial de utilidad de un

ítem en base a las actividades en que es utilizado, el conocimiento

requerido para usarlo o la manera en que son empleados dentro de la

comunicación interna de la organización.

50

Estas características son combinadas con las preferencias, intereses y habilidades

de los usuarios para obtener un conjunto de recomendaciones adecuadas para

ellos. El caso de uso mostrado en la Figura 4.5 representa el comportamiento

dentro de la arquitectura propuesta de un Motor de Inferencia de este tipo al

relacionarse con el resto de módulos.

Figura 4.5: Caso de uso del comportamiento del Motor de Inferencia de un SRSCC organizacional implementado para diversos tipos de organizaciones

Dado que el procesamiento sobre ontologías normalmente presenta un alto costo

en tiempo, se propone un tipo de proceso de inferencia dividido en sub-procesos,

lo cual tiene como objetivo reducir el tiempo que un usuario debe esperar para

consultar las recomendaciones que se le ofrecen, en especial durante su visita a la

organizacional.

La estrategia diseñada, contempla un pre-filtrado de ítems recomendables que

permite identificar aquellos que puedan resultar interesantes a un usuario, y

posteriormente, la realización de un post-filtrado de éstos en base a su

disponibilidad al momento de que dicho usuario visita una organización. Este

planteamiento es presentado gráficamente en la Figura 4.6.

51

Además, el Módulo Motor de Inferencia también puede procesar las

recomendaciones en un proceso adicional para organizarlas jerárquicamente a

partir de diversos factores como su popularidad, su disponibilidad, antigüedad u

otros.

Figura 4.6: Etapas del proceso de inferencia planteado para el Motor de Inferencia del SRSCC organizacional T-Guía

4.3.3 Definición de una GUI adaptable con mecanismos de

monitoreo

En este trabajo de tesis, se sigue la tendencia de utilizar distintas fuentes de

información para ofrecer una interfaz adaptable en los clientes de un sistema de

recomendación [Cadenas, 2009], por lo que se propone explotar el modelo

ontológico descrito en la sección 4.3.1 en la definición de las interfaces gráficas

del cliente de un SRSCC, las cuales deben ser capaces de adaptarse a las

características de los usuarios y de los dispositivos a utilizar, siguiendo un enfoque

centrado en la Interacción Humano-Máquina.

Para su desarrollo, se propone un método que toma como entrada información

referente a los requisitos del proyecto y cuya salida es un conjunto de interfaces

gráficas para el cliente del SRSCC, las cuales son asociadas a los distintos tipos

de usuarios. El método se compone de los siguientes pasos:

Paso 1. Identificación de las características de los usuarios del

sistema: Este paso consiste en identificar un conjunto de características

distintivas y significantes de los usuarios de un SRSCC, así como de los

dispositivos en los que se implementarán los clientes del sistema, en base a

los requisitos del proyecto y el uso de las ontologías Person y Device que

forman parte del modelo semántico presentado en el apartado 4.3.1.

52

Paso 2. Generación de grupos de características de usuario: Este paso

consiste en agrupar las características identificadas en el paso 1 de

acuerdo a su dominio.

Paso 3. Definición de perfiles de usuario: Este paso consiste en definir

un conjunto de perfiles de usuarios del sistema, clasificando a los usuarios

de acuerdo a los grupos de características obtenidos en el paso 2. En este

paso es posible unir diferentes grupos de características buscando lograr

una mayor precisión en la meta de proporcionar a un usuario una GUI que

le resulte agradable y útil para sus propósitos.

Paso 4. Definición de funcionalidades del sistema: Este paso consiste

en definir el conjunto de funcionalidades disponibles para cada perfil de

usuario obtenido en el paso 3.

Paso 5. Definición de contenidos: Este paso consiste en definir la

estructura de información adecuada para cada perfil de usuario obtenido en

el paso 3. Se puede considerar tanto la información que se presenta a un

usuario como la manera en que esta información se organiza.

Paso 6. Definición de una GUI estándar: Este paso consiste en diseñar

una interfaz estándar para el cliente del SRSCC.

Paso 7. Definición de la GUI adaptable: Este paso, consiste en tomar

como base la GUI estándar definida en el paso 6 y adaptarla a los usuarios,

lo cual se realiza al diseñar una interfaz para el cliente del SRSCC

específica por cada perfil de usuario obtenido en el paso 3, que implemente

las funcionalidades definidas en el paso 4 con la estructura de información

correspondiente identificada en el paso 5.

Paso 8. Modelado semántico de la GUI adaptable: Este paso consiste en

modelar cada interfaz obtenida en los pasos 6 y 7 usando la ontología

Interface del modelo semántico.

Paso 9. Asociación de usuarios a la GUI adaptable. Este paso consiste

en utilizar el Motor de Inferencia para asociar cada usuario con una

interfaz específica dentro del conjunto de interfaces obtenido en el paso 7,

lo cual se realiza en base a las características del usuario y de su

dispositivo. En caso de no contar con información suficiente, asociar un

usuario con la interfaz estándar definida en el paso 6.

Paso 10. Implementación de la GUI adaptable: Este paso consiste en

implementar en dispositivo del usuario la interfaz que le fue asociada en el

paso 7. En el caso de que el dispositivo sea utilizado por distintos usuarios

del sistema, implementar todas las interfaces de usuario que el dispositivo

soporte e instanciarlas durante el proceso de inicio de sesión conforme un

usuario vaya haciendo uso del SRSCC.

53

El modelo semántico, detallado en el apartado 4.3.1, permite identificar perfiles de

usuarios de acuerdo diversos parámetros, como intereses y preferencias, edad,

idioma, profesión, nivel educativo, género, plataforma del dispositivo u otras

características de los equipos móviles, entre otros. Estos perfiles de usuario

permitirán establecer las características de la GUI adaptable al usuario.

La adaptabilidad de la interfaz del cliente puede enfocarse al contenido de

información que se presenta a un usuario, la disponibilidad de las distintas

funciones existentes en el sistema o cuestiones de diseño, como lo son el uso de

imágenes, colores, tamaños de letra o la disposición de los elementos gráficos,

entre otros.

De manera adicional, en este trabajo de tesis se sigue el planteamiento propuesto

durante el desarrollo del proyecto SMARTMUSEUM [Liiv, 2009], para implementar

técnicas que permitan identificar el grado de satisfacción de un usuario con

respecto a una recomendación, por lo que se propone un tipo de monitoreo que

combine enfoques implícitos y explícitos, el cual está basado principalmente en la

interacción entre los usuarios y la GUI del SRSCC.

El aspecto implícito del monitoreo, propuesto para determinar la popularidad de los

ítems recomendados entre los usuarios, consiste en analizar las acciones que

cada usuario realiza, tanto usando la GUI como en el mundo real, con respecto a

cada recomendación que el SRSCC le ofrece, siendo que estas acciones pueden

ser usadas para tener un ranqueo de los ítems.

El conjunto de acciones está compuesto por las opciones que se proporcionan, a

través de la GUI, para que los usuarios administren las recomendaciones recibidas

y se complementan con el análisis del comportamiento de un usuario, que es

posible gracias a las funcionalidades del Módulo de localización y del Módulo

de identificación de comportamiento de usuarios.

Además, entre las acciones a realizar, se contempla la posibilidad de que las

recomendaciones sean evaluadas manualmente por un usuario, lo cual

correspondería a un enfoque explicito de monitoreo. La definición de valores

válidos asignables a un ítem y el conjunto de acciones reconocidas por el

monitoreo se definen por los desarrolladores de acuerdo a las necesidades de un

SRSCC.

La información generada con la implementación de estos mecanismos puede ser

procesada por el Módulo de identificación de comportamiento de usuarios y

almacenada en el Repositorio de recursos no ontológicos para posteriormente ser

explotada por el Motor de Inferencia.

54

4.3.4 Módulo de identificación de comportamiento de usuarios y

análisis del funcionamiento de un SRSCC

Para realizar un filtrado de información más eficiente, existen enfoques que

proponen que el Motor de Inferencia de un SRSCC, además de información

proveniente de recursos ontológicos, considere información extraída de recursos

no ontológicos, lo cual permite aumentar la exactitud de las recomendaciones que

se ofrecen a un usuario.

De acuerdo a la arquitectura mostrada en la sección 4.2, se propone usar el

elemento Repositorio de recursos no ontológicos para administrar fuentes de

información que no sean modeladas semánticamente, las cuales contengan datos

que permitan optimizar el proceso de inferencia o reflejen un historial del

funcionamiento del SRSCC, por ejemplo. En el caso del historial, puede ser

explotado para identificar aspectos relevantes asociados con las

recomendaciones, como la popularidad de un ítem o su nivel de novedad.

El uso de historiales dentro del proceso de recomendación es un factor común en

el estado de arte presentado, y para la arquitectura propuesta, el Módulo de

identificación de comportamiento de usuarios se encarga de identificar,

analizar y gestionar el comportamiento de los usuarios y del propio SRSCC, a fin

de tener una fuente de información correspondiente a las recomendaciones

efectuadas previamente, la percepción de las mismas por parte de los usuarios y

el contexto en que se infirieron, de tal modo que el historial propuesto para este

trabajo se estructura en los siguientes grupos de información:

Historial de recomendaciones: siguiendo la tendencia marcada en

diversos proyectos ([Bouzeghoub, 2009], [Liiv, 2009] y [Rasanen, 2009]),

en este grupo de información se almacena las recomendaciones ofrecidas

a los usuarios, a fin de determinar cuándo una recomendación resulta

novedosa para un usuario específico. Además, se almacena la valoración

otorgada por el usuario a cada ítem recomendado lo cual es útil para

calcular su popularidad. El valor que se almacena para cada

recomendación es calculado por una combinación de la entrada manual con

un monitoreo implícito de acuerdo al planteamiento presentado en el

apartado 4.3.4.

Historial del contexto: basándose en una propuesta sobre la

administración del contexto de un SRSCC [Cadenas, 2009], en este grupo

de información se almacenan las características contextuales presentes al

momento de efectuar una recomendación, como la ubicación del usuario,

información temporal o la disponibilidad de los ítems, entre otras

55

particularidades. Esta información, combinada con el historial de acciones,

puede ser útil para la identificación de patrones de comportamiento entre

los usuarios. En el caso del SRSCC organizacional T-Guía, se define un

historial de contexto centrado en información espacio-temporal asociada a

las recomendaciones como se especifica en el apartado 4.3.4, sin embargo,

los grupos de información pueden ser extendidos para satisfacer las

necesidades de un proyecto específico o inferir factores no evidentes

explotando características de los usuarios, características del hardware

utilizado, características de las interfaces implementadas en los clientes del

SRSCC o características relacionadas con el ambiente organizacional,

entre otros aspectos.

Historial de acciones: tomando como base los conceptos presentados en

la arquitectura ICAS [Sousa, 2009], en este grupo de información se

almacenan las acciones que realizan los usuarios a partir de las

recomendaciones recibidas, lo cual puede intervenir en el proceso de

recomendación determinando frecuencias de uso. Para la implementación

de este historial, las acciones y su valoración son especificadas en relación

a las necesidades del proyecto, considerando que las acciones se definen

por predicados que corresponden a tripletas en el formato

Usuario+Accion+Item, que al aplicarse a elementos específicos, pueden

leerse como María + consulta_información_de + Sitio Web, o Juan +

entra_a + Edificio Administrativo, por ejemplo. La intención de utilizar este

formato, es establecer un conjunto de información que sea fácilmente

trasladado a un modelo semántico que describa la conducta de los usuarios

de un SRSCC.

La salida del Módulo de identificación de comportamiento de usuarios es

almacenada en el componente Repositorio de recursos ontológicos, para

posteriormente ser considerada por el Módulo Motor de Inferencia en el proceso

de recomendación, además, puede ser explotada para permitirles a los

administradores de un SRSCC conocer el desempeño del mismo. Este

desempeño puede expresarse en base a consultas sobre los datos referentes a

las recomendaciones inferidas, las condiciones en que se infirieron, la interacción

de los usuarios con el sistema y el comportamiento de los usuarios con respecto a

las recomendaciones. Para la generación de esta información, se proponen dos

aspectos a considerar: por un lado los usuarios del sistema y cómo impactan las

recomendaciones que reciben en las acciones que realizan, y por otro lado,

identificar qué es lo que recomienda el SRSCC, con qué frecuencia y bajo qué

condiciones contextuales.

56

4.4 Utilización de la arquitectura propuesta para un SRSCC

organizacional

A fin de usar la arquitectura propuesta en el desarrollo de SRSCCs

organizacionales, se sugieren las siguientes actividades para reutilizar los

conceptos descritos en este capítulo:

Actividad 1: Especificación de requerimientos de un SRSCC

organizacional. Esta actividad corresponde directamente con la Ingeniería

de requisitos, refiriéndose a todas las tareas relacionadas con la

identificación de las necesidades y particularidades que el SRSCC debe

satisfacer, tomando en cuenta las características de los usuarios y de los

equipos a utilizar. Entre los aspectos a definir, se incluyen el entorno de

operación del SRSCC organizacional, su dominio de recomendación y las

características de los clientes a implementar, por ejemplo. Esto se logra con

la aplicación de las técnicas establecidas en la ingeniería de requisitos,

tomando como entrada la información relacionada al SRSCC a desarrollar y

produciendo como salida un conjunto de requisitos.

Actividad 2: Reutilización de la arquitectura del sistema. En esta

actividad, los desarrolladores toman como entrada la arquitectura

presentada en la sección 4.2 y el conjunto de requisitos producido en la

actividad 1, con el propósito de identificar los módulos que les sean de

utilidad para el SRSCC a desarrollar; posteriormente, se pueden añadir

módulos adecuados para satisfacer los requerimientos del SRSCC en caso

de ser necesario. Como salida de la actividad, se tiene una arquitectura de

sistema acorde al SRSCC a desarrollar.

Actividad 3: Especificación de Requisitos ontológicos: esta actividad

corresponde a la especificación de requisitos de una ontología definida en

la NeOn methodology [Suárez – Figueroa, 2010], y se refiere a la

identificación de los requisitos que el modelo semántico del SRSCC

organizacional a desarrollar debe cumplir. Para ello, se toma como entrada

un conjunto de necesidades ontológicas y se produce como salida un

Documento de Especificación de Requisitos de la Ontología (ORSD) de

acuerdo a la plantilla manejada en la NeOn methodology.

Actividad 4: Reutilización del modelo semántico. Esta actividad toma

como entrada el Documento de Especificación de Requisitos de la

Ontología producido en la actividad 3, el objetivo es identificar los módulos

ontológicos del modelo descrito en la sección 4.3.1 que sean de utilidad

para el SRSCC que se pretende desarrollar, por lo tanto, se tiene como

salida un nuevo modelo semántico acorde a las necesidades del proyecto

57

en desarrollo. Para la ejecución de la actividad, se sugiere usar el

escenario de reutilización de recursos ontológicos definido en la NeOn

methodology [Suárez – Figueroa, 2010].

Actividad 5: Implementación de los módulos del SRSCC. En esta

actividad, se implementan los módulos del sistema definidos en la actividad

2 con excepción del Módulo Motor de Inferencia, la Módulo GUI

adaptable al usuario y el Módulo de identificación de comportamiento

de usuarios, los cuales se implementaran en las actividades posteriores.

Actividad 6: Implementación del Módulo Motor de Inferencia. Esta

actividad consiste en definir las reglas de inferencia que el SRSCC

organizacional utilizará para producir las recomendaciones. Se toma como

entrada el conjunto de requisitos definido en la actividad 1 y el modelo

semántico producido en la actividad 4, sobre el cual aplicarán las reglas de

inferencia. Además, se toma en consideración las diferentes fuentes de

información correspondientes a recursos no-ontológicos, de acuerdo a la

implementación de los módulos del sistema efectuada en la actividad 5.

Actividad 7: Definición de una GUI adaptable al usuario. Como su

nombre lo indica, esta actividad consiste en aplicar el método descrito el

apartado 4.3.3 para producir una GUI adaptable al usuario implementada

para los clientes del SRSCC.

Actividad 8: Implementación de un módulo de identificación de

comportamiento de usuarios. Esta actividad tiene como objetivo

proporcionar a los administradores del SRSCC organizacional una forma de

interpretar el funcionamiento del sistema, lo cual se logra aplicando el

planteamiento descrito en la sección 4.3.4.

58

CAPÍTULO 5: DESARROLLO DEL SRSCC ORGANIZACIONAL T-GUÍA

Los contenidos de este capítulo hacen referencia al desarrollo de un sistema de

recomendación semántico consciente del contexto usando la arquitectura propuesta,

el cual es llamado T-Guía.

59

5.1 Introducción y características de implementación

El prototipo del SRSCC organizacional T-Guía fue desarrollado usando algunos de

los módulos de la arquitectura propuesta, con el fin de demostrar la efectividad de

los conceptos, métodos y técnicas presentados en el capítulo 4, además, el

funcionamiento del resto de los elementos fue simulado durante la fase de

pruebas. Estos módulos han sido implementados mediante el desarrollo diversas

aplicaciones que se distribuyen en dos partes principales, una del lado del servidor

y otra de lado del cliente móvil del sistema, como se muestra en la Figura 5.1.

Figura 5.1: Vista estática de los módulos del SRSCC organizacional T-Guía

Los módulos del lado servidor se desarrollaron utilizando el IDE NetBeans 6.8,

soportado sobre Microsoft Windows y se describen a continuación:

Aplicaciones Web: son un conjunto de aplicaciones que los usuarios y

administradores del SRSCC organizacional T-Guía pueden utilizar a través

de Internet mediante un navegador, formado por los proyectos SAIA y

Semantic T-Guide descritos con mayor detalle en los apartados 5.2.1.2 y

5.2.1.3, desarrollados bajo el Framework Struts 2, que se crean con el

objetivo de permitir poblar el Repositorio de recursos ontológicos para

tener un conjunto de información sobre la cual aplicar el proceso de

inferencia durante la fase de pruebas, emulando el funcionamiento del

Módulo de poblado de ontologías.

60

Por otra parte, el proyecto T-guide Admin, que utiliza los métodos de la

aplicación de escritorio 2DB T-Guide detallada posteriormente, se utiliza

para implementar el funcionamiento del Módulo de identificación de

comportamiento de usuarios. Mediante estas aplicaciones, los usuarios y

administradores del sistema pueden administrar la información tanto de los

perfiles de usuario, como de los elementos organizacionales a recomendar,

respectivamente. También se siguió el planteamiento descrito en el capítulo

anterior para implementar el uso de los historiales, estableciendo la

generación de reportes para los administradores del sistema en el T-guide

Admin.

Módulo Motor de Inferencia: los métodos de este módulo, implementados

de acuerdo a la estrategia planteada en la sección 5.3, están codificados en

un proyecto de NetBeans llamado OBCaRS T-Guide y permiten aplicar

sobre una ontología conjuntos de reglas de inferencia definidas en el

lenguaje SWRL, las cuales se almacenan en archivos de Excel en formato

97-2003.

Estas reglas son aplicadas con el método ruleEngine.infer() de la SWRL

Rule Engine API sobre la ontología multidimensional, la cual es manejada

mediante un TDB39, que es un componente de Jena40 que proporciona

almacenamiento de grandes volúmenes de datos RDF. Jena, un framework

semántico para Java, es capaz de soportar RDF, RDFS, OWL y SPARQL,

además de notaciones como RDF/XML, N3 y Ntriples [Jena]. En el mismo

proyecto se incluye también un método para simular el funcionamiento del

Módulo de localización, con el objetivo de utilizarlo durante la fase de

pruebas al sistema.

Repositorio de recursos ontológicos: este componente se refiere a la

ontología multidimensional implementada, que se describe en el punto 5.2,

la cual fue definida en el lenguaje OWL1 usando el editor de ontologías

Protégé en su versión 3.4, sin embargo, algunas de las ontologías

importadas como la ontología FOAF, se mantienen en RDF.

Repositorio de recursos ontológicos: mediante una estructura de

directorios en el servidor, los archivos que contienen las recomendaciones

generadas para cada usuario son almacenadas en el lenguaje XML

(Extensible Markub Language), y además, se almacenan los archivos que

contienen las reglas de inferencia.

GUI adaptable al usuario: se maneja un prototipo cliente móvil para el T-

Guía, el cual corre en el sistema operativo para dispositivos móviles

Android, y fue desarrollado utilizando el IDE de Eclipse, soportado sobre

39

http://openjena.org/wiki/TDB 40

http://jena.sourceforge.net/

http://openjena.org/wiki/TDB

http://jena.sourceforge.net/

61

Linux (Ubuntu 10.10) con el SDK de Android. El cliente, llamado Mobile T-

Guide, puede conectarse al servidor para acceder a un archivo .xml que

contiene las recomendaciones inferidas para un usuario, y las despliega en

una interfaz que adapta sus características gráficas y opciones de

navegación según el tipo de usuario para el que se muestren las

recomendaciones. La base de datos del dispositivo móvil, usada para

registrar las acciones que efectúa un usuario sobre la GUI, está

implementada utilizando el sistema de gestión de bases de datos SQLite41.

Una vista dinámica de la arquitectura, considerando las aplicaciones desarrolladas

durante la implementación del SRSCC organizacional T-Guía y cómo interactúan

entre sí, se presenta en la Figura 5.2. En dicha figura, se representa el

funcionamiento del T-Guía bajo la siguiente descripción: las aplicaciones web

SAIA y Semantic T-Guide permiten instanciar la información que será considerada

durante el proceso de inferencia. Estas instancias son almacenadas en un TDB en

el servidor, el cual es accedido por la aplicación OBCaRS T-Guide durante el

proceso de filtrado de ítems. En dicho proceso se aplican las reglas de inferencia,

organizadas en diferentes subconjuntos, que están especificadas en archivos .xls

almacenados en el servidor. Una vez que las recomendaciones han sido inferidas,

se crea con ellas un archivo xml que es accedido por la aplicación T-Guide Mobile,

la cual se encuentra en el cliente del SRSCC organizacional T-Guide, es decir, el

dispositivo móvil. El T-Guide Mobile permite al usuario interactuar con las

recomendaciones, a partir de lo cual se crea un segundo archivo xml que es

procesado por la aplicación 2DB T-Guide para registrar en una base de datos en

el servidor el comportamiento de los usuarios. La base de datos con la información

sobre el comportamiento de los usuarios es consultada por la aplicación T-Guide

Admin, la cual permite generar reportes sobre diversos aspectos del

funcionamiento del SRSCC organizacional T-Guía.

41

http://www.sqlite.org/

http://www.sqlite.org/

62

Figura 5.2: Vista funcional de los elementos del SRSCC organizacional T-Guía

Con el objetivo de generar un banco de datos sobre los cuales efectuar la fase de

pruebas al sistema, además de los elementos del T-Guía descritos previamente,

se llevo a cabo un conjunto de procesos, descritos en el apartado 5.2.1, para

poblar la Organizational Memory Ontology que es explotada por el Módulo Motor

de Inferencia. Detalles referentes a la versión del modelo semántico

implementado, su poblado y los módulos que lo explotan se presentan en las

secciones siguientes.

63

5.2 Reutilización de la Ontología de Memoria Organizacional 1.0

Para implementar el SRSCC organizacional T-Guía, se reutilizó la Ontología de

Memoria Organizacional 1.0 descrita en el capítulo 4, esto se logró al seleccionar y

adaptar los módulos ontológicos necesarios para modelar toda la información

considerada como relevante para el proceso de inferencia. Las modificaciones

hechas a los módulos seleccionados incluyó la agregación de propiedades de tipo

de dato y propiedades de objeto, la modificación del dominio o rango de

propiedades ya existentes y la creación o eliminación de clases e instancias.

Este proceso de adaptación, congruente con la Actividad 4: Reutilización del

modelo semántico de la metodología propuesta en la sección 4.3.1, permitió

definir una versión reducida de la red de ontologías original, que es el conjunto de

ontologías interconectadas entre sí llamado Organizational Memory Ontology,

cuyo contenido es resumido en la Figura 5.3:

Figura 5.3: Contenido del modelo ontológico reducido

64

El módulo ontológico correspondiente a la organización fue adaptado a una

ontología organizacional manejada en proyectos previos desarrollados en

CENIDET, con la finalidad de permitir la compatibilidad con ellos.

La codificación de la OrganizationalMemory.owl implementada en OWL 1 fue

realizada mediante el uso de Protégé 3.4.

El producto ontológico final se compone por 188 clases, 174 relaciones y 197

atributos obtenidos mediante la importación de las ontologías que se enlistan a

continuación y cuya incorporación a la ontología principal se expresa mediante la

Figura 5.4.

Figura 5.4: Implementación de la Organizational Memory Ontology usando el editor Protégé 3.4

Como parte del proceso de la documentación de la Organizational Memory

Ontology implementada, la herramienta OWLDoc [NeOn-OWLDoc] fue usada

como base para crear un conjunto de archivos .html que contienen el listado de

cada elemento de la ontología, organizados por ontologías, por clases, por

propiedades de tipo de dato, por propiedades de objeto y por instancias, los cuales

pueden ser visualizados con un navegador como se muestra en la Figura 5.5.

65

Figura 5.5: Ventana principal de la página de documentación de la Organizational Memory Ontology

Tabla 2.1: Ontologías importadas en implementación de la Organizational Memory Ontology

Prefijo Ontología Tipo de contenido

OM: http://www.CENIDET.edu.mx/OrganizationalMemory.owl

Elementos únicos de la Organizational Memory ontology

comerce: http://purl.org/goodrelations/v1 Elementos para modelar la comercialización de productos y servicios por parte de una organización

foaf: http://xmlns.com/foaf/0.1/ Elementos usados para modelar agentes organizacionales

time: http://www.w3.org/2006/time-entry

Elementos usados para el modelado de condiciones temporales

resource: http://www.CENIDET.edu.mx/TechnologyResource

Elementos que permiten el modelado de recursos tecnológicos pertenecientes a una organización

xfoaf: http://www.CENIDET.edu.mx/xfoaf.owl

Extensión a foaf manejada en proyectos desarrollados en

66

CENIDET accounting: http://www.CENIDET.edu.mx/Ac

counting Elementos usados para el modelado de aspectos contables y financieros de una organización

Advertising: http://www.CENIDET.edu.mx/Advertising

Elementos usados para modelar las estrategias publicitarias seguidas por una organización

wgs84_pos: http://www.w3.org/2003/01/geo/wgs84_pos

Elementos para el modelado de aspectos espaciales

ontoedu: http://www.owl-ontologies.com/ontoedu.owl

Elementos para el modelado de objetos de conocimiento pertenecientes a IES

KnowledgeObject: http://www.CENIDET.edu.mx/KnowledgeObject

Elementos para el modelado de objetos de conocimiento pertenecientes a diversos tipos de organizaciones.

infraestructura: http://www.CENIDET.edu.mx/IndoorLocation.owl

Elementos usados para el modelado de las instalaciones de una organización

languagecode: http://www.fao.org/aims/aos/languagecode.owl

Elementos usados para modelar idiomas

ontocompany: http://www.owl-ontologies.com/ontocompany.owl

Elementos para el modelado de objetos de conocimiento pertenecientes a empresas

Location: http://www.cenitmio.es/ontologies/Location.owl

Elementos para el modelado de una localización espacial

CompetencyCatalog: http://www.CENIDET.edu.mx/CompetencyCatalog.owl

Elementos usados para modelar las competencias que puede poseer una organización

OrganizationalActivities: http://www.CENIDET.edu.mx/OrganizationalActivities

Elementos usados para definir los distintos tipos de actividades que se pueden realizar en una organización

humanActivities: http://sweet.jpl.nasa.gov/ontology/human_activities.owl

Elementos para modelar las características de una actividad específica

dbpl: http://gate.ac.uk/gate-extras/neon/ontologies/lir/dbpl.owl

Elementos usados para el modelado de características multilingües

OccupationsOntology: http://droz.dia.fi.ump.es/ontologies/OccupationsOntologyTBox.owl

Elementos usados para modelar las ocupaciones asociadas a una organización

dblp: http://swat.cse.lehigh.edu/resources/onto/dblp.owl

Elementos usados para el modelado de publicaciones

67

Para el uso de la Organizational Memory Ontology por parte del SRSCC

organizacional T-Guía, se concentran todos los archivos que forman el proyecto

de Protégé asociado al modelo semántico implementado en una carpeta llamada

TGuideOntology. En esta carpeta se irán almacenando nuevas versiones de la

ontología conforme se ejecuten las etapas del proceso de inferencia, creando

distintos archivos .owl en los que se reflejen las recomendaciones inferidas. Estos

archivos servirán de base para la creación del TDB sobre el cual se operan los

submódulos del Motor de Inferencia de acuerdo a lo descrito en la sección 5.3.

5.2.1 Poblado de la Organizational Memory Ontology

implementada y la aplicación web Semantic T-Guide

La arquitectura para SRSCC, presentada en el capítulo anterior, contempla un

Módulo para el poblado de ontologías como medio para obtener las instancias

de los elementos organizacionales disponibles para ser recomendados, sin

embargo, dado que su implementación no se encuentra dentro de los alcances de

este trabajo, fue sustituido definiendo tres procesos diferentes de acuerdo al tipo

de instancias que se requieren para la Organizational Memory Ontology. Estos

procesos son descritos en los apartados siguientes.

5.2.1.1 Instanciación de los catálogos seleccionados: uso de la librería

NOR2O

A fin de mantener un control de la información que es proporcionada para ser

instanciada, se decidió emplear catálogos existentes sobre elementos claves del

modelo ontológico, considerando los siguientes:

Catálogo de intereses y áreas de conocimiento: este catálogo está

formado por la unión del Catálogo de áreas de conocimiento ANIEI, el

Catálogo de materias de investigación de la UNESCO y las líneas de

especialización manejadas por los miembros de CENIDET, y es usado para

reflejar tanto el interés de un usuario en algún tópico de las ciencias o

tecnología, como para manejar la asociación de objetos de conocimiento,

proyectos, actividades, eventos e instalaciones especializadas con una o

más áreas de conocimiento.

68

Catálogo de ocupaciones: este catálogo tiene como elementos la

traducción al español de las ocupaciones consideradas en la ontología

Occupation Ontology, descrita en el capítulo anterior, las cuales fueron

reducidas previamente al dominio de proyecto, considerando las ramas

correspondientes a Profesiones, Profesionales de la educación y Directivos

de empresas, añadiendo los puestos particulares manejados en CENIDET.

Este catálogo se utiliza para indicar la ocupación desempeñada por una

persona, las ocupaciones asociadas a una competencia organizacional y la

asociación de ocupaciones a una organización, además del tipo de clientes

que atiende una organización.

Catálogo de actividades económicas: este catálogo tiene como

elementos la traducción al español de las actividades económicas

consideradas en la ontología Economic Activity Ontology, descrita en el

capítulo anterior. El catálogo se utiliza para indicar el giro de una

organización, la posible explotación de un proyecto por parte de

organizaciones que realicen una determinada actividad económica o el tipo

de organizaciones que conforman el mercado sectorial que atiende una

organización.

Catálogo de zonas económicas: este catálogo tiene como elementos las

Regiones socioeconómicas consideradas por la INEGI. El catálogo es

usado para indicar la zona económica en la que se encuentra una

organización y las zonas económicas que conforman el mercado geográfico

que atiende una organización.

Catálogo de habilidades: este catálogo tiene como elementos la

traducción al español del catálogo de habilidades definido por O*Net, y es

utilizado en la especificación de las competencias individuales que posee

una persona, así como las habilidades que requieren tener las personas

asociadas a una actividad o evento de la organización, las habilidades

técnicas necesarias para usar un recurso tecnológico y las habilidades que

poseen los participantes en un evento.

Para instanciar los catálogos seleccionados en la ontología explotada por el

sistema de recomendación, primero se tomó la información que describe cada

catálogo desde distintas fuentes heterogéneas para unificarla manualmente en un

archivo de Excel en formato 97-2003, y luego, se empleó la librería NOR2O

[Villavizon, 2010] para convertirlos en instancias de dicha ontología, como se

muestra en la Figura 5.6.

69

Para utilizar la herramienta NOR2O es necesario editar tres archivos de

configuración: 1) el archivo nor.xml, que contiene la especificación del archivo

separado por comas (CSV, con extensión xls) que contiene los datos a instanciar,

2) el archivo prnor.xml que define el patrón de transformación para los datos

contenidos en el archivo CSV y 3) el archivo or.xml que permite definir la salida de

las instancias a una ontología existente o a una nueva ontología.

Figura 5.6: Proceso para la instanciación de catálogos

5.2.1.2 Instanciación de elementos organizacionales: Sistema de

Administración de Información Académica SAIA y método para la

transformación de sitios de IES a la web 3.0

Para el poblado de las instancias de los elementos organizacionales disponibles

para ser recomendados, considerando un caso de prueba sobre una institución de

educación superior, se utiliza el Sistema de Administración de Información

Académica (SAIA), el cual fue planteado para instanciar los ítems

correspondientes a la organización CENIDET.

Para el desarrollo de esta aplicación, se planteó un proceso para la transformación

de sitios de IES a la web 3.0 llamado MyEDU2SeWeb, el cual se basa en la

Metodología para Creación de Sitios Web de Maybel Gil42 y se conforma de las

siguientes fases:

42

http://www.casupo.org.ve/CV/may/alumnos.php

http://www.casupo.org.ve/CV/may/alumnos.php

70

Fase I. Análisis: Esta fase se compone de 4 tareas principales:

Análisis del sitio actual: conocer y entender el funcionamiento del sitio de la

organización.

Definición de objetivos de la versión semántica del sitio: Establecer el

propósito de la implementación semántica del sitio actual.

Definición de Audiencia: definir los usuarios del sitio

Expectativas de la Organización: definir lo que la organización espera y no

espera lograr con la adaptación de su sitio web.

Fase II. Planificación: esta fase tiene como objetivo definir los aspectos claves

para la adaptación del sitio a la Web 3.0, y se compone de las siguientes tareas:

Selección del Software: Identificar herramientas y tecnologías que faciliten

la migración del un sitio Web a una versión semántica del mismo.

Selección de recursos ontológicos reutilizables: identificar ontologías o

redes de ontologías cuyos elementos coincidan con el dominio del sitio web

a transformar.

Selección del equipo de trabajo: Identificar al personal necesario para

realizar la transformación del sitio y asignarles tareas de acuerdo a sus

competencias individuales.

Benchmarking: Definir una estrategia que permita la evaluación subjetiva y

cuantitativa del proceso de transformación del sitio.

Definición de la Estructura de Navegación: definir la forma en que los

visitantes podrán saltar de una página a otra dentro del sitio Web utilizando

el sistema de hipervínculos.

Costos de Inversión: estimar los costos en recursos que conlleva la

ejecución del proyecto.

Beneficios a obtener: definir los beneficios que la organización espera

obtener con la implementación de una versión semántica del sitio.

Fase III. Contenido: esta fase busca definir la relación entre módulos ontológicos

y los contenidos que se mostraran en la versión semántica del sitio. Las tareas

que la componen son:

Definición del contenido conceptual: definir el conjunto de información que

será mostrada en la nueva versión del sitio web.

71

Asociación de módulos ontológicos a los bloques de contenido: Definir las

clases, atributos y relaciones asociados a los bloques de contenidos que se

mostraran.

Identificación de fuentes de información heterogéneas: identificar la

existencia, disponibilidad y accesibilidad actuales de la información que se

mostrará en la versión semántica del sitio web.

Priorización de bloques de contenido: definir conjuntos de información

claves para conseguir los beneficios esperados por la organización.

Poblado de los módulos ontológicos: realizar el poblado de los bloques de

contenido definidos para el sitio, poniendo especial atención en aquellos a

los que se les haya asignado mayor prioridad

Fase IV. Diseño: Esta fase tiene el objetivo de diseñar la nueva versión del sitio

Web tomando en cuenta cuestiones tales como navegabilidad, interactividad y

arquitectura de la información.

Diseño basado en usabilidad: diseñar la nueva versión del sitios Web de

forma tal que los usuarios puedan interactuar con ellos de la forma más

fácil, cómoda e intuitiva posible

Diseño basado en accesibilidad: diseñar la nueva versión del sitio

considerando que este y sus contenidos sea accedidos por todas las

personas independientemente de la discapacidad (física, intelectual o

técnica) que presenten o de las que se deriven del contexto de uso

(tecnológicas o ambientales).

Fase V. Programación: Esta fase tiene como objetivo la implementación de la

nueva versión del sitio Web. Las tareas que componen son las siguientes:

Administración de la base de conocimientos: programar todos los

elementos necesarios para la creación, modificación, eliminación y

explotación de las instancias asociadas con la nueva versión del sitio Web.

Administración de la base de datos: programar todos los elementos

necesarios para la creación, modificación, eliminación y explotación de los

elementos que no puedan ser almacenados en una ontología o red de

ontologías, como archivos descargables, imágenes, etcétera.

Programación Intermedia: programar los elementos asociados con la

administración del sitio web, como manejo de sesiones, autenticación de

usuarios, funciones permitidas a los usuarios, etcétera.

Interfaz: codificar e implementar la interfaz gráfica de usuario diseñada para

la nueva versión del sitio web.

72

Fase VI. Testeo: Esta fase tiene el objetivo de comprobar el correcto

funcionamiento de la nueva versión del sitio web.

Detección de errores (bugs): pruebas generales a toda la funcionalidad del

nuevo sitio Web.

Comprobación de comportamiento en ambientes concurrentes: verificación

de la persistencia y congruencia de las instancias asociadas con el sitio

Web.

Análisis del desempeño del sitio: pruebas para evaluar aspectos del

desempeño del sitio al operar sobre ontologías o redes de ontologías.

Identificación de áreas de oportunidad: definir posibles mejoras al sitio Web

semántico.

Fase VII. Mercadeo y Publicidad: esta fase tiene como objetivo dar a conocer la

versión semántica del sitio web de la organización, y consiste en difundirlo

mediante redes de colaboración o mediante redes sociales, por ejemplo.

El SAIA fue desarrollado siguiendo esta metodología, tomando como base el sitio

Web tradicional del CENIDET para crear una nueva versión semántica del mismo,

la cual es capaz de reflejar la estructura del modelo semántico manejado en el

capítulo 4, de tal forma que permite la creación, modificación, eliminación y

recuperación de instancias sobre la Organizational Memory Ontology por medio de

un almacén de tripletas (TDB de Jena) que es sincronizado con la ontología cada

vez que una operación se realiza. Este proceso es representado por la Figura 5.7.

Figura 5.7: Proceso para la instanciación de elementos organizacionales

73

5.2.1.3 Registro de los usuarios del T-Guía: Semantic T-Guide

Para permitir el registro de los usuarios del T-Guía, se presenta una aplicación

web llamada Semantic T-Guide, que permite a los usuarios crear o modificar una

cuenta con la que utiliza el sistema. La aplicación reutiliza un servicio web,

desarrollado previamente en CENIDET, para realizar operaciones de creación,

modificación y recuperación de instancias sobre la Organizational Memory

Ontology por medio de un almacén de tripletas (TDB) que es sincronizado con la

ontología cada vez que una operación se realiza. El proceso realizado por el

Semantic T-Guide es representado en la Figura 5.8.

Figura 5.8: Proceso para la instanciación de usuarios del T-Guía

Los bloques de información que se ingresan en el Semantic T-Guide, los cuales

definen el perfil de un usuario, están estructurados en formularios

correspondientes a los datos de una cuenta, datos del usuario y a datos de una

organización a la que pertenece, siendo estos últimos opcionales en caso de que

el usuario no se encuentre relacionado a alguna organización.

La Figura 5.9 muestra el formulario para la creación de una cuenta, en el cual se

debe indicar si corresponde a un tipo de usuario Empresario, Estudiante o

Profesor Investigador externos, que son los tipos de usuarios definidos en la etapa

de especificación de requisitos y que corresponden a valores que el atributo

userType de la clase Person puede tomar, el cual es usado por la GUI adaptable

para identificar cual estructura de información y qué características gráficas son

usadas para mostrar las recomendaciones en el cliente.

74

A partir del correo electrónico de una persona, se define también el valor del

atributo userName de la clase Person, usado para nombrar el archivo .xml en el

que se almacenan el conjunto de recomendaciones ofrecidas para ese usuario, y

que también es usado junto con la contraseña ingresada al usar la cuenta para

efectuar iniciar sesión en el cliente del sistema.

Figura 5.9: Formulario para la creación de una cuenta del T-Guía

La Figura 5.10 muestra capturas de los formularios para ingresar los datos de

contacto de un usuario y de su organización.

Figura 5.10: Formularios para la captura de los datos de contacto de un usuario de la organización a la que pertenece

75

5.3 Implementación del Motor de Inferencia

El proceso de recomendación implementado en el SRSCC organizacional T-Guía

está dividido en sub-procesos, ejecutados por diversos submódulos del Módulo

Motor de Inferencia de acuerdo a las etapas del proceso de inferencia

presentadas en la sección 5.3.

Para fines de experimentación, también se codificaron métodos que simulan el

funcionamiento del Módulo de localización, con los cuales se invoca la ejecución

del proceso de recomendación para un usuario. El proceso se dispara cuando se

detecta la llegada de un usuario a las instalaciones de la organización, para lo cual

se utilizan tecnologías de autoidentificación como RFID43 o NFC44.

Del lado del servidor, en el Repositorio de recursos ontológicos, se tiene un

repositorio de tripletas (TDB) creado a partir de la Organizational Memory

Ontology, poblada con las instancias de los elementos organizacionales y de los

usuarios del sistema, además, en el Repositorio de recursos no ontológicos, se

mantienen un archivo de reglas de inferencia generales llamado ReglasTGuia.xls

y un archivo de reglas especializadas para cada tipo de organización en el que se

implemente el sistema T-Guía, llamados ReglasGov.xls, ReglasEmpresas.xls y

ReglasIES.xls, los cuales se almacenan en una carpeta llamada TGuideRules que

es accedida por el Motor de Inferencia, mediante los métodos codificados en el

proyecto de NetBeans OBCaRS, durante su proceso de recomendación.

Dado que en los alcances planteados para el trabajo de tesis se maneja la

implementación del SRSCC organizacional T-Guía en un escenario de tipo IES, se

toma el archivo ReglasIES.xls, que contiene las reglas que se aplican al

implementar el sistema sobre una institución de educación superior.

El objetivo de este tipo de implementación es que al llevar el sistema T-Guía a

diferentes escenarios organizacionales, este pueda adaptarse fácilmente

indicando el conjunto de reglas que se debe ejecutar para cada organización.

43

La Identificación por Radio Frecuencia, RFID por sus siglas en íngles, es una tecnología

inalámbrica que utiliza ondas de radio frecuencia para transferir datos entre un lector y una etiqueta incorporada a una persona u objeto, para su identificación, categorización o seguimiento, entre otros propósitos. http://www.rfid.org/ 44

La Near Field Communication (NFC), una tecnología de comunicación inalámbrica, de corto

alcance y alta frecuencia que permite el intercambio de datos entre dispositivos a menos de 10cm. http://www.nfc-forum.org/home/

http://www.rfid.org/

http://www.nfc-forum.org/home/

76

Cuando un usuario se registra en el SRSCC organizacional, mediante la aplicación

Semantic T-Guide, se aplica un conjunto de reglas basadas en contenidos que se

encuentran almacenadas en el archivo ReglasTGuia.xls, mostradas en el Anexo 1,

lo cual permite realizar un primer filtrado a partir del identificador de ese usuario

para obtener sólo los elementos recomendables que coincidan con sus intereses y

preferencias. Este primer sub-proceso es ejecutado por el Submódulo de pre-

filtrado de ítems.

Las coincidencias son determinadas mediante un Matching semántico

[Giunchiglia, 2003] evaluando los contenidos del perfil del usuario y los incluidos

en la descripción de los ítems, de las dimensiones contextuales y de las políticas

de la empresa. Para ello, se toma como base el conocimiento explícito definido en

la red de ontologías mediante las instancias de relaciones, clases y propiedades.

Además, durante las diferentes etapas del proceso de recomendación se usa

también la inferencia de conocimiento semántico implícito, que va generándose

durante la ejecución de cada subproceso.

Posteriormente, se ejecuta un segundo conjunto de reglas, también almacenadas

en el archivo ReglasTGuia.xls, las cuales permiten extraer aquellos elementos

recomendables asociados a una organización específica.

Esto permite que cada organización donde se implemente el T-Guía tenga un

repositorio local formado únicamente por sus instancias. Este sub-proceso

corresponde al Submódulo de extracción de instancias asociadas a una

organización.

Además, se mantiene en el servidor local de la organización un archivo con

extensión .xml por cada usuario que la visite, este archivo contienen la lista de

recomendaciones que se infirieron para dicho usuario. El contenido de estos

archivos, que se nombran usando el identificador de la instancia de dicho usuario

de la forma usuario.xml, es desplegado en el cliente móvil por el Mobile T-Guide

descrito en la sección 5.4.

Finalmente, usando los identificadores de un usuario y del campus de la

organización al que llega, así como datos temporales de fecha y hora, el

Submódulo generador de recomendaciones abre el archivo .xls que contiene

las reglas definidas para el tipo de organización visitada, las cuales consideran

aspectos contextuales de espacio, tiempo y disponibilidad, permitiendo identificar

los elementos recomendables asociados al campus visitado que están disponibles

en ese momento para ser ofrecidos al usuario. Una vez que estos elementos son

identificados, se estructuran en un archivo .xml que es leído por el cliente cuando

el usuario inicia sesión en el Mobile T-Guide.

77

De manera adicional, cuando se registran nuevos elementos organizacionales

para ser instanciados en la Organizational Memory Ontology, el Submódulo para

la actualización de conjuntos de ítems pre-filtrados implementado en el SAIA,

se encarga de comparar las características de un nuevo elemento con las

características de cada usuario registrado, de tal forma que sí estas coinciden, el

elemento es añadido al subconjunto obtenido por la ejecución del Submódulo de

pre-filtrado de ítems.

El registro de nuevos ítems puede estar a cargo de los administradores del

sistema o lo pueden realizar los miembros de la organización como parte de la

administración de su información personal, y además, la actualización del

subconjunto de ítems recomendables asociados a la organización puede

implementarse en otros desarrollos de forma automática tras cada operación

sobre la base de conocimientos, este proceso es constante de acuerdo a un

criterio propio de los administradores del sistema o manualmente a solicitud de un

administrador.

El funcionamiento detallado de los módulos, representados en la Figura 5.11, es

presentado en las secciones siguientes:

Figura 5.11: Módulos del Motor de Inferencia del sistema T-Guía

La implementación del Módulo Motor de Inferencia fue desarrollada mediante la

codificación de tres clases principales llamadas SWRL4U.java, SPARQL4U.java y

OBCaRS.java.

78

La clase SWRL4U.java, representada en la Figura 5.12, contiene métodos que

permiten aplicar un conjunto de reglas SWRL almacenadas en un archivo .xls

sobre una ontología, considerando la asignación de valores a las múltiples

variables que pudiesen estar involucradas en las reglas, para producir una nueva

versión de la ontología inicial que contenga las inferencias obtenidas.

Figura 5.12: Entradas y salida de la clase SWRL4U.java

La clase SPARQL4U.java, representada en la Figura 5.13, contiene métodos que

permiten aplicar un conjunto de consultas SPARQL almacenadas en un archivo

.xls sobre una ontología, considerando la asignación de valores a las múltiples

variables que pudiesen estar involucradas en las consultas, para producir un

archivo .xml que contenga el resultado de las consultas.

Figura 5.13: Entradas y salida de la clase SPARQL4U.java

La clase OBCaRS.java contiene métodos que corresponden a los cuatro

submódulos del Módulo Motor de Inferencia presentados en la Figura 5.11, y en

ellos, se invocan los métodos de las clases SWRL4U.java y SPARQL4U.java para

realizar las distintas etapas del proceso de inferencia. Cada una de las etapas se

describen en los apartados siguientes.

79

Además, la forma en que se han definido las clases SWRL4U.java y

SPARQL4U.java permite que éstas sean fácilmente reutilizables en otros

proyectos que requieran el uso de reglas SWRL o consultas SPARQL, pues para

ello el desarrollador únicamente deberá especificar el conjunto de reglas o

consultas que desea aplicar, junto con la lista de valores (pudiendo estar vacía)

para las variables a considerar.

5.3.1 Submódulo de pre-filtrado de ítems

La estrategia seguida para el poblado del el conjunto de ontologías Organizational

Memory Ontology, descrito en el punto 5.3, permite definir tanto un conjunto I

formado por los n ítems o elementos organizacionales instanciados en la base de

conocimientos, como un conjunto 𝑈 formado por los m usuarios registrados en el

sistema, tal que:

I= {𝑖1; 𝑖2; … ; 𝑖𝑛} (1)

𝑈 = {𝑢1; 𝑢2;… ;𝑢𝑚 } (2)

A partir de esto, cuando un usuario realiza el proceso de registro en el sistema T-

Guía, se crea una nueva instancia de éste en la Organizational Memory Ontology,

modificándose el conjunto de usuarios 𝑈 (2) de la forma:

𝑈 = 𝑈 ∪{𝑢𝑚+1} (3)

Posteriormente, se ejecuta el Módulo de pre-filtrado, el cual toma al usuario recién

registrado como el usuario activo 𝑢𝑎 y pasa la Organizational Memory Ontology

poblada a un TDB, sobre el cual se aplica un conjunto de reglas de inferencia,

almacenadas en el archivo ReglasTGuia.xls, diseñadas para identificar los

elementos de 𝐼 que coincidan con el conjunto de características del usuario activo.

Para ello, se maneja un conjunto 𝐷 (4), formado por las características que

pueden poseer los usuarios y que está definido por la unión del conjunto 𝑇, que

corresponde a las x áreas de conocimiento en las que los usuarios podrían tener

80

interés, el conjunto 𝐻 que representa las y competencias individuales

(habilidades) que pueden tener los usuarios y del conjunto 𝑂 que corresponde a

las z ocupaciones que pueden desempeñar los usuarios. Los conjuntos 𝑇, 𝐻 y 𝑂

corresponden a los catálogos manejados en el sistema SAIA, que se describen en

la sección 5.2.1.

𝐷 = 𝑇 ∪ 𝐻 ∪ 𝑂 (4)

Este módulo también se encarga de obtener un subconjunto de 𝐷 (4), el cual

corresponde a los intereses, habilidades y ocupaciones del usuario activo que es

llamado 𝐷𝑢𝑎 (5), formado por la unión de un subconjunto 𝑇𝑢𝑎

, que corresponde a

los x´ tópicos de interés del usuario 𝑢𝑎 , un subconjunto 𝐻𝑢𝑎, que representa las y´

competencias de 𝑢𝑎 y de un subconjunto 𝑂𝑢𝑎, que corresponde a las z´

ocupaciones de 𝑢𝑎 , teniendo que:

𝐷𝑢𝑎= 𝑇𝑢𝑎

∪ 𝐻𝑢𝑎∪ 𝑂𝑢𝑎

(5)

Como resultado de la aplicación de estas reglas se identifica un subconjunto de 𝐼

(1), llamado 𝐼𝑢𝑎 (6), formado por los w ítems que podrían ser del agrado del

usuario activo 𝑢𝑎 :

𝐼𝑢𝑎⊆ 𝐼 (6)

Las modificaciones hechas sobre el TDB para reflejar los elementos que

conforman el subconjunto 𝐼𝑢𝑎 (6) son manejadas en una nueva versión de la

ontología.

El proceso se repite cada vez que un usuario se registra, con lo cual se tiene la

versión original del modelo semántico implementado y una versión modificada, en

la que se van añadiendo las relaciones necesarias para indicar la posible

preferencia de cada uno de los usuarios hacia los ítems.

El objetivo del módulo, representado por la Figura 5.14, es reducir la cantidad de

ítems que se considerarán durante el proceso de inferencia que se ejecuta cuando

81

un usuario visita una organización, y de esta forma, reducir tiempos de respuesta

que podrían ser muy altos si se considerará el conjunto completo de ítems.

Figura 5.14: Submódulo de pre-filtrado de ítems

5.3.2 Submódulo de extracción de instancias asociadas a una

organización

Este módulo, que puede ser ejecutado periódicamente, permite a una

organización tener un repositorio de recursos ontológicos local, formado por las

instancias (ítems) que sean identificadas como interesantes para los usuarios.

Durante su funcionamiento, el módulo crea un TDB´ a partir de la Organizational

Memory Ontology reducida por el Submódulo de pre-filtrado de ítems, sobre el

cual, se aplica un conjunto de reglas de inferencia, almacenadas en el archivo

ReglasTGuia.xls, para obtener un subconjunto de 𝐼𝑢𝑎 (6), llamado 𝐼´𝑢𝑎

(7), que se

forma únicamente por los elementos de 𝐼𝑢𝑎 (6) asociados a la organización

visitada, tal que:

𝐼´𝑢𝑎⊆ 𝐼𝑢𝑎

(7)

82

Este proceso es realizado considerando que el subconjunto 𝐼𝑢𝑎 (6) puede contener

elementos de más de una organización que haya sido modelada en la

Organizational Memory Ontology. Las modificaciones hechas sobre el TDB´ por

este módulo son almacenadas en una versión local de la Organizational Memory

Ontology. El módulo es representado en la Figura 5.15.

Figura 5.15: Submódulo de extracción de instancias asociadas a una organización

5.3.3 Submódulo generador de recomendaciones

Este módulo toma como entrada la salida del Submódulo de extracción de

instancias asociadas a una organización, junto con el identificador del usuario,

información espacial especificada por el identificador del campus organizacional

que visita, información temporal, la disponibilidad de los ítems especificada en sus

instancias y el archivo que contiene el conjunto de reglas contextuales definidas

para el tipo de organización que visita el usuario.

Como se explicó anteriormente, se utilizaron diferentes archivos de reglas con el

objetivo de permitir la definición de conjuntos independientes para IES,

instituciones de gobierno y empresas, sin embargo, dado los alcances del trabajo

de tesis, únicamente se implementan las reglas para IES del archivo

ReglasIES.xls.

83

El propósito del módulo es definir un subconjunto de 𝐼´𝑢𝑎 (7), llamado 𝑅𝑢𝑎

(8),

formado por los ítems que podrían ser del agrado de un usuario 𝑢𝑎 y que sean

recomendables según las condiciones contextuales presentes al momento de

inferir las recomendaciones, de la forma:

𝑅𝑢𝑎⊆ 𝐼´𝑢𝑎

(8)

Para poder obtener los elementos de 𝑅𝑢𝑎 (8) se sigue el siguiente algoritmo:

Sea C el conjunto de los k factores contextuales relevantes para la

recomendación de los ítems:

C = {𝑐1; 𝑐2; … ; 𝑐𝑘} (9)

Sea V el conjunto de los i valores que puede tomar un factor contextual de

C (9):

V = {𝑣1; 𝑣2; … ; 𝑣𝑖} (10)

Sea 𝑓𝑢𝑎 una función para definir el valor (10) de cada elemento del contexto

en el momento 𝑚𝑢𝑎 en que el usuario activo 𝑢𝑎 llega a las instalaciones de

la organización:

𝑓𝑢𝑎: 𝐶,𝑚𝑢𝑎

→ 𝑉 (11)

Sea 𝑔𝑖𝑗 una función para definir el valor (10) que debe tener cada elemento

del contexto para que un ítem 𝑖𝑗 que pertenece a 𝐼 (1) sea considerado

como recomendable:

𝑔𝑖𝑗 : 𝐶, 𝑖𝑗 → 𝑉 (12)

84

Sí el valor de cada elemento del contexto definido por 𝑓𝑢𝑎 (11) es igual al

valor de cada elemento del contexto para un ítem 𝑖𝑗 definido por 𝑔𝑖𝑗 (12),

entonces el ítem 𝑖𝑗 pasa a formar parte de 𝑅𝑢𝑎 (8).

Finalmente, el Módulo generador de recomendaciones pasa la información de los

ítems contenidos en 𝑅𝑢𝑎 (8) a un archivo .xml identificado con el nombre del

usuario activo 𝑢𝑎 que se almacena en el servidor. El funcionamiento de este

módulo se representa en la Figura 5.16, la Figura 5.17 muestra un ejemplo de los

archivos .xml que se generan como salida de este módulo, correspondiente al

archivo nimrod.xml usado para los ejemplos presentados en este capítulo.

Figura 5.16: Submódulo generador de recomendaciones

Figura 5.17: Contenido del archivo de ejemplo nimrod.xml generado con el Módulo generador de recomendaciones

85

5.3.4 Módulo para la actualización de conjuntos de ítems pre-

filtrados

El poblado de los elementos organizacionales modelados en la Organizational

Memory Ontology es realizado con ayuda de la aplicación SAIA, descrita en la

sección 5.2, la cual permite añadirlos al conjunto I (1) como un nuevo ítem 𝑖𝑛+1,

modificando el conjunto original de la forma:

I= I ∪{𝑖𝑛+1} (13)

Una vez que el ítem ha sido añadido es considerado por este módulo como un

ítem activo 𝑖𝑎 , entonces se aplica un conjunto de reglas de inferencia

almacenadas en el archivo ReglasTGuia.xls, las cuales están basadas en

comparar los contenidos de los ítems (1) contra el perfil de los usuarios (2), para

determinar si el ítem 𝑖𝑎 podría resultar interesante para cada usuario registrado en

el sistema, considerando que la compartición del ítem puede estar restringida a

cierto tipo de usuarios, por lo que primeramente se obtiene un subconjunto de 𝑈

(2) llamado 𝑈´ (14), formado por todos los usuarios que pueden acceder a ese

ítem, tal que :

𝑈´ ⊆ 𝑈 (14)

Estas restricciones de acceso son definidas como parte de las políticas de la

organización y se modelan semánticamente por medio de la relación

isShareableWith, que tiene como dominio un ítem recomendable y como rango un

grupo humano, que puede referirse a nivel educativo, profesión o rango

generacional.

Posteriormente, se va tomando secuencialmente cada elemento de 𝑈´ (14) como

𝑢𝑎 para definir su subconjunto 𝐷𝑢𝑎 (5) correspondiente, el cual es usado para

identificar sí el ítem 𝑖𝑎 podría ser recomendable para ese usuario.

Finalmente, las inferencias obtenidas por este módulo son añadidas a la versión

de la ontología modificada por el proceso de pre-filtrado.

86

El funcionamiento del método se describe en la Figura 5.18.

Figura 5.18: Submódulo para la actualización de conjuntos de ítems pre-filtrados

5.4 Análisis y diseño de la interfaz adaptable para el cliente del

SRSCC organizacional T-Guía: Mobile T-Guide

Aplicando el método para la definición de una interfaz adaptable al usuario,

presentado en la sección 4.3.3, se define una GUI para el cliente del T-Guía

capaz de modificar algunas de sus características gráficas y de contenido, lo cual

es realizado de acuerdo al perfil de sus usuarios. Dado que la implementación del

Motor de Inferencia se contempló en un periodo posterior al diseño de la interfaz

del cliente y a que el modelo semántico fue desarrollado en paralelo, la

funcionalidad de los pasos 8 y 9 fue emulada manualmente. El método fue

ejecutado tomando como entrada los requisitos del proyecto y las capacidades del

equipo cliente, definiendo tres perfiles de usuarios: Estudiante, Profesor-

investigador y Empresario.

El cliente del SRSCC organizacional T-Guía, llamado Mobile T-Guide, también

permite registrar las acciones que un usuario realiza con las recomendaciones

recibidas, como se expresa en el caso de uso mostrado en la Figura 5.19.

87

Figura 5.19: Diagrama de casos de uso para la GUI adaptable del cliente del SRSCC organizacional T-Guía

El Mobile T-Guide organiza las recomendaciones que se muestran mediante la

GUI adaptable al usuario como indica el caso de uso presentado en la Figura

5.20.

Figura 5.20: Diagrama de casos de uso para organizar las recomendaciones en el cliente móvil del SRSCC organizacional T-Guía

88

Además, los usuarios interactúan con las recomendaciones recibidas de forma

variada, desde la visualizarlas hasta visitarlas, ubicarlas en un mapa, consultar

detalles sobre ellas, calificarlas o ignorarlas, como se muestra en la Figura 5.21.

Figura 5.21: Diagrama de casos de uso para la interacción de los usuarios con las recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía

Cada una de las acciones que realiza el usuario sobre las recomendaciones

recibidas, ya sea mediante la GUI adaptable al usuario del Mobile T-Guide o

identificadas de forma implícita, deben ser registradas para lograr el monitoreo del

comportamiento de los usuarios, siendo esto realizado como se describe en el

caso de uso mostrado en la Figura 5.22.

Figura 5.22: Diagrama de casos de uso para registrar la interacción de los usuarios con las recomendaciones mediante el cliente móvil del SRSCC organizacional T-Guía

89

El Mobile T-Guide permite a un usuario iniciar sesión y consultar las

recomendaciones que el SRSCC infiere para él. La Figura 5.23 muestra la pantalla

de bienvenida del Mobile T-Guide, la cual implementa el mecanismo de logueo

con el userName y el password que se definen cuando se crea una cuenta en el

Semantic T-Guide.

Figura 5.23: Pantalla de bienvenida del Mobile T-Guide

En relación a las funcionalidades y la estructura de información determinadas para

cada perfil de usuario del SRSCC organizacional T-Guía, se establece que un

usuario de tipo Estudiante tiene acceso a las funciones requeridas para gestionar

una sesión en el sistema, visualizar las recomendaciones ofrecidas por el SRSCC,

consultar información detallada sobre ellas, calificarlas y solicitar su ubicación

dentro de las instalaciones de la organización.

Además, se plantea que las recomendaciones ofrecidas por el SRSCC

organizacional T-Guía estén organizadas según el tipo de ítem recomendado,

permitiéndole a un Estudiante el acceso a los siguientes grupos de elementos:

personas, instalaciones, objetos de conocimiento, servicios basados en

competencias, recursos tecnológicos y actividades.

Los ítems recomendados son presentados en listas independientes para cada

grupo de recomendación, mostrando información mínima del ítem, la cual consiste

en su nombre y disponibilidad; un Estudiante puede consultar información

90

detallada de cada ítem enlistado, para lo cual en la GUI se despliegan datos como

el nombre, el estado, la descripción e información de contacto del ítem, además de

un rating bar para permitirle al usuario calificar el ítem y la opción solicitar su

localización, en el caso de que el ítem sea de tipo persona, se añade una opción

para solicitar una cita con la persona recomendada.

Las funciones y estructura de información son similares para usuarios de tipo

Profesor-investigador y Empresario, sin embargo, estos últimos tendrán acceso a

un grupo de elementos adicional, correspondiente a ítems recomendados que

describan proyectos realizados por la institución.

La Figura 5.24 muestra el diseño de la interfaz base del cliente móvil del SRSCC

organizacional T-Guía, la cual parte de la pantalla de inicio de sesión e incluye

pantallas para mostrar los grupos de recomendaciones y la información detallada

sobre un ítem. La manera en que esta GUI se adapta a los usuarios es

ejemplificada en la Figura 5.25.

Figura 5.24: GUI estándar del cliente del SRSCC organizacional T-Guía

91

Figura 5.25: Adaptación de la GUI del cliente del SRSCC organizacional T-Guía

Considerando las funciones disponibles para los usuarios, el catalogo de acciones

para la interacción con las recomendaciones contempla las siguientes

posibilidades:

Usuario + Visita + Ítem_ recomendado.

Usuario + Visualiza_en_mapa + Ítem_ recomendado.

Usuario + Consulta + Ítem_ recomendado.

Usuario + Ignora + Ítem_ recomendado.

Usuario + Solicita_cita_con + Ítem_ recomendado.

Usuario + Califica + Ítem_ recomendado.

Donde item_recomendado puede ser un elemento de entre el conjunto de

recomendaciones correspondientes a personas, instalaciones, objetos de

conocimiento, servicios basados en competencias, recursos tecnológicos,

actividades o proyectos.

92

La asignación de valores a un ítem se define de la siguiente forma:

Valor igual a 1: si el usuario se desplaza a la posición de un ítem recomendado.

Valor igual a 1: si el usuario solicita una cita con un ítem recomendado del tipo persona.

Valor igual a 0.7: si el usuario decide visualizar en un mapa la posición de un ítem recomendado.

Valor igual a 0.3: si el usuario consulta información detallada sobre un ítem recomendado.

Valor igual a -0.01: si el usuario ignora un ítem recomendado.

Para la evaluación manual de un ítem recomendado por parte de los usuarios, es importante analizar el proceso de toma de decisiones que conduce hacia una calificación específica, lo cual es útil para conocer el impacto que una recomendación tiene sobre un usuario.

En el caso de la GUI diseñada para el SRSCC organizacional T-Guía, al momento de desplegar la información detallada sobre un ítem, se incluye la opción de calificar dicho ítem implementando la estrategia de evaluación por estrellas, la cual es un sistema de calificación comúnmente difundido para evaluar contenidos, complementado con una barra indicadora con significado iconográfico como se aprecia en la Figura 5.26, además, se establece la calificación de los ítems recomendados con una puntuación comprendida entre cero y cinco estrellas ordenadas de izquierda a derecha. La interpretación de una calificación es definida como:

o Cero estrellas indican que un usuario consultó la información

detallada de un ítem pero no se mostró interesado en calificarlo, por

lo tanto, al ítem se asigna un valor igual a 0.

o Una estrella, considerando el significado de su posición en relación a

la barra indicadora, es interpretada como que al consultar la

información detallada de un ítem, el usuario se da cuenta de que

esa recomendación no corresponde con lo que esperaba encontrar,

por lo que indica manualmente que el ítem no le agrada, según lo

cual al ítem se asigna un valor igual a -1.

o Dos estrellas, considerando el significado de su posición en relación

a la barra indicadora, es interpretada como que al consultar la


esa recomendación no le resulta de utilidad, sin embargo, no le

desagrada totalmente y por lo tanto al ítem se asigna un valor igual a

0.2.

o Tres estrellas, considerando el significado de su posición en relación

a la barra indicadora, es interpretada como que al consultar la


93

esa recomendación no le resulta altamente significante, por lo que

indica manualmente que el ítem le causa un nivel medio de

satisfacción, según lo cual al ítem se asigna un valor igual a 0.5.

o Cuatro estrellas, considerando el significado de su posición en

relación a la barra indicadora, es interpretada como que al consultar

la información detallada de un ítem, el usuario se da cuenta de que

esa recomendación puede serle de utilidad, por lo que indica

manualmente que la recomendación fue recibida de manera

satisfactoria, según lo cual al ítem se asigna un valor igual a 0.8.

o Cinco estrellas, considerando el significado de su posición en

relación a la barra indicadora, es interpretada como que al consultar

la información detallada de un ítem, el usuario se da cuenta de que

esa recomendación es altamente satisfactoria de acuerdo a sus

intereses, por lo que indica manualmente que la recomendación le

agrada, según lo cual al ítem se asigna un valor igual a 1.

Figura 5.26: Estrategia de calificación manual implementada en el SRSCC organizacional T-Guía

Las acciones y su calificación correspondiente son almacenadas temporalmente

en tablas auxiliares, localizadas en una base de datos en el dispositivo móvil,

conforme son ejecutadas por el usuario. La Figura 5.27 muestra el diseño de la

base de datos para el cliente móvil del T-Guía.

94

Figura 5.27: Diseño de la base de datos para el cliente móvil del SRSCC organizacional T-Guía

Una vez que se inicia sesión, la aplicación se conecta al servidor para obtener un

archivo .xml que contiene las recomendaciones del usuario el valor del atributo

userType, el cual sirve para identificar la opciones de navegación y el fondo usado

cuando se muestren en el cliente, las cuales son organizadas según el tipo de

recomendaciones que contenga.

Las figuras siguientes muestran un ejemplo, tomando el archivo nimrod.xml

presentado en la Figura 5.18, de la forma en que las recomendaciones inferidas

son visualizadas en la aplicación Mobile T-Guide. La Figura 5.28 muestra la forma

en que las recomendaciones de ítems del tipo Persona son enlistadas para un

usuario del tipo estudiante, y la Figura 5.29 muestra el despliegue de información

detallada sobre una recomendación de tipo Persona específica cuando es

seleccionada.

Figura 5.28: Visualización de recomendaciones de personas para un usuario del tipo Estudiante

95

Figura 5.29: Visualización de la información detallada de una recomendación

Las figuras 5.30 y 5.31 muestran la forma en que se enlistan recomendaciones de

ítems del tipo Lugar para un usuario Profesor Investigador y del tipo Proyecto

para un usuario Empresario.

Figura 5.30: Visualización de recomendaciones de lugares para un usuario del tipo Profesor Investigador

96

Figura 5.31: Visualización de recomendaciones de proyectos para un usuario del tipo Empresario

El Mobile T-Guide implementa los mecanismos de monitoreo implícito que se

describen en el capítulo anterior, almacenando las acciones que el usuario realiza

sobre la aplicación; estos datos se utilizan para generar un nuevo archivo .xml,

llamado tguia_valoradas.xml, que es procesado por la aplicación T-Guide Admin

para generar reportes referentes a las recomendaciones ofrecidas por el sistema.

La imagen presentada en la Figura 5.32 muestra un ejemplo de los archivos que

genera el Mobile T-Guide.

Figura 5.32: Ejemplo del archivo tguia_valoradas.xml

97

5.5 Implementación de una aplicación para el análisis del

funcionamiento del T-Guía y del comportamiento de sus usuarios:

T-Guide Admin

La información obtenida en el cliente móvil del T-Guía puede ser explotada por el

Módulo de identificación de comportamiento de usuarios, descrito en la

sección 4.3.4, con el objetivo de que el Motor de Inferencia pueda explotarla en

futuros procesos de recomendación, además de dar a los administradores una

apreciación del funcionamiento del SRSCC como se representa en el caso de uso

mostrado en la Figura 5.33

Figura 5.33: Caso de uso de una aplicación para la implementación del Módulo de identificación de comportamiento de usuarios

Para lograr conocer el desempeño del sistema, es necesario almacenar la

información generada en la GUI adaptable al usuario, siguiendo una estructura

tal que pueda ser procesada para describir la generación de recomendaciones

bajo distintas circunstancias, para lo cual se implementó el Repositorio de

recursos no ontológicos presentado en la sección 4.2 usando el diseño de base

datos mostrado en la Figura 5.34.

98

Figura 5.34: Diseño de la base de datos implementada para el SRSCC T-Guía

Con esta estructura de información, es posible manejar conjuntos de datos en

base a las recomendaciones inferidas, el contexto en que se infirieron y la forma

en que los usuarios interactuaron con las recomendaciones recibidas, de acuerdo

a lo descrito en el caso de uso presentado en la Figura 5.35.

Figura 5.35: Caso de uso para el almacenamiento de información sobre el funcionamiento del sistema en una aplicación para la implementación del Módulo de identificación de comportamiento de usuarios

99

Para efectuar este proceso, se implementó una aplicación Web llamada T-Guide

Admin, cuya pantalla de bienvenida se presenta en la Figura 5.36. Esta aplicación

procesa el archivo tguia_valoradas.xml para almacenar su contenido en la base de

datos presentada previamente, la cual fue implementada usando el gestor de

bases de datos MySQL 5.5.12. Esta base de datos es consultada mediante una

serie de reportes según los ítems recomendados, la popularidad de los mismos o

el contexto en que se infirieron.

En trabajos futuros, la base de datos descrita en esta sección puede transformase

en una ontología que modele el comportamiento de los usuarios de un SRSCC

organizacional, lo cual puede realizarse, por ejemplo, tomando como base el R2O

& ODEMapster45, que es un marco integrado para la expresión formal, la

evaluación, verificación y explotación de correspondencias semánticas entre

ontologías y bases de datos relacionales, un lenguaje de transformación de bases

de datos relacionales en RDF.

Figura 5.36: Pantalla de bienvenida del T-Guide Admin

45

http://mayor2.dia.fi.upm.es/oeg-upm/index.php/es/downloads/9-r2o-odempaster

http://mayor2.dia.fi.upm.es/oeg-upm/index.php/es/downloads/9-r2o-odempaster

100

La Figura 5.37 muestra algunas capturas de dichos reportes. A través de la

interfaz gráfica, empleando las opciones de su menú, se tiene acceso a

operaciones de consultas sobre la base datos al seleccionar el tipo de reporte que

se desee generar. Las operaciones de altas y modificaciones de los registros de la

base de datos se efectúan por los métodos para interpretar el archivo .xml que

recibe la aplicación.

El propósito al desarrollar el T-Guide Admin es proporcionar una forma fácil de

comprender la manera en que el sistema de recomendación está trabajando, sin

embargo, en trabajos futuros, la información que se maneja con esta aplicación

puede ser explotada para identificar patrones de comportamiento de los usuarios,

de tal forma que ayuden a efectuar mejores recomendaciones.

Figura 5.37: Capturas de los reportes generados con el T-Guide Admin

101

CAPÍTULO 6: PRUEBAS AL SRSCC ORGANIZACIONAL

T-GUÍA Y CASO DE ESTUDIO

En este capítulo se describen las pruebas efectuadas a los módulos desarrollados

como parte del SRSCC organizacional T-Guía, sistema utilizado para comprobar

la veracidad de los conceptos y técnicas propuestos en este trabajo de tesis.

102

6.1 Introducción

Este capítulo expone las pruebas realizadas para verificar la funcionalidad del

SRSCC organizacional T-Guía, centrándose en el proceso ejecutado para generar

las recomendaciones y la forma en que estas son visualizadas por el usuario, por

lo que se identifican dos aéreas de análisis principales, los módulos del Motor de

Inferencia del lado servidor y la GUI adaptable ejecutada en el dispositivo cliente.

La funcionalidad del Módulo de localización, cuyo desarrollo no está incluido en

los alcances de esta tesis y que se encarga de disparar la ejecución del Módulo

generador de recomendaciones, fue simulada para fines de experimentación.

Las hipótesis que se persigue demostrar son las siguientes:

1. La cantidad y tipo de recomendaciones ofrecidas por el SRSCC T-Guía

varían según el tipo de usuario para el que se realice el proceso de

inferencia.

2. La cantidad y tipo de recomendaciones ofrecidas por el SRSCC T-Guía

varían según las condiciones contextuales presentes al momento de

efectuar el proceso de inferencia

3. La frecuencia con que un ítem específico es recomendado a los usuarios

varía según el tipo de usuario y las condiciones contextuales presentes al

momento de efectuar el proceso de inferencia.

La verificación estadística de las hipótesis enunciadas, las cuales se encuentran

estrechamente relacionadas al proceso de inferencia, se realiza al reunir y

comparar información generada durante la experimentación con el Motor de

Inferencia y el cliente del SRSCC T-Guide.

La realización de las pruebas implicó 121 ejecuciones del Motor de Inferencia,

tomando una población de 42 usuarios, instanciados a partir de catálogos

nacionales de investigadores, visitantes de CENIDET y usuarios creados con

propósito de experimentación, de acuerdo a las necesidades de las pruebas

descritas en las secciones siguientes.

Además, se maneja un conjunto de 153 ítems recomendables correspondientes a

elementos organizacionales de CENIDET de las 7 categorías definidas en la etapa

de análisis de requerimientos, contenidos en una versión de la ontología

multidimensional poblada con más de 2000 instancias de las diferentes clases que

la conforman, las cuales fueron obtenidas de manera manual o semi-automatizada

empleando las herramientas Protégé 3.4 y NOR2O respectivamente.

103

6.1.1 Características a ser probadas

Las pruebas realizadas fueron definidas con el fin de validar y verificar la

capacidad del Motor de Inferencia para generar distintas recomendaciones, de

acuerdo a variaciones en las condiciones contextuales y las características de los

diferentes usuarios del sistema de recomendación.

Debido a la naturaleza del conjunto de ítems recomendables instanciados, los

cuales están asociados a un único campus de una IES, las pruebas se orientaron

a experimentar con variaciones temporales y comprobar el funcionamiento bajo un

segundo escenario espacial, con un campus careciente de elementos

organizacionales, para el cual, el Módulo generador de recomendaciones no

encontró ítems recomendables asociados a dicho campus, y en consecuencia, el

conjunto de recomendaciones a ofrecer resultó ser vacio.

6.1.2 Características excluidas de las pruebas

No se da prioridad a las aplicaciones y técnicas usadas para simular el

funcionamiento de los módulos de localización de los usuarios y para el poblado

de la ontología.

No se verificará la percepción del usuario para cada recomendación que le es

ofrecida por el sistema de recomendación.

6.1.3 Enfoque

Las pruebas están diseñadas para generar un conjunto de datos que permita

analizar cuantitativamente el proceso de inferencia realizado bajo distintos

escenarios, de tal forma que sea posible identificar tendencias en la cantidad y tipo

de recomendaciones inferidas, así como en la frecuencia con que los ítems son

recomendados.

Además, se registraron los tiempos de ejecución para analizarlos en busca de una

relación entre la cantidad de recomendaciones ofrecidas por el sistema y el

tiempo que toma inferirlas para cada usuario en los diferentes escenarios

considerados.

104

6.1.4 Requisitos ambientales

Las características y propiedades físicas y lógicas presentes en el ambiente de

pruebas, son las siguientes:

Especificaciones del equipo: Notebook HP G42-164LA

Microprocesador: Procesador AMD Athlon II Dual-Core para notebooks

P320 a 2,1GHz

Caché del microprocesador: 1 MB de caché de nivel 2

Memoria: 3 GB

Sistema Operativo: Windows SEVEN

Disco duro: 320 GB (30Mb libres)

Herramientas

NetBeans 6.9, como entorno de programación desde el cual se disparará la

aplicación que simula la invocación del Motor de Inferencia por parte de

los módulos que se encuentran fuera de los alcances de esta tesis.

Eclipse simulador, como entorno de desarrollo gráfico para visualizar las

recomendaciones ofrecidas en cada ejecución.

Android 2.1-update1 - API Level 7 para el AVD usado en la etapa de

simulación.

Jess 7.1p2 descargado desde la página oficial de Jess46, como razonador

ontológico usado por los módulos del Motor de Inferencia.

46

http://www.jessrules.com

http://www.jessrules.com/

105

6.1.5 Instancias de los conjuntos U e I usadas durante la

ejecución de la fase de pruebas

Para el desarrollo de las pruebas presentadas en este capítulo, fue necesario

contar con información instanciada sobre los conjuntos 𝑈 (2) e 𝐼 (1),

correspondientes a los usuarios del sistema y los ítems recomendables que se

debían filtrar para recomendar aquellos que fuesen de interés de dichos usuarios.

Para el conjunto 𝐼 (1) se manejó una población que corresponde a los 153 ítems

asociados con la organización CENIDET, cuyo resumen se presenta en la Tabla

6.1, sin embargo, la conformación de este conjunto 𝐼 (1) implicó la instanciación de

diferentes clases, por lo que se incluye un resumen de éstas de acuerdo a lo

presentado en la Tabla 6.2.

Tabla 6.1: Resumen de los elementos del conjunto I usado en la fase de pruebas

Tipo de ítem Cantidad

Persona 62

Objeto de conocimiento 17

Proyecto de investigación y desarrollo 39

Lugar 14

Recurso 15

Evento 3

Actividad 3

Tabla 3: Instanciación del conjunto I usado en la fase de pruebas

Clase Cantidad Descripción

KnowledgeDomain 1067 Las instancias de la clase KnowledgeDomain se utilizan para modelar un área de conocimiento y fue instanciada de forma semi- automatizada con la biblioteca NOR2O, para crear un catálogo de intereses y áreas de conocimiento formado por la unión del catálogo de áreas de conocimiento ANIEI, el catálogo de materias de investigación de la UNESCO y las líneas de especialización manejadas por los miembros de CENIDET, obteniendo un total de 1067 instancias de la clase KnowledgeDomain.

HumanCategory 16 Las instancias de la clase HumanCategory, con sus subclases EducationalLevel y Profession se utilizaron para crear 16 instancias que describen los tipos de persona que pueden visitar una IES, los

106

cuales fueron extraídos de los requisitos del sistema y de las clasificaciones definidas por la SEP y DGEST para el nivel educativo de los estudiantes de educación superior y media superior en México.

Person 62 Las instancias de esta clase corresponden a los profesores de las distintas áreas de especialización del CENIDET, cuya información fue extraída de la página web de la organización.

Education 83 Las instancias de la clase Education representan el campo de educación y el nivel de educación de los profesores de las distintas áreas de especialización del CENIDET.

dblp:Publication 17 Se realizó la instanciación de objetos de conocimiento escritos por profesores de las distintas áreas de especialización del Departamento de Ciencias Computacionales de CENIDET. Las sub-clases instanciadas fueron: dblp:Article_in_Journal, dblp:Article_in_Proceedings, dblp:book y dblp:Thesis.

foaf:Project 39 Las instancias de esta clase corresponden a los proyectos de investigación desarrollados en el CENIDET. La información fue extraída del sitio web de la organización, haciendo referencia a los diferentes departamentos de investigación y desarrollo.

Occupation 165 Las instancias de esta clase, obtenidas de forma semi- automatizada con la biblioteca NOR2O tomando como base el ISCO-2008 (COM) en español, permiten representar las ocupaciones y empleos que desempeñan las personas asociadas a CENIDET.

Place 14 Las instancias de esta clase representan las instalaciones asociadas a CENIDET, esta información fue extraída del plano y registros poseídos por la organización, mediante un levantamiento físico en cada una de las áreas funcionales del edificio de ciencias computacionales.

Division 13 Las instancias de esta clase representan las distintas unidades departamentales existentes en la organización CENIDET, que corresponden a la estructura organizacional.

Service 4 Las instancias de esta clase representan servicios ofrecidos por CENIDET. La información

107

correspondiente fue extraída del sitio Web de la institución.

Resource 15 Las instancias de esta clase corresponden a recursos tecnológicos que pertenecen a la organización CENIDET.

ExperienceRequirements

44 Las instancias de esta clase y sus subclases se utilizan para representar las habilidades que puede poseer una persona, manejando como clases principales las clases BasicSkills y CrossFunctionalSkills.

Hours 3 Las instancias de esta clase representan los horarios de trabajo de CENIDET.

CalendarClockDescription

3 Las instancias de esta clase describen condiciones particulares de los horarios de trabajo de CENIDET.

Event 3 Las instancias de esta clase representan eventos en los que participa la organización CENIDET.

Activity 3 Las instancias de esta clase representan actividades organizacionales desempeñadas por personas asociadas a CENIDET.

6.2 Caso de estudio

Se define un caso de estudio mediante el cual se expone el funcionamiento de los

módulos del Motor de Inferencia y de la GUI adaptable operando sobre un

conjunto de instancias correspondientes a los elementos organizacionales de

CENIDET.

Supóngase que la Dra. Emma León Vega, Investigador Titular C Tiempo Completo

de la UNAM, visita por primera vez la organización CENIDET en su campus

Cerritus. Considerando que sus datos son almacenados en la instancia

UsuarioProfesor2 durante el registro de usuario descrito en el capítulo 5 de esta

tesis, al momento de iniciar el proceso de inferencia se define como Usuario Activo

𝑢𝑎 al usuario UsuarioProfesor2, con el valor Profesor-Investigador para el atributo

userType.

108

El conjunto de información correspondiente a este usuario se presenta en la Tabla

6.3 y la instanciación de los aspectos relevantes para el proceso de inferencia se

muestra en la Tabla 6.4.

Tabla 6.3: Datos del usuario UsuarioProfesor2

Datos generales

Nombre Emma

Apellido paterno León

Apellido materno Vega

Grado Máximo de Estudios Doctorado

Datos de contacto

e-Mail [email protected]

Web http://132.248.35.1:8080/druinv/iaca.jsp?k=0B0415041B22201D241F261B0D0124

Teléfono 7773291840

Ocupación

Nombre de la ocupación o puesto de trabajo Profesor-Investigador

Intereses

Palabras que describen los intereses de la persona. Ontologías

Competencias y Habilidades

Entender las implicaciones de la nueva información tanto para actuales y futuras de resolución de problemas y toma de decisiones Monitoreo evaluación del desempeño del mismo otros individuos u organizaciones para realizar mejoras o tomar medidas correctivas Seleccionar y utilizar los métodos de formación instrucción y procedimientos adecuados para la situación al aprender o ensenar cosas nuevas Usar la lógica y el razonamiento para identificar las fortalezas y debilidades de soluciones alternativas conclusiones o enfoques a los problemas

mailto:[email protected]

http://132.248.35.1:8080/druinv/iaca.jsp?k=0B0415041B22201D241F261B0D0124

http://132.248.35.1:8080/druinv/iaca.jsp?k=0B0415041B22201D241F261B0D0124

109

Tabla 4: Instanciación de los datos del usuario UsuarioProfesor2

Datos de identificación de la instancia

Nombre de la instancia UsuarioProfesor2

URI http://www.CENIDET.edu.mx/OrganizationalMemory.owl#UsuarioProfesor2

Clase Person

Relaciones instanciadas

Nombre de la relación Valor de dominio Valor de rango

is_interested_in UsuarioProfesor2 Ciclo_de_vida_de_una_ontologia_asi_como_a_las_metodologias_y_redes_de_ontologias

is_interested_in UsuarioProfesor2 Otras_especializaciones_en_materia_de_tecnologia_especificar_

belongsToHumanCategory UsuarioProfesor2 Doctorado belongsToHumanCategory UsuarioProfesor2 Profesor-Investigador

hasCompetency UsuarioProfesor2 Entender_las_implicaciones_de_la_nueva_informacion_tanto_para_actuales_y_futuras_de_resolucion_de_problemas_y_toma_de_decisiones

hasCompetency UsuarioProfesor2 Monitoreo_evaluacion_del_desempeno_del_mismo_otros_individuos_u_organizaciones_para_realizar_mejoras_o_tomar_medidas_correctivas

hasCompetency UsuarioProfesor2 Seleccionar_y_utilizar_los_metodos_de_formacion_instruccion_y_procedimientos_adecuados_para_la_situacion_al_aprender_o_ensenar_cosas_nuevas

hasCompetency UsuarioProfesor2 Usar_la_logica_y_el_razonamiento_para_identificar_las_fortalezas_y_debilidades_de_soluciones_alternativas_conclusiones_o_enfoques_a_los_problemas

performsOccupation UsuarioProfesor2 Colegio_universidad_y_ensenanza_superior

isCategoryOf Doctorado UsuarioProfesor2 isCategoryOf Profesor-

Investigador UsuarioProfesor2

Atributos instanciados

Nombre del atributo Valor de dominio Valor de rango

family_name UsuarioProfesor2 Leon

lastName UsuarioProfesor2 Vega firstName UsuarioProfesor2 Emma

mbox UsuarioProfesor2 [email protected]

110

De acuerdo al planteamiento descrito en el capítulo 5, el primer módulo del Motor

de Inferencia en ejecutarse el Módulo de pre-filtrado de ítems, el cual identifica

el subconjunto 𝐼𝑢𝑎(6) descrito en la sección 5.3.1, formado por los 9 ítems que

podrían ser del agrado del usuario activo UsuarioProfesor2, cuyo detalle se

muestra en la Tabla 6.5. Las inferencias realizadas por este módulo son

almacenadas en el archivo OrganizationalMemory2.owl.

Tabla 5: Elementos del subconjunto 𝑰𝒖𝒂 para el usuario UsuarioProfesor2


Persona 6

Objeto de conocimiento

0

Lugar 1

Recurso 1

Actividad 0

Competencia 1

Proyecto No aplica para usuarios de tipo Profesor-Investigador

Posteriormente, se ejecuta el Módulo de extracción de instancias asociadas a

una organización para la instancia de la organización CENIDET, operando sobre

el archivo OrganizationalMemory2.owl para extraer un subconjunto de 𝐼𝑢𝑎(6),

llamado 𝐼´𝑢𝑎(7), formado por los ítems candidatos a ser recomendados para ese

usuario que se encuentran asociados a CENIDET, obteniendo los elementos

descritos de forma resumida en la Tabla 6.6.

El resultado de la ejecución de este módulo es almacenado en el archivo

OrganizationalMemory3.owl. Debido a que al momento de realizar estas pruebas

únicamente se cuenta con instancias de la organización CENIDET, el subconjunto

𝐼´𝑢𝑎 (7) identificado por este módulo contiene los mismos elementos que el

conjunto 𝐼𝑢𝑎(6).

111

Tabla 6: Elementos del subconjunto 𝑰´𝒖𝒂 para el usuario UsuarioProfesor2


Persona 6


0

Lugar 1

Recurso 1

Actividad 0

Competencia 1


Cuando el módulo de localización detecta la llegada del usuario

UsuarioProfesor2, se ejecuta el Módulo generador de recomendaciones, que

de acuerdo al planteamiento presentado en la sección 5.3.3 toma el archivo

OrganizationalMemory3.owl, que contiene las inferencias realizadas por los

módulos previos para conformar el subconjunto 𝐼´𝑢𝑎 (7), a partir del cual se ofrecen

distintos grupos de recomendaciones, siendo que cada grupo es un subconjunto

𝑅𝑢𝑎(8) diferente, inferidos de acuerdo a las circunstancias contextuales presentes

en ese momento y que están definidas por 𝑔𝑖𝑗 (12).

Para fines de experimentación, se definen cuatro escenarios distintos para la

ejecución de este módulo, definidos por cambios en las variables temporales y

espaciales consideradas en el proceso de inferencia, que se traducen en la

consideración de una asignación de valores diferente según 𝑔𝑖𝑗 (12) para cada

escenario. Estos escenarios son descritos en la Tabla 6.7.

Tabla 7: Variaciones contextuales en el caso de uso del usuario UsuarioProfesor2

Escenario 1 Escenario 2 Escenario 3 Escenario 4

Lugar Campus Cerritus

Campus Cerritus

Campus Cerritus

Campus Barrancus

Día Lunes Martes Miércoles Lunes

Hora 14:30:00 15:30:00 10:00:00 14:30:00

Para cada ejecución, el Módulo generador de recomendaciones almacena las

relaciones que infiere en el archivo OrganizationalMemory4.owl, el cual, es

consultado para crear el archivo UsuarioProfesor2.xml, que es desplegado al

usuario en cada escenario mediante la GUI adaptable.

112

El conjunto 𝑅𝑢𝑎 (8) de recomendaciones ofrecidas según las variaciones

contextuales en cada escenario se resumen en la Tabla 6.8, además, las Figuras

6.1, 6.2 y 6.3 muestran la forma en que listas de ítems desplegados en el cliente

varía de acuerdo a las condiciones temporales.

Tabla 8: Elementos del conjunto 𝑹𝒖𝒂 para el usuario UsuarioProfesor2

Tipo de ítem recomendado

Escenario 1 Escenario 2 Escenario 3 Escenario 4

Persona 6 2 6 0


0 0 0 0

Lugar 1 0 0 0

Recurso 1 0 0 0

Actividad 0 0 0 0

Competencia 1 0 1 0


Figura 6.1: Capturas del cliente mostrando las recomendaciones ofrecidas al usuario UsuarioProfesor2 según las variaciones temporales en el Escenario 1

113


114


Cuando el usuario se loguea en la aplicación cliente, puede ver en la primer

pestaña de navegación los ítems recomendados de tipo Persona, los cuales están

relacionados a temas de interés asociados a las ontologías y que corresponden a

los propios intereses instanciados para el usuario.

En la Figura 6.4 se resalta la diferencia en las recomendaciones enlistadas de tipo

Persona por la GUI adaptable de acuerdo a cada una de las variaciones en los

atributos temporales y espaciales, según las cuales puede resultar que un ítem

específico no sea recomendado debido a que no se encuentra en el campus

visitado o que de acuerdo a la información instanciada de horarios de trabajo, la

persona no se encuentra en ese momento dentro de las instalaciones.

115

Figura 6.4: Diferencia en las recomendaciones de tipo Persona

Al consultar información detallada sobre una recomendación específica, la GUI

adaptable muestra datos asociados al valor de algunos de los atributos del ítem

instanciados en la ontología, los cuales son extraídos mediante una consulta de

SPARQL para incluirlos en el archivo.xml que lee el cliente, desplegándolos como

se muestra en la Figura 6.5.

116

Figura 6.1: Despliegue de datos asociados al ítem

De igual forma, al navegar mediante las pestañas restantes, el usuario puede

consultar distintas recomendaciones según los escenarios planteados. Las

recomendaciones de tipo Lugar, Recurso y Competencia, ofrecidas en el

escenario 1 al usuario UsuarioProfesor2, se muestran en la Figura 6.6.

Figura 6.6: Visualización de las recomendaciones de tipo Lugar, Recurso y Competencia ofrecidas al usuario UsuarioProfesor2

117

Además, en caso de que un sub-conjunto de ítems recomendados a desplegar en

una pestaña especifica este vacío, no se muestra ningún elemento en las listas,

como en el caso de las recomendaciones de tipo Objeto de Conocimiento y

Actividades para este caso de uso en el escenario 1, tal y como se muestra en la

Figura 6.7.

Figura 6.7: Visualización de las recomendaciones de tipo Objeto de Conocimiento y Actividades para el usuario UsiarioProfesor2

Una vez que el usuario UsuarioProfesor2 usa la GUI adaptable para consultar

las recomendaciones ofrecidas por el sistema de recomendación, accede a la

pestaña Salir para cerrar su sesión en el cliente mediante la pantalla presentada

en la Figura 6.8.

Figura 6.8: Cierre de la sesión del usuario UsuarioProfesor2 en la GUI adaptable

118

6.3 Pruebas

Una breve descripción de las pruebas realizadas se muestra en la Tabla 6.9; el

caso 1 corresponde al comportamiento del Motor de Inferencia de acuerdo a

cambios en las condiciones temporales al momento de su ejecución. El caso 2

busca reflejar la capacidad del Motor de Inferencia para ofrecer

recomendaciones acordes al tipo de usuario para el que se realice el proceso de

recomendación.

Tabla 9: Casos de prueba

Caso de prueba

Descripción Hipótesis a probar

1

Ejecutar el Motor de Inferencia para cada elemento del conjunto 𝑈 formado por los m usuarios registrados en el sistema bajo distintas condiciones temporales.

Hipótesis 2

Hipótesis 3

2 Ejecutar el Motor de Inferencia para un sub-conjunto de 𝑈 formado por 7 usuarios representativos realizando modificaciones en su atributo Tipo de usuario.

Hipótesis 1

6.3.1 Evaluación experimental

6.3.1.1 Caso de prueba 1. Análisis de la recomendación de ítems

considerando variaciones temporales en el proceso de inferencia

Objetivo: Comprobar las hipótesis 2 y 3 planteadas en la introducción de este

capítulo, mediante la generación y análisis de información que describa

cuantitativamente el comportamiento del Motor de Inferencia durante la definición

del conjunto 𝑅𝑢𝑎, formado por los ítems recomendados a los usuarios según las

características de un usuario activo 𝑢𝑎 y las condiciones contextuales presentes al

momento de efectuar el proceso de inferencia.

Descripción:

1. El conjunto 𝑈 definido para esta prueba está formado por 32 usuarios con

intereses relacionados a las TIC´s, instanciados en el archivo

OrganizationalMemory.owl, el cuál será tomado como entrada por el

Módulo de pre-filtrado de ítems.

119

Los elementos de 𝑈 corresponden a 15 usuarios de tipo Profesor-

Investigador tomados de un catálogo de investigadores nacionales, 10

usuarios de tipo Estudiante que corresponden a estudiantes de licenciatura

que visitaron las instalaciones de CENIDET durante el mes de Agosto del

2011 y 7 usuarios de tipo Empresario. El conjunto 𝐼 sobre el que se realiza

la prueba está definido por 153 ítems recomendables asociados a la

organización CENIDET.

2. Las variables temporales consideradas en el proceso de inferencia tomaran

su valor de acuerdo a los tres escenarios siguientes mostrados en la Tabla

6.10.

Tabla 10: Escenarios para la Prueba 1

Escenario T1 Escenario T2 Escenario T3

Campus Cerritus

Campus Cerritus

Campus Cerritus

Lunes Martes Miércoles

14:30:00 15:30:00 10:00:00

3. Se registrará la cantidad de ítems recomendados, su tipo y el tiempo de

ejecución que toma realizar el proceso de inferencia para cada uno de los

usuarios contemplados en el conjunto 𝑈 bajo cada escenario.

Entrada:

Un archivo OrganizationalMemory.owl que contiene las instancias de los conjuntos

𝑈 e 𝐼, además de 3 valores diferentes para las variables temporales consideradas

en el proceso de inferencia.

Salida:

Datos estadísticos que reflejen la cantidad y tipo de recomendaciones inferidas

para cada tipo de usuario de acuerdo a los tres escenarios temporales planteados.

Análisis de resultados:

Durante la realización de esta prueba, se realizaron 96 ejecuciones del Motor de

Inferencia, en las cuales se efectuó la recomendación de 42 de los 153 ítems que

forman el conjunto 𝐼, que representa un conjunto 𝑅 global conformado por menos

de un tercio de los elementos del conjunto 𝐼, lo cual puede entenderse debido a

120

que la mayoría de los usuarios mostraron intereses asociados a áreas de

conocimiento similares.

El tiempo tomado para llevar a cabo el proceso de recomendación y la cantidad de

ítems recomendados a cada usuario, de acuerdo a los tres escenarios planteados,

se presenta en las Gráficas 6.1 y 6.2, mostrando diferencias en el comportamiento

del Motor de Inferencia.

Adicionalmente, en la Tabla 6.11 se muestra el promedio de los tiempo de

ejecución y las recomendaciones inferidas en cada caso, sin embargo, dado que

el proceso de inferencia se ha dividido en subprocesos de acuerdo a los módulos

descritos en el capítulo anterior, el tiempo que un usuario debe esperar desde el

momento en que su presencia es detectada en las instalaciones, hasta que las

recomendaciones son inferidas para que las consulte en el cliente, se reduce a

aquel que corresponda a la ejecución del Módulo generador de

recomendaciones, cuyo comportamiento es ilustrado mediante la Gráfica 6.3.

Tabla 11: Promedios de los tiempos de ejecución y las recomendaciones inferidas

Tiempo de ejecución promedio en milisegundos

Tiempo de espera en milisegundos al llegar al campus

Cantidad promedio de recomendaciones

inferidas

Escenario T1 367977.625 203219.719 7.65625

Escenario T2 354856.156 9793.78125 7.25

Escenario T3 366437.625 5263.06250 8.75

121

Gráfica 6.1: Variaciones en el tiempo total de ejecución medido en milisegundos bajo tres combinaciones diferentes de variables temporales.

Gráfica 6.2: Variaciones en la cantidad de recomendaciones inferidas bajo tres combinaciones diferentes de variables temporales

122

Gráfica 6.3: Variaciones en el tiempo total de ejecución del Módulo generador de recomendaciones medido en milisegundos bajo tres combinaciones diferentes de variables temporales.

123

Al analizar la información generada durante la ejecución de la prueba, se observa

que la cantidad de ítems de las categorías definidas varía para cada caso

presentado, lo cual se resume en la Tabla 6.12. De manera adicional, la Gráfica

6.4 muestra porcentualmente la cantidad de ocasiones en que un ítem fue

recomendado de acuerdo a los tres escenarios definidos.

Tabla 12: Cantidad de ítems recomendados por categoría, por tipo de usuario y por escenario

ítems recomendados

Escenario 1 Escenario 2 Escenario 3

Pro

fes

or

Alu

mn

o

Em

pre

sa

rio

To

tal

Pro

fes

or

Alu

mn

o

Em

pre

sa

rio

To

tal

Pro

fes

or

Alu

mn

o

Em

pre

sa

rio

To

tal

Persona 4 2 1 7 1 5 20 26 4 5 20 29


0 0 5 5 0 0 0 0 0 0 0 0

Lugar 1 2 3 6 0 0 0 0 0 0 0 0

Recurso 1 2 3 6 0 0 0 0 0 0 0 0

Actividad 0 0 1 1 0 0 1 1 0 0 1 1

Competencia 1 0 1 2 0 0 0 0 0 0 0 0

Proyecto 0 0 9 9 0 0 9 9 0 0 9 9

Ítems totales recomendados

7 6 23 36 1 5 30 36 4 5 30 39

Gráfica 6.4: Frecuencia de repetición de los ítems de acuerdo a los tres escenarios definidos

124

Mediante el análisis realizado, es posible dar como verdadera la hipótesis 2: ―La

cantidad y tipo de recomendaciones ofrecidas por el SRSCC T-Guía varían según

las condiciones contextuales presentes al momento de efectuar el proceso de

inferencia‖.

De manera adicional, en la Gráfica 6.5 se muestra la repetición porcentual de un

ítem de acuerdo a los tipos de usuario para los cuales se realizó el proceso de

inferencia, por lo que aunado a la información analizada previamente y resumida

en la Gráfica 6.4, es posible aceptar como verdadera la hipótesis 3: ―La frecuencia

con que un ítem específico es recomendado a los usuarios varía según el tipo de

usuario y las condiciones contextuales presentes al momento de efectuar el

proceso de inferencia‖.

Gráfica 6.5: Frecuencia de repetición porcentual de un ítem de acuerdo a los tipos de usuario

125

6.3.1.2 Caso de prueba 2. Análisis de la recomendación de ítems de acuerdo

al tipo de usuario del Usuario Activo.

Objetivo: Comprobar las hipótesis 1 planteada en la introducción de este capítulo,

mediante la generación y análisis de información que describa cuantitativa y

cualitativamente las diferencias en la definición del conjunto 𝑅𝑢𝑎(8) por parte del

Motor de Inferencia, asignando valores diferentes al atributo Tipo de Usuario de

un usuario activo 𝑢𝑎 al momento de efectuar el proceso de inferencia.

Descripción:

1. El conjunto 𝑈 definido para esta prueba está formado por 7 usuarios de

muestra con intereses relacionados con las líneas de investigación de

CENIDET, instanciados en el archivo OrganizationalMemory.owl, el cuál

será tomado como entrada por el Motor de Inferencia en tres ejecuciones

para cada usuario, modificando en cada una de ellas el valor del atributo

Tipo de Usuario del usuario activo 𝑢𝑎 . El conjunto 𝐼 sobre el que se realiza

la prueba está definido por 153 ítems recomendables asociados a la

organización CENIDET.

2. Los valores permitidos para el atributo Tipo de Usuario serán Profesor-

Investigador, Empresario y Estudiante.

3. Se registrará la cantidad de ítems recomendados y su tipo para cada

ejecución del proceso de inferencia.

4. Se efectuará una ejecución del Motor de Inferencia por cada combinación

Usuario-Tipo de usuario, realizando 21 ejecuciones en total.

5. Se analizarán las diferencias entre los 21 conjuntos 𝑅𝑢𝑎 agrupados por el

usuario correspondiente a cada ejecución.

Entrada:

Un archivo OrganizationalMemory.owl que contiene las instancias de los conjuntos

𝑈 (2) e 𝐼 (1).

Salida:

21 subconjuntos 𝑅𝑢𝑎 (8) distintos, uno por cada ejecución del Motor de

Inferencia, almacenados en archivos .xml , que se analizarán en busca de datos

estadísticos que reflejen la variación en la cantidad y tipo de recomendaciones

inferidas para cada usuario de acuerdo a los tres tipos de usuarios planteados.

126

Análisis de resultados:

Durante la realización de esta prueba se encontró al menos una diferencia entre

los tres conjuntos 𝑅𝑢𝑎 generados para cada usuario muestra, ya sea en la cantidad

de ítems recomendados, su tipo o en el ítem recomendado.

En el caso del usuario identificado como UsuarioMuestra1, el cual tiene interés

en las tecnologías WiFi, Bluetooth, RFID NFC QRCodes y Servicios basados en

localización -LBS-, los cuales se trabajan en la línea de investigación de Sistemas

Distribuidos, se observaron diferencias en la cantidad e ítems recomendados,

pues adicionalmente a que los ítems de tipo Proyecto se ofrecen sólo en el caso

de una inferencia para un usuario de tipo Empresario, las competencias

recomendadas también son diferentes de acuerdo el tipo de usuario, analizando

que a un Empresario se le ofrece la competencia Desarrollo de proyectos con

WiFi, mientras que a un usuario de tipo Estudiante se le ofrece la competencia

Proyectos de residencia profesional. Además, siendo usuario del tipo Profesor-

Investigador, se ofrecen las competencias Investigación colaborativa y Desarrollo

de proyectos con WiFi, disponibles para ese tipo de usuario. Las diferencias entre

los ítems de tipo Competencias recomendados se resaltan mediante la Figura 6.9,

adicionalmente, la forma en que el conjunto de ítems recomendados es

desplegado en el cliente para cada caso se muestra en las Figuras 6.10, 6.11 y

6.12, además de que se resumen en la Tabla 6.13.

Figura 6.9: Diferencias entre los ítems de tipo Competencias recomendados al usuario UsuarioMuestra1

127

Figura 6.10: Recomendaciones enlistadas para el UsuarioMuestra1 con el valor de Profesor para el atributo userType

128

Figura 6.11: Recomendaciones enlistadas para el UsuarioMuestra1 con el valor de Estudiante para el atributo userType

129

Figura 6.12: Recomendaciones enlistadas para el UsuarioMuestra1 con el valor de Empresario para el atributo userType

130

Tabla 13: Recomendaciones para el UsuarioMuestra1 de acuerdo al atributo userType

Tipo de ítem ofrecido

Recomendaciones inferidas con el valor

Profesor para el atributo userType


Estudiante para el atributo userType

Recomendaciones inferidas con el valor Empresario para el atributo userType

Persona Profesor1 Profesor1 Profesor1


ISSN1390-3608 ISSN1390-3608 ISSN1390-3608

Lugar info_dcc_pb_lab_SD info_dcc_pb_lab_SD info_dcc_pb_lab_SD

Recurso info_dcc_pb_lab_SD Resource1

info_dcc_pb_lab_SD Resource1

info_dcc_pb_lab_SD Resource1

Actividad Evento1 Evento1 Evento1

Competencia Servicio7 Servicio1

Servicio8 Servicio1

Proyecto <<No aplica para el tipo de usuario>> Proyecto5 Proyecto6 Proyecto2

Para usuarios con intereses relacionados a la línea de investigación Inteligencia

Artificial e Ingeniería de Software, reconocidos como UsuarioMuestra2 y

UsuarioMuestra3 respectivamente, se observa un comportamiento similar, como

se aprecian en las Tablas 6.14 y 6.15, las cuales corresponden a las capturas del

cliente presentadas en las Figuras 6.13, 6.14, 6.15, 6.16, 6.17 y 6.18.

Tendencias similares se observaron en las ejecuciones para los otros cuatro

usuarios y las correspondientes variaciones en el atributo userType, por lo que la

hipótesis 1 es aceptada como verdadera: ―la cantidad y tipo de recomendaciones

ofrecidas por el SRSCC T-Guía varían según el tipo de usuario para el que se

realice el proceso de inferencia”.

Tabla 14: Hipótesis probadas en cada caso.

Hipótesis Caso de prueba Resultado

1 Caso de prueba 2 Aceptada



http://www.cenidet.edu.mx/OrganizationalMemory.owl#info_dcc_pb_lab_SD</Id



131



Recomendaciones inferidas con el

valor Profesor para el atributo userType




Persona Profesor14 Profesor16 Profesor58 Profesor15 Profesor32 Profesor59 Profesor12 Profesor53 Profesor56

Profesor14 Profesor16 Profesor58 Profesor15 Profesor32 Profesor59 Profesor12 Profesor53

Profesor56 >

Profesor14 Profesor16 Profesor58 Profesor15 Profesor32 Profesor59 Profesor12 Profesor53 Profesor56


ISSN0302-9743 ISSN0302-9743 ISSN0302-9743

Lugar info_dcc_pb_lab_IA info_dcc_pb_lab_IA info_dcc_pb_lab_IA

Recurso info_dcc_pb_lab_IA info_dcc_pb_lab_IA info_dcc_pb_lab_IA

Actividad


Proyecto <<No aplica para el tipo de usuario>>



Recomendaciones inferidas con el

valor Profesor para el atributo userType




Persona Profesor7 Profesor9

Profesor7 Profesor9

Profesor7 Profesor9


ISSN3-540-22060-7 ISSN3-540-22060-7 ISSN3-540-22060-7

Lugar info_dcc_pb_lab_IS info_dcc_pb_lab_IS info_dcc_pb_lab_IS

Recurso info_dcc_pb_lab_IS info_dcc_pb_lab_IS info_dcc_pb_lab_IS

Actividad


Proyecto <<No aplica para el tipo de usuario>>

132


133


134


135


136


137


138

6.4 Comportamiento del SRSCC organizacional T-Guía observado

durante la fase de pruebas

Como se ha explicado en la sección anterior, el T-Guía presenta variaciones en la

cantidad, frecuencia y tipo de recomendaciones ofrecidas, ya sea debido a partir

de los diversos tipos de usuario para los que se realiza el proceso de inferencia o

como consecuencia de variaciones en las condiciones contextuales.

Además, contrastando los resultados obtenidos en las pruebas contra los

resultados esperados, los cuales fueron identificados a partir del análisis del

conjunto de información usado como entrada durante el proceso de inferencia, se

considera que el desempeño del sistema es eficiente, ya que las métricas de

Precisión, Recuerdo y Medida F presentaron valores cercanos a 1, siendo

calculados con las siguientes consideraciones:

En el cálculo de las métricas se define como Relevantes a los ítems que se

esperaba que fuesen recomendados. De acuerdo a la información

instanciada, durante la fase de pruebas el T-Guía ha contado con 153 ítems

de los cuales, a partir de las características de los usuarios, se esperaba

que se recomendaran 44 ítems, por lo tanto se tiene un valor para la

variable Relevantes igual a 44.

Se define como Relevantes recuperados a los ítems Relevantes que se

recomendaron; de acuerdo a los resultados obtenidos, durante las pruebas

se recomendaron 42 ítems, los cuales pertenecían al conjunto de ítems

esperados, por lo tanto el valor de la variable Relevantes recuperados es

igual a 42.

Se define como Recuperados a los ítems recomendados. En total, durante

las diferentes ejecuciones del T-Guía se recomendaron 42 ítems de las

diferentes categorías.

La Precisión de un sistema de recomendación, calculada con la fórmula 15, indica

que tan preciso es el T-Guía expresando que proporción de los ítems

recomendados eran realmente interesantes para el usuario. Un valor de 1 para la

métrica Precisión indica que todas las recomendaciones ofrecidas pertenecían al

conjunto de los ítems que se esperaba que el T-Guía recomendara.

Precisión = 𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠

𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠 (15) Precisión =

42

42

Precisión = 1

139

La métrica Recuerdo, calculada mediante la fórmula 16, expresa la proporción de

ítems recomendados con respecto al conjunto de ítems que se esperaba que se

recomendaran. En esta métrica, el T-Guía mostró un valor igual a 0.9545, dado

que dos de los ítems esperados no se recomendaron en ninguna ejecución.

Recuerdo = 𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠 𝑟𝑒𝑐𝑢𝑝𝑒𝑟𝑎𝑑𝑜𝑠

𝑅𝑒𝑙𝑒𝑣𝑎𝑛𝑡𝑒𝑠 (16) Recuerdo =

42

44

Recuerdo = 0.9545

La métrica Medida F, calculada con la fórmula 17, expresa el desempeño de un

sistema de recomendación a partir de la Precisión y el Recuerdo. La Medida F

del T-Guía a partir de las pruebas realizadas es igual a 0.9767.

Medida F = 2 ∗ 𝑅𝑒𝑐𝑢𝑒𝑟𝑑𝑜 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠𝑖 ó𝑛

𝑅𝑒𝑐𝑢𝑒𝑟𝑑𝑜 + 𝑃𝑟𝑒𝑐𝑖𝑠𝑖 ó𝑛 (17) Medida F =

2 ∗ 0.9545∗ 1

0.9545+ 1

Medida F = 0.9767

140

CAPÍTULO 7 CONCLUSIONES Y TRABAJOS FUTUROS

En este capítulo se presentan las conclusiones obtenidas a través del proceso de

investigación desarrollado para llevar a cabo este trabajo de tesis, las

aportaciones más relevantes que surgen a través de éste, y algunos posibles

trabajos futuros que se pueden realizar a partir de los conceptos y técnicas

presentados.

141

7.1 Conclusiones

En este trabajo de tesis se realizó la investigación necesaria para el desarrollo de

un SRSCC organizacional diseñado para entornos de cómputo móvil, cuyo

dominio de recomendación contempla distintos elementos organizacionales que

son ofrecidos mediante una interfaz gráfica adaptable a las características de sus

usuarios.

Los conceptos y técnicas manejados en este trabajo pueden ser retomados en

otros proyectos relacionados con ambientes organizacionales, por lo que dentro

de su descripción se incluyen aspectos relacionados a una posible implementación

en otros tipos de desarrollos. Estos conocimientos se enfocan al modelado

semántico de dimensiones contextuales, redes de ontologías, poblado de

ontologías a partir de recursos no ontológicos, filtrado de información basado en

reglas, procesos de inferencia sobre ontologías, desarrollo de interfaces gráficas a

partir de perfiles de usuarios, interacción humano-máquina en SRSCC con

clientes móviles, análisis del comportamiento de usuarios y análisis del

funcionamiento de SRSCC.

Como parte de este trabajo, se desarrolló el SRSCC organizacional T-Guía con un

escenario de implementación orientado a IES, específicamente el CENIDET, sin

embargo, también se dejan asentadas las bases para trasladar el desarrollo

realizado a otros escenarios organizacionales, como instituciones de gobierno y

empresas, con lo cual se demuestra la flexibilidad de la metodología aplicada, no

quedando limitado el uso de un SRSCC organizacional a una institución en

particular. Esto contrasta con la mayoría de SRSCC organizacionales que se

desarrollan actualmente, pues estos se conciben como aplicaciones ad-hoc

elaboradas específicamente para una organización y dominio precisos y, por tanto,

no resultan generalizables ni utilizables para otros propósitos, por lo que su

funcionalidad se limita normalmente a esa única organización.

De entre las conclusiones obtenidas, se encontró que un modelado semántico de

ambientes organizacionales que contemple múltiples dimensiones contextuales,

las cuales estén interrelacionadas mediante asociaciones entre los diversos

elementos ontológicos usados para modelarlas, puede ser explotado en el

desarrollo de SRSCC para permitir la definición de un proceso de inferencia que

considere una amplia variedad de factores contextuales.

Otro aspecto importante es que dada la experiencia adquirida durante la fase de

implementación, el manejo de reglas de inferencia mediante una estrategia de

definición y almacenamiento que permita aislarlas de la ontología sobre la que se

142

aplican, y que además resulta ajena al lenguaje y características de

programación, permite una fácil modificación del funcionamiento del Motor de

Inferencia de un SRSCC.

Adicionalmente, fue posible apreciar que el uso de sub-conjuntos independientes

de reglas de inferencia para distintos escenarios de aplicación, en los cuales se

pueden incluir reglas que consideren las políticas operacionales de una

organización específica, permite una fácil adaptación de un SRSCC organizacional

a distintas organizaciones.

Otra conclusión presentada se refiere al uso de técnicas de pre-filtrado para el

proceso de inferencia de un SRSCC, pues considerando aquellos que se diseñan

para entornos de tipo campus y enfatizando en aquellos que además operan

sobre clientes móviles, ayuda a reducir el tiempo de respuesta que un usuario

debe esperar al visitar un campus para acceder a las recomendaciones ofrecidas

por el sistema.

De manera adicional, se menciona que es posible registrar la forma en que un

usuario interactúa con las recomendaciones ofrecidas por un SRSCC que opera

sobre clientes móviles, generando información que puede ser explotada en el

proceso de inferencia y en el análisis del funcionamiento del sistema.

Finalmente y como resultado del comportamiento observado al interactuar con

otros proyectos en desarrollo durante la realización de esta tesis, se recalca el

hecho de que el uso de información estandarizada en la fase de instanciación de

los ítems recomendables por un SRSCC, e inclusive durante la instanciación de

sus usuarios, contribuye a que estas instancias sean explotables por otros

proyectos semánticos asociados al dominio de los estándares utilizados, pues se

tiene un conjunto de información que resulta congruente con terminologías y

conceptualizaciones manejadas internacionalmente.

143

7.2 Aportaciones

Como resultado de este trabajo de tesis, se obtuvo el conocimiento tanto para

modelar semánticamente ambientes organizacionales y dimensiones contextuales

asociados a ellos, como para explotar este tipo de modelado mediante el

desarrollo de un SRSCC.

El modelo semántico presentado puede servir de base a distintos proyectos

semánticos para ambientes organizacionales, ya que es capaz de modelar el

conocimiento sobre diversos aspectos organizacionales y factores contextuales

asociados a ellos, definidos sobre estándares internacionales comúnmente

aceptados de acuerdo a los diversos dominios modelados.

Como parte de los elementos desarrollados para el SRSCC organizacional T-

Guía, se definió e implementó un mecanismo que permite a los desarrolladores

una fácil aplicación de reglas de inferencia en SWRL sobre ontologías sin

necesidad de conocer características propias de su programación o

implementación, lo cual es reflejado en los métodos de la clase SWRL4U.java

descrita en el capítulo 5.

Adicionalmente, se presenta un método para el desarrollo de interfaces gráficas

adaptables a los usuarios que puede ser aplicado en el desarrollo de otros clientes

móviles.

Otra aportación es la propuesta de un método para la adaptación de sitios Web de

IES a la Web 3.0, el cual fue usado para la definición del Sistema de

Administración de Información Académica del CENIDET, y que puede ser

aplicable al desarrollo de otras aplicaciones semánticas.

144

7.3 Trabajos futuros

Como una complementación al trabajo realizado, es posible realizar diferentes

trabajos futuros, sugiriéndose los siguientes:

Implementación del monitoreo de las acciones efectuadas por los usuarios

de un SRSCC sobre una ontología de comportamiento de usuario.

Extender el dominio de las variables contextuales consideradas en las

reglas de inferencia.

Implementar historiales de recomendación en el proceso de inferencia

Definir e implementar un mecanismo para evaluar el nivel de eficiencia de

las recomendaciones inferidas con respecto a lo que el usuario desea.

Desarrollo de aplicaciones semánticas explotando el conjunto de ontologías

propuesto.

Extender el dominio de las recomendaciones inferidas a estrategias

publicitarias, alianzas organizacionales, comercialización de productos y

ofertas de empleo, entre otros.

Desarrollar clientes del SRSCC para distintos sistemas operativos móviles o

para computadoras de escritorio.

145

ANEXOS

146

Anexo A: Reglas de inferencia

A.I Conjunto de reglas de inferencia ReglasIES

.

Identificador Regla Descripción

ReglaIES01

human_activities:KnowledgeDomain(?areaConocimi

ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ is_interested_in(?persona, ?areaConocimiento) → isRecommendableFor(?persona, ?usuario)

Esta regla permite identificar personas que comparten intereses con un usuario

ReglaIES02


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ dblp:Publication(?OC) ∧ hasAssociatedKnowledgeDomain(?OC, ?areaConocimiento) → isRecommendableFor(?OC,

?usuario)

Esta regla permite identificar objetos de conocimiento asociados a los intereses de un usuario

ReglaIES03


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ resource:isAssociatedToKnowledgeDomain(?lugar,

?areaConocimiento) ∧ infraestructura:Place(?lugar) → isRecommendableFor(?lugar, ?usuario)

Esta regla permite identificar instalaciones donde se realicen actividades relacionadas a los intereses de un usuario

ReglaIES04


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ resource:isAssociatedToKnowledgeDomain(?recurso, ?areaConocimiento) ∧ resource:Resource(?recurso) → isRecommendableFor(?recurso, ?usuario)

Esta regla permite identificar recursos usados en el desarrollo de actividades asociadas a los intereses de un usuario

ReglaIES05


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ human_activities:hasAssociatedKnowledgeDomain(?a

ctividad, ?areaConocimiento) ∧ orgActivities:Activity(?actividad) → isRecommendableFor(?actividad, ?usuario)

Esta regla permite identificar actividades organizacionales asociadas a los intereses de un usuario

ReglaIES06


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasAssociatedKnowledgeDomain(?evento, ?areaConocimiento) ∧ Event(?evento) → isRecommendableFor(?evento, ?usuario)

Esta regla permite identificar eventos con temáticas asociadas a los intereses de un usuario

ReglaIES07


ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasAssociatedKnowledgeDomain(?servicio, ?areaConocimiento) ∧ Service(?servicio) →

isRecommendableFor(?servicio, ?usuario)

Esta regla permite identificar servicios asociados a los intereses de un usuario

ReglaIES08

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ Service(?servicio) ∧ orientedTo(?servicio, ?grupoHumano) → isRecommendableFor(?servicio, ?usuario)

Esta regla permite identificar servicios ofrecidos por la IES a personas que coincidan con las características de un usuario

147

ReglaIES09

human_activities:belongsToHumanCategory

(?usuario, Empresario ) ∧ human_activities:KnowledgeDomain(?areaConocimiento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasProjectProfile(?proyecto, ?proyectoProfile) ∧ hasAssociatedKnowledgeDomain(?proyecto,

?areaConocimiento) → isRecommendableFor(?proyecto, ?usuario)

Esta regla permite identificar proyectos de investigación asociados a los intereses de un usuario de Empresario

ReglaIES10

isRecommendableFor(?persona, ?usuario) ∧ xfoaf:worksAt(?persona, ?organizacion) → instansOf(?persona,?organizacion)

Esta regla permite identificar la asociación de personas con la IES visitada

ReglaIES11

isRecommendableFor(?OC, ?usuario) ∧ hasKnowledgeObject(?organizacion, ?OC) → instansOf(?OC, ?organizacion)

Esta regla permite identificar la asociación de objetos de conocimiento con la IES visitada

ReglaIES12

isRecommendableFor(?recurso, ?usuario) ∧owns (?organizacion, ?recurso) → instansOf(?recurso,

?organizacion)

Esta regla permite identificar la asociación de recursos tecnológicos con la IES visitada

ReglaIES13

isRecommendableFor(?instalacion, ?usuario) ∧ owns(?organizacion, ?instalacion) → instansOf(?instalacion, ?organizacion)

Esta regla permite identificar la asociación de instalaciones tecnológicas con la IES visitada

ReglaIES14

isRecommendableFor(?servicio, ?usuario) ∧ serves(?organizacion, ?servicio) → instansOf(?servicio, ?organizacion)

Esta regla permite identificar la asociación de servicios con la IES visitada

ReglaIES15

isRecommendableFor(?evento, ?usuario) ∧ isOrganizedBy (?evento, ?organizacion) → instansOf(?evento, ?organizacion)

Esta regla permite identificar eventos asociados con la IES visitada

ReglaIES16


Esta regla permite identificar la asociación de servicios dirigidos al tipo de usuario para el que se desarrolla el proceso de inferencia con la IES visitada

ReglaIES17

isRecommendableFor(?proyecto, ?usuario) ∧ participatesInA(?organizacion, ?proyecto) → instansOf(?proyecto, ?organizacion)

Esta regla permite identificar la participación de la IES visitada en proyectos de investigación y desarrollo.

ReglaIES18

→ arrivedTo(?usuario, ?lugar) Esta regla permite definir la llegada de un usuario a un campus de una IES

148

ReglaIES19

arrivedTo(?usuario, ?lugar) ∧ instansOf(?instalacion,

?organizacion) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ isRecommendableFor(?instalacion,?usuario) → isNearOf(?instalacion,?usuario)

Esta regla permite identificar la presencia de instalaciones especializadas en el campus visitado por un usuario

ReglaIES20

arrivedTo(?usuario, ?lugar) ∧ instansOf(?persona, ?organizacion) ∧ isRecommendableFor(?persona,?usuario) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ infraestructura:occupiedBy(?instalacion, ?persona) → isNearOf(?persona,?usuario)

Esta regla permite identificar la asociación de lugares de trabajo de los miembros de la IES en el campus visitado por un usuario

ReglaIES21

arrivedTo(?usuario, ?lugar) ∧ instansOf(?OC, ?organizacion) ∧ dblp:Publication(?OC) ∧ instansOf(?OC, ?organizacion) ∧ isRecommendableFor(?OC,?usuario)

∧ hasKnowledgeObject(?instalacion, ?OC) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?OC,?usuario)

Esta regla permite identificar la asociación de objetos de conocimiento al campus de la IES visitado

ReglaIES22

arrivedTo(?usuario, ?lugar) ∧ instansOf(?recurso, ?organizacion) ∧ instansOf(?recurso, ?organizacion) ∧ resource:Resource(?recurso) ∧ isRecommendableFor(?recurso,?usuario) ∧ infraestructura:hasResource(?instalacion, ?recurso) ∧ resource:is_associated_to(?instalacion, ?lugar) →

isNearOf(?recurso,?usuario)

Esta regla permite identificar la asociación física de recursos tecnológicos con el campus de la IES visitado

ReglaIES23

arrivedTo(?usuario, ?lugar) ∧ Event(?evento) ∧ instansOf(?evento, ?organizacion) ∧ isRecommendableFor(?evento,?usuario) ∧ heldin(?evento, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?evento,?usuario)

Esta regla permite identificar los eventos cuya realización se asocia al campus de la IES visitado

ReglaIES24

arrivedTo(?usuario, ?lugar) ∧ instansOf(?proyecto, ?organizacion) ∧ isRecommendableFor(?proyecto,?usuario) ∧ developedAt(?proyecto, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?proyecto,?usuario)

Esta regla permite identificar los proyectos de investigación asociados al campus de la IES visitado

ReglaIES25

arrivedTo(?usuario, ?lugar) ∧ instansOf(?servicio, ?organizacion) ∧ isRecommendableFor(?servicio,?usuario) ∧ isOfferedAt(?servicio, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?servicio,?usuario)

Esta regla permite identificar los servicios ofrecidos por la IES en el campus especifico que es visitado

ReglaIES26

Hours (?horario) → arrivedAt(?usuario, ?horario) Esta regla permite establecer el momento en que un usuario visita una IES

ReglaIES27

isNearOf(?servicio,?usuario) ∧ hasHours(?servicio, ?horario) → offerTo(?servicio,?usuario)

Esta regla permite identificar la disponibilidad de los servicios ofrecidos por una IES en base a su relación con los horarios

149

de trabajo definidos por la organización

ReglaIES28

isNearOf(?OC,?usuario) ∧ canBeUsedAt(?OC, ?horario) → offerTo(?OC,?usuario)

Esta regla permite identificar la disponibilidad de los objetos de conocimiento que posee una IES en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaIES29

isNearOf(?recurso,?usuario) ∧ canBeUsedAt(?recurso, ?horario) → offerTo(?recurso,?usuario)

Esta regla permite identificar la disponibilidad de los recursos tecnológicos que posee una IES en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaIES30

isNearOf(?instalacion,?usuario) ∧ canBeUsedAt(?instalacion, ?horario) → offerTo(?instalacion,?usuario)

Esta regla permite identificar la disponibilidad de instalaciones especializadas que posee una IES en base a sus horarios de uso definidos por la organización

ReglaIES31

isNearOf(?evento,?usuario) ∧ dateEnd(?evento, ?FechaFinal) ∧ swrlb:lessThanOrEqual("?fecha", ?FechaFinal) ∧ timeEnd(?evento, ?HoraFinal) ∧ swrlb:lessThanOrEqual("?hora", ?HoraFinal) → offerTo(?evento,?usuario)

Esta regla permite identificar la disponibilidad de los eventos en los que participa una IES en base a los atributos temporales que describen su periodo de ejecución

ReglaIES32

isNearOf(?proyecto, ?usuario) ∧ projectName(?proyecto, ?nombre) → offerTo(?proyecto, ?usuario)

Esta regla permite la recomendación de proyectos de investigación cercanos al usuario

150

A.II Conjunto de reglas de inferencia ReglasGobierno


ReglaGob01

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?persona, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


Esta regla permite identificar personas que comparten intereses con un usuario y cuya información puede ser accedida por ese tipo de usuario

ReglaGob02

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?OC, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


?usuario)

Esta regla permite identificar objetos de conocimiento asociados a los intereses de un usuario disponibles para ser accedidos por el tipo de usuario para el que se realiza el proceso de inferencia

ReglaGob03

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?lugar, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi



Esta regla permite identificar instalaciones disponibles para ser visitadas por cierto tipo de usuarios en donde se realicen actividades relacionadas sus intereses

ReglaGob04

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?recurso, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


Esta regla permite identificar recursos usados en el desarrollo de actividades asociadas a los intereses de un usuario que sean definidos como compartibles con los usuarios

ReglaGob05

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ orientedTo(?actividad, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


ctividad, ?areaConocimiento) ∧ orgActivities:Activity(?actividad) → isRecommendableFor(?actividad, ?usuario)

Esta regla permite identificar actividades organizacionales asociadas a los intereses de un usuario y que estén orientadas al tipo de usuario

151

ReglaGob06

human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ orientedTo(?actividad, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi

ento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasAssociatedKnowledgeDomain(?evento, ?areaConocimiento) ∧ Event(?evento) → isRecommendableFor(?evento, ?usuario)

Esta regla permite identificar eventos con temáticas asociadas a los intereses de un usuario que estén orientadas a su tipo de usuario

ReglaGob07





ReglaGob08


Esta regla permite identificar servicios ofrecidos por la institución de gobierno a personas que coincidan con las características de un usuario

ReglaGob09

human_activities:belongsToHumanCategory (?usuario, Empresario ) ∧ human_activities:KnowledgeDomain(?areaConocimiento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasProjectProfile(?proyecto, ?proyectoProfile) ∧ hasAssociatedKnowledgeDomain(?proyecto,



ReglaGob10


Esta regla permite identificar la asociación de personas con la institución de gobierno visitada

ReglaGob11


Esta regla permite identificar la asociación de objetos de conocimiento con la institución de gobierno visitada

ReglaGob12

isRecommendableFor(?recurso, ?usuario) ∧owns (?organizacion, ?recurso) → instansOf(?recurso,

?organizacion)

Esta regla permite identificar la asociación de recursos tecnológicos con la institución de gobierno visitada

ReglaGob13


Esta regla permite identificar la asociación de instalaciones tecnológicas con la institución de gobierno visitada

ReglaGob14 isRecommendableFor(?servicio, ?usuario) ∧ serves(?organizacion, ?servicio) → instansOf(?servicio,

Esta regla permite identificar la asociación

152

?organizacion) de servicios con la institución de gobierno visitada

ReglaGob15


Esta regla permite identificar la asociación de eventos con la institución de gobierno visitada

ReglaGob16


Esta regla permite identificar la asociación de servicios dirigidos al tipo de usuario para el que se desarrolla el proceso de inferencia con la institución de gobierno visitada

ReglaGob17


Esta regla permite identificar la participación de la institución de gobierno visitada en proyectos de investigación y desarrollo.

ReglaGob18

→ arrivedTo(?usuario, ?lugar) Esta regla permite definir la llegada de un usuario a las instalaciones de una institución de gobierno

ReglaGob19


?organizacion) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ isRecommendableFor(?instalacion,?usuario) → isNearOf(?instalacion,?usuario)

Esta regla permite identificar la presencia de instalaciones especializadas en la institución de gobierno visitada por un usuario

ReglaGob20


Esta regla permite identificar personas que comparten intereses con un usuario cuyo espacio de trabajo se encuentra dentro de las instalaciones de la institución de gobierno visitada

ReglaGob21

arrivedTo(?usuario, ?lugar) ∧ instansOf(?OC, ?organizacion) ∧ dblp:Publication(?OC) ∧ instansOf(?OC, ?organizacion) ∧ isRecommendableFor(?OC,?usuario)

∧ hasKnowledgeObject(?instalacion, ?OC) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?OC,?usuario)

Esta regla permite identificar la asociación de objetos de conocimiento a la institución de gobierno visitada

ReglaGob22

arrivedTo(?usuario, ?lugar) ∧ instansOf(?recurso, ?organizacion) ∧ instansOf(?recurso, ?organizacion) ∧ resource:Resource(?recurso) ∧ isRecommendableFor(?recurso,?usuario) ∧

Esta regla permite identificar la asociación entre recursos tecnológicos y las instalaciones de la institución de gobierno

153

infraestructura:hasResource(?instalacion, ?recurso) ∧ resource:is_associated_to(?instalacion, ?lugar) →


visitada

ReglaGob23


Esta regla permite identificar los eventos cuya realización se asocia a la institución de gobierno visitada

ReglaGob24

arrivedTo(?usuario, ?lugar) ∧ instansOf(?proyecto, ?organizacion) ∧ isRecommendableFor(?proyecto,?usuario) ∧ developedAt(?proyecto, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → offerTo(?proyecto, ?usuario)

Esta regla permite la recomendación de los proyectos de investigación asociados a la institución de gobierno visitada

ReglaGob25


Esta regla permite identificar los servicios ofrecidos por la institución de gobierno visitada

ReglaGob26

Hours (?horario) → arrivedAt(?usuario, ?horario) Esta regla permite establecer el momento en que un usuario visita una institución de gobierno

ReglaGob27


Esta regla permite identificar la disponibilidad de los servicios ofrecidos por una institución de gobierno en base a su relación con los horarios de trabajo definidos por la organización

ReglaGob28


Esta regla permite identificar la disponibilidad de los objetos de conocimiento que posee una institución de gobierno en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaGob29


Esta regla permite identificar la disponibilidad de los recursos tecnológicos que posee una institución de gobierno en base a su

154

compartición física durante los horarios de trabajo definidos por la organización

ReglaGob30


Esta regla permite identificar la disponibilidad de instalaciones especializadas que posee una institución de gobierno en base a sus horarios de uso definidos por la organización

ReglaGob31


Esta regla permite identificar la disponibilidad de los eventos en los que participa una institución de gobierno en base a los atributos temporales que describen su periodo de ejecución

155

A.III Conjunto de reglas de inferencia ReglasEmpresa


ReglaEmpresa01

human_activities:HumanCategory(?grupoHumano)

∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?persona, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ is_interested_in(?persona, ?areaConocimiento) → isRecommendableFor(?persona, ?usuario)

Esta regla permite identificar personas que comparten intereses con un usuario y cuya información puede ser accedida por ese tipo de usuario

ReglaEmpresa02

status(?estado) ∧ isShareableWhile(?OC, ?estado) ∧ human_activities:HumanCategory(?grupoHumano)

∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?OC, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ dblp:Publication(?OC) ∧ hasAssociatedKnowledgeDomain(?OC, ?areaConocimiento) → isRecommendableFor(?OC,

?usuario)

Esta regla permite identificar objetos de conocimiento que una empresa define como compartibles de acuerdo a una situación específica asociados a los intereses de un usuario disponibles para ser accedidos por el tipo de usuario para el que se realiza el proceso de inferencia

ReglaEmpresa03

status(?estado) ∧ isShareableWhile(?lugar, ?estado) human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?lugar, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ resource:isAssociatedToKnowledgeDomain(?lugar,


Esta regla permite identificar instalaciones que una empresa define como compartibles de acuerdo a una situación específica disponibles para ser visitadas por cierto tipo de usuarios en donde se realicen actividades relacionadas sus intereses

ReglaEmpresa04

status(?estado) ∧ isShareableWhile(?recurso, ?estado) ∧ human_activities:HumanCategory(?grupoHumano)

∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?recurso, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ resource:isAssociatedToKnowledgeDomain(?recurso, ?areaConocimiento) ∧ resource:Resource(?recurso) → isRecommendableFor(?recurso, ?usuario)

Esta regla permite identificar recursos que una empresa define como compartibles de acuerdo a una situación específica usados en el desarrollo de actividades asociadas a los intereses de un usuario que sean definidos como compartibles con los usuarios

156

ReglaEmpresa05


∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ orientedTo(?actividad, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ human_activities:hasAssociatedKnowledgeDomain(

?actividad, ?areaConocimiento) ∧ orgActivities:Activity(?actividad) → isRecommendableFor(?actividad, ?usuario)

Esta regla permite identificar actividades organizacionales asociadas a los intereses de un usuario y que estén orientadas al tipo de usuario

ReglaEmpresa06


∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ orientedTo(?actividad, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasAssociatedKnowledgeDomain(?evento, ?areaConocimiento) ∧ Event(?evento) → isRecommendableFor(?evento, ?usuario)

Esta regla permite identificar eventos con temáticas asociadas a los intereses de un usuario que estén orientadas a su tipo de usuario

ReglaEmpresa07

human_activities:KnowledgeDomain(?areaConocim

iento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasAssociatedKnowledgeDomain(?servicio, ?areaConocimiento) ∧ Service(?servicio) →



ReglaEmpresa08


∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ Service(?servicio) ∧ orientedTo(?servicio, ?grupoHumano) → isRecommendableFor(?servicio, ?usuario)

Esta regla permite identificar servicios ofrecidos por la empresa a personas que coincidan con las características de un usuario

ReglaEmpresa09

human_activities:belongsToHumanCategory (?usuario, Empresario ) ∧ human_activities:KnowledgeDomain(?areaConocimiento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasProjectProfile(?proyecto, ?proyectoProfile) ∧ hasAssociatedKnowledgeDomain(?proyecto,



ReglaEmpresa10


Esta regla permite identificar la asociación de personas con la empresa visitada

ReglaEmpresa11


Esta regla permite identificar la asociación de objetos de conocimiento con la empresa visitada

ReglaEmpresa12 isRecommendableFor(?recurso, ?usuario) ∧owns (?organizacion, ?recurso) → instansOf(?recurso,

?organizacion)

Esta regla permite identificar la asociación de recursos

157

tecnológicos con la empresa visitada

ReglaEmpresa13


Esta regla permite identificar la asociación de instalaciones tecnológicas con la institución de gobierno visitada

ReglaEmpresa14


Esta regla permite identificar la asociación de servicios con la empresa visitada

ReglaEmpresa15


Esta regla permite identificar la asociación de eventos con la empresa visitada

ReglaEmpresa16


Esta regla permite identificar la asociación de servicios dirigidos al tipo de usuario para el que se desarrolla el proceso de inferencia con la empresa visitada

ReglaEmpresa17


Esta regla permite identificar la participación de la empresa visitada en proyectos de investigación y desarrollo.

ReglaEmpresa18

→ arrivedTo(?usuario, ?lugar) Esta regla permite definir la llegada de un usuario a las instalaciones de una empresa

ReglaEmpresa19

arrivedTo(?usuario, ?lugar) ∧ instansOf(?instalacion, ?organizacion) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ isRecommendableFor(?instalacion,?usuario) ∧ canBeUsedAt(?instalacion, ?horario) → offerTo(?instalacion,?usuario)

Esta regla permite recomendar instalaciones especializadas localizadas en la empresa visitada por un usuario y que se encuentran disponible en el momento de la visita

ReglaEmpresa20


Esta regla permite identificar personas que comparten intereses con un usuario cuyo espacio de trabajo se encuentra dentro de las instalaciones de la empresa visitada

158

ReglaEmpresa21

arrivedTo(?usuario, ?lugar) ∧ instansOf(?OC, ?organizacion) ∧ dblp:Publication(?OC) ∧ instansOf(?OC, ?organizacion) ∧ isRecommendableFor(?OC,?usuario) ∧ hasKnowledgeObject(?instalacion, ?OC) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?OC,?usuario)

Esta regla permite identificar la asociación de objetos de conocimiento a la empresa visitada

ReglaEmpresa22

arrivedTo(?usuario, ?lugar) ∧ instansOf(?recurso, ?organizacion) ∧ instansOf(?recurso, ?organizacion) ∧ resource:Resource(?recurso) ∧ isRecommendableFor(?recurso,?usuario) ∧ infraestructura:hasResource(?instalacion, ?recurso) ∧ resource:is_associated_to(?instalacion, ?lugar) →


Esta regla permite identificar la asociación entre recursos tecnológicos y las instalaciones de la empresa visitada

ReglaEmpresa23


Esta regla permite identificar los eventos cuya realización se asocia a la empresa visitada

ReglaEmpresa24

arrivedTo(?usuario, ?lugar) ∧ instansOf(?proyecto, ?organizacion) ∧ isRecommendableFor(?proyecto,?usuario) ∧ developedAt(?proyecto, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → offerTo(?proyecto, ?usuario)

Esta regla permite la recomendación de los proyectos de investigación asociados a la empresa visitada

ReglaEmpresa25


Esta regla permite identificar los servicios ofrecidos por la empresa visitada

ReglaEmpresa26

Hours (?horario) → arrivedAt(?usuario, ?horario) Esta regla permite establecer el momento en que un usuario visita una empresa

ReglaEmpresa27


Esta regla permite identificar la disponibilidad de los servicios ofrecidos por una empresa en base a su relación con los horarios de trabajo definidos por la organización

ReglaEmpresa28


Esta regla permite identificar la disponibilidad de los objetos de conocimiento que posee una empresa en base a su compartición física

159

durante los horarios de trabajo definidos por la organización

ReglaEmpresa29


Esta regla permite identificar la disponibilidad de los recursos tecnológicos que posee una empresa en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaEmpresa30


Esta regla permite identificar la disponibilidad de los eventos en los que participa una empresa en base a los atributos temporales que describen su periodo de ejecución

160

A.III Conjunto de reglas de inferencia ReglasEvento


ReglaEvento01

Event(?evento) ∧ participatesIn (?evento, ?persona) ∧ human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?persona, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


Esta regla permite identificar personas que participan en un evento y que comparten intereses con un usuario y cuya información puede ser accedida por ese tipo de usuario

ReglaEvento02

Event(?evento) ∧ hasAssociated(?evento, ?OC) ∧ human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?OC, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


?usuario)

Esta regla permite identificar objetos de conocimiento relacionados con un evento y que estén asociados a los intereses de un usuario disponibles para ser accedidos por el tipo de usuario para el que se realiza el proceso de inferencia

ReglaEvento03

Event(?evento) ∧ hasAssociated(?evento, ?lugar) ∧ human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?lugar, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi



Esta regla permite identificar instalaciones disponibles en el lugar donde se realiza un evento para ser visitadas por cierto tipo de usuarios en donde se realicen actividades relacionadas sus intereses

ReglaEvento04

Event(?evento) ∧ hasAssociated(?evento, ? recurso) ∧ human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ isShareableWith(?recurso, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


Esta regla permite identificar recursos usados en un evento asociados a los intereses de un usuario que sean definidos como compartibles con los usuarios

ReglaEvento05

Event(?evento) ∧ hasAssociated(?evento, ?actividad) ∧ human_activities:HumanCategory(?grupoHumano) ∧ human_activities:belongsToHumanCategory(?usuario, ?grupoHumano) ∧ orientedTo(?actividad, ?grupoHumano) ∧ human_activities:KnowledgeDomain(?areaConocimi


ctividad, ?areaConocimiento) ∧

Esta regla permite identificar actividades realizadas en un evento que estén asociadas a los intereses de un usuario y que estén orientadas al tipo de usuario

161

orgActivities:Activity(?actividad) → isRecommendableFor(?actividad, ?usuario)

ReglaEvento06

Event(?evento) ∧ hasAssociated(?evento, ?servicio) ∧ human_activities:KnowledgeDomain(?areaConocimi




ReglaEvento07


Esta regla permite identificar servicios ofrecidos durante u nevento a personas que coincidan con las características de un usuario

ReglaEvento08

Event(?evento) ∧ hasAssociated(?evento, ?proyecto) ∧ human_activities:belongsToHumanCategory (?usuario, Empresario ) ∧ human_activities:KnowledgeDomain(?areaConocimiento) ∧ is_interested_in(?usuario, ?areaConocimiento) ∧ hasProjectProfile(?proyecto, ?proyectoProfile) ∧ hasAssociatedKnowledgeDomain(?proyecto,



ReglaEvento09

Event(?evento) ∧ isRecommendableFor(?OC,

?usuario) ∧ hasKnowledgeObject(?evento, ?OC) → instansOf(?OC, ?evento)

Esta regla permite identificar la asociación de objetos de conocimiento con el evento visitado

ReglaEvento10

Event(?evento) ∧ isRecommendableFor(?recurso,

?usuario) ∧owns (?evento, ?recurso) →

instansOf(?recurso, ?evento)

Esta regla permite identificar la asociación de recursos tecnológicos con el evento visitado

ReglaEvento11

Event(?evento) ∧ isRecommendableFor(?instalacion,

?usuario) ∧ owns(?evento, ?instalacion) → instansOf(?instalacion, ?evento)

Esta regla permite identificar la asociación de instalaciones tecnológicas con el evento visitado

ReglaEvento12

Event(?evento) ∧ isRecommendableFor(?servicio,

?usuario) ∧ serves(?evento, ?servicio) → instansOf(?servicio, ?evento)

Esta regla permite identificar la asociación de servicios con el evento visitado

ReglaEvento13

ReglaEvento14

Event(?evento) ∧ isRecommendableFor(?servicio,

?usuario) ∧ serves(?evento, ?servicio) → instansOf(?servicio, ?evento)

Esta regla permite identificar la asociación de servicios dirigidos al tipo de usuario para el que se desarrolla el

162

proceso de inferencia con el evento visitado

ReglaEvento15

Event(?evento) ∧ isRecommendableFor(?proyecto,

?usuario) ∧ participatesInA(?evento, ?proyecto) → instansOf(?proyecto, ?evento n)

Esta regla permite identificar la participación de la institución de gobierno visitada en proyectos de investigación y desarrollo.

ReglaEvento16

→ arrivedTo(?usuario, ?lugar) Esta regla permite definir la llegada de un usuario a las instalaciones de una institución de gobierno

ReglaEvento17


?evento) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ isRecommendableFor(?instalacion,?usuario) → isNearOf(?instalacion,?usuario)

Esta regla permite identificar la presencia de instalaciones especializadas en la institución de gobierno visitada por un usuario

ReglaEvento18

arrivedTo(?usuario, ?lugar) ∧ isRecommendableFor (?persona, ?usuario) ∧ isRecommendableFor(?persona,?usuario) ∧ resource:is_associated_to(?instalacion, ?lugar) ∧ infraestructura:occupiedBy(?instalacion, ?persona) → isNearOf(?persona,?usuario)

Esta regla permite identificar personas que comparten intereses con un usuario cuyo espacio de trabajo se encuentra dentro de las instalaciones de la institución de gobierno visitada

ReglaEvento19

arrivedTo(?usuario, ?lugar) ∧ instansOf(?OC, ?evento) ∧ dblp:Publication(?OC) ∧ instansOf(?OC?evento) ∧ isRecommendableFor(?OC,?usuario) ∧ hasKnowledgeObject(?instalacion, ?OC) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?OC,?usuario)

Esta regla permite identificar la asociación de objetos de conocimiento a la institución de gobierno visitada

ReglaEvento20

arrivedTo(?usuario, ?lugar) ∧ instansOf(?recurso, ?evento) ∧ instansOf(?recurso, ?evento) ∧ resource:Resource(?recurso) ∧ isRecommendableFor(?recurso,?usuario) ∧ infraestructura:hasResource(?instalacion, ?recurso) ∧ resource:is_associated_to(?instalacion, ?lugar) →


Esta regla permite identificar la asociación entre recursos tecnológicos y las instalaciones de la institución de gobierno visitada

ReglaEvento21

arrivedTo(?usuario, ?lugar) ∧ Event(?evento) ∧ instansOf(?evento, ?evento) ∧ isRecommendableFor(?evento,?usuario) ∧ heldin(?evento, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?evento,?usuario)

Esta regla permite identificar los eventos cuya realización se asocia a la institución de gobierno visitada

ReglaEvento22

arrivedTo(?usuario, ?lugar) ∧ instansOf(?proyecto, ?evento) ∧ isRecommendableFor(?proyecto,?usuario) ∧ developedAt(?proyecto, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → offerTo(?proyecto, ?usuario)

Esta regla permite la recomendación de los proyectos de investigación asociados a la institución de gobierno visitada

163

ReglaEvento23

arrivedTo(?usuario, ?lugar) ∧ instansOf(?servicio, ?evento) ∧ isRecommendableFor(?servicio,?usuario) ∧ isOfferedAt(?servicio, ?instalacion) ∧ resource:is_associated_to(?instalacion, ?lugar) → isNearOf(?servicio,?usuario)

Esta regla permite identificar los servicios ofrecidos por la institución de gobierno visitada

ReglaEvento24

Hours (?horario) → arrivedAt(?usuario, ?horario) Esta regla permite establecer el momento en que un usuario visita una institución de gobierno

ReglaEvento25


Esta regla permite identificar la disponibilidad de los servicios ofrecidos por una institución de gobierno en base a su relación con los horarios de trabajo definidos por la organización

ReglaEvento26


Esta regla permite identificar la disponibilidad de los objetos de conocimiento que posee una institución de gobierno en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaEvento27


Esta regla permite identificar la disponibilidad de los recursos tecnológicos que posee una institución de gobierno en base a su compartición física durante los horarios de trabajo definidos por la organización

ReglaEvento28


Esta regla permite identificar la disponibilidad de instalaciones especializadas que posee una institución de gobierno en base a sus horarios de uso definidos por la organización

164

Referencias

Listado de las referencias utilizadas en este trabajo de tesis.

165

[Adomavicius, 2005] Adomavicius, G., and A. Tuzhilin. 2005. Toward the next generation of recommender systems: A survey of the state-ofthe-art and possible extensions. Ieee Transactions on Knowledge and Data Engineering 17 (6):734-749.

[Arias, 2008] Arias, M., Zubizarreta, A., de la Fuente, P., Cantera, J. M., Cabrero, J., García, G., Llamas, C., and Vegas, J. (2008) ―Context-Based Personalization for Mobile Web Search‖, in International Work in PersDB 2008 33-39.

[Balabanovi, 1997] M. Balabanovi and Y. Shoham. Fab: Content-Based, Collaborative Recommendation. Comm. ACM, vol. 40, no. 3, pp. 66-72, 1997.

[Balabanović, 1997] Marko Balabanović, Yoav Shoham ―Content-based, collaborative recommendation‖. Magazine Communications of the ACM Volume 40 Issue 3, March 1997

[Bouzeghoub, 2009] Amel Bouzeghoub, Kien Ngoc Do, Leandro Krug Wives, "Situation-Aware Adaptive Recommendation to Assist Mobile Users in a Campus Environment," aina, pp.503-509, 2009 International Conference on Advanced Information Networking and Applications, 2009. Bradford, United Kingdom. May 26-May 29. ISBN: 978-0-7695-3638-5

[Breese, 1998] Breese, J. S., Heckerman, D., & Kadie, C. (1998). Empirical analysis of predictive algorithms for collaborative filtering. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, pp. 43–52.

[Burke, 2002] Robin BURKE, R. 2002. Hybrid recommender systems: Survey and Experiments. User Model. User-Adapt. Interact. 12, 4, 331–370.

[Cadenas, 2009] Alejandro Cadenas, Carlos Ruiz, Iker Larizgoitia, Raúl García-Castro, Carlos Lamsfus, Iñaki Vázquez, Marta González, David Martín, María Poveda. ―Context management in mobile environments: a semantic approach‖. ACM International Conference Proceeding Series , Proceedings of the 1st Workshop on Context, Information and Ontologies, Heraklion, Greece Article No.: 2. Year of Publication: 2009 ISBN:978-1-60558-528-4

[Chen, 1998] C. Chen, ―Generalised similarity analysis and pathfinder network scaling,‖ Interacting with Computers, vol. 10, pp. 107–128, Feb. 1998.

[Chen, 2003] H. Chen, T. Finin, and A. Joshi, "An Ontology for Context-Aware Pervasive Computing Environments," Special Issue on Ontologies for Distributed Systems, Knowledge Engineering Review, vol. 18, pp. 197-207, 2003.

[Estrada, 2011] Ricardo Estrada Peláez. Herramienta para la generación y explotación de mapas contextuales semánticos de organizaciones en formato SVG. Tesis de maestria en desarrollo, Depto. de Ciencias Computacionales, Centro Nacional de Investigación y Desarrollo Tecnológico, Cuernavaca, Mor.

[Field, 1988] Field, D. A.(1988), ―Laplacian smoothing and Delaunay triangulations‖, Commuications in Applied Numerical Methods., vol. 4, pp. 709-712.

166

[Giunchiglia, 2003] Giunchiglia F. and Shavaiko P. Semantic Matching. Knowledge Engineering Review journal, 18(3):265–280, 2003.

[Goldberg, 2001] K. Y. Goldberg, T. Roeder, D. Gupta, and C. Perkins. Eigentaste: A constant time collaborative filtering algorithm. Inf. Retr., 4(2):133–151, 2001.

[Heckmann,2005] D. Heckmann, T. Schwartz, B. Brandherm, M. Schmitz and M. von Wilamowitz-Moellendorff, GUMO – the General User Model Ontology. User Modeling 2005: 10th International Conference, UM 2005. - Edinburgh : Birkhäuser, 2005.

[Herlocker,1999] Herlocker, J. L., J. A. Konstan, A. Borchers, and J. Riedl. 1999. An algorithmic framework for performing collaborative filtering. In Sigir'99: Proceedings of 22nd International Conference on Research and Development in Information Retrieval, edited by M. Hearst, F. Gey and R. Tong. New York: Assoc Computing Machinery, 230-23

[Horrocks, 2004] I. Horrocks, P. F. Patel-Schneider, H. Boley, S. Tabet, B. Grosof y M. Dean, SWRL: A Semantic Web Rule Language Combining OWL and RuleML, W3C Member Submission. (2004)

[Kim, 2005] Kim, D., and B. J. Yum. 2005. Collaborative filtering based on iterative principal component analysis. Expert Systems with Applications 28 (4):823-83

[Lemire, 2005] Lemire, D., Boley, H., McGrath, S., Ball, M.: Collaborative filtering and inference rules for context-aware learning object recommendation. J. Interact. Technol. Smart Educ. 2(3), 179–188 (2005)

[Lemire, 2005b] D. Lemire and A. Maclachlan, ―Slope One Predictors for Online Rating-Based Collaborative Filtering‖, Proc. SIAM Data Mining (SDM ‘05), 200

[Liiv, 2009] Liiv, I.; Tammet, T.; Ruotsalo, T.; Kuusik, A.; ―Personalized Context-Aware Recommendations in SMARTMUSEUM: Combining Semantics with Statistics. Advances in Semantic Processing‖, 2009. SEMAPRO '09. Third International Conference on Digital Object Identifier: 10.1109/SEMAPRO.2009.25 Publication Year: 2009 , Page(s): 50 – 55

[Rasanen , 2009] US 20090228211A1 United States Patent Application Publication oo Pub. No.: US 2009/0228211 Al Rasanen et al. Pub. Date: Sep. 10,2009 LOCATION-BASED NOVELTY INDEX VALUE AND RECOMMENDATION SYSTEM AND METHOD. Inventors: Eero Rasanen , Roman Kikta, Antti Sorvari, Jukka-Pekka Salmenkaita, Yka Huhtala, Heikki Mannila, Hannu T. Toivonen, Kari Oinonen, Juhani Murto. Assignee: Nokia Corporation. (2009). USA

[Sarwar, 2001] Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl ―Item-Based Collaborative Filtering Recommendation Algorithms‖. WWW '01 Proceedings of the 10th international conference on World Wide Web table of contents. P. 285 – 295. ACM New York, NY, USA ©2001 ISBN: 1-58113-348-0 doi>10.1145/371920.372071

[Sauermann, 2007] Sauermann, L., van Elst, L., and Dengel, A., ―PIMO – a Framework for Representing Personal Information Models‖, Proc. of I-Semantics' 07, 2007.

167

[Sawar, 2001] Sarwar, B. M., Karypis, G., Konstan, J. A., and Riedl, J. 2001. Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th InternationalWorldWideWeb Conference (WWW10).

[Shipman, 1995] F. M. Shipman, C. C. Marshall, and T. P. Moran, ―Finding and using implicit structure in humanorganized spatial layouts of information,‖in Proc. Of CHI, pp. 346–353. 1995.

[Sousa, 2009] Sousa, João Paulo; Carrapatoso, Eurico; Fonseca, Benjamin; Pimentel, Maria da Graça; Neto, Renato Bulcão; ―Composition of context aware mobile services using a semantic context model‖. Editorial: IARIA. International Journal on Advances in Software. ISSN 1942-2628. 2:2-3 (2009) p. 275-287.

[Ungar, 1998] Ungar, L. H., and D. P. Foster. 1998. Clustering Methods for Collaborative Filtering. Paper read at Proceedings of the Workshop on Recommendation System

[Vargas, 2011] Vargas Arroyo, Rocío. Modelo colaborativo para la integración de sistemas, tesis de doctorado en desarrollo, Depto. de Ciencias Computacionales, Centro Nacional de Investigación y Desarrollo Tecnológico, Cuernavaca, Mor.

[W3C, 2006] W3C, "Time ontology in OWL," draft version 2006, http://www.w3.org/TR/owl-time/.

[Wang, 2006]| J. Wang, A. P. de Vries, and M. J. T. Reinders. Unifying user-based and item-based collaborative filtering approaches by similarity fusion. In SIGIR ‘06: Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval, pages 501–508, New York, NY, USA, 2006. ACM Press.

[Woerndl, 2008] Woerndl, W., and Woehrl, M., ―SeMoDesk: Towards a Mobile Semantic Desktop‖. Proc. Personal Information Management (PIM) Workshop, CHI 2008 Conference, Florence, Italy, 2008

[Woerndl, 2009] Woerndl, W.; Hristov, A.; ―Recommending Resources in Mobile Personal Information Management‖, Digital Society, 2009. ICDS '09. Third International Conference on Digital Object Identifier: 10.1109/ICDS.2009.21. Publication Year: 2009 , Page(s): 149 – 154

[Xue, 2005] G.-R. Xue, C. Lin, Q. Yang, W. Xi, H.-J. Zeng, Y. Yu, and Z. Chen. Scalable collaborative filtering using cluster-based smoothing. In Proc. of SIGIR, 2005.

[Yris,2011] Miguel A. Yris Pastor. API para Servicios de localización en interiores basado en tecnologías WiFi, Buetooth, RFID y QRCodes. Tesis de maestria en desarrollo, Depto. de Ciencias Computacionales, Centro Nacional de Investigación y Desarrollo Tecnológico, Cuernavaca, Mor.

[Zubizarreta, 2005] Zubizarreta, A., de la Fuente, P., Cantera, J. M., Arias, M., Cabrero, J., García, G., Llamas, C., and Vegas, J. (2005) ―Context-Based Personalization for Mobile Web Search‖, in International Work in PersDB 2008 33-39.

[Zubizarreta, 2008] Zubizarreta, A., de la Fuente, P., Cantera, J. M., Arias, M., Cabrero, J., García, G., Llamas, C., and Vegas, J. (2008) ―A georeferencing method for locating geographic context in web search‖, in CIKM 2008:1485-1486.

168

[Zubizarreta, 2009] Zubizarreta, A., de la Fuente, P., Cantera, J. M., Arias, M., Cabrero, J., García, G., Llamas, C., and Vegas, J. (2009). ―Extracting geographic context from the web: Georeferencing in mymose‖. In 31st European Conference on Information Retrieval, ECIR 2009, Toulouse, France, April 6-9, 2009, Lecture Notes in Computer Science. Springer

tesis de maestria

Documents