INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE …repositorio.ug.edu.ec/bitstream/redug/39329/1/B... · universidad de guayaquil facultad de ciencias matematicas y fisicas carrera de ingenieria

UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS

CARRERA DE INGENIERIA EN NETWORKING Y TELECOMUNICACIONES

INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES

BASADAS EN REGLAS Y FUZZY PARA EL ASMA

SOBRE ARTÍCULOS CIENTÍFICOS Y

Y SISTEMAS EXISTENTES.

PROYECTO DE TITULACIÓN

Previa a la obtención del Título de:

INGENIERO EN NETWORKING Y TELECOMUNICACIONES

AUTORES:

SOTO ENCALADA NUBE MADELINE

VALDEZ VERA YOMAYRA ISABEL

TUTOR: ING HARRY LUNA AVEIGA. Msig.

GUAYAQUIL – ECUADOR

2019

REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA

FICHA DE REGISTRO DE TESIS

TÍTULO:

Investigación y análisis de sistemas de recomendaciones basadas en reglas y

fuzzy para el asma sobre artículos científicos y sistemas existentes

REVISOR:

Ing. Milton Maridueña

Arroyave, PhD.

INSTITUCIÓN: Universidad de

Guayaquil

FACULTAD: Ciencias Matemáticas y

Físicas.

CARRERA: Ingeniería en Networking y Telecomunicaciones

FECHA DE PUBLICACIÓN: 08/04/2019 No. DE PÁGINAS: 174

ÁREA TEMÁTICA: Networking y Telecomunicaciones

PALABRAS CLAVES: artículos científicos, exploratoria, bibliográfica, lógica

difusa.

RESUMEN: El presente proyecto de titulación tiene como objetivo principal realizar la investigación y el análisis de sistemas de recomendaciones que se encuentren

en artículos científicos y sistemas existentes, esto con el fin de aportar tecnología al área de la salud en una patología crónica como el asma, aplicando el tipo de investigación exploratoria y bibliográfica, sustentando los resultados en encuestas a expertos en Inteligencia Artificial y médicos especialistas. Luego del discernimiento de la información encontrada las autoras estipulan en el cierre del trabajo investigativo que el mejor sistema de recomendación para enfermos de asma es un sistema basado en un enfoque en reglas aplicando filtrado colaborativo y lógica difusa.

No. DE REGISTRO: No. DE CLASIFICACIÓN:

DIRECCIÓN URL:

ADJUNTO PDF: Sí No

CONTACTO CON

AUTOR:

TELÉFONO: E-MAIL:

SOTO ENCALADA NUBE 0939162348 [email protected]

VALDEZ VERA YOMAYRA 0999417360 [email protected]

CONTACTO DE LA

INSTITUCIÓN:

NOMBRE: Ab. Juan Chávez Atocha

TELÉFONO: 04-2307729

mailto:[email protected]


II

APROBACIÓN DEL TUTOR

En mi calidad de Tutor del trabajo de investigación, “INVESTIGACIÓN Y

ANÁLISIS DE SISTEMAS DE RECOMENDACIONES BASADAS EN REGLAS

Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS CIENTÍFICOS Y SISTEMAS

EXISTENTES” elaborado por las Srtas. SOTO ENCALADA NUBE MADELINE y

VALDEZ VERA YOMAYRA ISABEL, alumnas no tituladas de la Carrera de

Ingeniería en Networking y Telecomunicaciones, Facultad de Ciencias

Matemáticas y Físicas de la Universidad de Guayaquil, previo a la obtención del

Título de Ingeniero en Networking y Telecomunicaciones, me permito declarar

que luego de haber orientado, estudiado y revisado, la Apruebo en todas sus

partes.

Atentamente,

Ing. HARRY LUNA AVEIGA. Msig.

TUTOR

III

DEDICATORIA

Dedico estos largos años de sacrificio y

aprendizaje a Dios por darme la fortaleza y

sabiduría para sobrellevar todos los

obstáculos que se me presentaron. A mis

amados padres Wilson y Marisol ya que sin

ellos nada de esto sería posible y por

haber inculcado en mí perseverancia y

constancia, valores que me permiten lograr

este gran sueño que también es de ellos. A

mi esposo Alexander por motivarme y

creer en mi capacidad. A mis abuelitos por

el amor tan dulce que me brindan. A mis

hermanos Milena y Milo espero con esto

incentivar a ambos a correr tras sus

sueños, sobre todo para que vean en mí

un ejemplo de que cuando se quiere se

puede.

Soto Encalada Nube

Dedico este triunfo a nuestro creador, Dios

quien me ha dado la sabiduría y las

fuerzas para continuar día a día, a mi mami

Rosa que anhelaba tanto verme convertida

en una profesional, a mis padres por su

diario sacrifico para que yo pueda cumplir

esta meta tan anhelada, y de manera

especial a mis hermanos Cristina, Carlos y

Cristopher porque les demostré que con

constancia y amor todo se puede lograr, ya

que los limites solo los ponemos nosotros.

Valdez Vera Yomayra

IV

AGRADECIMIENTO

Quiero expresar mi gratitud a Dios por

permitirme escribir estas líneas sabiendo

que lo que un día soñé tanto, se está

cumpliendo. Es indescriptible el

sentimiento de agradecimiento que tengo

hacia mis padres por haber obrado tan

bien en mí, por ser mi pilar y mi esposo ya

que es mi apoyo fundamental. Agradezco a

mi amiga Yomayra con quien compartí los

momentos más bellos y difíciles de la

universidad y a todas aquellas personas

que me han ayudado, mis amigos y mi

familia. De manera especial agradezco a

mi tutor el Ing. Harry Luna quien ha sabido

guiarnos para presentarles a todos un

trabajo de calidad.

Soto Encalada Nube

V

AGRADECIMIENTO

Agradezco a mis padres a quienes amo

con todo mi ser, ellos son mi motor, mi

apoyo y mi guía en cada meta que me

propongo, a mi familia por su amor infinito,

a mi tía Anita por sus consejos y su

inmenso cariño, a mi fuerza de carácter, mi

valentía y a las ganas de aferrarme para

hacer realidad este sueño que se

convertirá en mi profesión, a mi enamorado

por toda la paciencia y por cada palabra de

aliento brindada, a mis amigos con quienes

viví los mejores momentos de la etapa

universitaria, expreso el sentimiento de

gratitud a mi tutor el Ing. Harry Luna por

toda la paciencia y la ayuda prestada para

poder terminar con éxito el presente

trabajo de titulación, de manera especial

quiero agradecer a aquella persona que se

ganó el título de amiga, gracias Made por

estos lazos de amistad tan nobles que

formamos durante estos casi 5 años.

Valdez Vera Yomayra

VI

TRIBUNAL PROYECTO DE TITULACIÓN

Ing. Gustavo Ramírez Aguirre, M.Sc.

DECANO DE LA FACULTAD

CIENCIAS MATEMÁTICAS Y

FÍSICAS

Ing. Francisco Palacios, Mgs.

DIRECTOR DE LA CARRERA DE

INGENIERÍA EN NETWORKING Y

TELECOMUNICACIONES

Ing. Ma. Fernanda Molina Miranda, Mgs.

PROFESOR REVISOR DEL ÁREA

TRIBUNAL

Ing. Milton Maridueña Arroyave, PhD.

PROFESOR REVISOR DEL ÁREA

TRIBUNAL

Ing. Harry Luna Aveiga, Msig.

PROFESOR TUTOR DEL PROYECTO

DE TITULACIÓN

Ab. Juan Chávez Atocha, Esp.

SECRETARIO TITULAR

VII

DECLARACIÓN EXPRESA

―La responsabilidad del contenido de

este Proyecto de Titulación, me

corresponden exclusivamente; y el

patrimonio intelectual de la misma a

la UNIVERSIDAD DE GUAYAQUIL‖

SOTO ENCALADA NUBE

VALDEZ VERA YOMAYRA

VIII



CARRERA DE INGENIERIA EN NETWORKING Y

TELECOMUNICACIONES

Proyecto de Titulación que se presenta como requisito para optar

por el título de

INGENIERO EN NETWORKING Y TELECOMUNICACIONES

Autor: Soto Encalada Nube Madeline

C.I. 0928183755

Autor: Valdez Vera Yomayra Isabel

C.I. 0950709386

Tutor: Ing Harry Luna Aveiga. Msig.

Guayaquil, enero del 2019





IX

CERTIFICADO DE ACEPTACIÓN DEL TUTOR

En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo

Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de

Guayaquil.

CERTIFICO:

Que he analizado el Proyecto de Titulación presentado por los

estudiantes SOTO ENCALADA NUBE MADELINE y VALDEZ VERA YOMAYRA

ISABEL, como requisito previo para optar por el título de Ingeniero en

Networking y Telecomunicaciones cuyo tema es:





Considero aprobado el trabajo en su totalidad.

Presentado por:

Soto Encalada Nube Madeline C.I. 0928183755

Valdez Vera Yomayra Isabel C.I. 0950709386


Guayaquil, enero del 2019

X




TELECOMUNICACIONES

AUTORIZACIÓN PARA PUBLICACIÓN DE PROYECTO DE

TITULACIÓN EN FORMATO DIGITAL

1. Identificación del Proyecto de Titulación

Nombre de la alumna: Soto Encalada Nube Madeline

Dirección: Sauces 4

Teléfono: 0928183755 E-mail: [email protected]

Nombre de la alumna: Valdez Vera Yomayra Isabel

Dirección: Paraíso de la Flor, Coop. Lincoln Salcedo.

Teléfono: 0999417360 E-mail: [email protected]

Facultad: Ciencias Matemáticas y Físicas

Carrera: Ingeniería en Networking y Telecomunicaciones

Proyecto de titulación al que opta:

Análisis de sistemas de recomendaciones que se encuentren en artículos

científicos y sistemas existentes.

Profesor guía: Ing Harry Luna Aveiga. Msig.

Título del Proyecto de Titulación: INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS

DE RECOMENDACIONES BASADAS EN REGLAS Y FUZZY PARA EL ASMA

SOBRE ARTÍCULOS CIENTÍFICOS Y SISTEMAS EXISTENTES.



XI

Tema del Proyecto de Titulación: SISTEMAS DE RECOMENDACIONES


2. Autorización de Publicación de Versión Electrónica del Proyecto de

Titulación

A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y

a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica

de este Proyecto de titulación.

Publicación electrónica:

Inmediata X Después de un año

Firma del alumno: Soto Encalada Nube Madeline

Firma del alumno: Valdez Vera Yomayra Isabel

3. Forma de envío:

El texto del proyecto de titulación debe ser enviado en formato Word, como

archivo .Doc. O .RTF y Puf para PC. Las imágenes que la acompañen pueden

ser: .gif, .jpg o .TIFF.

DVDROM CDROM

XII

ÍNDICE GENERAL

APROBACIÓN DEL TUTOR .................................................................................. II

DEDICATORIA ....................................................................................................... III

AGRADECIMIENTO .............................................................................................. IV

ÍNDICE GENERAL ................................................................................................ XII

ABREVIATURAS .................................................................................................XVI

SIMBOLOGÍA ......................................................................................................XVII

ÍNDICE DE CUADROS ......................................................................................XVIII

ÍNDICE DE GRÁFICOS .......................................................................................XIX

RESUMEN ............................................................................................................ XX

ABSTRACT ..........................................................................................................XXI

INTRODUCCIÓN .................................................................................................... 1

CAPÍTULO I ............................................................................................................ 3

EL PROBLEMA ....................................................................................................... 3

Ubicación del Problema en un Contexto ................................................................ 4

Situación Conflicto Nudos Críticos ......................................................................... 6

Causas y Consecuencias del Problema ................................................................. 7

Delimitación del Problema ...................................................................................... 8

Formulación del Problema ...................................................................................... 8

Evaluación del Problema ........................................................................................ 8

OBJETIVOS ............................................................................................................ 9

Objetivo general ...................................................................................................... 9

Objetivos específicos .............................................................................................. 9

ALCANCES DEL PROBLEMA ............................................................................. 10

XIII

JUSTIFICACION E IMPORTANCIA ..................................................................... 11

METODOLOGÍA DEL PROYECTO ...................................................................... 12

CAPÍTULO II ......................................................................................................... 13

MARCO TEÓRICO ............................................................................................... 13

ANTECEDENTES DEL ESTUDIO........................................................................ 13

FUNDAMENTACIÓN TEÓRICA ........................................................................... 15

SISTEMAS DE RECOMENDACIÓN .................................................................... 15

Elementos de un sistema de recomendación ...................................................... 19

Características de los sistemas de recomendación ............................................. 21

Fases del proceso de recomendación .................................................................. 21

Métodos de recomendación de filtrado de información ....................................... 25

Técnicas de recomendación personalizada. ........................................................ 31

Clasificación de los sistemas de recomendación ................................................. 35

Ejemplos de sistemas de recomendaciones ........................................................ 36

Sistemas de recomendación de películas ............................................................ 42

SISTEMAS RECOMENDADORES BASADOS EN REGLAS.............................. 46

Filtrado Colaborativo ............................................................................................. 46

Basado en el contenido ........................................................................................ 51

Híbridos ................................................................................................................. 54

SISTEMAS RECOMENDADORES BASADOS EN FUZZY ................................. 55

Fuzzy y sus definiciones básicas .................................................................. 58

Fuzzy en sistemas de recomendación ................................................................. 63

SISTEMAS RECOMENDADORES PARA LA SALUD......................................... 64

Enfoques existentes .............................................................................................. 66

Ejemplo de sistemas de recomendación para la salud ........................................ 69

SISTEMA DE RECOMENDACIONES PARA EL ASMA ...................................... 71

XIV

Apps sobre Asma .................................................................................................. 72

FUNDAMENTACIÓN LEGAL ............................................................................... 73

PREGUNTA CIENTÍFICA ..................................................................................... 80

VARIABLES .......................................................................................................... 80

DEFINICIONES CONCEPTUALES ...................................................................... 80

CAPÍTULO III ........................................................................................................ 82

METODOLOGÍA DE LA INVESTIGACIÓN .......................................................... 82

DISEÑO DE LA INVESTIGACIÓN ....................................................................... 82

MODALIDAD DE LA INVESTIGACIÓN ................................................................ 82

Tipo de investigación ............................................................................................ 82

POBLACIÓN Y MUESTRA ................................................................................... 83

INSTRUMENTOS DE RECOLECCIÓN DE DATOS ............................................ 85

Técnica de la investigación ................................................................................... 85

Instrumentos de la investigación .......................................................................... 85

PROCEDIMIENTOS DE LA INVESTIGACIÓN .................................................... 86

PROCESAMIENTO Y ANÁLISIS.......................................................................... 87

Análisis de las encuestas...................................................................................... 87

Análisis de las entrevistas..................................................................................... 95

CAPÍTULO IV ........................................................................................................ 98

RESULTADOS, CONCLUSIONES Y RECOMENDACIONES ............................ 98

RESULTADOS ...................................................................................................... 98

CONCLUSIONES ............................................................................................... 104

RECOMENDACIONES ....................................................................................... 105

ANEXOS ............................................................................................................. 106

ANEXO1: Matriz de comparación entre enfoques basados en reglas y fuzzy .. 106

ANEXO 2: Línea de tiempo................................................................................. 107

XV

ANEXO 3: Mapa mental sobre los conceptos más relevantes de un sistema

recomendador ................................................................................................................ 109

ANEXO 4: Matriz de referencias bibliográficas ............................................................... 110

ANEXO 5: Línea de tiempo de Artículos Científicos ........................................................ 124

ANEXO 6: Modelo de encuesta realizada ....................................................................... 127

ANEXO 7: Modelo de entrevista realizada ...................................................................... 129

ANEXO 8: Entrevista 1 ..................................................................................................... 130

ANEXO 9: Entrevista 2 ..................................................................................................... 132

ANEXO 10: Entrevista 3 ................................................................................................... 134

BIBLIOGRAFÍA .................................................................................................................. 136

XVI

ABREVIATURAS

SR Sistema de Recomendación

OMS Organización Mundial de la Salud

GINA Global Initiative for Asthma

INEC Instituto Nacional de Estadística y Censos

IEEE Instituto de Ingeniería Eléctrica y Electrónica

CB Basado en contenido

CF Filtrado colaborativo

DM Demográfica

KB Basado en el conocimiento

CoB Basado en la comunidad

Hyb Sistemas de recomendación híbridos

UBCF Filtrado colaborativo basado en el usuario o memoria

IBCF Filtrado colaborativo basado en ítems o modelos

SVD Descomposición del valor singular

PCA Análisis del componente principal

SGD Descenso de gradiente estocástico

ALS Cuadrados mínimos alternativos

LD Lógica difusa

PHRS Sistemas de registro personal de salud

HRS Sistemas de recomendación de salud

MD Minería de datos

ONU Organización Mundial de la Salud

KNN k vecinos más cercanos (en inglés, k-nearest neighbors).

SVM Máquinas de vector soporte (Support Vector Machines).

XVII

SIMBOLOGÍA

≤ Menor o igual que

B Conjunto clásico

U Universo de discurso

A Conjunto difuso

H Nombre de la variable;

T (H) Conjunto de términos lingüísticos de H

G Regla sintáctica

M Regla semántica para asociar significado a cada elemento de H,

XVIII

ÍNDICE DE CUADROS

CUADRO 1 Causas y consecuencias del problema .................................................. 7

CUADRO 2 Resumen de los enfoques de filtrado para la recomendación .......... 30

CUADRO 3 Técnicas para sistemas de personalización basados en contenido y

colaborativos ................................................................................................................... 31

CUADRO 4 Población ................................................................................................... 84

CUADRO 5 Muestra ...................................................................................................... 84

CUADRO 6 Análisis de resultados de la pregunta No. 1 ......................................... 87




CUADRO 10 Análisis de resultados de la pregunta No. 5 ...................................... 91




CUADRO 14 Matriz de comparación ........................................................................ 106

CUADRO 15 Matriz de referencias bibliográficas .................................................. 110

XIX

ÍNDICE DE GRÁFICOS

Gráfico 1 Recomendación basada en las preferencias del usuario ................... 13

Gráfico 2 Sistema Recomendador de Amazon ................................................. 14

Gráfico 3 Fases de Recomendación ................................................................. 22

Gráfico 4 Filtrado basado en reglas .................................................................. 26

Gráfico 5 Filtrado basado en contenido ............................................................ 27

Gráfico 6 Filtrado colaborativo (basado en usuario) .......................................... 28

Gráfico 7 Filtrado colaborativo (basado en ítems) ............................................. 28

Gráfico 8 El sistema de recomendación de Amazon ......................................... 37

Gráfico 9 Sistema de recomendación de películas de Netflix ............................ 39

Gráfico 10 Sistema de Recomendación de Spotify ........................................... 41

Gráfico 11 Sistema recomendador de MovieLens ............................................. 42

Gráfico 12 Sistema recomendador de Criticker ................................................. 43

Gráfico 13 Sistema recomendador de Nanocrowd ............................................ 44

Gráfico 14 Basado en el usuario Filtrado Colaborativo ..................................... 49

Gráfico 15 Basado en Ítem Filtrado Colaborativo .............................................. 50

Gráfico 16 Proceso Filtrado Colaborativo.......................................................... 51

Gráfico 17 Función de pertenencia trapezoidal con su descripción ................... 59

Gráfico 18 Ejemplo de variable lingüística. ...................................................... 62

Gráfico 19 Contexto del sistema de un sistema PHR habilitado por HRS ......... 66

Gráfico 20 Arquitectura de MEDStyleR ............................................................. 70

Gráfico 21 Porcentajes de la pregunta No. 1 .................................................... 88








Gráfico 29 Modelo propuesto del sistema de recomendación para el asma .... 100

Gráfico 30 Etapa 1 del Sistema de Recomendación para el Asma ................. 101



Gráfico 33 Línea de Tiempo de Sistemas de Recomendación ........................ 107

Gráfico 34 Descripción de la línea de Tiempo sistemas de Recomendación .. 108

Gráfico 35 Mapa Mental sobre los sistemas de recomendaciones .................. 109

Gráfico 36 Línea de Tiempo de Artículos Científicos ...................................... 124

XX




TELECOMUNICACIONES

INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE

RECOMENDACIONES BASADAS EN REGLAS Y FUZZY PARA EL

ASMA SOBRE ARTÍCULOS CIENTÍFICOS Y SISTEMAS EXISTENTES.

Autor: Soto Encalada Nube Madeline

Autor: Valdez Vera Yomayra Isabel


RESUMEN

El presente proyecto de titulación tiene como objetivo principal realizar la

investigación y el análisis de sistemas de recomendaciones que se encuentren

en artículos científicos y sistemas existentes, esto con el fin de aportar

tecnología al área de la salud en una patología crónica como el asma, aplicando

el tipo de investigación exploratoria y bibliográfica, sustentando los resultados en

encuestas a expertos en Inteligencia Artificial y médicos especialistas. Luego del

discernimiento de la información encontrada las autoras estipulan en el cierre de

el trabajo investigativo que el mejor sistema de recomendación para enfermos de

asma es un sistema basado en un enfoque en reglas aplicando filtrado

colaborativo y lógica difusa.

Palabras claves: artículos científicos, exploratoria, bibliográfica, lógica difusa.

XXI




TELECOMUNICACIONES

RESEARCH AND ANALYSIS OF SYSTEMS OF RECOMMENDATIONS

BASED ON RULES AND FUZZY FOR ASTHMA ON SCIENTIFIC

ARTICLES AND EXISTING SYSTEMS

Author: Soto Encalada Nube Madeline

Author: Valdez Vera Yomayra Isabel

Tutor: Ing Harry Luna Aveiga. Msig

ABSTRACT

The main objective of this project is to carry out research and analysis of

recommendations systems found in scientific articles and existing systems,

inorder to provide technology to the health area in a chronic pathology such as

asthma, applying the type of exploratory and bibliographic research, supporting

the results in surveys to experts in Artificial Intelligence and medical specialists.

After the discernment of the information found the authors stipulate in the closing

of the research work that the best recommendation system for asthma sufferers

is a system based on a focus on rules applying collaborative filtering and fuzzy

logic.

Keywords: scientific articles, exploratory, bibliographic, fuzzy logic.

1

INTRODUCCIÓN

Debido a la era en la que nos encontramos es indispensable realizar búsquedas

que generen resultados efectivos, rápidos y confiables esto se puede lograr con

la aplicación de sistemas de recomendaciones que están revolucionando la web

por sus múltiples beneficios que son aplicados en diversas áreas, siendo una de

estas la medicina.

En este proyecto de titulación se propone realizar una investigación y análisis de

estos sistemas de recomendaciones basados en diferentes algoritmos que

permitan entender nuestro lenguaje humano enfocados al área de la salud

acercándose a una patología común como el asma, con la finalidad de ampliar el

tema se describen a continuación los capítulos del estudio detallando la

estructura que tendrá cada uno.

El capítulo I estará compuesto por el planteamiento del problema que da como

inicio el trabajo investigativo, se definirá la ubicación del problema en un

contexto, situación conflictos nudos críticos, las causas y consecuencias del

problema, delimitación del problema, formulación del problema, evaluación del

problema, se puntualizarán el objetivo general y los objetivos específicos en los

que se fundamentará el presente estudio investigativo, así también se

establecerán los alcances del problema, la justificación e importancia y la

metodología a utilizar.

El capítulo II constará de una amplia información sobre lo que es un sistema

recomendador, su historia, elementos que lo conforman, características,

clasificación, fases, técnicas y algoritmos aplicados, lo que permitirá comprender

la estructura y funcionamiento de los sistemas recomendadores basados en

reglas y fuzzy para llegar a aplicarlos en sistemas de recomendación para la

salud enfocados al asma. Este capítulo consta también del marco legal, la

pregunta a contestarse, variables definidas y definiciones conceptuales.

2

El capítulo III contiene la metodología utilizada en este estudio, el tipo de

investigación que es la exploratoria y bibliográfica, la población y muestra

definida, además del análisis detallado de cada pregunta de la encuesta y

entrevista realizada.

Por último, en el capítulo IV se obtienen los resultados de la investigación se

realiza un análisis mediante un mapa mental, una línea de tiempo y una matriz

de comparación, con lo que se puede llegar a conseguir la conclusión y

recomendaciones necesarias para culminar el trabajo investigativo.

3

CAPÍTULO I

EL PROBLEMA

El internet es el medio global que favorese en todos los aspectos de

comunicación masiva; la información que mueve va creciendo a pasos

agigantados lo que conllevó a la evolución de la web dando como resultado

diversas versiones que iniciaron en los años 60 con la web 1.0 que manejaba

navegadores de solo texto, es decir no modificables siendo únicamente de

lectura, lo que limitaba la interacción del contenido de la web con el usuario, con

el fin de convertir al usuario en un ente activo nace la web 2.0 que permite

realizar modificaciones (lectura-escritura) para que los consumidores del internet

pueden intercambiar y contribuir con información a través de herramientas que

aprovechan la inteligencia colectiva como los blogs, redes sociales, entre otros.

Con la mejora que trae consigo la web 2.0 empezó el crecimiento de los datos y

la necesidad de obtener búsquedas mejor definidas, más exactas y eficaces

dando inicio a la web 3.0 también llamada ―web semántica‖ ó ―web de los datos‖

que usa agentes de búsquedas inteligentes para la comprensión del lenguaje

común empleado por los usuarios, lo que permite que la palabra escrita en el

buscador de la web pueda tener más de un significado que no está basado

solamente en su contenido textual y ayuda en la producción de sugerencias

personalizadas donde enfoca sistemas de recomendaciones.

Así mismo existen diversos repositorios de información digitales y físicos que

basan su soporte en aquella información que puede ser válida como, por

ejemplo: documentaciones científicas, datos reales de estudio en base a

fundamentación comprobada o que se encuentren en proceso de estudio. Todo

esto faculta al usuario profesional o investigador científico a sentir la necesidad

de recopilar datos para los estudios que se encuentre realizando teniendo

complicaciones dentro del proceso de recolección cuando la información se

4

encuentra dispersa, en otros casos los datos son falsos lo que perjudica la

inversión de tiempo en diferentes criterios de búsqueda. Por ello se considera

complejo acceder de forma ordenada a datos de información para procesos de

investigación por el gran volumen de datos existente y ciertos costos que

incurren en algunas de ellas.

PLANTEAMIENTO DEL PROBLEMA

Ubicación del Problema en un Contexto

El asma es una afección no contagiosa, de larga duración y desarrollo lento por

lo que es considerada crónica, esta enfermedad afecta los órganos respiratorios

causando dificultades para respirar produciendo tos, opresión y sonidos extraños

en el pecho, estos malestares se pueden presentar durante el día pero con

mayor frecuencia por la noche, los síntomas dependerán de la gravedad en que

se encuentre el enfermo, el cuidado y la aplicación del tratamiento adecuado. El

surgimiento de esta patología se da por diferentes causas tales como tendencia

genética, alergias, factores externos por ejemplo cambios climáticos,

contaminación ambiental, inhalación del humo del tabaco, lo que provoca que se

desarrolle en cualquier etapa de vida del individuo.

Según la Organización Mundial de la Salud (OMS, 2011), el asma está presente

en todos los países independientemente de su grado de desarrollo; sin embargo,

más del 80% de las muertes por asma ocurren en países de ingresos bajos y

medio-bajos, se calcula que hay 235 millones de personas en el mundo que

padecen de esta patología, que es la enfermedad no transmisible más frecuente

en niños, las estadísticas indican que en el 2015 se notificaron 383000 muertes

por asma, la mayoría de ellas en adultos mayores, si no se toman medidas

urgentes las muertes por esta afección aumentarán en los próximos 10 años.

Para el año 2025 habrá unos 100 millones de personas más con asma que hoy y

en la actualidad, en todo el planeta, una de cada 250 muertes es causada por el

asma (GINA, 2010).

5

De acuerdo con el Diario El Comercio y las cifras obtenidas del Instituto

Ecuatoriano de Estadística y Censos (INEC), en el Ecuador se estima que el

asma afecta al 7% de la población, en el 2010 se conoció en el país 3275 casos

de esta enfermedad y en el año 2013 se registraron 57 defunciones. Se sabe

que una crisis asmática puede desarrollarse por diversas causas, las más

comunes en el Ecuador son las infecciones respiratorias, que afectan a unos 100

ecuatorianos, de los cuales la mayoría son niños. Según Gonzalo Lascano,

alergólogo y pediatra del Hospital Militar, esta dolencia ataca al 80% de niños

antes de que cumplan los 5 años porque es alérgica, también menciona que esta

afección es costosa y, aun así, el gobierno no apoya a los pacientes que la

padecen (Diario El Comercio, 2013), (INEC, 2010).

En Ecuador, son pocos los estudios realizados sobre asma y casi ninguno

investiga de manera específica su grado de control (Rivera M., 2016),

provocando la falta de conocimiento en cuanto a la prevención y tratamientos de

dicha patología, razón por la cual es necesario enfatizar en el desarrollo de

investigaciones y artículos científicos que ayuden a encontrar recomendaciones

para precaver y controlar esta enfermedad puesto que en el país se presentan

continuamente epidemias respiratorias debido a la variación del clima tropical,

contaminación ambiental, es decir que se cuenta con factores que contribuyen a

que los ecuatorianos estén propensos a desencadenar enfermedades

respiratorias crónicas como el asma por tal motivo es fundamental contar con

sistemas recomendadores, ya que estos ayudan a los individuos a despejar

ciertas dudas presentándole propuestas que se crean a partir de gustos,

afinidades y necesidades propias de cada persona.

En la web podemos encontrar una gran variedad de apps para llevar un

seguimiento del control del asma las mismas que se encuentran en diferentes

lenguas facilitando su aceptación a nivel mundial, estas aplicaciones funcionan

mediante un test sobre sus síntomas el cual devolverá estadísticas del estado

continuo del paciente, para brindar datos más precisos se toman en cuenta

criterios adicionales como temperatura, humedad, partículas alergénicas en el

6

ambiente, en ciertos casos estas apps facilitan un plan de acción informando

mediante contenidos audiovisuales a los pacientes sobre aquellas medidas que

deben tomar para llevar un buen estilo de vida, recordando las horas en que

deben tomar sus medicamentos incluso la forma en que se deben suministrar.

Entre los sistemas sobre el asma revisadados por las autoras en la web se

encuentran: Asthma Tracker, AsthmaMD, Asthma Journal, Exercive Asthma &

COPD, Asthma Care Buddy, Mini Atlas Asma & Rinitis, Asthma Check, Asthma

Australia, Pulmón Virtual; todas estas aplicaciones sirven para llevar un control

basándose en sus propias experiencias, pero estas apps no tienen la capacidad

o simplemente no le han dado importancia a la necesidad de compartir la

información que recopilan de sus usuarios para dar a conocer recomendaciones

que podrían beneficiar a más pacientes que tengan síntomas similares, esto se

puede mejorar aplicando técnicas de recomendaciones de búsquedas que usen

métodos como los sistemas recomendadores basados en reglas y fuzzy con el

objetivo de facilitar a los usuarios a encontrar lo requerido de una manera

concreta y correcta obteniendo así una alternativa mejor relacionada con su

búsqueda.

Situación Conflicto Nudos Críticos

Existen diversos escenarios de enfermedades crónicas que afectan a la

sociedad y que a su vez no solo afligen al individuo que lo padece sino también

a la familia por el nivel alto de preocupación y falta de información de la misma.

El asma es considerada una enfermedad crónica, cuando existe la falta de

control médico y a su vez la falta de conocimiento da como consecuencia un

grave problema de salud. La investigación que se está realizando permite

identificar que la carencia de información en la utilización de aplicaciones de

asistencia médica perjudica a sobrellevar de mejor manera el malestar porque al

no tener acceso a documentación o datos válidos dentro una investigación

específica que se encuentre basada en recomendaciones con reglas y fuzzy

limita el acceso a datos confiables que brinden tranquilidad al momento de

recopilar apuntes.

7

Se debe reconocer que dentro de los procesos investigativos la información que

se selecciona en la web debe ser filtrada dado a su importancia y a su vez

validez en los temas buscados, dentro de la web se encuentran temáticas

diversas y por ello existen documentos que pudieron haber sido falsificados para

provocar incidencia mediática pero no necesariamente ayuda a la realidad

sostenida. Los medios masivos contribuyen a fomentar aspectos positivos y

negativos, dentro de los negativos encontramos la manipulación de la

información y a la publicación de información fraudulenta.

Causas y Consecuencias del Problema

CUADRO 1 Causas y consecuencias del problema

CAUSAS CONSECUENCIAS

Falta de recomendaciones para los

pacientes que sufren de asma basada

en fuentes fiables que se promuevan

por parte del especialista.

El desconocimiento de sugerencias y

recomendaciones podrían contribuir

negativamente a la calidad de vida del

paciente con asma y de la familia que

necesita conocer más acerca de la

patología a través de fuentes

confiables.

Aplicativ os existentes con filtrados de

información en ciertos casos no

confiables y relevantes.

No se podrá obtener contenidos de

forma efectiva, por lo tanto, se

crearán problemas de precisión en

cuanto a la predicción del usuario

provocando incertidumbre.

Sobrecarga de información en la web

con abundantes contenidos en línea

que seguirá creciendo con el pasar de

los años y que no necesariamente se

encuentren sustentados por un

médico especialista relacionado a la

patología.

Los usuarios tienen acceso a mucha

información, por lo tanto, no podrán

establecer un criterio claro y conciso

con fundamentos confiables a través

de recomendaciones de un médico

especialista del caso y no

manipulados en la web.

Fuente: Propia Elaboración: Soto Encalada Nube y Valdez Vera Yomayra

8

Delimitación del Problema

Campo: Tecnología - Salud

Área: Ingeniería de Software y comunicación

Aspecto: Sistemas de recomendaciones para pacientes con asma

Tema: Investigación y análisis de sistemas de recomendaciones basados en

reglas y fuzzy para el asma sobre artículos científicos y sistemas existentes

Formulación del Problema

¿Cómo contribuye el estudio e investigación de los sistemas de recomendación

en el área de la salud enfocándose en una de las enfermedades crónicas más

comunes como el asma?

Evaluación del Problema

Los aspectos generales de evaluación son:

Delimitado: El problema en sí nace de la necesidad de filtrar toda la información

disponible en la web acerca de la salud y se centra en el análisis de sistemas de

recomendaciones basados en algoritmos y técnicas de filtrado para el asma, que

es una enfermedad crónica que no tiene cura, sin embargo, puede ser

controlada.

Claro: Recolectar toda la información con bases científicas que se encuentra

dispersa en la web orientados al área de la salud, facilitando al usuario el acceso

a los datos relevantes, con la capacidad de adquirir conocimiento a partir de la

experiencia.

Evidente: Los sistemas de recomendación demuestran ser una herramienta

valiosa para ayudar a los usuarios a manejar la sobrecarga de información, han

producido muchos algoritmos, recomendaciones, mecanismos para evaluar su

efectividad, y las interfaces de usuario y experiencias. También se ha encontrado

9

que los resultados de diferentes algoritmos de recomendación difieren en las

formas perceptibles por el usuario que afectan su adecuación.

Concreto: Se utiliza para solucionar el problema planteado y brindar asistencia a

los usuarios en el descubrimiento de contenidos relevantes entre la abrumadora

cantidad de datos disponibles en la web, a su vez faculta la ayuda en las

necesidades y preferencias que cada uno de ellos tenga, todo esto plasmado en

los sistemas de recomendaciones.

Original: En la actualidad existen diversos sistemas de recomendación basados

en diferentes ámbitos, sin embargo, aún no se ha desarrollado un sistema de

recomendación dirigido a personas que padecen de asma.

Factible: La factibilidad del proyecto se da porque los sistemas de

recomendación son aplicables a cualquier ámbito donde exista la necesidad o la

posibilidad de sugerir al usuario de cierto software un producto de su interés.

OBJETIVOS

Objetivo general

Desarrollar una investigación y análisis del estado del arte, de la ciencia y la

técnica de sistemas de recomendaciones en base a artículos científicos y

sistemas existentes en el área de la salud respecto a la patología del asma.

Objetivos específicos

Analizar artículos científicos y sistemas existentes referentes al asma

filtrándolos en base a datos proporcionados por un especialista para el

uso correcto de la información.

Caracterizar la estructura de los sistemas de recomendaciones basados

en información obtenida de artículos científicos y sistemas existentes

para el asma complementando una única solución.

10

Elaborar una matriz de comparación entre sistemas de recomendaciones

basados en reglas y fuzzy la misma que permitirá evaluar, filtrar y

seleccionar la información disponible en la web acerca del tema.

Determinar líneas de tiempo, a partir de los distintos sistemas de

recomendaciones para el asma que fueron investigados y analizados en

artículos científicos y sistemas existentes.

Organizar un mapa mental el cual representará los conceptos claves de

la investigación, siendo el tema central los componentes de los sistemas

de recomendaciones basados en reglas y fuzzy para el asma.

ALCANCES DEL PROBLEMA

Se realizará una investigación en ciertos sitios web confiables como repositorios

de artículos científicos, libros digitales y revistas; posterior a esto se efectuará un

análisis para escoger la información más precisa con la finalidad de contribuir a

las recomendaciones que busca tener un paciente con asma para llevar una vida

tranquila. El asma es una enfermedad incurable, pero con un correcto

tratamiento el paciente puede tener un equilibrio en su salud y mejor calidad de

vida; todo esto a través de una medicación e información real proporcionada en

base a recomendaciones que pueda darse al paciente y su familia.

Este trabajo propuesto no busca:

Desarrollar una aplicación.

No proporcionará la cura para el asma.

No eliminará información de fuentes no confiables.

Ni se pretende motivar al paciente a que deje de atenderse en un centro

médico.

El proyecto de investigación pretende recolectar y filtrar ciertos datos importantes

que encontremos dentro de la sobrecarga de información que podemos

visualizar día a día en la red, a partir del cual se podrán crear sistemas de

11

recomendaciones en base a la patología del asma, esto beneficia de manera

significativa a todos los pacientes que sufren dicha enfermedad, otros entes

beneficiados serán los profesionales de la salud, quienes tendrán un contacto

directo con los pacientes a través de dichos sistemas y a su vez se pretende

sistematizar los procesos de comunicación en el medio de la salud.

JUSTIFICACION E IMPORTANCIA

El proyecto investigativo bibliográfico documental contribuirá con bases

científicas y confiables para la consideración de un modelo propuesto para el

sistema de recomendación para el asma basados en algoritmos y técnicas

estudiadas en la fundamentación teórica, incentivando tanto a profesionales

como estudiantes a seguir realizando investigaciones de esta índole, que

posteriormente podrán beneficiar al segmento de la población que padece dicha

patología. El asma se presenta dentro de nuestra sociedad como una

enfermedad que no se ha estudiado a fondo como otras afecciones físicas,

biológicas y psicológicas. Esto permite crear la necesidad de buscar información

que ayude al paciente y a su familia a mejorar su calidad de vida en base a la

información encontrada con sustento científico.

En el ámbito de la salud realizar investigaciones sobre enfermedades que no

tienen cura pero que con un excelente tratamiento y cuidados específicos son

manejables y tienden a ser de vital importancia debido al expeditivo crecimiento

que ha tenido el internet durante estos últimos años y la abrumadora cantidad de

información existente. Cuando se realizan búsquedas se suelen generar

resultados desordenados, sobre todo sin una relación lógica lo que con lleva a

que los usuarios que padecen enfermedades como por ejemplo la patología

respiratoria llamada asma, no logren encontrar una adecuada recomendación y

afecten indirectamente su salud, con el fin de contribuir en la búsqueda es

necesario ordenar y filtrar dichos datos a través de sistemas recomendadores

12

que se basen en reglas ya que cada paciente tiene síntomas diferentes y lógica

difusa para entender lo que el paciente trata de explicar con su lenguaje común.

METODOLOGÍA DEL PROYECTO

La metodología que se utiliza en el proyecto de investigación será variada y

estará basada en la investigación científica, esta radica en obtener conceptos

fundamentales a través del proceso de investigación donde se selecciona

alrededor de 100 trabajos investigativos científicos obtenidos de repositorios y

revistas reconocidas internacionalmente como por ejemplo Springer, Revista

Ciencias de la Información, Instituto de Ingeniería Eléctrica y Electrónica (IEEE),

International Journal of Research, Journal of ComputerScience and Technology,

Knowledge-BasedSystems, International Journal of Electronic Commerce,

Journal of Artificial Societies and Social Simulation,

ExpertSystemswithApplicationsan International Journal, con el fin de que se

establezca posibles soluciones al problema presentado en el proyecto.

13

CAPÍTULO II

MARCO TEÓRICO

ANTECEDENTES DEL ESTUDIO

La red más grande a nivel mundial llamada internet ha tenido un gran

crecimiento lo que conllevó el aumento abrumador de los sitios y documentos

digitales, siendo una de sus consecuencias principales no encontrar información

exacta en el momento adecuado, con el fin de facilitar dicha información al

usuario es necesario priorizar y filtrar los datos más relevante dentro de toda la

sobre carga de información, basándose en esta necesidad nació la web 3.0

también denominada ―Web Inteligente‖, y a su vez los sistemas recomendadores

que permiten optimizar los datos para un acceso más rápido y seguro a

información de calidad, proporcionando al usuario contenidos personalizados

dependiendo de las preferencias de cada uno, este avance ha contribuido en

muchas áreas de diversas índole siendo una de las más relevantes la medicina

que estudia patologías tales como el asma.

Gráfico 1 Recomendación basada en las preferencias del usuario

Elaboración: Jose Félix de Haro

Fuente: FutureSpace

14

Los sistemas recomendadores actualmente están siendo investigados y

aplicados a nivel mundial en diferentes áreas, puesto que manejan estrategias

(filtros) para contribuir en la elección de la decisión que tomará el usuario dentro

ámbitos tecnológicos de información compleja, donde existen abundantes

contenidos en línea. ―Esto a menudo se conoce como el problema de sobrecarga

de información. Para resolverlo, los motores de búsqueda y los sistemas de

recomendación son ampliamente investigados‖. (Sergey B. & Lawrence P.,

1998) (Adomavicius G. & Tuzhilin A., 2005) (Koren Y. et al., 2009) (Tang J. et

al., 2012) (Linyuan L. et al., 2012).

El motor de búsqueda es un sistema informático que arroja información con

datos precisos y contundentes basándose en términos específicos que son

otorgados por el usuario, se diferencia de un sistema de recomendación porque

en este podemos encontrar contenidos personalizados de acuerdo a las

características, gustos, afinidades y semejanzas entre usuarios. Un claro

ejemplo de la aplicación de dichos sistemas recomendadores se pueden

encontrar en sitios reconocidos como amazon, netflix y youtube.

Gráfico 2 Sistema Recomendador de Amazon

Elaboración: José Carlos Cortizo Pérez

Fuente: BrainSINS

15

Los sistemas de recomendación son instrumentos para realizar búsquedas que

ayudan en gran parte a elegir los datos más precisos dentro de la excedente

cantidad de información disponible en la web por lo que es necesario recalcar el

concepto de Martínez S. (2016). ―Los sistemas de recomendación aparecen

como la solución tecnológica perfecta para filtrar la información y personalizarla a

los gustos y necesidades de los usuarios‖. Además, como expresa Resnick, P.,

y Varian, H. R. (1997). ―Ayudan a llenar el vacío, entre la recopilación de datos y

el análisis, filtrando toda la información disponible y mostrando los elementos

más relevantes para el usuario‖, basándose en diferentes enfoques que

necesitan ser estudiados para determinar cuáles serían las técnicas a aplicar

según el caso donde serán aplicadas.

FUNDAMENTACIÓN TEÓRICA

Para el desarrollo de la fundamentación teórica de este proyecto es necesario

efectuar un análisis basado en etapas que se describen a continuación:

1.- Sistemas de recomendación

2.- Sistemas recomendadores basados en reglas

3.- Sistemas recomendadores basados en Fuzzy

4.- Sistemas recomendadores para la salud

5.- Sistemas recomendadores para el asma

SISTEMAS DE RECOMENDACIÓN

Historia de los sistemas de recomendación

Los sistemas de recomendación han evolucionado durante un largo tiempo a

partir de los años 90 y seguirán avanzando debido a que es una metodología

que está conformada por algoritmos y técnicas que permiten realizar búsquedas

16

eficientes día a día, optimizando uno de los recursos más importantes para el ser

humano como es el tiempo, esto va de la mano con el discernimiento de los

datos y el crecimiento de la red.

Según Seguido Font, M. (2009) en su trabajo investigativo:

Las primeras formas de filtrado de información electrónica aparecieron con el

trabajo de Housman y Kaskela (Housman, E. M., y Kaskela, E. D., 1970) en el

que se diseñó un método que de forma automática se pudiera mantener a los

científicos informados sobre nuevos documentos publicados en sus áreas de

trabajo o especialización. El método se basaba en la creación de un perfil de

usuario que contenía ciertas palabras clave, relevantes para el usuario que son

utilizadas para buscar coincidencias entre estas palabras clave y los nuevos

documentos o artículos con el fin de intentar predecir qué artículos o documentos

serian del interés de los científicos. Esta primera aproximación a los sistemas de

recomendación fue implementada, pero su uso fue mucho menor de lo esperado

(Packer, K. H., y Soergel, D., 1979).

Otra aproximación a los sistemas de recomendación se dio con ―The information

Lens system‖ (Malone, T. W., Grant, K. R., Lai, K. Y., Rao, R., y Rosenblitt, D.,

1987), (Mackay, W. E. et al, 1989) en donde, basado en el contexto del correo

electrónico, se les permitía a los usuarios crear reglas para filtrar los correos

electrónicos. Así pues, los usuarios podían, por ejemplo, crear una regla para

etiquetar todos los mensajes provenientes de cierta persona o correo electrónico.

El problema de ―The information Lens system‖ apareció con las personas o

usuarios cuyo conocimiento en el ámbito de la informática era elemental o casi

nulo. Estos usuarios eran incapaces de crear reglas de filtrado para priorizar o

filtrar los correos recibidos (Mackay, W. E. et al, 1989).

A partir de entonces aparecieron nuevas ideas como la propuesta por Allen

(Allen, R. B., 1990) en la que se consideraba la creación de modelos de usuario,

con el objetivo de predecir qué nuevas publicaciones de artículos los científicos

se prestarían a leer. El método, pese a mejorar los resultados de Packer y

17

Soergel, era más bueno prediciendo preferencias de usuario en categorías

generales que de artículos específicos (Foltz, P. W., y Dumais, S. T., 1992).

A principios de la década de los 90 empezaron a surgir dentro de los servicios de

grupos de noticias (newsgroups), servicios de filtrado de noticias que permitían a

su comunidad de usuarios acceder exclusivamente a aquellas noticias que

potencialmente podían ser de su interés (Resnick, P., Iacovou, N., Suchak, M.,

Bergstrom, P., y Riedl, J. 1994), (Stodolsky, D. S., 1990). No obstante, el primer

sistema de recomendación que apareció fue el llamado ―Tapestry‖ (Goldberg, D.,

Nichols, D., Oki, B. M., y Terry, D., 1992), desarrollado por XeroX PARC.

Tapestry es un sistema que permite almacenar el feedback de los usuarios sobre

los artículos o noticias que éstos han leído y posteriormente ser utilizado por

otros usuarios que aún no han leído el artículo o noticia, para establecer si la

información del documento es relevante o no. En un principio este tipo de

sistemas fue adoptado con el nombre de filtrado colaborativo (collaborative filter)

dado que permite que los usuarios creen filtros a través de sus ítems de interés

(en el caso de Tapestry, artículos o noticias), y colaborativo pues los usuarios

añaden las anotaciones con las opiniones sobre los documentos. Las opiniones

añadidas pueden ser utilizadas para las búsquedas de otros usuarios. Ya en el

1997, Resnick y Varian proponen llamar a los sistemas con el nombre de

―sistemas de recomendación‖ (recommender systems), dado que por esa fecha

estos sistemas no sólo se limitaban al filtro de información y habían aparecido

nuevos sistemas en el que no se utilizaban las opiniones de otros usuarios

(Resnick, P., y Varian, H. R., 1997).

De acuerdo con la historia los sistemas recomendadores existían desde la

antigüedad sin embargo no eran estudiados a profundidad, con el avance

tecnológico y la revolución de información en la web, se implementaron reglas y

técnicas que hicieron de este sistema un medio de reconocimiento importante

para la sociedad de esta era, que busca en la tecnología constantes

conocimientos que agiliten y optimicen las búsquedas que van de acuerdo a sus

preferencias y necesidades.

18

Definición

A continuación, se detallan diferentes definiciones de varios autores sobre

sistemas de recomendación.

Resnick, P., y Varian, H. R. (1997). Un motor de recomendación es un sistema

capaz de conocer las preferencias de los usuarios sobre diferentes elementos y

utilizar estas preferencias para proponer nuevos elementos que puedan interesar

a los usuarios.

Wang, P. (1998). Es un sistema que tiene como tarea principal, elegir ciertos

objetos que cumplen con los requisitos de los usuarios, donde cada uno de estos

objetos están almacenado en un sistema informático y caracterizado por un

conjunto de atributos.

Karypis, G. (2001). Un sistema recomendador es una tecnología de filtrado de

información personalizada, usada para predecir si a un usuario particular le gusta

un ítem en particular (problema de predicción), o identificar un conjunto de N

ítems que pueden interesarles a ciertos usuarios.

Según Burke, R. (2002). Un sistema de recomendación debe ser capaz de

proporcionar Recomendaciones y guía a los usuarios de forma personalizada. La

definición de Burke añade nuevas nociones como la individualización y la

personalización.

Rashid, A. M., et al. (2002). El sistema de recomendación se define como una

estrategia de toma de decisiones para usuarios en entornos de información

complejos‖.

González C. et al. (2010). Los sistemas de recomendación son una serie de

mecanismos y técnicas aplicadas a la recuperación de información para intentar

resolver el problema de sobrecarga de datos en Internet. Estos ayudan a los

19

usuarios a elegir los objetos que pueden ser de utilidad o de su interés, pudiendo

estos objetos ser cualquier tipo, tales como libros, películas, canciones, páginas

Web, blogs.

Ricci, F. (2010). Otra definición amplia define los sistemas de recomendación

como "herramientas y técnicas de software que ofrecen sugerencias para que

los elementos sean de utilidad para un usuario.

Gallego Vico, D. (2013). Los sistemas de recomendación son potentes

herramientas de filtrado de información que permiten a usuarios solicitar

sugerencias sobre ítems que cubran sus necesidades.

En base a las definiciones analizadas de cada autor, se define que los sistemas

de recomendaciones son herramientas inteligentes que realizan sugerencias a

los usuarios basándose en gustos y afinidades expuestos por este, es decir que

a partir de cada parámetro que incluye el usuario en su búsqueda estos le

permiten tener un resultado más cercano a sus necesidades.

Elementos de un sistema de recomendación

Dentro de los elementos de un sistema de recomendación siempre se tendrá una

estructura básica en la cual está presente el perfil de usuario, el ítem, el contexto

y el dominio. En algunos casos el perfil de usuario se conoce como la

descripción del usuario, los ítems se conocen como las características que el

usuario está buscando, el contexto son los agentes que se encuentran en el

entorno donde se desenvuelve el individuo y aportan con información, y el

dominio es la información completa del usuario, es decir la unión de todos los

elementos anteriores.

Según Sánchez Bocanegra, C. L. (2017), en su investigación doctoral los

elementos que participan en un sistema de recomendación son los que se

presentan a continuación:

20

Perfil de usuario: El perfil de usuario es la entidad que contempla todas

aquellas propiedades asociadas al usuario que participa. Por ejemplo, un

paciente de 28 años, de Irlanda y que padece de Diabetes Tipo 1 con

niveles en sangre de 11.2 mmol/L. El sistema recomendador recopila

toda esa información (lugar y fecha de nacimiento, tipo de Diabetes, nivel

de azúcar en sangre) y lo incluye en su banco de datos. Esta información

facilita la personalización de la recomendación.

Ítems: La siguiente entidad son los ítems: elementos que un usuario

busca de acuerdo a sus necesidades. Los ´ítems se representan como

documentos que contienen propiedades con información de interés para

el usuario: control de medicación, dosificación, prospecto, videos que

describen el padecimiento o la enfermedad, etc.

Contexto: La siguiente entidad es el contexto, que define aquellas

propiedades externas que añaden información al sistema, por ejemplo, el

posicionamiento georeferencial o el clima puede ser factores externos

que pueden ayudar a acotar una mejor selección. El contexto tiene un

gran potencial puesto que en la mayoría de los casos son propiedades

que se pueden obtener automáticamente: por ejemplo, la versión del

sistema operativo, el navegador que utiliza, la hora de la consulta, tiempo

que tarda en la elección de un ítem, etc.

Dominio: El perfil de los usuarios, los ítems y el contexto son los

principales elementos de un sistema recomendador. Interaccionan en el

marco de lo que se denomina dominio. Por ejemplo, pertenecen al

dominio de Diabetes toda la información relativa a pacientes,

investigadores, profesionales sanitarios y a todo el conjunto de

información de diabetes. Los métodos recomendadores buscan la mayor

aproximación con un dominio particular que pueda ser útil entre las

entidades partícipes.

21

Características de los sistemas de recomendación

Existen diversas características acerca de los sistemas de recomendación, estas

varían de acuerdo con cada autor manteniendo muchas en común, como son:

ayudar, interpretar y explorar datos que aportan los usuarios para una búsqueda

eficaz, entre los numerosos autores se puede destacar el trabajo de Meyer

(Meyer F., 2012) donde identifica 4 ítems importantes que abarcan o cubren un

estándar de todas las características que se encuentran en la web definidas por

otros investigadores científicos.

Ayuda para decidir: predice una calificación para un usuario o para

un artículo.

Ayuda para comparar: clasifica una lista de elementos de forma

personalizada para un usuario.

Ayuda para descubrir: proporciona a un usuario elementos

desconocidos que se apreciarán.

Ayuda para explorar: proporciona elementos similares a un

elemento objetivo dado.

Fases del proceso de recomendación

Como se conoce todo proceso se divide en varias etapas, los sistemas basados

en recomendaciones no son la excepción, entre las fases o etapas básicas que

podemos encontrar en cualquier sistema recomendador están:

1.- Captar datos

2.- Aprender del dato

3.- Recomendar una solución

En la web se encuentran varios tipos de definiciones de fases, etapas o modelos

tal como en el estudio de Isinkaye, Folajimi y Ojokoh (2015) y Charlin (2014).

22

Isinkaye et al. (2015), indica que el proceso de recomendación de los SR consta

de 3 fases:

Fase de recopilación de información: Esto recopila información

relevante de los usuarios para generar un perfil o modelo de usuario para

las tareas de predicción, incluidos los atributos, los comportamientos o el

contenido de los recursos a los que accede el usuario.

Retroalimentación explícita: Normalmente, el sistema solicita al

usuario a través de la interfaz del sistema que proporcione

calificaciones para los elementos con el fin de construir y mejorar su

modelo. La precisión de la recomendación depende de la cantidad de

calificaciones proporcionadas por el usuario. El único defecto de este

método es que requiere el esfuerzo de los usuarios y, además, los

usuarios no siempre están listos para proporcionar suficiente

información. A pesar del hecho de que la retroalimentación explícita

requiere un mayor esfuerzo por parte del usuario, aún se considera

que proporciona datos más confiables, ya que no implica extraer

preferencias de las acciones, y también brinda transparencia al

Gráfico 3 Fases de Recomendación

Elaboración: Isinkaye, F. O., Folajimi, Y. O., y Ojokoh, B. A

Fuente: Egyptian Informatics Journal

23

proceso de recomendación que resulta en una calidad de

recomendación percibida ligeramente más alta y más confianza en

las recomendaciones (Buder, J., y Schwind, C., 2012).

Retroalimentación implícita: El sistema infiere automáticamente las

preferencias del usuario al monitorear las diferentes acciones de los

usuarios, como el historial de compras, el historial de navegación y el

tiempo empleado en algunas páginas web, los enlaces seguidos por

el usuario, el contenido del correo electrónico y los clics en los

botones, entre otros. La retroalimentación implícita reduce la carga

sobre los usuarios al inferir las preferencias de sus usuarios de su

comportamiento con el sistema. Aunque el método no requiere

esfuerzo del usuario, pero es menos preciso. Además, también se ha

argumentado que los datos de preferencia implícitos podrían ser en

realidad más objetivos, ya que los usuarios no responden de una

manera socialmente deseable (Buder, J., y Schwind, C., 2012). y no

hay problemas de autoimagen ni ninguna necesidad de mantener

una imagen. para otros (Gadanho, S. C., y Lhuillier, N., 2007).

Retroalimentación híbrida: Las fortalezas de los comentarios

implícitos y explícitos se pueden combinar en un sistema híbrido para

minimizar sus debilidades y obtener un sistema con el mejor

rendimiento. Esto se puede lograr utilizando datos implícitos como

una verificación de la calificación explícita o permitiendo que el

usuario brinde comentarios explícitos solo cuando elija expresar un

interés explícito.

Fase de aprendizaje: Aplica un algoritmo de aprendizaje para filtrar y

explotar las características del usuario a partir de los comentarios

recopilados en la fase de recopilación de información.

24

Fase de predicción / recomendación: Recomienda o predice qué tipo

de elementos el usuario puede preferir. Esto se puede hacer

directamente en función del conjunto de datos recopilados en la fase de

recopilación de información, que podría basarse en la memoria o en el

modelo, o mediante las actividades observadas por el sistema del

usuario.

Charlin, L. (2014), propone modelar el proceso de recomendación utilizando tres

etapas listadas a continuación:

Recopilación de preferencias: cuando se involucra inicialmente con un

sistema de recomendación, un nuevo usuario debe proporcionar

información relacionada con sus preferencias. Esta información será

utilizada por el sistema de recomendación para construir un modelo de

usuario que allana el camino a recomendaciones personalizadas. La fase

de recopilación de preferencias representa una oportunidad para que el

sistema obtenga información del usuario activamente.

Predecir las preferencias que faltan: la tarea central de un sistema de

recomendación es utilizar la información obtenida del usuario para

predecir las preferencias de los elementos del usuario. Esto significa que

el sistema debe usar la información disponible para aprender un modelo

predictivo de preferencias de elementos de usuario.

Preferencias a las recomendaciones: en esta etapa se pasa de las

preferencias a las sugerencias puede ser tan simple como seleccionar un

subconjunto de los elementos más preferidos o proporcionar a los

usuarios una lista de iterados ordenados por preferencia. También puede

implicar resolver un problema de optimización más complejo, como el

impuesto por un sistema de recomendación restringido.

25

Métodos de recomendación de filtrado de información

Adomavicius, G., y Tuzhilin, A. (2005) señalaron que el problema de la

recomendación se puede formular formalmente de la siguiente manera: sea U el

conjunto de todos los usuarios y sea I el conjunto de todos los elementos

posibles que se recomendarán. Sea f una función de utilidad que mide la

calificación (o utilidad) del usuario u en el ítem i. Sean R posibles

clasificaciones para I, la función f puede verse como un mapeo de U e I para R,

f: U × I → R.

Por lo antes expuesto se analizará 4 enfoques descritos en el trabajo doctoral de

Gao, M., Liu, K., y Wu, Z. (2010).

Enfoques basados en reglas

Los enfoques basados en reglas permiten que los sistemas de información

especifiquen las reglas f (u, i) basadas en datos demográficos o perfiles estáticos

de los usuarios, que se recopilan mediante un proceso de registro al hacerles

una serie de preguntas. Luego, se especifican previamente si las reglas se

aplican para seleccionar la información relevante para la recomendación (Liang,

T. P., Yang, Y. F., Chen, D. N., y Ku, Y. C., 2007). Se basa en grupos o clases

de usuarios predefinidos para determinar qué contenido debe mostrarse o qué

servicios deben proporcionarse. Por ejemplo, las corredurías en línea a menudo

clasifican sus cuentas por sexo y edad, y luego brindan diferentes servicios,

productos o tratamiento preferencial para el usuario.

En los enfoques basados en reglas, las reglas de filtrado de los expertos en

dominios (por ejemplo, marketing y aprendizaje electrónico) son un componente

central para proporcionar recomendaciones personalizadas. La efectividad de los

enfoques basados en reglas depende principalmente de la calidad del

conocimiento en una base de reglas. Las técnicas de aprendizaje automático se

pueden utilizar para reducir los problemas de adquisición de conocimientos y

26

problemas de mantenimiento de conocimientos en los enfoques basados en

reglas para recomendaciones personalizadas (Kim, J. W., Lee, B. H., Shaw, M.

J., Chang, H. L., y Nelson, M., 2001).

En términos generales, los sistemas basados en reglas capturarán razones

comunes para hacer recomendaciones.

Enfoques basados en contenido

Los enfoques basados en contenido facilitan el descubrimiento y filtrado de la

información al comparar el perfil del usuario con la descripción de los elementos

(Chedrawy, Z., y Abidi, S. R., 2006). Los sistemas de filtrado basados en el

contenido compararán los perfiles de los elementos con el perfil de un usuario

para estimar en qué elementos pueden interesarle (Min, S. H., y Han, I., 2005).

Por ejemplo, un sistema de recomendación de noticias basado en contenido

extraerá elementos esenciales de noticias utilizando algunos métodos de

clasificación de texto y luego los comparará con el perfil del usuario para

seleccionar un conjunto de recomendaciones prometedoras de noticias.

Formalmente, en los métodos de recomendación basados en el contenido, la

función de utilidad f (u, i) del usuario u en el elemento i se estima en función de

las utilidades f (u, ) que se calificaron en el pasado y son similares al

Gráfico 4 Filtrado basado en reglas

Elaboración: Gao, M., Liu, K., & Wu, Z.

Fuente: Information Systems Frontier

27

elemento i (Adomavicius, G., y Tuzhilin, A., 2005). Por ejemplo, en el caso de

una aplicación de recomendación de libros, el sistema aprende qué libros el

usuario u ha calificado altamente en el pasado. Entonces solo se recomendarán

los libros con una alta calificación de similitud a las preferencias del usuario. La

similitud se puede determinar de varias maneras.

Enfoques de Filtrados Colaborativos

El filtrado colaborativo es una tecnología complementaria al filtrado basado en

contenido (Das, A. S., Datar, M., Garg, A., y Rajaram, S., 2007), que utiliza las

preferencias de usuarios similares en el mismo grupo de preferencias como base

de recomendación. Es un enfoque para hacer recomendaciones al encontrar

correlaciones entre los gustos compartidos y los disgustos de los usuarios del

sistema. Tiene la capacidad de encontrar elementos de interés potencial de

valoraciones anteriores de otros usuarios (Liang et al. 2007). De esta manera, el

mecanismo para filtrar la información se modifica y mejora según la demanda.

Formalmente, la función de utilidad f (u, i) se estima en base a las calificaciones

del artículo i por aquellos usuarios que son similares al usuario u. Por ejemplo,

en un sistema de recomendación de libros, el sistema intenta encontrar usuarios



Gráfico 5 Filtrado basado en contenido

28

similares al usuario u; solo se recomendarán los libros que más gusten a

usuarios similares.

El filtrado colaborativo basado en el usuario fue la técnica utilizada con más éxito

para construir sistemas de recomendación en el pasado (Konstan, J. A. et al,

1997), (Li, Y., Lu, L., y Xuefeng, L., 2005). Además, el filtrado colaborativo

basado en ítems es una extensión del filtrado colaborativo basado en usuarios

(Kitts, B., Freed, D., y Vrieze, M., 2000).

Gráfico 6 Filtrado colaborativo (basado en usuario)

Gráfico 7 Filtrado colaborativo (basado en ítems)





29

Enfoques híbridos

El filtrado basado en contenido ha demostrado ser mejor que el filtrado

colaborativo cuando se recomiendan documentos de texto; mientras que el

filtrado colaborativo no requiere una descripción del contenido de un elemento

de información, que es popular entre los e-sastres que venden productos físicos

como "Amazon.com" (Linden, Smith, y York, 2003). Este método generalmente

se desempeña mejor cuando hay disponibles calificaciones de usuarios no

binarias explícitas para objetos similares (Mobasher, 2007). Además, el filtrado

colaborativo encontrará similitudes entre diferentes usuarios. Se informa que la

integración de estos dos tipos de filtrado muestra un buen rendimiento en

algunos dominios (Liang, T. et al, 2007), (Chedrawy y Abidi, 2006), (Liu y Shih,

2005) como el comercio electrónico y las bibliotecas digitales.

Para evitar ciertas limitaciones de los enfoques basados en contenido y

colaborativos, varios sistemas utilizan enfoques híbridos al combinar el filtrado

colaborativo y basado en contenido (Balabanović y Shoham, 1997), (Claypool

M. et al, 1999), (Melville, Mooney, y Nagarajan, 2002). Por un lado, los enfoques

de colaboración resolverán las deficiencias de los sistemas basados en

contenido, como la falta de datos subjetivos, las calificaciones de los usuarios y

la novedad. Por otro lado, los enfoques basados en el contenido resolverán las

limitaciones de los enfoques de colaboración, incluidos el problema de los

"nuevos elementos", el problema de la escasez de datos y el problema de la

computación compleja (Montaner, M., López, B., y De La Rosa, J. L., 2003). Las

diferentes formas de combinar métodos colaborativos y basados en contenido se

clasifican de la siguiente manera (Adomavicius, G., y Tuzhilin, A., 2005): (1)

implementando métodos colaborativos y basados en contenido por separado y

combinando sus predicciones, (2) incorporando algunas características basadas

en contenido en un enfoque colaborativo , (3) incorporando algunas

características de colaboración en un enfoque basado en contenido, y (4)

construyendo un modelo unificador general que incorpora características tanto

de contenido como de colaboración.

30

CUADRO 2 Resumen de los enfoques de filtrado para la recomendación

Enfoques Alcance aplicable Ventajas Debilidad Sistemas

Enfoque basado en reglas

El sistema tiene como objetivo conseguir servicios básicos de personalización.

Es fácil para los sistemas usar las reglas if-then para seleccionar información personalizada. Captura razones comunes para hacer recomendaciones.

No es fácil para los administradores pre-especificar reglas; no es flexible; Es para grupos (mujeres, niños, etc.), no para personalización real.

MyLibrary (Di Giacomo,Mahoney, Bollen, Monroy-Hernandez y Meraz, 2001)

Enfoque basado en el contenido

Dominios intensivos de texto.

Es más efectivo en dominios de texto intensivo

No es adecuado para información multimedia; No se pueden encontrar los intereses potenciales de los usuarios.

News Weeder, Infofinder, and News Dude (Park, Y. J. y Chang, K. N., 2008)

Enfoque colaborativo

Dominios no intensivos en texto con muchos datos históricos

Popular en el dominio de comercio electrónico; puede encontrar intereses potenciales para los usuarios; no limitado a la información textual.

Problema de "arranque en frío", problema de nuevo usuario, problema de nuevo elemento.

Amazon (Linden, G. et al, 2003, Das, A. S. et al, 2007) CYCLADES (Renda, M. E., y Straccia, U., 2005)

Enfoque híbrido

Los sistemas quieren conseguir servicios avanzados de personalización.

Combina las ventajas de los métodos basados en contenido y colaborativos.

Puede ser demasiado complicado de lograr.

ExplaNet (Masters, J., Madhyastha, T., y Shakouri, A., 2008)

Fuente: Personalisation in web computing and informatics: Theories, techniques, applications, and future research

Elaboración: Soto Encalada Nube y Valdez Vera Yomayra

31

Técnicas de recomendación personalizada.

CUADRO 3 Técnicas para sistemas de personalización basados en contenido y colaborativos

Técnicas Características Limitaciones Soluciones potenciales

TF-IDF

Las medidas más conocidas para

los pesos de palabras clave

(Adomavicius, G., y Tuzhilin, A.,

2005).

Es difícil identificar palabras clave o

elementos en un documento ya que

hay muchas palabras (Blei, D. M., Ng,

A. Y., y Jordan, M. I., 2003).

Reducción TF-IDF; Indización

semántica latente (Isozaki, H., y

Kazawa, H., 2002).

KNN

La técnica más popular para la

clasificación. Datos de

entrenamiento robustos a ruidosos

y efectivos si los datos de

entrenamiento son grandes

(Billsus, D., y Pazzani, M. J.,

1999).

Proceso de formación vecinal en

línea; es difícil obtener clústeres

eficaces debido a la naturaleza

dispersa del conjunto de datos

(Mobasher, B., 2007).

Para combinar con enfoques

basados en contenido (Adomavicius,

G., y Tuzhilin, A., 2005); Para

eliminar características inútiles antes

de otros procedimientos.

K-significa

Particione los puntos en k

agrupamientos al minimizar la

suma de la división cuadrada entre

los datos y los centroides

agrupados correspondientes

(Hartigan, J. A., y Wong, M. A.,

No determinismo; sensible a la

condición inicial; óptimo local cada

atributo tiene el mismo peso; la media

aritmética no es robusta a los valores

atípicos (Teknomo, K., 2008).

Grandes cantidades de datos

(Teknomo, K., 2008); la mediana en

lugar de la media supera el

problema del valor atípico

(Teknomo, K., 2008); para combinar

con otras técnicas como el cálculo

32

1979). del peso (Adomavicius, G., y

Tuzhilin, A., 2005).

Naïve Bayes

Asume que estas palabras son

independientes; el cálculo es

mucho más eficiente que la

complejidad exponencial de los

enfoques no naïve Bayes (Yang,

Y., 1999).

El supuesto de independencia a

menudo se viola en el mundo real

(Yang, Y., y Webb, G. I., 2002).

Para combinar con otras técnicas,

como Tree Augmented Naive Bayes

(Friedman, N., Geiger, D., y

Goldszmidt, M., 1997).

Red

bayesiana

Representa un conjunto de

variables y sus dependencias

probabilísticas (Friedman, N. et al,

1997).

Tiempo exponencial para el caso

general (Haddawy, P., 1994), (Yang,

Y., y Webb, G. I., 2002). La obtención

de datos experimentales suele

requerir mucho tiempo y es costosa

(Tong, S., y Koller, D., 2001).

Combine con algoritmos de

aprendizaje activo (Tong, S., y

Koller, D., 2001).

Cadena de

Markov

Los estados futuros solo dependen

de los estados actuales; permite a

los sistemas modelar

dinámicamente los patrones de

acceso a URL (Sarukkai, R. R.,

2000).

Dimensionalidad (la matriz de la

cadena de Markov suele ser muy

grande) y necesita una gran cantidad

de datos de entrenamiento (Sarukkai,

R. R., 2000); Sensible a la estimación

de parámetros (Nuel, G., 2006).

Modelado de modelos de transición

específicos del sitio y modelos de

transición dentro del sitio; Agrupar

los sitios antes de aplicar el análisis

de la cadena de Markov; utilizando

representación de almacenamiento

de matriz dispersa. (Gamerman, D.,

y Lopes, H. F., 2006)

Regla de

asociación

Método popular para descubrir

relaciones (Agrawal, R., Imieliński,

Alta complejidad computacional; Es

difícil decidir el umbral para los

Combinar con otras técnicas (Cho,

Y. H., Kim, J. K., y Kim, S. H., 2002);

33

T., y Swami, A., 1993).

valores de soporte y confianza (Hipp,

J., Güntzer, U., y Nakhaeizadeh, G.,

2002).

desarrollar medidas de calidad de

reglas adicionales (Hipp, J. et al,

2002).

Árbol de

decisión

Un modelo predictivo que mapea

las observaciones sobre un ítem a

conclusiones sobre su valor

objetivo (Pazzani, M. J. y Billsus,

D., 2006); la calidad depende de la

precisión de la clasificación como

del tamaño del árbol (Cho, Y. H. et

al, 2002).

Al no tener claridad de objetivos, es

difícil organizar ideas. (Pazzani, M. J.

y Billsus, D., 2006)

Ayuda a realizar las mejores

decisiones sobre la base de la

información existente y de las

mejores suposiciones. Combinar con

otras técnicas (Cho, Y. H. et al,

2002).

Redes

neuronales

Capacidad de aprendizaje o auto

adaptación (Frias-Martinez, E.,

Magoulas, G., Chen, S., y

Macredie, R., 2006); Reconocer

patrón de entrada incompleto (Im,

K. H., y Park, S. C., 2007).

Optimización local; Problema de la

caja negra (Shin, C. K., Yun, U. T.,

Kim, H. K., y Park, S. C., 2000).

Para combinar con otras técnicas,

por ejemplo, el razonamiento

basado en casos (Im, K. H., y Park,

S. C., 2007).

SVM

Siempre encuentra una solución

global; construye un hiperplano,

que minimiza los errores de

clasificación y maximiza el margen

entre dos conjuntos de datos de

entrada (Joachims, T., 1997),

(Bomhardt, C., 2004); se

Actualmente se considera más lento

en el tiempo de ejecución que otras

técnicas con niveles de rendimiento

de generalización similares; problema

de la caja negra (Frias-Martinez, E. et

al, 2006), (Isozaki, H., y Kazawa, H.,

2002).

Para eliminar características inútiles

antes de otros procedimientos

(Isozaki, H., y Kazawa, H., 2002).

34

desempeñó muy bien en un

conjunto de datos de alta

dimensión (Cheung, K. W., Kwok,

J. T., Law, M. H., y Tsui, K. C.,

2003).

Fuente: Personalisation in web computing and informatics: Theories, techniques, applications, and future research


35

Clasificación de los sistemas de recomendación

En base a las características pueden existir diferentes tipos de sistemas de

recomendaciones, conforme a la investigación efectuada por Burke, R. (2007) y

Martínez Sarriegui, I. (2016) se define la siguiente:

Basado en contenido (CB): Las recomendaciones se generan a partir

de dos fuentes: las características del producto / servicio y las

calificaciones generadas por los usuarios. El sistema clasifica los

elementos para los gustos y aversiones del usuario y la clasificación

dependen de las calificaciones de los usuarios con los mismos gustos.

Esta forma de clasificación puede causar clasificaciones demasiado

especializadas que solo incluyen elementos muy similares a elegir

(Blanco-Fernández, Y. et al., 2008).

Filtrado colaborativo (CF): El sistema recopila las calificaciones de los

miembros en una comunidad y utiliza esa información para recomendar

elementos a otros usuarios, "correlación de personas a personas"

(Schafer, J. B., Konstan, J. A., y Riedl, J., 2001). La idea subyacente es

que diferentes personas tienen diferentes gustos y clasifican las cosas de

manera diferente según esos gustos (Jøsang, A., Ismail, R., y Boyd, C.,

2007).

Demográfica (DM): ―Recomienda elementos basados en el perfil

demográfico del usuario y las recomendaciones podrían dirigirse a nichos

demográficos específicos (por ejemplo, el idioma) que combinan las

calificaciones de los usuarios de ese nicho‖. (Burke, R., 2007).

Basado en el conocimiento (KB): Estos sistemas sugieren productos

basados en inferencias de conocimiento de dominio sobre las

preferencias de los usuarios. Una función de similitud calcula en qué

medida las necesidades del usuario coinciden con las recomendaciones.

Los sistemas KB tienden a funcionar mejor al comienzo de la vida de los

sistemas, pero deben contar con técnicas de aprendizaje para garantizar

su eficiencia (Ricci, F., Rokach, L. y Shapira, B., 2011).

36

Basado en la comunidad (CoB): Estas técnicas basan las

recomendaciones en la máxima: "dime quiénes son tus amigos y te diré

quién eres". Las personas confían más en los consejos de amigos que en

personas anónimas con gustos similares (incluso con más similitudes que

con amigos) (Sinha, R. R., y Swearingen, K., 2001).

Sistemas de recomendación híbridos (Hyb): La técnica de filtrado

híbrido combina diferentes técnicas de recomendación para obtener una

mejor optimización del sistema para evitar algunas limitaciones y

problemas de los sistemas de recomendación pura (Adomavicius G.,

Zhang J., 2012), (Stern DH, Herbrich R, Graepel T., 2009).

En base a la clasificación detallada en párrafos anteriores se puede definir que

los sistemas de recomendación basados en contenido, hìbrido y filtrado

colaborativo son los que mayormente se asemejan a la presente investigación,

más adelante se estudiaràn a profundidad cada uno de ellos para determinar

cuál sería el ideal.

Ejemplos de sistemas de recomendaciones

En la actualidad en el medio tecnológico existen muchos sistemas

recomendadores aplicados en diversos tipos de áreas que utilizan numerosos

algoritmos, técnicas, reglas y arquitecturas. A continuación, se detallan los

sistemas de recomendación más populares conocidos en la web:

Amazon

Según Mateos, M. (2018):

Amazon cuenta con un algoritmo personalizado de recomendación que ellos

llaman filtrado colaborativo ítem a ítem, se trata de un desarrollo de la casa,

patentado en los Estados Unidos, y que nació porque ninguna de las propuestas

existentes por aquel entonces (principios de década) servían para grandes

conjuntos de datos.

37

¿Cómo funciona sin entrar en excesivos detalles técnicos?

Asociando cada producto comprado por un usuario con una lista de productos

similares, que se obtiene en función de los elementos que hayan sido adquiridos

en un mismo pedido, añadidos a un carrito de la compra, o almacenados en una

wish list.

Amazon.com utiliza ampliamente los algoritmos de recomendación para

personalizar su sitio web de acuerdo con los intereses de cada cliente. Debido a

que los algoritmos de recomendación existentes no pueden escalar a las

decenas de millones de clientes y productos de Amazon.com, desarrollo un

algoritmo propio, basándose en el filtro colaborativo de item a ítem el cual se

adapta a conjuntos de datos masivos y produce recomendaciones de alta

calidad en tiempo real. (Linden, G., Smith, B., y York, J. (2003).

Gráfico 8 El sistema de recomendación de Amazon

Elaboración: Amazon

Fuente: www.amazon.com

38

Nexflix

Según el artículo escrito por Uman I. (2018) se puede definir que:

Los sistemas de recomendación basados en contenido realizan

recomendaciones utilizando tanto las características del usuario como de los

ítems que le han interesado al usuario, por ejemplo, cuando un usuario ha dado

una buena calificación a las películas ‗Blade Runner‘ y ‗Star Wars‘ se podría

inferir que tiene preferencia por las películas de ciencia ficción.

Por otro lado, se indica que Netflix es una empresa estadounidense de

entretenimiento cuyo modelo de negocios se basa en el streaming de video,

multimedia y productos bajo demanda. Tiene más de 110 millones de

suscriptores en más de 190 países, y cada uno de ellos recibe una experiencia

diferente cada vez que inicia sesión.

Con el propósito de generar recomendaciones eficientes, utiliza complejos

algoritmos de aprendizaje automático (machine learning) que toman en cuenta

más de 100 factores y le sugieren al usuario el contenido que le gustaría ver. La

primera capa del sistema de recomendaciones de la plataforma analiza qué es lo

que ha visto un espectador, el orden y las fechas de reproducción, los programas

que ha abandonado sin terminar o los que ha marcado como favoritos, entre

otros datos similares. En segundo lugar, esta información de uso se combina con

otros parámetros que ayudan a comprender mejor el contenido de los

programas. Para ello personal interno o externo de la plataforma visualiza minuto

a minuto todos los contenidos y las etiquetas de manera pormenorizada.

El contenido se clasifica en 150 categorías creadas para que el algoritmo

funcione mejor y pueda recomendar más precisamente los contenidos (en efecto

un 80% de los contenidos pueden ser visualizados y hallados gracias a esta

herramienta). El ―etiquetador‖ toma el material, lo ve y a partir de eso llena 150

criterios clave para identificar ese título. En House of Cards, por ejemplo,

algunas de las categorías y etiquetas son: tono (oscuro, cínico, satírico), trama

(política, corrupción, traición), violencia.

39

En referencia al párrafo anterior se puede indicar cómo funciona la plataforma de

Netflix para recomendar algún tipo de película o serie al usuario basado en

(Netflix.com):

Cada vez que accedes al servicio de Netflix, el sistema de recomendaciones

intenta ayudarte a encontrar una serie o una película de tu agrado de la manera

más simple. Para calcular la probabilidad de que te interesaría ver un

determinado título del catálogo, usan varios factores, entre ellos:

Interacción con el servicio (como el historial de visualización y las

calificaciones asignadas a otros títulos)

Actividad de otros miembros con gustos y preferencias similares a los

tuyos (aquí encontrarás más información)

Información sobre los títulos, como género, categorías, actores, año de

lanzamiento, etc.

Además de saber qué viste en Netflix, también se utilizan los siguientes datos

para personalizar las recomendaciones:

Hora del día en que ves contenido

Dispositivos que usas para ver Netflix

Durante cuánto tiempo ves contenido

Gráfico 9 Sistema de recomendación de películas de Netflix

Elaboración: Netflix

Fuente: www.netflix.com

40

Spotify

Según Albert, N. (2018):

Spotify no utiliza ningún modelo de recomendación revolucionario por si solo. Su

motor de recomendación está basado en 3 estrategias utilizadas previamente

por otros servicios, es la combinación de estas, la que crea su propio motor:

Modelos de Filtrado Colaborativo: Analizan tanto el comportamiento de

los usuarios de forma individual como global.

Modelos de Procesamiento del Lenguaje Natural: Analizan la

información en la red relativa a un grupo /canción.

Modelos de audio: Analizan las pistas de audio en bruto.

Spotify utiliza Matemáticas matriciales para calcular las canciones sugeridas, a

continuación, se detallará el proceso:

Cada fila representa uno de los 140 millones de usuarios de Spotify. Y cada

columna representa uno de los 30 millones de canciones de la plataforma

Luego, se ejecuta esta fórmula de factorización matricial:

Usuarios

Canción

41

Cuando termina, nos encontramos con dos tipos de vectores, representados

aquí por X e Y. X es un vector de usuario, representando el gusto de una única

persona e Y es un vector de canción, representando el perfil de una única

canción

Para averiguar cuáles son los gustos musicales de los usuarios más similares a

cada perfil, el filtrado colaborativo compara el vector con todos los demás

vectores de usuarios y, en última instancia, dice qué usuarios son los más

parecidos. Lo mismo ocurre con el vector Y, las canciones: se puede comparar el

vector de una sola canción con todos los demás, y averiguar qué canciones son

más similares entre sí.

Una vez estudiados los sistemas de recomendaciones más famosos a nivel

mundial como Amazon, Netflix y Spotify se puede concluir que la aplicación del

Gráfico 10 Sistema de Recomendación de Spotify

Elaboración: Spotify

Fuente: APP de Spotify

42

filtrado colaborativo basado en ítems es todo un éxito en sistemas que están

compuestos por grandes volúmenes de información, los mismos que tienen

como prioridad la satisfacción del usuario basado en sus preferencias.

Sistemas de recomendación de películas

MovieLens (movielens.org):

Es una página web de recomendación de películas desarrollada en 1997 por el

equipo de investigación de GroupLens de la Universidad de Minnesota, pese a

que la interfaz gráfica no es atractiva, la extensa base de datos y el algoritmo de

recomendación, basado en un filtro colaborativo, hacen de esta plataforma una

de las más fiables gracias a la precisión de los resultados. El sistema compara

tus puntuaciones con las de otros usuarios con gustos similares y a continuación,

recomienda películas que el usuario no haya visto. Además, cuando un usuario

busca una película específica, el sistema retorna una predicción de la posible

puntuación que el usuario la dará a la película después de haberla visto.

Además, MovieLens proporciona información de películas de manera individual,

así como listas de actores y directores, que son usadas para incrementar la

exactitud del algoritmo. Muñoz Escudero, H. (2014).

Elaboración: Movielens

Fuente: www.movielens.org

Gráfico 11 Sistema recomendador de MovieLens

43

Criticker (criticker.com):

El objetivo de Criticker es relacionarte con personas que comparten tus mismos

gustos cinematográficos de la manera más exacta posible. Usa la herramienta

llamada Taste Compatibility Index (TCI) que permite ver con qué personas eres

más afín, accediendo a su perfil y viendo qué películas les gustan. También se

puntúa y se comparan tus puntuaciones con las de otros usuarios para adquirir el

TCI. Por lo tanto, es un servicio que combina tanta funcionalidad como

comunidad. Muñoz Escudero, H. (2014).

Nanocrowd (nanocrowd.com):

Se basa en el estudio de la reacción de los usuarios a las películas.

Analizan las tres palabras que los usuarios usan para describir sus

reacciones a las películas. Analizando esas palabras permiten entender no

sólo qué películas han gustado, sino por qué. Esta tecnología se llama

Elaboración: Criticker

Fuente: www.criticker.com

Gráfico 12 Sistema recomendador de Criticker

44

Reaction Mapping. Entender el por qué es crucial porque las películas

evocan una gran variedad de sensaciones y sentimientos que son

complejos y no pueden ser capturados simplemente por puntuaciones o

historial. Las películas se clasifican en tres tipos de nanogéneros (que

captura

n la esencia o algunos elementos de cada película) en el que cada uno

refleja distintas razones. Las tres palabras descriptivas son clave para

conocer qué parte de la película es capturada en cada nanogénero. Muñoz

Escudero, H. (2014).

Esteban Moreno, B. (2011) en su tesis doctoral cita los siguientes sistemas

recomendadores existentes en internet:

PHOAKS:

Se trata de un sistema experimental para solucionar el problema de

encontrar información relevante y de alta calidad en la Web, usando el

enfoque colaborativo en el que los usuarios recomiendan determinados

ítems a otros usuarios. PHOAKS trabaja reconociendo, concordando y

Elaboración: Nanocrowd

Fuente: www.nanocrowd.com

Gráfico 13 Sistema recomendador de Nanocrowd

45

redistribuyendo automáticamente recomendaciones de recursos Web

extraídos de mensajes de noticias.

Referral Web:

Numerosos estudios muestran que una de las formas más efectivas de

divulgar información y conocimiento dentro de una determinada

organización es a través de una red informal de colaboradores o amigos.

Referral Web se basa en la idea de combinar redes sociales con el filtrado

colaborativo, entendiendo por redes sociales grupos de personas

vinculadas por determinadas actividades profesionales.

FAB:

Sistema orientado a la recomendación de URLs que combina el uso de

información por extensión con el enfoque colaborativo.

Siteseer:

Recomienda páginas Web relevantes y usa las listas de favoritos y la

organización de registros como una declaración implícita de intereses

respecto al contenido subyacente, y se va midiendo el grado de

solapamiento con las de otros usuarios.

GroupLens:

El proyecto GroupLens diseña, implementa y evalúa un SR colaborativo

para Usenet, un servicio de listas de discusión con un alto volumen de

negocio en Internet.

46

SISTEMAS RECOMENDADORES BASADOS EN REGLAS

El enfoque del estudio de los sistemas recomendadores basados en reglas se

fundamenta en los sistemas de recomendación de filtrado colaborativo, sistemas

de recomendación basados en contenido y los sistemas de recomendación

híbridos que se describirán a continuación con sus respectivos algoritmos.

Filtrado Colaborativo

El filtrado colaborativo tiene como esencia principal filtrar la información

disponible a partir de grandes volúmenes de datos y brindar recomendaciones

basándose en valoraciones que el usuario le da a cada ítem, como por ejemplo

si Juan y María opinan que el café de Sweet&Coffe es económico, es probable

que Juan tenga la misma opinión que María acerca de un producto X de

Sweet&Coffe que la opinión que tendría cualquier otra persona, en base a este

proceso se calculan las diferentes predicciones que realiza el sistema

recomendador.

Según Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., y Holzinger, A. (2016)

en el estudio que realizaron sobre los sistemas de recomendaciones basados en

filtrado colaborativo pudimos obtener que este sistema de recomendación:

Se basa en las calificaciones individuales de todos los usuarios. Intenta

identificar los elementos que son relevantes para el usuario o relacionados con

otros elementos que han recibido calificaciones positivas por parte del usuario.

Para este propósito se utiliza una matriz de elementos de usuario o matriz de

datos. Esta matriz simplemente contiene las calificaciones de los usuarios para

todos los artículos. Cuando un usuario no ha calificado un elemento, la celda

permanece vacía. Típicamente esto es una matriz dispersa. Se utilizan varios

métodos para imputar las celdas vacías. Esta imputación es una predicción de

una calificación de un usuario para un artículo determinado. Las predicciones de

47

altas calificaciones se pueden utilizar como recomendaciones. Algunos de estos

métodos se dan aquí:

Media de la fila: Al utilizar la media de la fila, promediamos la calificación

de los usuarios y devolvemos una calificación no informativa,

coincidiendo con el criterio promedio de los usuarios.

Media de la columna: al utilizar la media de la columna, utilizamos la

forma en que los usuarios calificaron un elemento en particular en

promedio.

Combinado: Podemos usar ambos medios para ajustar la predicción de

un elemento al comportamiento de calificación de los usuarios

respectivos.

Similitud de coseno basada en filas: El coseno del vector permite

comparar la similitud de dos vectores. El coseno es 1 si los vectores son

iguales y 0 si son ortogonales. Podemos usar esto para encontrar

usuarios similares y usar su calificación como un medio de predicción.

Similitud de coseno basada en columnas: se puede usar para

encontrar elementos similares y usarlos para recomendaciones de

inmediato.

De acuerdo con lo expuesto por Lee, Y. (2015), en su trabajo investigativo

existen dos clasificaciones de filtrado colaborativo que se detallaran:

El filtrado colaborativo (CF) se puede clasificar en dos métodos principales como

el filtrado colaborativo basado en el usuario (basado en la memoria) y el filtrado

colaborativo basado en ítems (basado en el modelo) (Sarwar B., Karypis G.,

Konstan J., y Riedl, J., 2001).

El algoritmo de filtrado colaborativo basado en el usuario es una forma efectiva

de recomendar contenidos útiles a los usuarios mediante la explotación de la

intuición de que un usuario probablemente preferirá los elementos preferidos por

usuarios similares. Por lo tanto, al principio, el algoritmo intenta encontrar los

48

vecinos del usuario basándose en las similitudes del usuario y luego combina la

puntuación de calificación del usuario vecino utilizando el aprendizaje

supervisado como el algoritmo k vecinos más cercanos y la red Bayesiana o el

aprendizaje no supervisado como el algoritmo k-means (Sarwar, B. et al, 2001),

(Gong, S., 2010).

El algoritmo de filtrado colaborativo basado en ìtems tiene fundamentalmente el

mismo esquema que el filtrado colaborativo basado en el usuario en términos de

uso de la calificación del usuario. En lugar de los vecinos más cercanos, busca

en un conjunto de elementos; el usuario de destino ya ha calificado los ítems y

este algoritmo calcula qué elementos son similares al ítem de destino según la

recomendación (Sarwar, B. et al, 2001), (Gong, S., 2010). Después de eso,

también combina las preferencias anteriores del cliente basadas en estas

similitudes de elementos.

Filtrado colaborativo basado en el usuario o memoria (UBCF)

El enfoque de filtrado colaborativo basado en el usuario consiste en predecir

elementos para el usuario objetivo que ya son elementos de interés para otros

usuarios que son similares al usuario objetivo. Por ejemplo, (Walunj, S. G., y

Sadafale, K., 2013) permita que el Usuario 1 y el Usuario 3 tengan un

comportamiento de preferencia muy similar. Si al usuario 1 le gusta el artículo A,

UBCF puede recomendar el artículo A al usuario 3. UBCF necesita las

puntuaciones de calificación explícitas de los artículos calificados por los

usuarios (Sarwar, B. et al, 2001), para calcular las similitudes entre los usuarios y

explota los algoritmos del vecino más cercano para encontrar los vecinos más

cercanos según el usuario. Y luego, genera predicción en términos de elementos

al combinar las puntuaciones de calificación del usuario vecino en función del

promedio ponderado de similitud (Gong, S., 2010).

49

La similitud se mide más a menudo por el coeficiente de correlación de Pearson

o por la similitud del vector coseno (Vozalis, E., y Margaritis, K. G., 2003), que

son variantes del producto interno. Los algoritmos más populares que

pertenecen a esta categoría son los basados en elementos, los basados en el

usuario y el algoritmo Slope One. Estos algoritmos pueden emplear cualquiera

de las medidas de similitud. El usuario y los algoritmos integrados se encuentran

a menudo en los enfoques de la N superior, donde se recomienda un conjunto

de N elementos. (Karydi, E., y Margaritis, K., 2016)

Filtrado colaborativo basado en ítems o modelos (IBCF)

El enfoque de filtrado colaborativo basado en ítems predice los artículos

preguntando en similitudes entre los elementos y otros elementos que ya están

asociados con el usuario. Por ejemplo, (Walunj, S. G., y Sadafale, K., 2013),

digamos el Artículo A y el Artículo C son muy similares. Si a un usuario le gusta

el artículo A, IBCF puede recomendar el artículo C al usuario. IBCF necesita un

conjunto de elementos que el usuario objetivo ya ha calificado para calcular

similitudes entre los elementos y un elemento de destino. Y luego, genera una

Elaboración: Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., & Holzinger, A

Fuente: scholarworks.sjsu.edu

Gráfico 14 Basado en el usuario Filtrado Colaborativo

50

predicción en términos del elemento de destino al combinar las preferencias

anteriores del usuario de destino en función de estas similitudes de elementos

(Gong, S., 2010). En IBCF, los datos de preferencias de los usuarios se pueden

recopilar de dos maneras. Uno es que el usuario otorga explícitamente una

puntuación de calificación al elemento dentro de una escala numérica

determinada. La otra es que analiza implícitamente los registros de compra del

usuario o la tasa de clics (Sarwar, B. et al, 2001).

Karydi, E., y Margaritis, K. (2016) se utilizan varios algoritmos de aprendizaje

automático y minería de datos para crear el modelo. Los modelos basados en

técnicas de factorización matricial y árboles de decisiones son a menudo

preferidos porque ofrecen una gran precisión y escalabilidad (Ricci, F., Rokach,

L., Shapira, B. y Kantor, B., 2015).

Proceso de filtrado colaborativo

En un escenario fundamental, el procesamiento de filtrado colaborativo (CF) se

puede dividir principalmente en tres pasos;



Gráfico 15 Basado en Ítem Filtrado Colaborativo

51

―Paso 1 recopilación de la matriz de datos de calificaciones del usuario.

Paso 2 selección de vecinos similares mediante la medición de la

similitud de calificación, y luego. Paso 3 generación de predicción como

se ve en el diagrama‖ (Li, X., 2011), (Sarwar, B., Karypis, G., Konstan, J.,

y Riedl, J., 2000), (Sarwar, B., Karypis, G., Konstan, J., y Riedl, J., 2000),

(Sarwar, B. et al, 2001), (Gong, S., 2010).

Basado en el contenido

El sistema de recomendación basado en contenido es aquel que no se enfoca

en las calificaciones que el usuario le da a un artículo, sino más bien toma en

cuenta las características del ítem que el usuario escogió en algún momento

para realizar una nueva recomendación.

La similitud de los elementos se calcula en función de las características

asociadas con los elementos comparados y los antiguos que le gustaron al

usuario. Por ejemplo, si Bob ha calificado positivamente la película "Iron Man"

Gráfico 16 Proceso Filtrado Colaborativo



52

que pertenece al género "acción", entonces el sistema puede aprender a

recomendar otras películas del mismo género. Gallego Vico, D. (2013)

El estudio realizado por Valdez, A. C. et al. (2016) da a conocer que:

Este algoritmo utiliza metadatos o características de elementos individuales para

abrir la caja negra del " ítem-id " no descriptivo. En la recomendación del

documento, normalmente se utilizan métodos de extracción de texto para la

extracción de características. Una tubería típica de minería de texto incluiría los

siguientes pasos y generará un modelo de espacio vectorial:

1. Matriz de documentos a plazo: se utiliza para almacenar un modelo

de bolsa de palabras de todos los documentos.

2. Eliminación de palabras de parada: se utiliza para eliminar palabras

que no son predictivas (por ejemplo, "esto")

3. Arranque: usar solo la base de una palabra (por ejemplo, "caminar" en

lugar de "caminando").

4. Detección de N-Gram: búsqueda de palabras que aparecen con

frecuencia juntas que se usan como un término singular (por ejemplo,

"sistema de recomendación").

5. TF-IDF: se utiliza para ponderar palabras de acuerdo con su

importancia relativa para el documento en cuestión.

6. Indización latente-semántica: uso de la descomposición de valores

singulares en el término documento-matriz para incorporar información

semántica en el modelo de espacio vectorial ampliado

Los sistemas recomendadores basados en contenido tienen ciertos problemas

que se dan al usarlas los mismos que fueron investigados por Gallego Vico, D.

(2013) en su documento de tesis basándose en los análisis de Shardanand, U., y

Maes, P. (1995), Balabanović, M., y Shoham, Y. (1997), a continuación, se

señalan algunas de ellas:

53

Análisis de contenido limitado. Las técnicas basadas en contenido

están limitadas por las características que están asociadas explícitamente

con los objetos recomendados por el sistema. Para tener un conjunto

suficiente de características, el contenido debe estar en una forma que

pueda ser analizada automáticamente por computadora (por ejemplo,

texto), o las características deben asignarse a los elementos

manualmente. Esto puede mitigarse con nuevas técnicas de recuperación

de información que pueden funcionar bien extrayendo características de

documentos de texto o algunos otros dominios como el procesamiento de

imágenes, pero el problema puede ser importante si los elementos a

analizar son secuencias de audio o video. Otro problema con el análisis

de contenido limitado es que, si dos elementos diferentes están

representados por el mismo conjunto de características, son

indistinguibles, es decir, un problema común en los sistemas basados en

palabras clave.

Sobreespecialización. Como el sistema solo puede recomendar

elementos con una puntuación alta en comparación con el perfil de un

usuario, se limita a los elementos recomendados similares a los que ya

se han calificado. Siguiendo el ejemplo de las películas, si Bob no tiene

experiencia con las películas de "comedia", no importa que la mejor

película de "comedia" esté disponible en el sistema, nunca se lo

recomendaría, ya que no es similar a su perfil.

Nuevo problema de usuario. Al igual que en el caso del filtro

colaborativo, el usuario debe calificar un número suficiente de elementos

antes de que el sistema basado en contenido pueda entender realmente

las preferencias del usuario y presentarle recomendaciones confiables.

Como consecuencia, un nuevo usuario con pocas calificaciones no podría

obtener recomendaciones precisas.

54

Híbridos

Los sistemas de recomendación híbridos surgen combinando 2 técnicas de

recomendaciones obteniendo así una gran ventaja, puesto que las fallas que

pueda tener un algoritmo serán optimizadas por el otro algoritmo que también se

estará aplicando, esto se da con la finalidad de tener como resultado

recomendaciones más precisas y exactas cubriendo la exigencia en las

búsquedas de los usuarios.

Rodríguez, P. A., Duque, N. D., y Ovalle, D. A. (2016), manifiesta en su artículo

científico:

El enfoque híbrido, busca la combinación de varias técnicas de recomendación

con el objetivo de completar sus mejores características y hacer mejores

recomendaciones (Cazella, S. C., Nunes, M. A. S. N., y Reategui, E., 2010);

(Burke, R., 2002). Aunque los SR híbridos tienen grandes ventajas como

entregar recomendaciones de alta calidad, su presencia en la Web es baja,

debido a su complejo desarrollo ya que se debe tener en cuenta la gestión de un

modelo de usuario, tener mecanismos para definir y clasificar la información que

puede ser recomendada, la definición de técnicas adaptativas, además de la

definición de correspondencias entre los usuarios para seguir con las estrategias

de adaptación. Y finalmente, se vuelve un desafío la tarea de seleccionar la

mejor técnica de combinación para presentar los resultados.

Al finalizar el estudio a profundidad de estos tres tipos de sistemas de

recomendación y de acuerdo con los ejemplos de los más famosos se determina

que el filtrado colaborativo basado en ítems es idóneo para el desarrollo de un

sistema recomendador para el asma, sin embargo, es necesario la aplicación de

una lógica que permita comprender el lenguaje natural utilizado por usuarios

comunes para la evitar la pérdida de datos valiosos.

55

SISTEMAS RECOMENDADORES BASADOS EN FUZZY

El termino fuzzy se refiere a la lógica difusa la cual trata de entender el lenguaje

humano tomando en cuenta incertidumbres no probabilísticas ya que si se habla

en términos técnicos que maneja la computadora cada acción podría tomar

valores de 1 ó 0, pero en el lenguaje humano existen términos medios como:

ciertamente, posiblemente, tal vez; lo cual no permite definir una respuesta

acertada, es allí donde interviene estos sistemas difusos con sus diferentes

algoritmos que ayudan a definir recomendaciones adecuadas ante la necesidad

que posee el ser humano.

Introducción

En la actualidad el uso de fuzzy se está manejando como una alternativa a la

lógica que tradicionalmente conocemos y que nos enseñan desde tiempos

antiguos, fuzzy se relaciona con las respuestas que los humanos solemos

brindar es decir con cierto porcentaje de incertidumbre e imprecisión, para

corroborar esto se cita a Luque Rodríguez, M. (2005), que con términos

comprensibles aporta ejemplos importantes.

La Lógica Difusa, como su nombre indica, es una lógica, alternativa a aquella

con la que hemos trabajado siempre, que pretende introducir un grado de

incertidumbre en las sentencias que califica. Para entender esto, observemos

cómo funciona la teoría de conjuntos clásica.

Supongamos el conjunto de números naturales {0,1,...10}. Si intentamos agrupar

"números inferiores o iguales a 5" en un subconjunto, el proceso de

razonamiento de la lógica a la que estamos acostumbrados será:

¿Es cierto que 0 <= 5? SI (no cabe duda)

¿Es cierto que 6 <= 5? NO (no cabe duda)

56

Proceso que repetiríamos para los diez números del conjunto inicial, hasta

obtener el subconjunto deseado, {0,1, 2, 3, 4, 5}. La lógica tradicional funciona a

la perfección.

El inconveniente de esta lógica es que en la vida real nos encontramos

frecuentemente con criterios de clasificación que no son tan tajantes como el

ejemplo anterior. Por ejemplo, dado un conjunto de personas, se las intenta

agrupar según su altura. Las personas no son sólo altas o bajas; la mayoría

pertenecen a grupos de altura intermedia. La gente suele ser "mas bien alta" o

"mediana". Casi nunca las calificamos con rotundidad, porque el lenguaje que

usamos nos permite introducir modificadores que añaden imprecisión: un poco,

mucho, algo.

Como la lógica tradicional es bivaluada (solo admite dos valores: o el elemento

pertenece al conjunto o no pertenece, sin más), se ve maniatada para agrupar al

anterior conjunto de personas. Las personas serán altas o bajas. La solución que

presentará la lógica de siempre será definir un umbral de pertenencia (por

ejemplo, un valor que todo el mundo considera que, de ser alcanzado o

superado, la persona en cuestión puede llamarse alta). Si dicho umbral es 1.80,

todas las personas que midan 1.80 o más serán altas, mientras que las otras

serán bajas. Según esta manera de pensar, alguien que mida 1.79 será tratado

igual que otro que mida 1.60, ya que ambos han merecido el calificativo de

personas 'bajas'.

Si dispusiéramos de una herramienta para caracterizar las alturas de forma que

las transiciones entre las que son altas y las que no lo son fueran suaves,

estaríamos reproduciendo la realidad mucho más fielmente. Por ejemplo,

cojamos el grupo de personas 'altas'. Es evidente que en la realidad hay unos

puntos de cruce donde las personas dejan de ser altas para ser consideradas

medianas, de forma que el concepto de 'alto' decrece linealmente con la altura.

Asignando una función lineal para caracterizar el concepto 'alto' en lugar de

definir un sólo umbral de separación estamos dando mucha más información

57

acerca de los elementos. Esta función, como veremos, se llamará función de

pertenencia.

Se pueden extraer dos conclusiones:

En la lógica convencional hay una perdida inherente de información acerca de

los elementos de los conjuntos siempre que el criterio de clasificación sea vago

(no tenga umbrales definidos).

La imprecisión puede ser introducida de forma lingüística (es decir, usando

palabras y modificadores de nuestro lenguaje.)

Por lo tanto, la Lógica Difusa puede interpretarse como un superconjunto de la

tradicional lógica Booleana, que ha sido extendida para manejar el concepto de

―parcialmente verdadero‖ (valores de verdad entre ―absolutamente verdadero‖ y

―absolutamente falso‖).

Historia

Zadeh, L. A., (1965) fue el primero en divulgar la novedosa forma de caracterizar

incertidumbres no probabilísticas, al cual le llamó lógica difusa (LD), que encarna

la naturaleza de la mente del ser humano y la cual contrasta con la tradicional

lógica booleana.

Un sistema difuso, se basa en un conjunto difuso, pertenencia o membresía

difusa y variables difusas. El sistema consta de un fuzificador, una base de

conocimiento (reglas de base), un motor de interferencia y un defuzificador. La

base del conocimiento es una colección de reglas difusas "si-entonces". El

término LD denota un enfoque de modelado, donde se describen las

dependencias funcionales entre las variables de entrada y salidas, mediante el

conjunto de reglas y siguiendo el razonamiento con los operadores de

intersección (AND), unión (OR) y negación (NOT). El dominio de los valores de

entrada y salida se subdividen en conjuntos difusos de acuerdo con

estimaciones razonablemente tecnológicas. La fuzificación significa que el grado

58

de membresía de un determinado valor de entrada al conjunto difuso es

calculado (İnan, Ö., Arslan, D., Taşdemir, Ş., y Özcan, M. M., 2011)

Es decir, dichos conjuntos borrosos (fuzzy) nacieron estrechamente vinculados

con predicados imprecisos, con nombres de clases de objetos no definidas con

precisión. Aún más, la mayoría de las aplicaciones de las ideas de Zadeh están

hechas con propiedades que los objetos verifican en algún grado entre los dos

extremos clásicos 0 y 1, respectivamente. Debido a eso, no es en absoluto

extraño introducir algunas consideraciones sobre cómo se usan los predicados

en el lenguaje. Seguiremos la declaración de Wittgenstein "El significado de una

palabra es su uso en el lenguaje". (Trillas, E., y Eciolaza, L., 2015).

Fuzzy y sus definiciones básicas

Comprender los términos utilizados en fuzzy permitirá realizar un mejor uso de

esta técnica que engloba conceptos importantes como es la función de pertencia

la cual permitirá definir que elementos pertenecen al conjunto universo, el porque

y el grado de su importancia los cuales formarán parte de un conjunto difuso

dividiendo cada objeto según el valor de pertenencia y la compatibiidad de

características o propiedades. Otro concepto relevante en la comprensión del

uso de la lógica difusa es el modelado lingüístico el cual permite representar

aspectos cualitativos que están basados en el significado de variables

lingüísticas términos que son propios del lenguaje natural que posee cada

persona.

LÓGICA DIFUSA

La lógica difusa es una técnica de inteligencia computacional inspirada por el

razonamiento humano basada en aproximaciones e incertidumbres. Cuando se

aplica este sistema, va más allá de la lógica booleana, que ofrece valores

verdaderos o falsos para un elemento particular, mientras que la lógica difusa

asigna grados de membresía a los elementos (Klir, G., y Yuan, B., 1995). Esta

59

técnica proporciona un método para traducir las expresiones cualitativas y

verbales que son comunes a la comunicación humana en valores numéricos

(Simoes, M. G., & Shaw, I. S., 2007).

La lógica difusa se fundamenta en el concepto de conjunto difuso (Zadeh, L. A.,

1965) que suaviza el requerimiento de estrictamente pertenecer o no a un

conjunto y admite valores intermedios en la función característica, que se

denomina función de pertenencia. Esto permite una interpretación más realista

de la información, puesto que la mayoría de las categorías que describen los

objetos del mundo real, no tienen unos límites claros y bien definidos. Tejeda

Lorente, Á. (2014).

FUNCIÓN DE PERTENENCIA

La función característica B de un conjunto clásico (B) determina que elementos

del universo de discurso (U) pertenecen a B. Puesto que en los conjuntos

clásicos los elementos pertenecen o no, B asignará a cada elemento de U, un

elemento del conjunto {0,1}.La función de pertenencia A de un conjunto difuso

(A) también asigna a cada elemento del universo un valor de pertenencia al

conjunto pero, en vez de considerar esta pertenencia como absoluta, la

considera gradual. Por lo tanto, podemos definir la función de pertenencia como

aquella aplicación que asocia a cada elemento de un conjunto difuso el grado

con que pertenece a dicho conjunto. Luque Rodríguez, M. (2005).

Gráfico 17 Función de pertenencia trapezoidal con su descripción

Elaboración: María Luque

Fuente: Dialnet

60

La lógica difusa nos permite determinar los grupos finales de partes no

específicas (Aktepe, A., Ersöz, S., y Toklu, B., 2015), esto permite que la

experiencia que tenemos las personas pueda la comprender el computador. Por

lo tanto, la tecnología proporcionada por el enfoque fuzzy tiene un valor práctico

significativo, que le permite incluir la experiencia de los operadores humanos en

el sistema de control fuzzy, lo que permite estrategias de toma de decisiones

para problemas complejos (Carneiro V. et al., 2018).

El uso de la lógica difusa se ha convertido en una alternativa extremadamente

eficiente y eficaz frente a los métodos estocásticos recurrentes en los problemas

de evaluación de los fenómenos terrestres, biológicos y de

producción. (Caneppele, F. L. & Seraphim, O. J., 2013)

Todas estas observaciones se relacionan también con las definiciones que

expone Tejeda Lorente, Á., (2014) en su tesis doctoral:

CONJUNTO DIFUSO

Un conjunto difuso puede definirse como una colección de objetos con valores

de pertenencia entre 0 (exclusión total) y 1 (pertenencia total). Los valores de

pertenencia expresan los grados con los que cada objeto es compatible con las

propiedades o características distintivas de la colección. El uso de la teoría de

conjuntos difusos ha dado muy buenos resultados para el tratamiento de

información de forma cualitativa (Zadeh, L. A., 1965), (Zadeh, L. A., 1975), así

como en numerosos campos, como por ejemplo en la toma de decisiones

(Herrera F., Herrera-Viedma E., y Verdegay J., 1996), (Torra V., 2001), (Yager

R., 1988), la evaluación de la calidad informativa de documentos Web (Herrera-

Viedma, E., Cordón, O., Luque, M., Lopez, A. G., y Muñoz, A. M., 2003)

modelos de recuperación de información (Bordogna, G., y Pasi, G., 2001),

(Herrera-Viedma, E., 2001) diagnósticos clínicos o sanidad (Degani, R., Y

Bortolan, G., 1988), (Spyridonos, P., Gaitanis, G., Tzaphlidou, M., y Bassukas, I.

D., 2014), social media (Tavana, M., Momeni, E., Rezaeiniya, N., Mirhedayatian,

S. M., y Rezaeiniya, H., 2013).

61

MODELADO LINGÜÍSTICO

El modelado lingüístico difuso es una herramienta que permite representar

aspectos cualitativos y que está basada en el concepto de variables lingüísticas,

es decir, variables cuyos valores no son números, sino palabras o sentencias

expresadas en lenguaje natural o artificial (Zadeh, L. A., 1975). Cada valor

lingüístico se caracteriza por un valor sintáctico o etiqueta y un valor semántico o

significado. La etiqueta es una palabra o sentencia perteneciente a un conjunto

de términos lingüísticos y el significado es un subconjunto difuso en un universo

de discurso.

El enfoque lingüístico difuso (Herrera F. y Martínez L., 2000), es útil para

modelar preferencias inciertas y vagas en sistemas de recomendación utilizando

el concepto de variable lingüística (Zadeh, L. A., 1975). Su uso implica la

selección de descriptores lingüísticos apropiados para el conjunto de términos, y

su sintaxis y semántica. Las semánticas asociadas a la sintaxis están

representadas por funciones de membresía difusa.

VARIABLE LINGÜÍSTICA

(Zadeh, L. A., 1975) indica que una variable lingüística está caracterizada por (H,

T (H), U, G, M), donde: H es el nombre de la variable; T (H) (o sólo T ) simboliza

el conjunto de términos lingüísticos de H, es decir, el conjunto de nombres de

valores lingüísticos de H, donde cada valor es una variable difusa denotada

genéricamente como X que toma valores en el universo de discurso; U el

universo de discurso que está asociado con una variable base denominada u; G

es una regla sintáctica (que normalmente toma forma de gramática) para

generar los nombre de los valores de H; M es una regla semántica para asociar

significado a cada elemento de H, que será un subconjunto difuso de U.

Por ejemplo, consideremos la variable lingüística H = Edad, con U = [0, 100] y la

variable base u ∈ U. El conjunto de términos asociados con la velocidad podría

62

ser H(L) = {joven, maduro, viejo} donde cada termino en H(edad) es el nombre de

un valor lingüístico de edad. El significado M (X) de una etiqueta H ∈ H(edad) se

define como la restricción H(u) sobre la variable base u impuesta según el

nombre de H. Por lo tanto, M(X) es un conjunto difuso de U cuya función de

pertenencia H(u) representa la semántica del nombre H.

A continuación, se detallan importantes conceptos obtenidos de Luque

Rodríguez, M. (2005) en su tesis doctoral

Soporte

Se define el soporte de un conjunto difuso A en el universo U, como el conjunto

formado por todos los elementos de U cuyo grado de pertenencia a A es distinto

de 0.

supp(A) = {x U, A(x) > 0}

Altura

Se define la altura de un conjunto difuso A como el mayor grado de pertenencia

Gráfico 18 Ejemplo de variable lingüística.

Elaboración: María Luque

Fuente: Dialnet

63

de todos los elementos de dicho conjunto.

h(A) = max{A(x)|x U}

--corte

El - corte de un conjunto difuso A es un conjunto formado por todos los

elementos del universo U cuyos grados de pertenencia en A son mayores o

iguales que el valor [0,1]

A = {x U | A(x) > }

Conjunto de niveles

Se denomina conjunto de niveles de un conjunto difuso, y se representa como

L(A), al conjunto de grados de pertenencia de sus elementos.

L(A) = { a | A(x)=a, x U }

Fuzzy en sistemas de recomendación

En los sistemas de recomendación para la salud es importante aplicar sistemas

recomendadores basados en fuzzy ya que existe una alta similitud en los perfiles

de usuario que padecen de los mismos síntomas, los cuales terminan

convirtiéndose en factores difusos, esta técnica se aplica con la finalidad de

brindar recomendaciones efectivas contribuyendo a la correcta toma de

decisiones para la salud de cada paciente.

En su análisis investigativo (Zhang Z. et al., 2013) señala:

En muchos estudios, las calificaciones de los ítems se especifican en una

escalada de valores; por ejemplo, en una escalada de 1 a 5, donde 1 indica la

preferencia más baja y 5 la preferencia más alta de un artículo para un usuario

específico (Benferhat, S., Dubois, D., Kaci, S., y Prade, H., 2006). En situaciones

prácticas, como "muy interesado" o "no interesado" debido a las características

64

de un producto / servicio móvil. Como resultado, las recomendaciones para los

clientes en línea a menudo se basan en información vaga o incierta (Herrera-

Viedma E., y Porcel C., 2009), (Yager, R. R., 2003). Las similitudes entre los

elementos o los usuarios son, por supuesto, difusas, lo que atrae muchas formas

de aplicar la teoría de conjuntos difusos, la lógica difusa y las relaciones difusas

a los sistemas de recomendación en un intento por lograr recomendaciones más

precisas y efectivas. Por ejemplo, Cao y Li (Cao, Y., y Li, Y., 2007) propusieron

un sistema de recomendación basado en aproximaciones en el campo de la

electrónica de consumo para recuperar productos óptimos. Chen y Duh (Chen,

C. M., y Duh, L. J., 2008) desarrollaron un sistema de tutoría inteligente

personalizado basado en la Teoría de los Elementos Difusos, para recomendar

cursos con diferentes niveles de dificultad para los estudiantes según sus

respuestas. Porcel et al. (Porcel, C., López-Herrera, A. G., y Herrera-Viedma, E.,

2009) desarrolló una recomendación basada en la lingüística basada en difusos

basada tanto en el filtrado de contenido como en las técnicas de modelado

lingüístico difuso.

SISTEMAS RECOMENDADORES PARA LA SALUD

Introducción

Los sistemas de recomendaciones para la salud contribuyen como un apoyo a la

toma de decisiones de cada usuario, basándose en las necesidades que tiene el

paciente de acuerdo con la patología que padece y el interés de llevar un control

de su propia salud, desarrollando métricas que permiten manejar los síntomas

de forma equilibrada; estos sistemas recomendadores no solo son dirigidos a

pacientes, sino también a profesionales que pueden recolectar información

adicional brindada por los mismos enfermos; para el correcto desarrollo de un

sistema de recomendación para la salud se deben seguir ciertos algoritmos

apoyados en el criterio de un especialista en la enfermedad que padezca el

individuo.

65

Las personas están cada vez más interesadas por tener el control de su salud,

este interés lleva tanto a pacientes como a cuidadores y familiares a buscar de

forma activa información de salud relativa a su situación. A día de hoy nos

encontramos con una excesiva y a veces contradictoria cantidad de información

en la red, lo que ha suscitado interés en la creación de servicios que suministren

fuentes de información fiables. (Sánchez Bocanegra, C. L., 2017). Uno de esos

servicios son los sistemas recomendadores, que pueden usarse para filtrar

soluciones adecuadas al paciente. (Noveck, 2009).

Haciendo referencia a lo antes expuesto y como lo indica (Wiesner, M., y Pfeifer,

D., 2014) en su artículo científico:

Durante las últimas décadas, se han recopilado enormes cantidades de datos en

bases de datos clínicas que representan los estados de salud de los pacientes

(por ejemplo, resultados de laboratorio, planes de tratamiento, informes

médicos). Por lo tanto, la información digital disponible para la toma de

decisiones orientada al paciente ha aumentado drásticamente, pero a menudo

se encuentra dispersa en diferentes sitios. Como solución, los sistemas de

registro personal de salud (PHRS) están destinados a centralizar los datos de

salud de una persona y permitir el acceso tanto para el propietario como para los

profesionales de la salud autorizados.

Sin embargo, el lenguaje orientado a los expertos, las complejas interrelaciones

de los hechos médicos y la sobrecarga de información en general plantean

grandes obstáculos para que los pacientes entiendan su propio historial y

saquen conclusiones adecuadas. En este contexto, Los sistemas de

recomendación pueden proporcionar a los pacientes información adicional fácil

para los laicos que les ayude a comprender mejor su estado de salud, tal como

lo representa su registro. Sin embargo, dichos sistemas deben adaptarse para

hacer frente a los requisitos específicos en el dominio de la salud con el fin de

proporcionar información altamente relevante para los pacientes. Se les conoce

como sistemas de recomendación de salud (HRS).

66

Un sistema de recomendación de salud (HRS) es una especialización de una

RS, según lo definido por (Rokach, L., Shapira, B., Kantor, P. B., 2011) En el

contexto de un HRS, un elemento de interés recomendable es una parte de

información médica no confidencial, científicamente probada o al menos

generalmente aceptada, que en sí misma no está vinculada a la historia médica

de un individuo. Sin embargo, las sugerencias de un HRS se basan en datos de

salud individualizados, como los documentados en un registro de salud personal

(PHR). Según (Adomavicius, G., y Tuzhilin, A., 2005) esta fuente de información

se considera el perfil de usuario de un sistema de recomendación.

El objetivo de un HRS es proporcionar a su usuario información médica que

debe ser altamente relevante para el desarrollo médico del paciente asociado

con ese PHR. Se puede recomendar información médica relacionada a los

profesionales de la salud que trabajan en o con el PHR

Enfoques existentes

En el medio existen diversos enfoques que se les pueden dar a los sistemas de

recomendación para la salud, encontramos desde gratuitos o libres, pagados,

Gráfico 19 Contexto del sistema de un sistema PHR

habilitado por HRS

Elaboración: Wiesner, M., & Pfeifer, D.

Fuente: International journal of environmental research and public health

67

aplicados a tecnologías móviles, para atención en consultorios, unos más

colaborativos que otros. A continuación, se detallarán diferentes enfoques de

varios autores acerca de los sistemas recomendadores para la salud que

encuentra Wiesner, M., y Pfeifer, D. (2014) en su artículo científico basado en el

estudio realizado por Fernandez-Luque, L., Karlsen, R., y Vognild, L. K., (2009):

Encontraron "desafíos y oportunidades" en términos del uso de la tecnología de

recomendación como un medio para educar a la persona sin educación de

salud. Ellos sugirieron el uso de los llamados sistemas de educación en salud

para la adaptación de computadoras. Por otra parte, Fernández-Luque et al.,

describió una métrica, llamada HealthTrust, para inferir información sobre la

confiabilidad del contenido de las redes sociales dentro de una comunidad de

salud. Utilizaron su método para recuperar videos de la comunidad diabética en

YouTube y encontraron que su enfoque "funcionó mejor que YouTube en casi

todos los casos probados" Fernandez-Luque, L., Karlsen, R., y Melton, G. B.

(2012).

Sezgin, E., y Ozkan, S. (2013) argumentan que los SR para la salud son

herramientas complementarias que se utilizan para ayudar a los procesos de

toma de decisiones en todos los servicios de atención médica. Estos sistemas

muestran un potencial para mejorar la usabilidad de los dispositivos de atención

médica al reducir la sobrecarga de información generada por los dispositivos

médicos y el software y, por lo tanto, mejorar su aceptación.

Fernandez-Luque, L., Karlsen, R., y Vognild, L. K., (2009) sostienen que el uso

de sistemas de recomendación para la educación personalizada de salud no

aprovecha la creciente cantidad de recursos educativos disponibles

gratuitamente en la web. Como una de las razones, se dan las dificultades para

encontrar y hacer coincidir el contenido.

Morrell y Kerschberg describieron un sistema que utiliza un marco basado en

agentes para recuperar contenido de recursos web relacionados con las

entradas de PHR de un individuo (Morrell, T. G., y Kerschberg, L., 2013). El

68

contenido semánticamente relacionado se presenta en una lista de

representación similar a un motor de búsqueda y se puede utilizar "para

investigación y consulta adicionales", por lo tanto, un paciente es apoyado en la

búsqueda de contenido relevante. Los autores enfatizan que los sistemas de

PHR podrían considerarse como un "enclave privado" para los hechos

médicos. También sugieren la inclusión de una red social individual para mejorar

el proceso de recomendación Wiesner, M., y Pfeifer, D. (2014).

Rivero-Rodriguez et al. describió un sistema que enriquece el contenido de los

medios (es decir, los videos de YouTube) con contenido de "fuentes médicas

muy confiables" como Medline Plus (Rivero-Rodriguez A., Konstantinidis S.,

Sanchez-Bocanegra C., y Fernandez-Luque L., 2013). Su enfoque aprovecha la

expresividad de las ontologías existentes como SNOMED-CT, el sistema

demuestra que el contenido de video se puede enriquecer automáticamente para

aumentar el nivel de confianza de los pacientes cuando manejan contenido de

video desde la web. Sin embargo, los autores admiten que su método necesita

mejoras en términos de enriquecimiento de metadatos para mejorar la calidad de

la recomendación. También enfatizan la importancia de una amplia gama de

―silos de contenido de información relacionada‖. Wiesner, M., y Pfeifer, D. (2014)

Otro enfoque trata de entregar "recomendaciones de cambio de estilo de

vida". Farrell et al. Esbozó un "algoritmo para generar recomendaciones

retrospectivas" (Farrell RG, Danis CM, Ramakrishnan S., y Kellogg WA, 2012).

Al utilizar solo el historial personal de un individuo, los patrones de

comportamiento se extraen y luego se usan como entrada para el cálculo de

recomendaciones individualizadas. Sin embargo, los autores admiten que el

algoritmo propuesto podría sufrir el llamado problema de nuevo

usuario (Herlocker J., Konstan J., Terveen L., y Riedl J., 2004). Además, los

usuarios de dicho sistema de recomendaciones de estilo de vida pueden sentirse

insatisfechos con los elementos recomendados, ya que estos se computan a

partir de las propias actividades temporales del usuario dentro del sistema.

Wiesner, M., y Pfeifer, D. (2014)

69

Chomutare T., Arsand E., y Hartvigsen G. (2011) exponen que otros sistemas se

centran en aspectos de prevención mediante la entrega de recomendaciones a

través de teléfonos móviles (inteligentes). De este modo, los pacientes que

sufren enfermedades crónicas (p. Ej., Diabetes mel.) O las personas adictas al

tabaco reciben asesoramiento personalizado según su condición individual

(diaria). Ghorai K., Saha S., Bakshi A., Mahanti A., y Ray P. (2013) presentaron

un sistema de recomendación basado en casos que envía consejos a los

fumadores que desean dejar de fumar. Su enfoque calcula las recomendaciones

basadas en los datos de comportamiento de un usuario que se recopilan a lo

largo del tiempo.

Ejemplo de sistemas de recomendación para la salud

En la web no existe variedad de aplicaciones de sistemas recomendadores en el

área de la salud, pero no cabe dudaque estos sistemas tuvieran gran aceptación

en caso de ser implementados puesto que brindarían beneficios económicos a

los desarrolladores e investigadores y también a los usuarios que hagan uso de

estos.

Entre numerosas propuestas de sistemas recomendadores basados en la salud

está MEDStyleR un sistema de recomendaciones parte de METABO que es un

proyecto que se encuentra entre los séptimos programas Marco de investigación

de la Comisión Europea, METABO es una plataforma que busca ayudar a los

pacientes que padecen Diabetes fomentando la gestión para el control de esta

enfermedad con la ayuda de médicos especialistas, los propios pacientes y un

sistema de salud.

De acuerdo con la investigación doctoral de Esteban Moreno, B. (2011), se

obtiene que:

MEDStyleR es un SR de estilo de vida para diabéticos (Hammer, S., Kim, J., y

70

Andre, E. 2010) desarrollado como un subsistema del proyecto Europeo

METABO (EU FP7-ICT-2007-1-216270, http://www.metabo-eu.org/), el cual

consiste en un SR multimodal que genera recomendaciones personalizadas

que satisfacen las prescripciones médicas a los pacientes diabéticos, tanto a

largo como a corto plazo, para su estilo de vida diario.

La arquitectura del sistema MEDStyleR está compuesta a su vez por múltiples

módulos encargados de la recolección y el análisis de los datos instantáneo.

Las recomendaciones vienen dadas por un motor de reglas basadas en

conocimiento, extraído de la base de datos de conocimiento del sistema, así

como un filtrado colaborativo entre pacientes.

Gráfico 20 Arquitectura de MEDStyleR

Elaboración: Esteban Moreno, B

Fuente: digibug.ugr.es

http://www.metabo-eu.org/),

71

SISTEMA DE RECOMENDACIONES PARA EL ASMA

Un sistema recomendador para el asma permitirá que pacientes, familiares y

médicos estén constantemente actualizados sobre los avances o afecciones

que tenga el enfermo, así como también sobre su continuo tratamiento, aspecto

que contribuirá a mejorar la calidad de vida del individuo. Basados en la presente

investigación se puede recalcar que en la web no existen sistemas de

recomendaciones que cumplan al 100% estas condiciones, sin embargo The

Butterflies Healthcare creó un buscador especializado en Asma denominado

Asmanet, que recolecta contenidos rigurosos y de calidad sobre esta

enfermedad respiratoria crónica y heterogénea donde los pacientes disponen de

información objetiva y segura para poder controlar bien su patología acercando

al usuario a las mejores webs, apps, blogs y Redes Sociales revisadas por un

Comité Científico .

Es uno de los blogs más activos en asma y alergia en internet para pacientes y

cuidadores sanitarios. Desde los últimos 3 años, el blog ha hecho un gran

trabajo divulgativo acumulando más de 600 posts sobre estas enfermedades,

todos sus artículos se destacan por estar escritos con un lenguaje cercano y

amigable sin perder su alto nivel científico.

Asmanet

Características de Asmanet

Todos los contenidos de Asmanet han sido revisados y valorados

científicamente para formar parte del portal.

El Comité Científico redacta un informe sobre cada contenido y los

clasifica para facilitar la búsqueda.

Todos los contenidos de la web se revisan de forma periódica, con el fin

de mantener la información siempre al día.

72

Asmanet también tiene en cuenta la opinión de los usuarios. La web se

construye como una plataforma colaborativa que permite a los usuarios

puntuar y compartir aquellos contenidos que más les hayan gustado.

Si la búsqueda la realiza un profesional en la salud tendrá la herramienta

perfecta para recomendar portales web y apps de calidad a sus

pacientes. asegurándose que estos realicen una búsqueda adecuada en

Internet sobre su patología.

Apps sobre Asma

Según la encuesta realizada por ASMANET a más de 100 usuarios de

dispositivos móviles por la agencia COM Salud y la Asociación de

Investigaciones en eSalud (AIES), 1 de cada 3 personas utiliza una app de salud

para llevar un control sanitario. Algunas apps médicas sirven para que el

profesional sanitario controle la evolución del paciente sin necesidad de acudir al

centro de salud y, otras facilitan la educación al paciente para que éste pueda

comprender mejor su enfermedad y saber cómo controlarla de manera más

adecuada. En este sentido, a criterio de las autoras se presenta una selección

de las mejores aplicaciones para la educación del paciente asmático:

AsthmaMD

AsthmaMD es una aplicación GRATUITA para el manejo del asma y la EPOC, es

fácil y rápido de usar. Ha sido la aplicación líder en iPhone y la aplicación

número 1 recomendada por los médicos

Asthma Manager

Asthma Manager permite a los pacientes con asma rastrear y almacenar

información de salud relevante entre las visitas del médico.

Asthma Test

Asthma Test permite monitorear y tener un control del asma. Está compuesta de

dos modos principales de operación: para adultos y para niños menores de 12

años.

73

PEFLog asthma tracker

La aplicación móvil del monitor de asma PEFLog apoya las decisiones de

tratamiento y funciona como un auxiliar de evaluación del asma, los usuarios

pueden usarla para llevar un autocontrol.

Todas las apps mencionadas no son sistemas recomendadores, puesto que no

permiten emitir recomendaciones personalizadas según las características y el

diagnóstico del paciente, sin embargo el portal que más se aproxima al concepto

de un sistema recomendador para el asma es ASMANET, pero este no combina

las fases, técnicas y algoritmos que forman parte esencial de un SR para emitir

sugerencias al paciente.

FUNDAMENTACIÓN LEGAL

La fundamentación Legal de nuestra tesis se basará en:

Constitución de la República del Ecuador (Constitución de la República

del Ecuador, 2008),

Sección séptima

Salud

Art. 32.- La salud es un derecho que garantiza el Estado, cuya realización se

vincula al ejercicio de otros derechos, entre ellos el derecho al agua, la

alimentación, la educación, la cultura física, el trabajo, la seguridad social, los

ambientes sanos y otros que sustentan el buen vivir.

El Estado garantizará este derecho mediante políticas económicas, sociales,

culturales, educativas y ambientales; y el acceso permanente, oportuno y sin

exclusión a programas, acciones y servicios de promoción y atención integral de

salud, salud sexual y salud reproductiva. La prestación de los servicios de salud

74

se regirá por los principios de equidad, universalidad, solidaridad,

interculturalidad, calidad, eficiencia, eficacia, precaución y bioética, con enfoque

de género y generacional.

Concordancias:

CODIGO DE LA NIÑEZ Y ADOLESCENCIA, Arts. 27, 30

LEY ORGANICA DE SALUD, Arts. 1

Sección octava

Ciencia, tecnología, innovación y saberes ancestrales

Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes

ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las

culturas y la soberanía, tendrá como finalidad:

1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.

2. Recuperar, fortalecer y potenciar los saberes ancestrales.

3. Desarrollar tecnologías e innovaciones que impulsen la producción

nacional, eleven la eficiencia y productividad, mejoren la calidad de vida y

contribuyan a la realización del buen vivir.

Concordancias:

LEY DE AGUAS, CODIFICACION, Arts. 5, 22

Ley de Comercio Electrónico, Firmas y Mensajes de Datos (Ley de

Comercio Electrónico, 2002)

Título I

DE LOS MENSAJES DE DATOS

75

Capítulo I

PRINCIPIOS GENERALES

Art. 2.- Reconocimiento jurídico de los mensajes de datos. - Los mensajes de

datos tendrán igual valor jurídico que los documentos escritos. Su eficacia,

valoración y efectos se someterá al cumplimiento de lo establecido en esta Ley y

su reglamento.

Art. 4.- Propiedad Intelectual. - Los mensajes de datos estarán sometidos a las

leyes, reglamentos y acuerdos internacionales relativos a la propiedad

intelectual.

Art. 5.- Confidencialidad y reserva. - Se establecen los principios de

confidencialidad y reserva para los mensajes de datos, cualquiera sea su forma,

medio o intención. Toda violación a estos principios, principalmente aquellas

referidas a la intrusión electrónica, transferencia ilegal de mensajes de datos o

violación del secreto profesional, será sancionada conforme a lo dispuesto en

esta Ley y demás normas que rigen la materia.

Art. 6.- Información escrita. - Cuando la Ley requiera u obligue que la

información conste por escrito, este requisito quedará cumplido con un mensaje

de datos, siempre que la información que éste contenga sea accesible para su

posterior consulta.

Art. 7.- Información original. - Cuando la Ley requiera u obligue que la

información sea presentada o conservada en su forma original, este requisito

quedará cumplido con un mensaje de datos, si siendo requerido conforme a la

Ley, puede comprobarse que ha conservado la integridad de la información, a

partir del momento en que se generó por primera vez en su forma definitiva,

como mensaje de datos.

Se considera que un mensaje de datos permanece íntegro, si se mantiene

completo e inalterable su contenido, salvo algún cambio de forma, propio del

proceso de comunicación, archivo o presentación.

76

Por acuerdo de las partes y cumpliendo con todas las obligaciones previstas en

esta Ley, se podrán desmaterializar los documentos que por ley deban ser

instrumentados físicamente.

Los documentos desmaterializados deberán contener las firmas electrónicas

correspondientes debidamente certificadas ante una de las entidades

autorizadas según lo dispuesto en el artículo 29 de la presente ley, y deberán ser

conservados conforme a lo establecido en el artículo siguiente.

Art. 8.- Conservación de los mensajes de datos. - Toda información sometida a

esta Ley, podrá ser conservada; este requisito quedará cumplido mediante el

archivo del mensaje de datos, siempre que se reúnan las siguientes condiciones:

a. Que la información que contenga sea accesible para su posterior

consulta;

b. Que sea conservado con el formato en el que se haya generado, enviado

o recibido, o con algún formato que sea demostrable que reproduce con

exactitud la información generada, enviada o recibida;

c. Que se conserve todo dato que permita determinar el origen, el destino

del mensaje, la fecha y hora en que fue creado, generado, procesado,

enviado, recibido y archivado; y,

d. Que se garantice su integridad por el tiempo que se establezca en el

reglamento a esta ley.

Toda persona podrá cumplir con la conservación de mensajes de datos, usando

los servicios de terceros, siempre que se cumplan las condiciones mencionadas

en este artículo.

La información que tenga por única finalidad facilitar el envío o recepción del

mensaje de datos, no será obligatorio el cumplimiento de lo establecido en los

literales anteriores.

Código Orgánico Integral Penal (Código Orgánico Integral Penal, 2014).

77

SECCIÓN TERCERA

Delitos contra la seguridad de los activos de los sistemas de información y

comunicación

Artículo 229.- Revelación ilegal de base de datos. - La persona que, en

provecho propio o de un tercero, revele información registrada, contenida en

ficheros, archivos, bases de datos o medios semejantes, a través o dirigidas a un

sistema electrónico, informático, telemático o de telecomunicaciones;

materializando voluntaria e intencionalmente la violación del secreto, la intimidad

y la privacidad de las personas, será sancionada con pena privativa de libertad

de uno a tres años.

Si esta conducta se comete por una o un servidor público, empleadas o

empleados bancarios internos o de instituciones de la economía popular y

solidaria que realicen intermediación financiera o contratistas, será sancionada

con pena privativa de libertad de tres a cinco años.

Artículo 230.- Interceptación ilegal de datos. - Serásancionada con pena

privativa de libertad de tres a cinco años:

1. La persona que, sin orden judicial previa, en provecho propio o de un tercero,

intercepte, escuche, desvíe, grabe u observe, en cualquier forma un dato

informático en su origen, destino o en el interior de un sistema informático, una

señal o una transmisión de datos o señales con la finalidad de obtener

información registrada o disponible.

2. La persona que diseñe, desarrolle, venda, ejecute, programe o envíe

mensajes, certificados de seguridad o páginas electrónicas, enlaces o ventanas

emergentes o modifique el sistema de resolución de nombres de dominio de un

servicio financiero o pago electrónico u otro sitio personal o de confianza, de tal

manera que induzca a una persona a ingresar a una dirección o sitio de internet

diferente a la que quiere acceder.

78

3. La persona que a través de cualquier medio copie, clone o comercialice

información contenida en las bandas magnéticas, chips u otro dispositivo

electrónico que esté soportada en las tarjetas de crédito, débito, pago o

similares.

4. La persona que produzca, fabrique, distribuya, posea o facilite materiales,

dispositivos electrónicos o sistemas informáticos destinados a la comisión del

delito descrito en el inciso anterior.

Artículo 231.- Transferencia electrónica de activo patrimonial. - La persona

que, con ánimo de lucro, altere, manipule o modifique el funcionamiento de

programa o sistema informático o telemático o mensaje de datos, para

procurarse la transferencia o apropiación no consentida de un activo patrimonial

de otra persona en perjuicio de esta o de un tercero, será sancionada con pena

privativa de libertad de tres a cinco años.

Con igual pena, será sancionada la persona que facilite o proporcione datos de

su cuenta bancaria con la intención de obtener, recibir o captar de forma

ilegítima un activo patrimonial a través de una transferencia electrónica producto

de este delito para sí mismo o para otra persona.

Artículo 232.- Ataque a la integridad de sistemas informáticos. - La persona

que destruya, dañe, borre, deteriore, altere, suspenda, trabe, cause mal

funcionamiento, comportamiento no deseado o suprima datos informáticos,

mensajes de correo electrónico, de sistemas de tratamiento de información,

telemático o de telecomunicaciones a todo o partes de sus componentes lógicos

que lo rigen, será sancionada con pena privativa de libertad de tres a cinco años.

Con igual pena será sancionada la persona que:

1. Diseñe, desarrolle, programe, adquiera, envíe, introduzca, ejecute, venda

o distribuya de cualquier manera, dispositivos o programas informáticos

maliciosos o programas destinados a causar los efectos señalados en el

primer inciso de este artículo.

79

2. Destruya o altere sin la autorización de su titular, la infraestructura

tecnológica necesaria para la transmisión, recepción o procesamiento de

información en general.

Si la infracción se comete sobre bienes informáticos destinados a la prestación

de un servicio público o vinculado con la seguridad ciudadana, la pena será de

cinco a siete años de privación de libertad.

Artículo 233.- Delitos contra la información pública reservada legalmente. -

La persona que destruya o inutilice información clasificada de conformidad con la

Ley, será sancionada con pena privativa de libertad de cinco a siete años.

La o el servidor público que, utilizando cualquier medio electrónico o informático,

obtenga este tipo de información, será sancionado con pena privativa de libertad

de tres a cinco años.

Cuando se trate de información reservada, cuya revelación pueda comprometer

gravemente la seguridad del Estado, la o el servidor público encargado de la

custodia o utilización legítima de la información que sin la autorización

correspondiente revele dicha información, será sancionado con pena privativa de

libertad de siete a diez años y la inhabilitación para ejercer un cargo o función

pública por seis meses.

Artículo 234.- Acceso no consentido a un sistema informático, telemático o

de telecomunicaciones.- La persona que sin autorización acceda en todo o en

arte a un sistema informático o sistema telemático o de telecomunicaciones o se

mantenga dentro del mismo en contra de la voluntad de quien tenga el legítimo

derecho, para explotar ilegítimamente el acceso logrado, modificar un portal web,

desviar o redireccionar de tráfico de datos o voz u ofrecer servicios que estos

sistemas proveen a terceros, sin pagarlos a los proveedores de servicios

legítimos, será sancionada con la pena privativa de la libertad de tres a cinco

años.

80

PREGUNTA CIENTÍFICA

¿Aportaría los sistemas de recomendación basados en reglas y fuzzy a ofrecer

un mejor servicio de búsqueda en ciertas patologías específicamente en el

asma, para lograr mejorar la calidad de vida del paciente optimizando el trabajo

del galeno?

VARIABLES

Variable primaria

Sistemas de recomendación basados en reglas y fuzzy.

Variables secundarias

Artículos científicos.

Sistemas existentes.

DEFINICIONES CONCEPTUALES

Fuzzy: Es un sistema que formaliza los razonamientos válidos que contienen

enunciados con términos denominados borrosos, de uso muy común en el

lenguaje natural, razonamientos que la lógica clásica no puede abordar.

Ramírez, A. (2014).

Perfil de usuario: Es el conjunto de rasgos distintos que caracterizan al usuario,

por lo que constituye el elemento básico para diseñar servicios de información.

Salazar, P. H. (1993).

Coeficiente de correlación de Pearson: El coeficiente de correlación de

Pearson es la media geométrica entre las pendientes de los modelos de

regresión lineal simple Y/X, X/Y. Restrepo, L. F., y González, J. (2007).

Matriz de datos: Es una forma de ordenar los datos de manera que sea visible

su estructura (tripartita ó cuatripartita) y es de suma importancia en toda

81

investigación porque es la manera ordenada y estructurada de interpelar la

realidad con la teoría para hacerla inteligible (entendible). Lauphan, W. (2006).

Aprendizaje automático: Es el campo de estudio que proporciona a los

ordenadores la capacidad de aprender sin estar explícitamente programados.

Samuel, A. L. (1959).

Minería de datos: La minería de datos (MD) es un intento de buscarle sentido a

la explosión de información que actualmente puede ser almacenada. Riquelme

Santos, J. C., Ruiz, R., y Gilbert, K. (2006).

Sistemas de recomendación de salud: Es un esfuerzo integrado de acopio,

procesamiento, notificación y uso de información y conocimientos sanitarios con

objeto de influir en la formulación de políticas, la acción programática y las

investigaciones. Organización Mundial de la Salud. (2003).

82

CAPÍTULO III

METODOLOGÍA DE LA INVESTIGACIÓN

DISEÑO DE LA INVESTIGACIÓN

MODALIDAD DE LA INVESTIGACIÓN

El desarrollo de este capítulo se basará en el análisis y tabulaciones de las

encuestas dirigidas a desarrolladores y entrevistas a médicos especialistas, todo

esto con la finalidad de recolectar datos que contribuyan al estudio que se está

realizando acerca de los sistemas de recomendaciones basados en reglas y

fuzzy para el asma a partir de artículos y revistas científicas, aplicando diferentes

tipos de investigación como: exploratoria, bibliográfica.

Tipo de investigación

De acuerdo a la profundidad del tema se aplicará el tipo de investigación

exploratoria ya que los sistemas de recomendaciones son usados a diario, sin

embargo el individuo desconoce de su existencia, por otra parte según las

fuentes dicha investigación reúne los requisitos para ser bibliográfica debido a

que el desarrollo de la tesis se fundamentó en el análisis de artículos cuenticos y

datos estadísticos de páginas confiables como la ONU, Ministerio de Salud, los

cuales contribuyeron a obtener datos más reales.

83

Investigación Exploratoria

La investigación exploratoria, también llamada formulativa (Selltiz), permite

conocer y ampliar el conocimiento sobre un fenómeno para precisar mejor el

problema a investigar. Por otra parte, Hernández Sampieri y otros (1996:71)

indican que los estudios exploratorios tienen por objeto esencial familiarizarnos

con un tópico desconocido o poco estudiado o novedoso, esta clase de

investigaciones sirven para desarrollar métodos a utilizar en estudios más

profundos.

Investigación Bibliográfica

La investigación bibliográfica es el paso más esencial y el primero que se debe

realizar en toda indagación, ya que permite extraer datos o información de

investigaciones establecidas como papers de alto impacto, tesis doctorales,

revistas científicas, libros, paginas gubernamentales, organizaciones

internacionales de gran reconocimiento, las cuales constituyen un conjunto de

fuentes confiables con la finalidad de obtener una idea más clara y concisa

acerca de un determinado tema, el proceso se da por terminado cuando se

cumplen los objetivos establecidos al inicio del estudio.

POBLACIÓN Y MUESTRA

Población

Se puede definir a la población como el conjunto universo que engloba ciertas

características afines entre individuos u objetos sobre los cuales se necesita

conocer algo en particular basándose en el estudio de las variables definidas

durante el proceso investigativo.

84

Identificación de la población

Se establece como población a desarrolladores expertos en Inteligencia Artificial

con trayectoria que laboren en empresas reconocida del país

CUADRO 4 Población

POBLACIÓN CANTIDAD

Expertos I.A. 11

TOTAL 11

Fuente: Datos de la investigación


Muestra

Es una porción que representa la población escogida con la finalidad de

conseguir datos importantes que faciliten el análisis para los resultados; el

obtener resultados exitosos depende de la calidad de muestra seleccionada.

La muestra elegida comprende toda la población, puesto que el tamaño de la

población es relativamente pequeño.

CUADRO 5 Muestra

Población Cantidad Tamaño de la muestra (n)

Expertos I.A. 11 11

TOTAL 11 11



85

INSTRUMENTOS DE RECOLECCIÓN DE DATOS

Técnica de la investigación

Encuesta

La encuesta es un instrumento de recolección de datos que se realiza a la

muestra seleccionada en la investigación, está conformada por una serie de

preguntas que se complementan con respuestas de selección múltiple, con el

objetivo de conocer el criterio de los miembros de la población seleccionada.

Entrevista

La entrevista es un método para recolectar información que contribuya a la

investigación en pie, su desarrollo se basa en preguntas que permiten establecer

un dialogo entre el entrevistado (fuente de datos) y el entrevistador (capta los

datos) acerca de un tema en específico, la habilidad del entrevistador es un eje

de mucha importancia para lograr rescatar hechos o información claves para

obtener resultados exitosos.

Instrumentos de la investigación

Cuestionario

El cuestionario son un conjunto de preguntas que forman la encuesta y ayudan

al investigador a medir una o más variables definidas, dentro del cuestionario se

pueden definir preguntas abiertas o cerradas.

Guión de Entrevista

El guión de entrevista es una guía donde se estipulan los ítems a tratar

durante la interacción entre el entrevistado y el entrevistador.

86

PROCEDIMIENTOS DE LA INVESTIGACIÓN

Para realizar el presente estudio se realizó el siguiente proceso tomando en

cuenta los pasos que se detallan a continuación:

I. El problema:

Planteamiento del problema

Causas y consecuencias del problema

Formulación del problema

Evaluación del problema

Objetivos de la investigación

Justificación de la investigación a realizar

Importancia de la investigación

II. Marco teórico:

Definición de los temas claves a investigar

Investigación bibliográfica

Conceptualización del marco teórico

Definición del Marco Legal

Definición de la pregunta

Definición de las variables

Definición términos conceptuales

III. Metodología

Elección del tipo de investigación

87

Elección de población y muestra

Definición de los instrumentos que se utilizarán para la recolección de datos

Operacionalización de las variables

Procedimiento de la investigación

IV. Recolección de la información

Para la recolección final de los datos de esta investigación se llevarán a cabo

encuestas a desarrolladores y entrevistas a médicos especialistas a través

de los instrumentos tales como cuestionario y guión de entrevista.

PROCESAMIENTO Y ANÁLISIS

Una vez efectuadas las encuestas y entrevistas se procederá a la tabulación de

los datos junto al análisis mediante cuadros estadísticos que faciliten la

comprensión del criterio proporcionado por las personas quienes fueron

encuestadas y entrevistadas obteniendo los resultados de forma de gráfica, lo

cual mejora la comprensión a la vista humana

Análisis de las encuestas

PREGUNTA 1: ¿Usted ha usado sistemas de recomendación?

CUADRO 6 Análisis de resultados de la pregunta No. 1

RESPUESTAS CANTIDAD PORCENTAJE

Si 11 100%

No 0 0%

TOTAL 11 100%

Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra

88


Análisis: Para un total de 11 programadores encuestados expertos en el tema

de sistemas de recomendación, se destaca que el 100% de los encuestados ha

utilizado alguna vez los sistemas recomendadores.

PREGUNTA 2: ¿Si usted ha usado sistemas de recomendaciones, qué tipo

de método ha utilizado?



Filtrado Colaborativo 5 45.5%

Basado en Contenido 4 36.4%

Híbridos 2 18.2%

TOTAL 11 100%


Gráfico 21 Porcentajes de la pregunta No. 1

89

Análisis: Para un total de 11 programadores encuestados, se destaca que el

45.5% ha utilizado el método de filtrado colaborativo, el 36.4% el método basado

en contenido mientras que el 18.2% de los encuestados utilizó en alguna

ocasión el método hibrido para el desarrollo de un sistema recomendador.

PREGUNTA 3: ¿Cuál es el efecto que ha obtenido aplicando uno de estos

métodos?



Excelente 10 90.9%

Bueno 1 9.1%

Regular 0 0%

Malo 0 0%

TOTAL 11 100%




90


Análisis: Para un total de 11 programadores encuestados, el 90.9% señalo que

obtuvo excelentes efectos al aplicar métodos de sistemas de recomendación, ya

sea el filtrado colaborativo, basado en contenido o híbridos, y un 9.1% indicó que

el efecto de utilizar uno de estos métodos fue bueno.

PREGUNTA 4: ¿Cuánto tiempo le toma a usted analizar el tipo de algoritmo

que utilizará en el sistema de recomendación?



Días ≤15 días 7 63.6%

Semanas ≤7 semanas 4 36.4%

Meses ≥ 8semas 0 0%

TOTAL 11 100%



91


Análisis: Para un total de 11 programadores encuestados, el 63.6% coinciden

que se demorarían aproximadamente 15 días en analizar el algoritmo que van a

utilizar en el desarrollo de un sistema recomendador, mientras que el 36.4%

señalan que tardarían semanas. De manera general se determina que se

necesitan semanas para analizar el tipo de algoritmo a utilizar.

PREGUNTA 5: ¿Utilizaría usted en el desarrollo de un sistema

recomendador la técnica basada en reglas de filtrado de contenido?



Si 11 100%

No 0 0%

TOTAL 11 100%



92



Análisis: Para un total de 11 programadores expertos en el desarrollo de

sistemas recomendadores, el 100% concluye que utilizaría la técnica basada en

reglas de filtrado de contenido para la creación de un sistema recomendación.

PREGUNTA 6: ¿Utilizaría usted en el desarrollo de un sistema

recomendador la técnica basada en fuzzy?



Si 11 100%

No 0 0%

TOTAL 11 100%



93


Análisis: Para un total de 11 programadores especializados en sistemas de

recomendación se estipula que el 100% de ellos utilizarían la técnica basada en

Fuzzy para el desarrollo de estos sistemas.

PREGUNTA 7: ¿Aplicaría las técnicas basadas en reglas y fuzzy para el

desarrollo de un sistema recomendador en el área de la salud?



Si 10 90.9%

No 0 0%

Tal vez 9 9.1%

TOTAL 11 100%



94


Análisis: De los 11 programadores encuestados el 90.9% señaló que si aplicaría

las técnicas basadas en reglas y fuzzy para el desarrollo de un sistema

recomendador en el área de la salud y el 9.1% indicó que tal vez lo utilizaría.

PREGUNTA 8: ¿Qué tan confiable considera usted que sería la creación de

este sistema recomendador en el área de la salud?



Muy confiable 11 100%

Poco confiable 0 0%

Nada confiable 0 0%

Indiferente 0 0%

TOTAL 11 100%



95


Análisis: El 100% de los encuestados definieron como muy confiable la creación

de un sistema recomendador para la salud.

Análisis de las entrevistas

PREGUNTA 1: ¿Usted cree que es útil la tecnología en el área de la salud?

Análisis: De acuerdo con el criterio de los médicos entrevistados se puede

afirmar que la tecnología ha contribuido en un gran porcentaje en el área de la

salud para brindarles una atención de calidad a los pacientes.

PREGUNTA 2: ¿Cuál cree usted que ha sido el impacto de la tecnología en

los tratamientos e intervenciones médicas?

Análisis: Los tres expertos médicos coinciden en que la tecnología ha

revolucionado el área de la salud ya que la implementación de nuevas técnicas

ha permitido una gran mejora sobre todo en tema de las operaciones pues en la


96

actualidad se realizan a través de láser, lo que reduce el tamaño de las cicatrices

e incluso el tiempo de recuperación del paciente.

PREGUNTA 3: ¿Alguna vez ha escuchado sobre los sistemas

recomendadores aplicados en la salud?

Análisis: Se coincide en las 3 entrevistas realizadas que los doctores no tenían

conocimientos sobre lo que es un sistema de recomendación por lo que fue

necesario brindarles una breve explicación del su uso y beneficio.

PREGUNTA 4: ¿Conociendo el concepto de sistema de recomendación

considera usted que es importante en el área de la salud?

Análisis: Los 3 galenos entrevistados concuerdan en que los sistemas

recomendadores son novedosos y llamativos lo que resulta importante para el

área de la salud porque servirían como un medio o guía para transmitir

información entre médicos y pacientes

PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de

sistemas de recomendación para personas que padecen de asma?

Análisis: En esta pregunta los médicos expusieron una respuesta contundente,

indicando que un sistema recomendador para la salud enfocado al asma traería

múltiples beneficios para las personas que padecen de esta patología, ya que

entre estas pueden aportar ideas para mejorar los cuidados necesarios que se

debe llevar en este tipo de enfermedad.

PREGUNTA 6: ¿Estaría usted de acuerdo en utilizar estos sistemas

recomendadores en su vida laboral?

Análisis: El 100% de las personas entrevistadas indican que no se negarían a

utilizar los sistemas de recomendación en su vida laboral porque les sería de

97

gran ayuda para optimizar su tiempo y estar al tanto de la evolución que va

teniendo el paciente, a su vez colaborando con otros.

PREGUNTA 7: ¿Se basaría usted en la información de un sistema

recomendador para realizar un diagnóstico y establecer un tratamiento a

sus pacientes?

Análisis: De un total de 3 entrevistados, dos de ellos indicaron que tomarían en

cuenta los sistemas recomendadores como una referencia para realizar un

diagnóstico a sus pacientes y uno de ellos indica que no es tan seguro utilizar

información del sistema para establecer un tratamiento a un enfermo.

PREGUNTA 8: ¿Incentivaría usted a que sus pacientes con asma utilicen

los sistemas de recomendación?

Análisis: Los 3 galenos brindan una respuesta positiva en incentivar a sus

pacientes a utilizar sistemas recomendadores, dejando claro que les explicarían

que estos sistemas serían de ayuda mientras asistan a sus controles médicos.

98

CAPÍTULO IV

RESULTADOS, CONCLUSIONES Y RECOMENDACIONES

RESULTADOS

Durante el desarrollo del presente trabajo investigativo se recolectó una gran

cantidad de información en revistas, artículos científicos y sistemas existentes en

la web acerca de sistemas de recomendaciones basados en reglas y fuzzy lo

que ha permitido obtener datos valiosos para la aplicación de estos sistemas en

el área de la salud específicamente en una enfermedad crónica tal como el

asma; según el análisis de las técnicas utilizadas en sistemas recomendadores

existentes y exitosos se puede destacar que el más empleado es el filtrado

colaborativo, lo cual fue comprobado a través de la encuesta realizada a

desarrolladores arrojando como resultado que el algoritmo más utilizado es el

filtrado colaborativo que al ser aplicado en enfoques basados en reglas y fuzzy

complementaría un sistema de recomendación útil para la salud donde los

individuos podrán realizar búsquedas que en algunos casos contengan criterios

no probabilísticos, es allí donde se aplicaría la técnica denominada fuzzy, por

otra parte existirán variedades de necesidades y síntomas entre usuarios

similares donde interviene el método de recomendación de filtrado de

información con un enfoque en reglas que definirán una sugerencia para cada

usuario en particular basándose en el filtrado colaborativo que estudia múltiples

agentes y grandes volúmenes de información.

En el proceso de realizar entrevistas y encuestas se obtuvo excelentes

resultados ya que los sistemas de recomendación son a menudo muy utilizados

por desarrolladores, quienes indicaron que sí es posible aplicar los sistemas de

recomendaciones a la salud, por otra parte los médicos especialistas señalaron

99

que estos sistemas serían de gran ayuda ya que podrían estar en contacto con

los pacientes y al tanto de la evolución de la enfermedad de los mismos

emitiendo consejos y tips para mejorar la calidad de vida del enfermo.

100



Gráfico 29 Modelo propuesto del sistema de recomendación para el asma

101



Gráfico 30 Etapa 1 del Sistema de Recomendación para el Asma

102




103




104

CONCLUSIONES

Para el desarrollo correcto del trabajo investigativo se analizaron artículos

científicos y sistemas existentes basados en filtrado de contenido y fuzzy de tal

manera que se puedan aplicar en una patología tal como es el asma, toda esta

información tambien fue filtrada en función del criterio de los especialistas de la

salud llegando a la conclusión de que en la actualidad existen aplicativos donde

se puede llevar cierto control de la enfermedad mas no existen sistemas

recomendadores para el asma donde el paciente pueda estar en línea con otras

personas que padezcan de la misma patología y con médicos que puedan emitir

criterios que aporten a la mejoría de la salud de cada enfermo.

Cabe recalcar que para el análisis acertado del desarrollo de un sistema

recomendador es necesario realizar una búsqueda profunda tal como se realizó

en la presente tesis obteniendo como resultado estructuras, técnicas y métodos

adecuados, por tanto, se puede concluir que esto contribuirán en algún momento

a la implementación de un sistema de este tipo.

Fue necesario realizar una matriz de comparación entre los enfoques basados

en reglas y fuzzy para definir la importancia de su aplicación en el desarrollo de

un sistema de recomendación para la salud. De acuerdo con la línea de tiempo

realizada se puede concluir que los sistemas de recomendaciones aparecieron

desde hace décadas atrás sin embargo el ser humano la utilizaba pero

desconocía su existencia, con el pasar de los días y la revolución tecnológica

estos sistemas empiezan a crecer y ganar cabida en muchas áreas siendo una

de las más importantes la medicina fue así como se introdujo en una patología

tal como es el asma, desarrollando apps que permitían al paciente llevar cierto

control de la enfermedad.

Para llegar a la conclusión y análisis final del tema fue necesario plasmar los

datos destacados de la investigación en un mapa mental teniendo como eje

central los sistemas de recomendaciones basados en reglas y fuzzy tomando en

cuenta que para el correcto desarrollo de un sistema de este tipo es necesaria la

105

opinión de expertos en este caso médicos especialistas quienes contribuyeron

en gran porcentaje con sus magnos conocimientos, cabe recalcar que la

finalidad de un sistema recomendador para el asma no es suplantar al médico

sino llevar un control equilibrado a través de la comunicación médico-paciente o

viceversa.

RECOMENDACIONES

Se recomienda a las autoridades de la Universidad de Guayaquil fomentar el

espíritu de investigación e innovación a los estudiantes, ya que contribuirían de

manera positiva a la sociedad en diferentes áreas un ejemplo claro es el

presente proyecto de titulación que será un firme aporte para la aplicación de la

tecnología en la salud y enfermedades tales como el asma.

Es sustancial realizar un estudio basado en investigaciones científicas

comprobadas para poder definir el tipo de algoritmo (reglas) a utilizar ya que

cada tema tiene variables diferentes que permitirán encontrar el núcleo central

de la posible solución todo esto con el objetivo de llevar los sistemas de

recomendaciones a un posible desarrollo; de esta manera la investigación de

profesores y de alumnos serviria como perfeccionamiento para una futura app.

Al realizar este tipo de investigaciones donde están inmersas varias ramas de

estudio como la tecnología y la salud es necesario buscar la opinión y la guía de

expertos combinando conocimientos que conlleven a diseñar una única solución.

En base al estudio realizado se puede recomendar a los pacientes

indiferentemente de la dolencia que padezcan, que no se deben automedicar ya

que un sistema de este tipo está diseñado para mejorar la calidad de vida del

paciente tomando en cuenta ciertos parámetros que permitan brindar

sugerencias en cuanto al cuidado y las precauciones que deben tomar, puesto

que su objetivo no es de recetar al paciente.

106

ANEXOS

ANEXO1: Matriz de comparación entre enfoques basados en reglas y fuzzy

CUADRO 1 Matriz de comparación

SISTEMAS DE RECOMENDACIÓN BASADOS EN REGLAS

FUZZY

PERMITEN GENERAR PROPIAS REGLAS X

NO PERMITEN GENERAR REGLAS X

SE BASAN EN EL CONOCIMIENTO X

NO SE BASAN EN EL CONOCIMIENTO X

CONSIGUE SERVICIOS BÁSICOS DE PERSONALIZACIÓN X

APOYO EN LA TOMA DE DECIONES X X

SE ADAPTA AL LENGUAJE HUMANO X

TOMA EN CUENTA INCERTIDUMBRES NO PROBABILISTICAS

X

ADAPTACIÓN A TODO TIPO DE TÉCNICA X X

BRINDA RECOMENDACIONES EFECTIVAS X

DIFERENCIA SIMILITUDES ENTRE USUARIOS X

CAPTURA RAZONES COMUNES PARA HACER RECOMENDACIONES

X

SE BASA EN VALORACIONES QUE EL USUARIO LE DA A CADA ÍTEM

X

FILTRA INFORMACIÓN A PARTIR DE GRANDES VOLÚMENES DE DATOS

X

TOMA EN CUENTA CARACTERÍSTICAS DE ARTÍCULOS QUE EL USUARIO HA USADO

X

REALIZA LA COMBINACIÓN DE VARIAS TÉCNICAS DE RECOMENDACIÓN

X



107

ANEXO 2: Línea de tiempo de los Sistemas de recomendación



Gráfico 33 Línea de Tiempo de Sistemas de Recomendación

108

Gráfico 2 Descripción de la línea de Tiempo sistemas de Recomendación



109



ANEXO 3: Mapa mental sobre los conceptos más relevantes de un sistema recomendador

Gráfico 35 Mapa Mental sobre los sistemas de recomendaciones

110

CUADRO 15 Matriz de referencias bibliográficas

ANEXO 4: Matriz de Referencias bibliográficas

111

112

113

114

115

116

117

118

119

120

121

122

123



124

1965 -

1969

1970 -

1974

1975 -

1979

1980 -

1984

1985 -

1989

1990 -

1994

1995 -

1999

2000 -

2002

2003 -

2005

Zadeh, L. A. Fuzzy

sets. Information

and control.

Housman, E. M., y

Kaskela, E. D. State of

the art in selective

dissemination of

information.

Zadeh, L. A. The concept

of a linguistic variable and

its application to

approximate reasoning.

Packer, K. H., y Soergel, D.

The importance of SDI for

current awareness in

fields with severe scatter

of information.

Hartigan, J. A., y Wong,

M. A. Algorithm AS 136: A

k-means clustering

algorithm.

Malone, T. W., Grant, K. R., Lai, K.

Y., Rao, R., y Rosenblitt, D.

Semistructured messages are

surprisingly useful for computer-

supported coordination.

Yager, R. R. On ordered weighted

averaging aggregation operators in

multicriteria decisionmaking.

Degani, R., Y Bortolan, G. The

problem of linguistic approximation

in clinical decision making.

Mackay, W. et al. How do

experienced Information Lens users

use rules?.

Stodolsky, D. S. Consensus journals: invitational journals

based upon peer consensus.

Allen, R. B. User models: theory, method, and practice.

Goldberg, D., Nichols, D., Oki, B. M., y Terry, D. Using

collaborative filtering to weave an information tapestry.

Foltz, P. W., & Dumais, S. T. Personalized information

delivery: An analysis of information filtering methods.

Agrawal, R., Imielioski, T., y Swami, A. (1993). Mining

association rules between sets of items in large

databases.

Salazar, P. H. El perfil del usuario de información

Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., y

Riedl, J. GroupLens: an open architecture for

collaborative filtering of netnews.

Haddawy, P. Generating Bayesian networks from

probability logic knowledge bases.

Klir, G., y Yuan, B. Fuzzy sets and fuzzy logic (Vol.

4).

Sampieri, R. H., Collado, C. F., y Lucio, P. B.

Metodología de la Investigación

Resnick, P., y Varian, H. R. Recommender

systems

Konstan, et al. GroupLens: applying

collaborative filtering to Usenet news.

Wang, P. Why recommendation is special.

Claypool, M., Gokhale, A., Miranda, T.,

Murnikov, P., Netes, D., & Sartin, M. Combing

content-based and collaborative filters in an

online newspaper.

Billsus, D., y Pazzani, M. J. A hybrid user model

for news story classification.

Shin, C. K., Yun, U. T., Kim, H. K., & Park, S. C. A hybrid approach

of neural network and memory-based learning to data mining.

Sarwar, B., Karypis, G., Konstan, J., y Riedl, J. Analysis of

recommendation algorithms for e-commerce.

Herrera, F., Y Martínez, L. A 2-tuple Fuzzy Linguistic

Representation Model for Computing with Words.

Karypis, G. Evaluation of item-based top-n recommendation

algorithms.

Sarwar, B., Karypis, G., Konstan, J. y Riedl, J. Item-based

collaborative filtering recommendation algorithms.

Melville, P., Mooney, R. J., & Nagarajan, R. Content-boosted

collaborative filtering for improved recommendations.

Burke, R. Hybrid recommender systems: Survey and experiments.

Linden, G., Smith, B., y York, J. (2003).

Amazon. com recommendations: Item-to-item

collaborative filtering.

Vozalis, E., y Margaritis, K. G. (2003). Analysis

of recommender systems algorithms.

Herrera-Viedma, et al.(2003). A model of fuzzy

linguistic IRS based on multi-granular linguistic

information

Yager, R. R. (2003). Fuzzy logic methods in

recommender systems.

Organización Mundial de la Salud. (2003).

Informe sobre la salud en el mundo 2003:

Forjemos el futuro.

Renda, M. E., y Straccia, U. (2005). A

personalized collaborative digital library

environment: a model and an application

ANEXO 5: Línea de tiempo de los artículos científicos

Gráfico 36 Línea de tiempo de los artículos científicos

125

2006

2007

2008

2009

2010

2011

2012

2013

2014

Pazzani, M. J. y Billsus, D.

Content-based

recommendation systems.

Frias-Martinez, E., Magoulas,

G., Chen, S., y Macredie, R.

Automated user modeling for

personalized digital libraries.

Riquelme Santos, J. C., Ruiz, R.,

& Gilbert, K. Minería de datos:

Conceptos y tendencias.

Inteligencia artificial.

Das, A. S., Datar, M., Garg, A., y

Rajaram, S. Google news

personalization: scalable online

collaborative filtering.

Mobasher, B. Data mining for

web personalization. In The

adaptive web.

Burke, R. Hybrid web

recommender systems.

Simoes, M. G., & Shaw, I. S.

Controle e modelagem fuzzy.

Cao, Y., y Li, Y. An intelligent

fuzzy-based recommendation

system for consumer electronic

products.

Masters, J., Madhyastha, T., y

Shakouri, A. ExplaNet: A

collaborative learning tool and

hybrid recommender system for

student-authored explanations.

Chen, C. M., y Duh, L. J.

Personalized web-based

tutoring system based on fuzzy

item response theory.

Park, Y. J. y Chang, K. N.

Individual and group

behaviorbased customer profile

model for personalized product

recommendation.

Seguido Font, M. Sistemas de

recomendación para webs de información

sobre la salud.

Stern, D. H., Herbrich, R., & Graepel, T.

Matchbox: large scale online bayesian

recommendations.

Fernandez-Luque, L., Karlsen, R., y Vognild,

L. K. Challenges and opportunities of using

recommender systems for personalized

health education.

Porcel, C., López-Herrera, A. G., y Herrera-

Viedma, E. A recommender system for

research resources based on fuzzy

linguistic modeling.

Koren, Y., Bell, R., y Volinsky, C. Matrix

factorization techniques for recommender

systems.

Su, X., y Khoshgoftaar, T. M. A survey of

collaborative filtering techniques.

INEC. Instituto Nacional de Estadística y

Censos.

Global Initiative for Asthma. GINA. Pocket

Guide for Asthma Management and

Prevention.

Ricci, F. The context of a recommendation

González Crespo, R., Sanjuán Martínez, O.,

Cueva Lovelle, J. M., Pelayo García-Bustelo, B.

C., Gayo, J. E. L., and nez de Pablo, P. O.

Recommendation system based on user

interaction data applied to intelligent

electronic books.

Gao, M., Liu, K., y Wu, Z. Personalisation in

web computing and informatic.

Hammer, S., Kim, J., y André, E. MED-StyleR:

METABO diabetes-lifestyle recommender.

Organización Mundial de la Salud.

OMS.n10 DATOS SOBRE EL ASMA

Esteban Moreno, B. Un sistema de

recomendaciones web para el

tratamiento y la prevención en

fisioterapia.

Chomutare T., Arsand E., y Hartvigsen G.

Apoyo de compañeros móviles en la

diabetes.

Rokach, L., Shapira, B., & Kantor, P. B.

Recommender systems handbook. Vol.

1.

İnan, Ö., Arslan, D., Taşdemir, Ş., y

Özcan, M. M. Application of fuzzy expert

system approach on prediction of some

quality characteristics of grape juice

concentrate (Pekmez) after different

heat treatments.

Farrell RG, Danis CM, Ramakrishnan S., y

Kellogg WA. .Recomendación

retrospectiva intrapersonal:

Recomendaciones de cambio de estilo

de vida utilizando patrones estables de

comportamiento personal.

Diario El Comercio. El asma es una

enfermedad que afecta al 7% de la

población.

Lü, L., Medo, M., Yeung, C. H., Zhang, Y.

C., Zhang, Z. K., y Zhou, T. Recommender

systems.

Buder, J., y Schwind, C. Learning with

personalized recommender systems: A

psychological view.

Diario El Comercio. El asma es una

enfermedad que afecta al 7% de la población.

Ghorai K., Saha S., Bakshi A., Mahanti A., y Ray

P. Una recomendadora de salud para dejar de

fumar utilizando el razonamiento basado en

casos.

Rivero-Rodriguez A., Konstantinidis S.,

Sanchez-Bocanegra C., y Fernandez-Luque L..

Un sistema de recomendación de información

de salud.

Morrell TG, Kerschberg L.. Personal Health

Explorer: un sistema de recomendación de

salud semántica.

Sezgin, E., & Ozkan, S. A systematic literature

review on Health Recommender Systems.

Charlin, L. Supervised and Active

Learning for Recommender

System.

Muñoz Escudero, H. Sistema de

recomendación multimedia

basado en perfiles de usuarios.

Wiesner, M., & Pfeifer, D. Health

recommender systems: concepts,

requirements, technical basics

and challenges.

Ramírez, A. Lógica fuzzy, verdad y

cognición.

126

2015

2016

2017

2018

Isinkaye, F. O., Folajimi, Y. O., y Ojokoh, B. A.

Recommendation systems: Principles, methods and

evaluation.

Lee, Y. Recommendation system using collaborative

filtering.

Ricci, F., Rokach, L., & Shapira, B. Recommender

systems: introduction and challenges.

Trillas, E., y Eciolaza, L. Fuzzy logic: an introductory

course for engineering students (Vol. 320).

Aktepe, A., Ersöz, S., y Toklu, B. Customer satisfaction

and loyalty analysis with classification algorithms and

Structural Equation Modeling.

Martínez Sarriegui, I. Proposal of a trust and reputation model to

provide recommendation in open quality oriented environments.

Martínez Sarriegui, I. of a trust and reputation model to provide

recommendation in open quality oriented environments.

Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., y Holzinger, A.

Recommender systems for health informatics: state-of-the-art and

future perspectives.

Karydi, E., y Margaritis, K. Parallel and distributed collaborative

filtering: A survey.

Rodríguez, P. A., Duque, N. D., y Ovalle, D. A. Método Híbrido de

Recomendación Adaptativa de Objetos de Aprendizaje basado en

Perfiles de Usuario.

Sánchez Bocanegra, C. L. HealthRecSys:

Sistema Recomendador para la salud.

Sánchez Bocanegra, C. L. Sistema

Recomendador para la salud.

Uman I. Los sistemas de recomendación y el

furor de Netflix-Parte 1.

Albert N. Spotify y su modelo de

recomendaciones ¿Cómo te conocen tan

bien?.

Carneiro, V. Q., Prado, A. L. D., Cruz, C. D.,

Carneiro, P. C. S., Nascimento, M., y Carneiro,

J. E. D. S. Fuzzy control systems for decision-

making in cultivars recommendation. Acta

Scientiarum. Agronomy, 40.



127

ANEXO 6: Modelo de encuesta realizada

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS

CARRERA DE INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES

PROYECTO DE TITULACIÓN – ENCUESTA INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS

CIENTÍFICOS Y SISTEMAS EXISTENTES.

PREGUNTA 1: ¿Usted ha usado sistemas de recomendación?

Si

No

Si su respuesta es sí puede continuar la encuesta

PREGUNTA 2: ¿Si usted ha usado sistemas de recomendaciones, qué tipo de

método ha utilizado?

Filtrado Colaborativo

Basado en Contenido

Híbridos

PREGUNTA 3: ¿Cuál es el efecto que ha obtenido aplicando uno de estos

métodos?

Excelente

Muy Bueno

Bueno

Regular

Malo

128

PREGUNTA 4: ¿Cuánto tiempo le toma a usted analizar el tipo de algoritmo que

utilizará en el sistema de recomendación?

Días

Semanas

Meses

PREGUNTA 5: ¿Utilizaría usted en el desarrollo de un sistema recomendador la

técnica basada en reglas de filtrado de contenido?

Si

No

PREGUNTA 6: ¿Utilizaría usted en el desarrollo de un sistema recomendador la

técnica basada en fuzzy?

Si

No

PREGUNTA 7: ¿Aplicaría las técnicas basadas en reglas y fuzzy para el

desarrollo de un sistema recomendador en el área de la salud?

Si

No

Tal vez

PREGUNTA 8: ¿Qué tan confiable considera usted que sería la creación de este

sistema recomendador en el área de la salud?

Muy confiable

Poco confiable

Indiferente

Poco confiable

Nada confiable

129

ANEXO 7: Modelo de entrevista realizada

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS


PROYECTO DE TITULACIÓN – ENTREVISTA INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS



PREGUNTA 2: ¿Cuál cree usted que ha sido el impacto de la tecnología en los

tratamientos e intervenciones médicas?

PREGUNTA 3: ¿Alguna vez ha escuchado sobre los sistemas recomendadores

aplicados en la salud?



PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de sistemas

de recomendación para personas que padecen de asma?




recomendador para realizar un diagnóstico y establecer un tratamiento a sus

pacientes?

PREGUNTA 8: ¿Incentivaría usted a que sus pacientes con asma utilicen los

sistemas de recomendación?

130

ANEXO 8: Entrevista 1


FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS


PROYECTO DE TITULACIÓN – ENTREVISTA


BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS


Medico General del Hospital Básico Shushufindi de Sucumbíos

Frank Villamar


Puedo afirmar que la tecnología ha adquirido una importancia vital en diversas

áreas, pero sobretodo en la salud razón por la cual debe ir de la mano con el

profesional médico.



La tecnología ha revolucionado el área de la salud, beneficiando en gran parte al

paciente ya que este se siente a gusto con la implementación de nuevas

técnicas puesto que en antiguas operaciones donde no se contaba con mucha

tecnología las intervenciones eran de una manera más rustica y compleja por así

decirlo, pero con la evolución de los tiempos y la implementación tecnológica se

han mejorado muchos servicios como por ejemplo: En una operación de

colelitiasis (calculo en la vesícula) se realizaba una incision grande pero ahora

con la laparoscopia se hacen pequeñas inciones donde se introducen cámaras

lo que ocasione que el proceso sea mucho más fácil de llevar tanto así que

pareciera que estuviese jugando video juegos.



No, he escuchado de ese tema.

131



Considero que si son importantes los sistemas recomendadores para la salud ya

que el paciente lo puede usar como una guía e incluso compartir información con

otros.



Considero que los pacientes y los médicos pueden compartir información en un

sistema recomendador y eso de alguna manera podría ser beneficioso sin

embargo es importante evaluar y examinar físicamente al paciente sobretodo si

padece de asma ya que hay que auscultarle los pulmones.



No me negaría al hecho de utilizar un sistema recomendador ya que permitiría

optimizar tiempos y a través de este puedo estar en contacto con el paciente, así

como contribuir con otros, pero quiero recalcar que es importante que el

individuo asista a una consulta médica para ser evaluado.



sus pacientes?

Sí lo tomaría como una referencia ya que en un sistema recomendador no solo

están inmerso pacientes sino también otros médicos que incluso podrían tener

mayor experiencia en dicha patología todo esto con el fin de recetar

correctamente el tratamiento para el paciente que padece de asma de acuerdo

con su grado de complicación.



132

Claro que si los incentivaría porque este sistema permitirá educar al paciente

para saber en qué momento acudir al médico ya que debe ser valorado

físicamente, en caso de asma podrían estar obstruidos todos los bronquios y es

mejor que acuda inmediatamente al hospital o centro de salud.









Medico General del Hospital de Naranjito

Dr. Roberto Calderón


Por supuesto que es útil, sobre toda para la atención que se le da al paciente,

hoy en día ya no se necesita pasar largas horas buscando una carpeta con la

historia clínica, poco a poco todo ha ido mejorando



El impacto que la tecnología ha tenido en la medicina es verdaderamente

extenso, puedo poner de ejemplo las operaciones que ahora se las realiza con

laser, ya no hay necesidad de realizarle grandes heridas al paciente



No

133



De acuerdo con lo que me han podido explicar creo que estos sistemas tienen

grandes beneficios no solo para los pacientes, si no también para los médicos



Evidentemente si, los pacientes hoy en día no se conforman con lo que le dice

un doctor, ellos quieren tener siempre la razón, muchas veces buscan

información en internet que no los ayuda, con estos sistemas de recomendación

tendrán donde despejar sus dudas, pero de manera confiable sin afectar su

propia salud.



Claro que sí, estaré esperando que lleguen a mi consultorio estas nuevas

tecnologías.



sus pacientes?

Para realizar el diágnostico y establecer un tratamiento están mis

conocimientos´por algo soy un profesional, pero contando con un sistema de

recomendación si tomaría en cuenta ciertos parámetros que beneficien mi

trabajo y la salud del paciente.



Sí, con mucho gusto haría eso, los pacientes se sentirían confiados de contar

con un sistema que les permita despejar sus dudas, por supuesto dejaría en

claro que deben asistir a sus consultas médicas.

134









Medico General

Dr. Arturo Rosales


Considero que la tecnología actualmente ha evolucionado rápidamente y ha

contribuido en diferentes procesos que se realizan a diario en el área médica,

esta es la razón por la que se ha convertido en una necesidad para los médicos

indiferentemente de la especialidad.



El impacto ha sido enorme, es fantastico a tal punto que con la tecnología

actualmente se puede operar a través de aparatos microscópicos,

autolomatizados, que facilitan la labor del medico y permiten ahorrar tiempo el

cual es un recurso vital en esta profesión.



No he escuhado sobre los sistemas recomendadores, pero me imagino que

emiten recomendaciones sobre diversas enfermedades.



135

Según su explicación considero que un sistema de recomendación traería

consigo multiples beneficios tanto para los médicos como para el paciente.



Por supuesto que si, un sistema de recomendación permitirá a los pacientes

tener información que provenga de una fuente confiable ya que en la actualidad

cada vez que una persona tiene alguna dolencia trata de buscar en internet una

solución incluso se automedican.



Me encantaría utilizarlo en mi vida laboral ya que uno siempre debe aprender

cosas nuevas y más aún cuando traen consigo grandes beneficios.



sus pacientes?

Tomaría en cuenta ciertos criterios del sistema de recomendación, pero el

diagnóstico siempre será basado en mis conocimientos.



Claro que sí incentivaría a mis pacientes ya que este sistema seria un medio

mucho más seguro para encontrar información asi no se exponen a toda la

información no confiable que se encuentra en el internet.

136

BIBLIOGRAFÍA

Rivera, M. M. Z. (2016). Características clínicas y epidemiológicas del

asmabronquial en niños asmáticos en crisis. Dominio de las

Ciencias, 2(4), 72-84.

Diario El Comercio, (2013). El asma es una enfermedad que afecta al 7% de la

población. Obtenido de: https://www.elcomercio.com/

INEC (2010). Instituto Nacional de Estadística y Censos. Obtenido de:

http://www.ecuadorencifras.gob.ec/

Global Initiative for Asthma. GINA. (2010). Pocket Guide for Asthma

Management and Prevention. Obtenido de:

http://www.ginasthma.org/guidelines-pocketguide-for-asthma-

management.html

Organización Mundial de la Salud. OMS. (2011). 10 DATOS SOBRE EL ASMA.

Obtenido de: http://www.who.int/features/factfiles/asthma/e s/index.html

Adomavicius, G., y Tuzhilin, A. (2005). Toward the next generation of

recommender systems: A survey of the state-of-the-art and possible

extensions. IEEE Transactions on Knowledge & Data Engineering, (6),

734-749.

Sergey, B. y Lawrence, P. (1998). La anatomía de un motor de búsqueda web

hipertextual a gran escala. Comput. Netw. RDSI Syst. 30, 107 - 117.

Tang, J., Wu, S., Sun, J. M. y Su, H. (2012). Cross-domain collaboration

recommendation. in Proceedings of the 18th ACM SIGKDD International

Conference on Knowledge Discovery and Data Mining: KDD '12, Beijing,

China. New York: ACM Press.

Koren, Y., Bell, R., y Volinsky, C. (2009). Matrix factorization techniques for

recommender systems. Computer, (8), 30-37.

https://www.elcomercio.com/

http://www.ecuadorencifras.gob.ec/

http://www.ginasthma.org/guidelines-pocketguide-for-asthma-management.html

http://www.ginasthma.org/guidelines-pocketguide-for-asthma-management.html

137

Lü, L., Medo, M., Yeung, C. H., Zhang, Y. C., Zhang, Z. K., y Zhou, T. (2012).

Recommender systems. Physics reports, 519(1), 1-49.

Martínez Sarriegui, I. (2016). Proposal of a trust and reputation model to provide

recommendation in open quality oriented environments. Universidad

Politécnica de Madrid (Doctoral dissertation, Telecomunicacion).

Resnick, P., y Varian, H. R. (1997). Recommender systems. Communications of

the ACM, 40(3), 56-58.

Seguido Font, M. (2009). Sistemas de recomendación para webs de información

sobre la salud (Master's thesis, Universitat Politècnica de Catalunya).

Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., y Riedl, J. (1994, October).

GroupLens: an open architecture for collaborative filtering of netnews.

In Proceedings of the 1994 ACM conference on Computer supported

cooperative work (pp. 175-186). ACM.

Stodolsky, D. S. (1990). Consensus journals: invitational journals based upon

peer consensus. Roskilde University, Computer Science.

Goldberg, D., Nichols, D., Oki, B. M., y Terry, D. (1992). Using collaborative

filtering to weave an information tapestry. Communications of the

ACM, 35(12), 61-70.

Resnick, P., y Varian, H. R. (1997). Recommender systems. Communications of

the ACM, 40(3), 56-58.

Housman, E. M., y Kaskela, E. D. (1970). State of the art in selective

dissemination of information. IEEE Transactions on Engineering Writing

and Speech, 13(2), 78-83.

Packer, K. H., y Soergel, D. (1979). The importance of SDI for current awareness

in fields with severe scatter of information. Journal of the American

Society for Information Science, 30(3), 125-135.

138

Allen, R. B. (1990). User models: theory, method, and practice. International

Journal of man-machine Studies, 32(5), 511-543.

Foltz, P. W., & Dumais, S. T. (1992). Personalized information delivery: An

analysis of information filtering methods. Communications of the

ACM, 35(12), 51-60.

Malone, T. W., Grant, K. R., Lai, K. Y., Rao, R., y Rosenblitt, D. (1987).

Semistructured messages are surprisingly useful for computer-supported

coordination. ACM Transactions on Information Systems (TOIS), 5(2),

115-131.

Mackay, W. E., Malone, T. W., Crowston, K., Rao, R., Rosenblitt, D., y Card, S.

K. (1989). How do experienced Information Lens users use rules? (Vol.

20, No. SI, pp. 211-216). ACM.

Wang, P. (1998). Why recommendation is special. In workshop on recommender

systems, part of the 15th national conference on artificial intelligence (Vol.

15, pp. 111-113).

Karypis, G. (2001). Evaluation of item-based top-n recommendation algorithms.

In Proceedings of the tenth international conference on Information and

knowledge management (pp. 247-254). ACM.

Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User

modeling and user-adapted interaction, 12(4), 331-370.

Rashid, A. M., Albert, I., Cosley, D., Lam, S. K., McNee, S. M., Konstan, J. A., y

Riedl, J. (2002). Getting to know you: learning new user preferences in

recommender systems. In Proceedings of the 7th international conference

on Intelligent user interfaces (pp. 127-134). ACM.

González Crespo, R., Sanjuán Martínez, O., Cueva Lovelle, J. M., Pelayo

García-Bustelo, B. C., Gayo, J. E. L., and nez de Pablo, P. O. (2010).

Recommendation system based on user interaction data applied to

139

intelligent electronic books. Computers in Human Behavior, In Press,

Corrected Proof:–. 1.1, 3.3, 3.9.1, 4.3.1

Ricci, F. (2010). The context of a recommendation. In Proceedings of the

Workshop on Context-Aware Movie Recommendation (pp. 1-1). ACM.

Gallego Vico, D. (2013). Contribution to proactivity in mobile context-aware

recommender systems. Universidad Politécnica de Madrid (Doctoral

dissertation, Telecomunicacion).

Sánchez Bocanegra, C. L. (2017). HealthRecSys: Sistema Recomendador para

la salud. (Tesis Doctoral Inédita). Universidad de Sevilla, Sevilla.

Meyer, F. (2012). Recommender systems in industrial contexts. University of

Grenoble, France. Thèse de Doctorat. arXiv preprint arXiv:1203.4487.

Isinkaye, F. O., Folajimi, Y. O., y Ojokoh, B. A. (2015). Recommendation

systems: Principles, methods and evaluation. Egyptian Informatics

Journal, 16(3), 261-273.

Buder, J., y Schwind, C. (2012). Learning with personalized recommender

systems: A psychological view. Computers in Human Behavior, 28(1),

207-216.

Charlin, L. (2014). Supervised and Active Learning for Recommender

Systems (Doctoral dissertation).

Gao, M., Liu, K., y Wu, Z. (2010). Personalisation in web computing and

informatics: Theories, techniques, applications, and future

research. Information Systems Frontiers, 12(5), 607-629.

Liang, T. P., Yang, Y. F., Chen, D. N., y Ku, Y. C. (2007). A semanticexpansion

approach to personalized knowledge recommendation. Decision Support

Systems, In Press, Corrected Proof.

Kim, J. W., Lee, B. H., Shaw, M. J., Chang, H. L., y Nelson, M. (2001).

Application of decision-tree induction techniques to personalized

140

advertisements on internet storefronts. International Journal of Electronic

Commerce, 5(3), 45-62.

Pazzani, M. J. y Billsus, D. (2006). Content-based recommendation systems. The

Adaptive Web: Methods and Strategies of Web Personalization, Lecture

Notes in Computer Science, 4321.

Chedrawy, Z., y Abidi, S. R. (2006). Case based reasoning for information

personalization: using a context-sensitive compositional case adaptation

approach. In Engineering of Intelligent Systems, 2006 IEEE International

Conference on (pp. 1-6). IEEE.

Min, S. H., y Han, I. (2005). Detection of the customer time-variant pattern for

improving recommender systems. Expert Systems with

Applications, 28(2), 189-199.

Das, A. S., Datar, M., Garg, A., y Rajaram, S. (2007). Google news

personalization: scalable online collaborative filtering. In Proceedings of

the 16th international conference on World Wide Web (pp. 271-280).

ACM.

Konstan, J. A., Miller, B. N., Maltz, D., Herlocker, J. L., Gordon, L. R., y Riedl, J.

(1997). GroupLens: applying collaborative filtering to Usenet

news. Communications of the ACM, 40(3), 77-87.

Li, Y., Lu, L., y Xuefeng, L. (2005). A hybrid collaborative filtering method for

multiple-interests and multiple-content recommendation in E-

Commerce. Expert systems with applications, 28(1), 67-77.

Kitts, B., Freed, D., y Vrieze, M. (2000). Cross-sell: a fast promotion-tunable

customer-item recommendation method based on conditionally

independent probabilities. In Proceedings of the sixth ACM SIGKDD

international conference on Knowledge discovery and data mining (pp.

437-446). ACM.

141

Linden, G., Smith, B., y York, J. (2003). Amazon. com recommendations: Item-to-

item collaborative filtering. IEEE Internet computing, (1), 76-80.

Mobasher, B. (2007). Data mining for web personalization. In The adaptive

web (pp. 90-135). Springer, Berlin, Heidelberg.

Liu, D. R., y Shih, Y. Y. (2005). Hybrid approaches to product recommendation

based on customer lifetime value and purchase preferences. Journal of

Systems and Software, 77(2), 181-191.

Balabanović, M., y Shoham, Y. (1997). Fab: content-based, collaborative

recommendation. Communications of the ACM, 40(3), 66-72.

Claypool, M., Gokhale, A., Miranda, T., Murnikov, P., Netes, D., & Sartin, M.

(1999). Combing content-based and collaborative filters in an online

newspaper. In Proceedings of ACM SIGIR Workshop on Recommender

Systems

Melville, P., Mooney, R. J., & Nagarajan, R. (2002). Content-boosted

collaborative filtering for improved recommendations. Aaai/iaai, 23, 187-

192.

Montaner, M., López, B., & De La Rosa, J. L. (2003). A taxonomy of

recommender agents on the internet. Artificial intelligence review, 19(4),

285-330.

Di Giacomo, M., Mahoney, D., Bollen, J., Monroy-Hernandez, A., y Meraz, C. M.

R. (2001). MyLibrary, A Personalization Service for Digital Library

Environments. In DELOS Workshop: Personalisation and Recommender

Systems in Digital Libraries.

Park, Y. J. y Chang, K. N. (2008) Individual and group behaviorbased customer

profile model for personalized product recommendation. Expert Systems

with Applications, In Press, Corrected Proof.

142

Renda, M. E., y Straccia, U. (2005). A personalized collaborative digital library

environment: a model and an application. Information processing &

management, 41(1), 5-21.

Masters, J., Madhyastha, T., y Shakouri, A. (2008). ExplaNet: A collaborative

learning tool and hybrid recommender system for student-authored

explanations. Journal of Interactive Learning Research, 19(1), 51-74.

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of

machine Learning research, 3(Jan), 993-1022.

Isozaki, H., y Kazawa, H. (2002). Efficient support vector classifiers for named

entity recognition. In Proceedings of the 19th international conference on

Computational linguistics-Volume 1 (pp. 1-7). Association for

Computational Linguistics.

Billsus, D., y Pazzani, M. J. (1999). A hybrid user model for news story

classification. In UM99 User Modeling (pp. 99-108). Springer, Vienna.

Mobasher, B. (2007). Data mining for web personalization. In The adaptive

web (pp. 90-135). Springer, Berlin, Heidelberg.

Hartigan, J. A., y Wong, M. A. (1979). Algorithm AS 136: A k-means clustering

algorithm. Journal of the Royal Statistical Society. Series C (Applied

Statistics), 28(1), 100-108.

Teknomo, K. (2008). K-Means clustering tutorials. http://people.

revoledu.com/kardi/tutorial/kMean/

Yang, Y. (1999). An evaluation of statistical approaches to text

categorization. Information retrieval, 1(1-2), 69-90.

Yang, Y., y Webb, G. I. (2002). A comparative study of discretization methods for

naive-bayes classifiers. In Proceedings of PKAW (Vol. 2002).

Friedman, N., Geiger, D., y Goldszmidt, M. (1997). Bayesian network

classifiers. Machine learning, 29(2-3), 131-163.

143

Haddawy, P. (1994). Generating Bayesian networks from probability logic

knowledge bases. In Uncertainty Proceedings 1994 (pp. 262-269).

Tong, S., y Koller, D. (2001). Active learning for structure in Bayesian networks.

In International joint conference on artificial intelligence (Vol. 17, No. 1,

pp. 863-869). Lawrence Erlbaum Associates ltd.

Sarukkai, R. R. (2000). Link prediction and path analysis using Markov

chains1. Computer Networks, 33(1-6), 377-386.

Nuel, G. (2006). Pattern statistics on Markov chains and sensitivity to parameter

estimation. Algorithms for Molecular Biology, 1(1), 17.

Gamerman, D., y Lopes, H. F. (2006). Markov chain Monte Carlo: stochastic

simulation for Bayesian inference. Chapman and Hall/CRC.

Agrawal, R., Imieliński, T., y Swami, A. (1993). Mining association rules between

sets of items in large databases. In Acm sigmod record (Vol. 22, No. 2,

pp. 207-216). ACM.

Hipp, J., Güntzer, U., y Nakhaeizadeh, G. (2002). Data mining of association

rules and the process of knowledge discovery in databases. In Advances

in data mining (pp. 15-36). Springer, Berlin, Heidelberg.

Cho, Y. H., Kim, J. K., y Kim, S. H. (2002). A personalized recommender system

based on web usage mining and decision tree induction. Expert systems

with Applications, 23(3), 329-342.

Pazzani, M. J. y Billsus, D. (2006). Content-based recommendation systems. The

Adaptive Web: Methods and Strategies of Web Personalization, Lecture

Notes in Computer Science, 4321.

Frias-Martinez, E., Magoulas, G., Chen, S., y Macredie, R. (2006). Automated

user modeling for personalized digital libraries. International Journal of

Information Management, 26(3), 234-248.

144

Im, K. H., y Park, S. C. (2007). Case-based reasoning and neural network based

expert system for personalization. Expert Systems with Applications,

32(1), 77-85.

Shin, C. K., Yun, U. T., Kim, H. K., & Park, S. C. (2000). A hybrid approach of

neural network and memory-based learning to data mining. IEEE

Transactions on Neural Networks, 11(3), 637-646.

Joachims, T. (1997). A Probabilistic Analysis of the Rocchio Algorithm with TFIDF

for Text Categorization. Proceedings of International Conference on

Machine Learning (ICML), 143–151.

Bomhardt, C. (2004). Newsrec, a svm-driven personal recommendation system

for news websites. In Proceedings of the 2004 IEEE/WIC/ACM

International Conference on Web Intelligence (pp. 545-548). IEEE

Computer Society.

Cheung, K. W., Kwok, J. T., Law, M. H., y Tsui, K. C. (2003). Mining customer

product ratings for personalized marketing. Decision Support

Systems, 35(2), 231-243.

Burke, R. (2007). Hybrid web recommender systems. In The adaptive web (pp.

377-408). Springer, Berlin, Heidelberg.

Martínez Sarriegui, I. (2016). Proposal of a trust and reputation model to provide

recommendation in open quality oriented environments. Universidad

Politécnica de Madrid (Doctoral dissertation, Telecomunicacion).

Blanco-Fernández, Y., Pazos-Arias, J. J., Gil-Solla, A., Ramos-Cabrer, M.,

López-Nores, M., García-Duque, J., Fernández-Villas, A., Díaz-Redondo,

R. y Bermejo-Muñoz, J. (2008). A flexible semantic inference

methodology to reason about user preferences in knowledge-based

recommender systems. Knowledge-Based Systems, 21(4), 305-320.

Schafer, J. B., Konstan, J. A., y Riedl, J. (2001). E-commerce recommendation

applications. Data mining and knowledge discovery, 5(1-2), 115-153.

145

Jøsang, A., Ismail, R., y Boyd, C. (2007). A survey of trust and reputation

systems for online service provision. Decision support systems, 43(2),

618-644.

Ricci, F., Rokach, L. y Shapira, B. (2011). Introduction to Recommender Systems

Handbook. In F. Ricci et al., eds. Recommender Systems Handbook.

Springer US, pp. 1–35.

Sinha, R. R., y Swearingen, K. (2001). Comparing recommendations made by

online systems and friends. In DELOS workshop: personalisation and

recommender systems in digital libraries (Vol. 106).

Adomavicius, G., & Zhang, J. (2012). Impact of data characteristics on

recommender systems performance. ACM Transactions on Management

Information Systems (TMIS), 3(1), 3.

Stern, D. H., Herbrich, R., & Graepel, T. (2009). Matchbox: large scale online

bayesian recommendations. In Proceedings of the 18th international

conference on World wide web (pp. 111-120). ACM.

Mateos M. (2014). Así funcionan las recomendaciones de Amazon. Obtenido de:

www.genbeta.com/web/asi-funcionan-las-recomendaciones-de-amazon.

Linden, G., Smith, B., y York, J. (2003). Amazon. com recommendations: Item-to-

item collaborative filtering. IEEE Internet computing, (1), 76-80.

Uman I. (2018). Los sistemas de recomendación y el furor de Netflix-Parte 1.

Obtenido de: datamining.dc.uba.ar/predictivos/?p=825

Albert N. (2018). potify y su modelo de recomendaciones ¿Cómo te conocen tan

bien? Obtenido de: marquesme.com/spotify-modelo-recomendaciones/

MovieLens. (2018). Obtenido de: movielens.org

Muñoz Escudero, H. (2014). Sistema de recomendación multimedia basado en

perfiles de usuarios (Bachelor's thesis, Universitat Politècnica de

Catalunya).

http://www.genbeta.com/web/asi-funcionan-las-recomendaciones-de-amazon

146

Criticker (2018). Obtenido de: www.criticker.com

Nanocrowd (2018). Obtenido de: www.nanocrowd.com

Esteban Moreno, B. (2011). Un sistema de recomendaciones web para el

tratamiento y la prevención en fisioterapia. Editorial de la Universidad de

Granada.

Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., y Holzinger, A. (2016).

Recommender systems for health informatics: state-of-the-art and future

perspectives. In Machine Learning for Health Informatics (pp. 391-414).

Springer, Cham.

Lee, Y. (2015). Recommendation system using collaborative filtering.

Sarwar, B., Karypis, G., Konstan, J. y Riedl, J. (2001). Item-based collaborative

filtering recommendation algorithms. In Proceedings of the 10th

international conference on World Wide Web (pp. 285-295). ACM.

Gong, S. (2010). A collaborative filtering recommendation algorithm based on

user clustering and item clustering. JSW, 5(7), 745-752.

Walunj, S. G., y Sadafale, K. (2013). An online recommendation system for e-

commerce based on apache mahout framework. In Proceedings of the

2013 annual conference on Computers and people research (pp. 153-

158). ACM.

Vozalis, E., y Margaritis, K. G. (2003). Analysis of recommender systems

algorithms. In The 6th Hellenic European Conference on Computer

Mathematics & its Applications (pp. 732-745).

Karydi, E., y Margaritis, K. (2016). Parallel and distributed collaborative filtering: A

survey. ACM Computing Surveys (CSUR), 49(2), 37.

Su, X., y Khoshgoftaar, T. M. (2009). A survey of collaborative filtering

techniques. Advances in artificial intelligence2009: 1-19.

doi:10.1155/2009/421425.

http://www.criticker.com/

http://www.nanocrowd.com/

147

Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender systems: introduction

and challenges. In Recommender systems handbook (pp. 1-34). Springer,

Boston, MA.

Li, X. (2011). Collaborative filtering recommendation algorithm based on cluster.

In Computer Science and Network Technology (ICCSNT), 2011

International Conference on (Vol. 4, pp. 2682-2685). IEEE.

Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2000). "Application of

Dimensionality Reduction in Recommender Systems -- A 6 Study." In

ACM WebKDD Workshop

Sarwar, B., Karypis, G., Konstan, J., y Riedl, J. (2000). Analysis of

recommendation algorithms for e-commerce. In Proceedings of the 2nd

ACM conference on Electronic commerce (pp. 158-167). ACM.

Shardanand, U., y Maes, P. (1995, May). Social information filtering: algorithms

for automating ―word of mouth‖. In Proceedings of the SIGCHI conference

on Human factors in computing systems (pp. 210-217). ACM

Press/Addison-Wesley Publishing Co.

Rodríguez, P. A., Duque, N. D., y Ovalle, D. A. (2016). Método Híbrido de

Recomendación Adaptativa de Objetos de Aprendizaje basado en Perfiles

de Usuario. Formación universitaria, 9(4), 83-94.

Cazella, S. C., Nunes, M. A. S. N., y Reategui, E. (2010). A Ciência da Opinião:

Estado da arte em Sistemas de Recomendação. André Ponce de Leon F.

de Carvalho; Tomasz Kowaltowski. (Org.). Jornada de Atualização de

Informática-JAI, 161-216.

Luque Rodríguez, M. (2005). Modelos de recuperación de la información

basados en información lingüística difusa y algoritmos evolutivos.

Mejorando la representación de las necesidades de información (Doctoral

dissertation, Granada: Universidad de Granada).

Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.

148

İnan, Ö., Arslan, D., Taşdemir, Ş., y Özcan, M. M. (2011). Application of fuzzy

expert system approach on prediction of some quality characteristics of

grape juice concentrate (Pekmez) after different heat treatments. Journal

of food science and technology, 48(4), 423-431.

Trillas, E., y Eciolaza, L. (2015). Fuzzy logic: an introductory course for

engineering students (Vol. 320). Springer.

Klir, G., y Yuan, B. (1995). Fuzzy sets and fuzzy logic (Vol. 4). New Jersey:

Prentice hall.

Simoes, M. G., & Shaw, I. S. (2007). Controle e modelagem fuzzy. Blucher:

FAPESP, São Paulo, BRA.

Tejeda Lorente, Á. (2014). Sistemas de recomendaciones lingüísticos difusos

para la difusión de información en bibliotecas digitales (Doctoral

dissertation, Universidad de Granada).

Aktepe, A., Ersöz, S., y Toklu, B. (2015). Customer satisfaction and loyalty

analysis with classification algorithms and Structural Equation Modeling.

Computers & Industrial Engineering, 86, 95-106.

Carneiro, V. Q., Prado, A. L. D., Cruz, C. D., Carneiro, P. C. S., Nascimento, M.,

y Carneiro, J. E. D. S. (2018). Fuzzy control systems for decision-making

in cultivars recommendation. Acta Scientiarum. Agronomy, 40.

Caneppele, F. D. L., y Seraphim, O. J. (2013). Análise da eficiência energética

em indústrias madeireiras através da lógica fuzzy. Energia na Agricultura,

95-102.

Zadeh, L. A. (1975). The concept of a linguistic variable and its application to

approximate reasoning—I. Information sciences, 8(3), 199-249.

Herrera, F., Herrera-Viedma, E., y Verdegay, J. L. (1996). Direct approach

processes in group decision making using linguistic OWA operators.

Fuzzy Sets and systems, 79(2), 175-190.

149

Torra, V. (2001). Aggregation of linguistic labels when semantics is based on

antonyms. International Journal of Intelligent Systems, 16(4), 513-524.

Yager, R. R. (1988). On ordered weighted averaging aggregation operators in

multicriteria decisionmaking. IEEE Transactions on systems, Man, and

Cybernetics, 18(1), 183-190.

Herrera-Viedma, E., Cordón, O., Luque, M., Lopez, A. G., & Muñoz, A. M. (2003).

A model of fuzzy linguistic IRS based on multi-granular linguistic

information. International Journal of Approximate Reasoning, 34(2-3),

221-239.

Bordogna, G., y Pasi, G. (2001). An ordinal information retrieval model.

International Journal of Uncertainty, Fuzziness and Knowledge-Based

Systems, 9(supp01), 63-75.

Herrera-Viedma, E. (2001). An information retrieval model with ordinal linguistic

weighted queries based on two weighting elements. International Journal

of Uncertainty, Fuzziness and Knowledge-Based Systems, 9(supp01), 77-

87.

Herrera‐Viedma, E. (2001). Modeling the retrieval process for an information

retrieval system using an ordinal fuzzy linguistic approach. Journal of the

American Society for Information Science and Technology, 52(6), 460-

475.

Degani, R., Y Bortolan, G. (1988). The problem of linguistic approximation in

clinical decision making. International Journal of Approximate Reasoning,

2(2), 143-162.

Spyridonos, P., Gaitanis, G., Tzaphlidou, M., y Bassukas, I. D. (2014). Spatial

fuzzy c-means algorithm with adaptive fuzzy exponent selection for robust

vermilion border detection in healthy and diseased lower lips. Computer

methods and programs in biomedicine, 114(3), 291-301.

150

Tavana, M., Momeni, E., Rezaeiniya, N., Mirhedayatian, S. M., y Rezaeiniya, H.

(2013). A novel hybrid social media platform selection model using fuzzy

ANP and COPRAS-G. Expert Systems with Applications, 40(14), 5694-

5702.

Herrera, F., Y Martínez, L. (2000). A 2-tuple Fuzzy Linguistic Representation

Model for Computing with Words, IEEE Transaction on Fuzzy Systems,

8(6), pp. 746-752.

Zhang, Z., Lin, H., Liu, K., Wu, D., Zhang, G., y Lu, J. (2013). A hybrid fuzzy-

based personalized recommender system for telecom products/services.

Information Sciences, 235, 117-129.

Zhang, Z., Lin, H., Liu, K., Wu, D., Zhang, G., y Lu, J. (2013). A hybrid fuzzy-

based personalized recommender system for telecom products/services.

Information Sciences, 235, 117-129.

Herrera-Viedma, E., y Porcel, C. (2009, November). Using incomplete fuzzy

linguistic preference relations to characterize user profiles in

recommender systems. In Intelligent Systems Design and Applications,

2009. ISDA'09. Ninth International Conference on (pp. 90-95). IEEE.

Yager, R. R. (2003). Fuzzy logic methods in recommender systems. Fuzzy Sets

and Systems, 136(2), 133-149.

Cao, Y., y Li, Y. (2007). An intelligent fuzzy-based recommendation system for

consumer electronic products. Expert Systems with Applications, 33(1),

230-240.

Chen, C. M., y Duh, L. J. (2008). Personalized web-based tutoring system based

on fuzzy item response theory. Expert Systems with Applications, 34(4),

2298-2315.

Porcel, C., López-Herrera, A. G., y Herrera-Viedma, E. (2009). A recommender

system for research resources based on fuzzy linguistic modeling. Expert

Systems with Applications, 36(3), 5173-5183.

151

Sánchez Bocanegra, C. L. (2017). HealthRecSys: Sistema Recomendador para

la salud.

Noveck, B. S. (2009). Wiki government: how technology can make government

better, democracy stronger, and citizens more powerful. Brookings

Institution Press.

Wiesner, M., & Pfeifer, D. (2014). Health recommender systems: concepts,

requirements, technical basics and challenges. International journal of

environmental research and public health, 11(3), 2580-2607.

Rokach, L., Shapira, B., & Kantor, P. B. (2011). Recommender systems

handbook. Vol. 1.

Fernandez-Luque, L., Karlsen, R., y Vognild, L. K. (2009). Challenges and

opportunities of using recommender systems for personalized health

education. In MIE (pp. 903-907).

Fernandez-Luque, L., Karlsen, R., y Melton, G. B. (2012). HealthTrust: a social

network approach for retrieving online health videos. Journal of medical

Internet research, 14(1).

Sezgin, E., & Ozkan, S. (2013). A systematic literature review on Health

Recommender Systems. In E-Health and Bioengineering Conference

(EHB), 1-4. IEEE.

Morrell TG, Kerschberg L., (2013). Personal Health Explorer: un sistema de

recomendación de salud semántica. Actas de la 29ª Conferencia

Internacional IEEE 2013 sobre Talleres de Ingeniería de Datos (ICDEW);

Brisbane, Australia, 55-59.

Rivero-Rodriguez A., Konstantinidis S., Sanchez-Bocanegra C., y Fernandez-

Luque L., (2013) Un sistema de recomendación de información de salud:

Enriquecimiento de videos de salud de YouTube con Medline Plus

Información mediante el uso de los Términos de SnomedCT. Actas del

152

simposio internacional IEEE 26o 2013 sobre sistemas médicos basados

en computadora (CBMS); Porto, Portugal,257–261.

Farrell RG, Danis CM, Ramakrishnan S., y Kellogg WA., (2012). Recomendación

retrospectiva intrapersonal: Recomendaciones de cambio de estilo de

vida utilizando patrones estables de comportamiento personal. Actas del

Primer Taller Internacional sobre Tecnologías de Recomendación para el

Cambio de Estilo de Vida (LIFESTYLE 2012); Dublín, Irlanda. 13 de

septiembre de 2012; pp 24

Herlocker J., Konstan J., Terveen L., y Riedl J. (2004). Evaluación de sistemas

de recomendación de filtrado colaborativo. ACM Trans. Inf. Syst. (TOIS).,

22: 5–53.

Chomutare T., Arsand E., y Hartvigsen G., (2011). Apoyo de compañeros

móviles en la diabetes. Semental. Tecnol salud. Informar. 2011; 169: 48–

52

Ghorai K., Saha S., Bakshi A., Mahanti A., y Ray P., (2013). Una recomendadora

de salud para dejar de fumar utilizando el razonamiento basado en casos.

Actas de la 46.a Conferencia Internacional de Hawaii sobre Ciencias del

Sistema (HICSS), 2695–2704.

Hammer, S., Kim, J., y André, E. (2010). MED-StyleR: METABO diabetes-

lifestyle recommender. In Proceedings of the fourth ACM conference on

Recommender systems (pp. 285-288). ACM

Constitución de la República del Ecuador. (2008). CONSTITUCIÓN DE LA

REPÚBLICA DEL ECUADOR. Obtenido de: www.lexis.com.ec

Código Orgánico Penal. (2014). CÓDIGO ORGÁNICO PENAL. Obtenido de:

www.registroficial.gob.ec

Ley de comercio electrónico, F. y M. de D. (2002). LEY DE COMERCIO

ELECTRONICO, FIRMAS Y MENSAJES DE DATOS. Obtenido de:

www.lexis.com.ec

http://www.lexis.com.ec/

http://www.registroficial.gob.ec/

http://www.lexis.com.ec/

153

Sampieri, R. H., Collado, C. F., y Lucio, P. B. (1996). Metodología de la

Investigación. McGraw-Hill.

Ramírez, A. (2014). Lógica fuzzy, verdad y cognición. Revista de filosofía, 70,

133-147.

Salazar, P. H. (1993). El perfil del usuario de información. Investigación

Bibliotecológica: archivonomía, bibliotecología e información, 7(15).

Restrepo, L. F., & González, J. (2007). From pearson to Spearman. Revista

Colombiana de Ciencias Pecuarias, 20(2), 183-192.

Lauphan, W. (2006). El dato científico y la matriz de datos. Universidad Nacional

de Entre Ríos. Facultad de Ciencias Agropecuarias. Argentina.

Samuel, A. L. (1959). Some studies in machine learning using the game of

checkers. IBM Journal of research and development, 3(3), 210-229.

Riquelme Santos, J. C., Ruiz, R., & Gilbert, K. (2006). Minería de datos:

Conceptos y tendencias. Inteligencia artificial: Revista Iberoamericana de

Inteligencia Artificial, 10(29), 11-18.

Organización Mundial de la Salud. (2003). Informe sobre la salud en el mundo

2003: Forjemos el futuro. Diamond Pocket Books (P) Ltd.

Documents

INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE …repositorio.ug.edu.ec/bitstream/redug/39329/1/B... · universidad de guayaquil facultad de ciencias matematicas y fisicas carrera de ingenieria