Upload
others
View
12
Download
0
Embed Size (px)
Citation preview
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
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
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
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
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADAS EN REGLAS Y FUZZY PARA EL ASMA
SOBRE ARTÍCULOS CIENTÍFICOS Y
Y SISTEMAS EXISTENTES.
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:
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADAS EN REGLAS Y FUZZY PARA EL ASMA
SOBRE ARTÍCULOS CIENTÍFICOS Y
Y SISTEMAS EXISTENTES.
Considero aprobado el trabajo en su totalidad.
Presentado por:
Soto Encalada Nube Madeline C.I. 0928183755
Valdez Vera Yomayra Isabel C.I. 0950709386
Tutor: Ing Harry Luna Aveiga. Msig.
Guayaquil, enero del 2019
X
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN NETWORKING Y
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
BASADAS EN REGLAS Y FUZZY PARA EL ASMA
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 7 Análisis de resultados de la pregunta No. 2 ......................................... 88
CUADRO 8 Análisis de resultados de la pregunta No. 3 ......................................... 89
CUADRO 9 Análisis de resultados de la pregunta No. 4 ......................................... 90
CUADRO 10 Análisis de resultados de la pregunta No. 5 ...................................... 91
CUADRO 11 Análisis de resultados de la pregunta No. 6 ...................................... 92
CUADRO 12 Análisis de resultados de la pregunta No. 7 ...................................... 93
CUADRO 13 Análisis de resultados de la pregunta No. 8 ...................................... 94
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 22 Porcentajes de la pregunta No. 2 .................................................... 89
Gráfico 23 Porcentajes de la pregunta No. 3 .................................................... 90
Gráfico 24 Porcentajes de la pregunta No. 4 .................................................... 91
Gráfico 25 Porcentajes de la pregunta No. 5 .................................................... 92
Gráfico 26 Porcentajes de la pregunta No. 6 .................................................... 93
Gráfico 27 Porcentajes de la pregunta No. 7 .................................................... 94
Gráfico 28 Porcentajes de la pregunta No. 8 .................................................... 95
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 31 Etapa 2 del Sistema de Recomendación para el Asma ................. 102
Gráfico 32 Etapa 3 del Sistema de Recomendación para el Asma ................. 103
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
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 SISTEMAS EXISTENTES.
Autor: Soto Encalada Nube Madeline
Autor: Valdez Vera Yomayra Isabel
Tutor: Ing Harry Luna Aveiga. Msig.
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
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN NETWORKING Y
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
Elaboración: Gao, M., Liu, K., & Wu, Z.
Fuente: Information Systems Frontier
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)
Elaboración: Gao, M., Liu, K., & Wu, Z.
Fuente: Information Systems Frontier
Elaboración: Gao, M., Liu, K., & Wu, Z.
Fuente: Information Systems Frontier
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
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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;
Elaboración: Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., & Holzinger, A
Fuente: scholarworks.sjsu.edu
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
Elaboración: Valdez, A. C., Ziefle, M., Verbert, K., Felfernig, A., & Holzinger, A
Fuente: scholarworks.sjsu.edu
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
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
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 7 Análisis de resultados de la pregunta No. 2
RESPUESTAS CANTIDAD PORCENTAJE
Filtrado Colaborativo 5 45.5%
Basado en Contenido 4 36.4%
Híbridos 2 18.2%
TOTAL 11 100%
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 8 Análisis de resultados de la pregunta No. 3
RESPUESTAS CANTIDAD PORCENTAJE
Excelente 10 90.9%
Bueno 1 9.1%
Regular 0 0%
Malo 0 0%
TOTAL 11 100%
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 22 Porcentajes de la pregunta No. 2
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
90
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 9 Análisis de resultados de la pregunta No. 4
RESPUESTAS CANTIDAD PORCENTAJE
Días ≤15 días 7 63.6%
Semanas ≤7 semanas 4 36.4%
Meses ≥ 8semas 0 0%
TOTAL 11 100%
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 23 Porcentajes de la pregunta No. 3
91
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 10 Análisis de resultados de la pregunta No. 5
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
Gráfico 24 Porcentajes de la pregunta No. 4
92
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 11 Análisis de resultados de la pregunta No. 6
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
Gráfico 25 Porcentajes de la pregunta No. 5
93
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 12 Análisis de resultados de la pregunta No. 7
RESPUESTAS CANTIDAD PORCENTAJE
Si 10 90.9%
No 0 0%
Tal vez 9 9.1%
TOTAL 11 100%
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 26 Porcentajes de la pregunta No. 6
94
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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?
CUADRO 13 Análisis de resultados de la pregunta No. 8
RESPUESTAS CANTIDAD PORCENTAJE
Muy confiable 11 100%
Poco confiable 0 0%
Nada confiable 0 0%
Indiferente 0 0%
TOTAL 11 100%
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 27 Porcentajes de la pregunta No. 7
95
Fuente: Datos de la investigación Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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
Gráfico 28 Porcentajes de la pregunta No. 8
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
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 29 Modelo propuesto del sistema de recomendación para el asma
101
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 30 Etapa 1 del Sistema de Recomendación para el Asma
102
Gráfico 31 Etapa 2 del Sistema de Recomendación para el Asma
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
103
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 1 Etapa 3 del Sistema de Recomendación para el Asma
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
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
107
ANEXO 2: Línea de tiempo de los Sistemas de recomendación
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
Gráfico 33 Línea de Tiempo de Sistemas de Recomendación
108
Gráfico 2 Descripción de la línea de Tiempo sistemas de Recomendación
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
109
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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.
Fuente: Datos de la investigación
Elaboración: Soto Encalada Nube y Valdez Vera Yomayra
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
CARRERA DE INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES
PROYECTO DE TITULACIÓN – ENTREVISTA INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS
CIENTÍFICOS Y SISTEMAS EXISTENTES.
PREGUNTA 1: ¿Usted cree que es útil la tecnología en el área de la salud?
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 4: ¿Conociendo el concepto de sistema de recomendación
considera usted que es importante en el área de la salud?
PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de sistemas
de recomendación para personas que padecen de asma?
PREGUNTA 6: ¿Estaría usted de acuerdo en utilizar estos sistemas
recomendadores en su vida laboral?
PREGUNTA 7: ¿Se basaría usted en la información de un sistema
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
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES
PROYECTO DE TITULACIÓN – ENTREVISTA
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS
CIENTÍFICOS Y SISTEMAS EXISTENTES.
Medico General del Hospital Básico Shushufindi de Sucumbíos
Frank Villamar
PREGUNTA 1: ¿Usted cree que es útil la tecnología en el área de la salud?
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.
PREGUNTA 2: ¿Cuál cree usted que ha sido el impacto de la tecnología en
los tratamientos e intervenciones médicas?
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.
PREGUNTA 3: ¿Alguna vez ha escuchado sobre los sistemas
recomendadores aplicados en la salud?
No, he escuchado de ese tema.
131
PREGUNTA 4: ¿Conociendo el concepto de sistema de recomendación
considera usted que es importante en el área de la salud?
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.
PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de
sistemas de recomendación para personas que padecen de asma?
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.
PREGUNTA 6: ¿Estaría usted de acuerdo en utilizar estos sistemas
recomendadores en su vida laboral?
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.
PREGUNTA 7: ¿Se basaría usted en la información de un sistema
recomendador para realizar un diagnóstico y establecer un tratamiento a
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.
PREGUNTA 8: ¿Incentivaría usted a que sus pacientes con asma utilicen
los sistemas de recomendación?
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.
ANEXO 9: Entrevista 2
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES
PROYECTO DE TITULACIÓN – ENTREVISTA
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS
CIENTÍFICOS Y SISTEMAS EXISTENTES.
Medico General del Hospital de Naranjito
Dr. Roberto Calderón
PREGUNTA 1: ¿Usted cree que es útil la tecnología en el área de la salud?
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
PREGUNTA 2: ¿Cuál cree usted que ha sido el impacto de la tecnología en
los tratamientos e intervenciones médicas?
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
PREGUNTA 3: ¿Alguna vez ha escuchado sobre los sistemas
recomendadores aplicados en la salud?
No
133
PREGUNTA 4: ¿Conociendo el concepto de sistema de recomendación
considera usted que es importante en el área de la salud?
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
PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de
sistemas de recomendación para personas que padecen de asma?
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.
PREGUNTA 6: ¿Estaría usted de acuerdo en utilizar estos sistemas
recomendadores en su vida laboral?
Claro que sí, estaré esperando que lleguen a mi consultorio estas nuevas
tecnologías.
PREGUNTA 7: ¿Se basaría usted en la información de un sistema
recomendador para realizar un diagnóstico y establecer un tratamiento a
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.
PREGUNTA 8: ¿Incentivaría usted a que sus pacientes con asma utilicen
los sistemas de recomendación?
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
ANEXO 10: Entrevista 3
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIA MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES
PROYECTO DE TITULACIÓN – ENTREVISTA
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADAS EN REGLAS Y FUZZY PARA EL ASMA SOBRE ARTÍCULOS
CIENTÍFICOS Y SISTEMAS EXISTENTES.
Medico General
Dr. Arturo Rosales
PREGUNTA 1: ¿Usted cree que es útil la tecnología en el área de la salud?
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.
PREGUNTA 2: ¿Cuál cree usted que ha sido el impacto de la tecnología en
los tratamientos e intervenciones médicas?
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.
PREGUNTA 3: ¿Alguna vez ha escuchado sobre los sistemas
recomendadores aplicados en la salud?
No he escuhado sobre los sistemas recomendadores, pero me imagino que
emiten recomendaciones sobre diversas enfermedades.
PREGUNTA 4: ¿Conociendo el concepto de sistema de recomendación
considera usted que es importante en el área de la salud?
135
Según su explicación considero que un sistema de recomendación traería
consigo multiples beneficios tanto para los médicos como para el paciente.
PREGUNTA 5: ¿Considera que sería beneficioso o adecuado el uso de
sistemas de recomendación para personas que padecen de asma?
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.
PREGUNTA 6: ¿Estaría usted de acuerdo en utilizar estos sistemas
recomendadores en su vida laboral?
Me encantaría utilizarlo en mi vida laboral ya que uno siempre debe aprender
cosas nuevas y más aún cuando traen consigo grandes beneficios.
PREGUNTA 7: ¿Se basaría usted en la información de un sistema
recomendador para realizar un diagnóstico y establecer un tratamiento a
sus pacientes?
Tomaría en cuenta ciertos criterios del sistema de recomendación, pero el
diagnóstico siempre será basado en mis conocimientos.
PREGUNTA 8: ¿Incentivaría usted a que sus pacientes con asma utilicen
los sistemas de recomendación?
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.
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).
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.
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
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.