MODELADO DE COMUNIDADES PARA LA RECOMENDACIÓN DE
CONTENIDOS EN MUSEOS
COMMUNITY MODELLING FOR THE RECOMMENDATION OF
CONTENTS IN MUSEUMS
TRABAJO FIN DE GRADO
CURSO 2020-2021
AUTORES
IAGO ZAMORANO CHOUCIÑO
MARCOS RAFAEL NÚÑEZ
VADYM BATSULA BILENKA
DIRECTORES
GUILLERMO JIMÉNEZ DÍAZ
MARÍA BELÉN DÍAZ AGUDO
GRADO EN INGENIERÍA INFORMÁTICA
FACULTAD DE INFORMÁTICA
UNIVERSIDAD COMPLUTENSE DE MADRID
MODELADO DE COMUNIDADES PARA LA
RECOMENDACIÓN DE CONTENIDOS EN MUSEOS
COMMUNITY MODELLING FOR THE RECOMMENDATION
OF CONTENTS IN MUSSEUM
TRABAJO DE FIN DE GRADO EN INGENIERÍA INFORMÁTICA
DEPARTAMENTO DE INGENIERÍA DE SOFTWARE E INTELIGENCIA ARTIFICIAL
AUTORES
IAGO ZAMORANO CHOUCIÑO
MARCOS RAFAEL NÚÑEZ
VADYM BATSULA BILENKA
DIRECTORES
GUILLERMO JIMÉNEZ DÍAZ
MARÍA BELÉN DÍAZ AGUDO
CONVOCATORIA: JUNIO 2021
CALIFICACIÓN:
GRADO EN INGENIERÍA INFORMÁTICA
FACULTAD DE INFORMÁTICA
UNIVERSIDAD COMPLUTENSE DE MADRID
15 DE JUNIO DE 2021
III

V
RESUMEN
Modelado de comunidades pa a explo ación y
ecomendación de con enidos en museos
Las comunidades lle an consigo una implíci a elación de simili ud en e los indi iduos
que las con o man. Las elaciones en e los indi iduos y el di e en e mé odo que engamos en
cuen a a la ho a de p ecisa cie as ca ac e ís icas comunes de e minan las comunidades que se
puedan llega a encon a .
Es e abajo p e ende desa olla una se ie de he amien as que pe mi an la de ección de
comunidades de usua ios, así como la isualización de las mismas. Se expe imen a á con
di e en es écnicas de clus e ing explo ando las di e en es comunidades esul an es. Se desa olla á
una aplicación que pe mi a la explo ación de los di e en es esul ados ob enidos, así como la
expe imen ación a la ho a de modi ica las medidas de simili ud y la in luencia en los esul ados.
Palab as cla e
Clus e ing, simili ud, a e, SPARQL, comunidades, dis ancia.
VI
VII
ABSTRACT
Communi y modeling o explo a ion and con en
ecommenda ion in museums
The communi ies in ol e simila i y ela ionship be ween indi iduals on i . Rela ionships
be ween hese people and he me hod we conside a he ime o speci ying a ious common
ea u es will de e mine he communi ies ha may be ound.
This wo ks p e ends o de elop a se o ools ha allow us o de ec communi ies o use s,
as well as hei isualiza ion. The e will be done expe imen a ions wi h di e en clus e ing
echniques explo ing in he p ocess he communi ies ha will esul om hese expe imen s. An
applica ion will be de eloped wi h he pu pose o explo ing di e en esul s ob ained, as well as
es ing di e en simila i ies and hei in luences.
Keywo ds
Clus e ing, simila i y, a , SPARQL, communi ies, dis ance.
1
Capí ulo 1 - In oducción
El se humano es social po na u aleza. A lo la go de oda su his o ia, ha a ado de
o ganiza se en g upos de indi iduos pa a, no solo in en a sob e i i , si no pode compa i
hábi os, gus os, cul u a o u inas con los miemb os de dicho g upo. El sen imien o de pe enencia
a una comunidad con la que se compa en di e en es ca ac e ís icas puede se muy g a i ican e
pa a las pe sonas que la componen.
Son di e sos los campos de es udio que sacan p o echo del concep o de comunidad a la
ho a de ealiza es udios sob e la población, ya que esul a más sencillo encon a es uc u a o
ca ac e iza g upos de pe sonas con ca ac e ís icas comunes que es udia los indi idualmen e.
Es p ecisamen e en la idea de compa i elemen os o ca ac e ís icas donde eside la
po encia de pode modela o de ec a comunidades, ya que, si somos capaces de euni a un g upo
de indi iduos en o no a una idea, a ición, cos umb e o alo común, además de p omo e la
socialización y comunicación, lo cual siemp e es posi i o pa a el p og eso como pe sona, se á más
ácil di igi les mensajes, o ece les p oduc os o ecomenda les cualquie ipo de con enido.
Po o o lado, i imos en un momen o en el que la adquisición de da os a pa i de senso es,
ecnologías mó iles o simplemen e na egación po in e ne i e un momen o álgido. Es o, jun o
con las dis in as écnicas pa a la ex acción de la in o mación con o man lo que se conoce como
Big-Da a. La aplicación de es as écnicas pe mi e en e o as muchas, la de ección de comunidades
po medio de mecanismos de ap endizaje au omá ico.
Po ello, con es e abajo buscamos desa olla una se ie de he amien as de de ección y
isualización de comunidades. Es as he amien as end án dis in as aplicaciones como encon a
una se ie de comunidades de usua ios de museos en base a una se ie de alo aciones ace ca de
dis in as ob as, jun o con cie as ca ac e ís icas demog á icas de los mismos, con el obje i o de
pode así es udia sus gus os con mayo acilidad y que es as comunidades puedan se de u ilidad
a la ho a de op imiza nues as he amien as pa a ealiza les ecomendaciones, an o de ob as que
pod ían esul a les in e esan es, como de pe sonas con las que con bas an e segu idad compa i án
gus os en el a e.

2
1.1 Mo i ación
El obje i o de es e abajo es desa olla he amien as pa a encon a , modela , ca ac e iza
y isualiza una se ie de comunidades de pe sonas en museos de a e. Pa iendo de un caso de
es udio de un conjun o de usua ios de los que se ienen da os demog á icos y una se ie de opiniones
ace ca de di e sas ob as de a e, la idea es pode encon a comunidades de usua ios explo ando
las simili udes y di e encias en e dichos usua ios, a ando de encon a asgos comunes, ya sean
a ni el demog á ico o de alo ación a ís ica. Aunque las he amien as son especí icas pa a nues o
dominio (a e), las écnicas de modelado se pueden aplica a o os campos adap ando las medidas
de simili ud en las que se basan las comunidades.
Aplicando dis in os ipos de modelado y algo i mos el obje i o es iden i ica y isualiza
es os g upos pa a encon a un mecanismo que nos pe mi a conc e a dichos g upos, pa a que luego
puedan se u ilizados con o os ines como pueden se el de la ecomendación de con enidos del
museo, azado de u as que más puedan ag ada al usua io en unción de sus opiniones o la
in e acción de pe sonas en la misma comunidad.
1.2 Obje i os
Los obje i os más ele an es de nues o abajo en cuan o con ibución son los siguien es:
• Realiza un es udio compa a i o de las écnicas de clus e ing, sus di e encias y
simili udes pa a a a de a e igua cuál puede se la más adecuada, an o de ca a a
llega al obje i o de mane a óp ima, con el meno cos e de iempo posible, como
pa a o ma comunidades en unción de la si uación y el con ex o en que se quie an
aplica .
• De ini una medida de simili ud en e cuad os que podamos u iliza pa a elaciona
pe sonas en base a su opinión/ alo ación sob e cie as ob as. En es e p oceso se
de inen una se ie de simili udes pa ciales basadas en di e en es ca ac e ís icas de
los cuad os, sob e las cuales u iliza emos unas medidas de peso conc e as según
cie os c i e ios, pa a inalmen e combina las en una simili ud gene al. De mane a
pa alela, se expe imen a á con el impac o que iene la medida de simili ud en el
p oceso de de ección de comunidades.
3
• Desa olla una in e az a pa i de un caso de es udio con da os eales que nos
pe mi a con igu a a iaciones de es a medida de simili ud en e cuad os,
pe mi iendo isualiza los, y pudiendo ajus a los pesos de las simili udes pa ciales
pa a e como a ían los esul ados en unción de los mismos.
• Modela una se ie de comunidades u ilizando écnicas de clus e ing que de inan la
dis ancia en e usua ios en unción de las dis in as medidas de simili ud, con el in
de encon a o os usua ios que hayan alo ado de la misma mane a las mismas
ob as u o as simila es.
• Expe imen a con he amien as de isualización exis en es y es udia su adecuación
en base las ca ac e ís icas de las comunidades de ec adas en el dominio del abajo.
P opone alguna de ellas que pe mi a ca ac e iza las comunidades en base a
dis in os c i e ios ya sean demog á icos, de gus os sob e a e o isualiza de alguna
mane a su cohesión.
Los obje i os a ni el de ap endizaje pe sonal son los siguien es:
• En en a nos du an e el desa ollo del abajo con concep os y écnicas de
p og amación o de diseño que no nos esul en amilia es o que no hayamos
es udiado en el g ado pa a pode así amplia nues os conocimien os y
compe encias.
• Descub i y u iliza di e en es he amien as nue as que nos ayuden a desa olla
nues as ideas, an o po pa e écnica como eó ica.
1.3 Plan de abajo
Una ez hemos expues o cual es la mo i ación de es e abajo y cuáles son los obje i os
que nos gus a ía cumpli , pasamos a e como hemos o ganizado el p og eso del mismo.
En las p ime as ases del p oyec o, p ocu amos amilia iza nos con las di e en es écnicas
de clus e ing, es udiando las ca ac e ís icas y el uncionamien o de cada una de ellas. Las
4
conclusiones y esumen de la e isión de las écnicas de clus e ing se han incluido en el Capí ulo
2 (Es ado de la cues ión).
Una ez conocimos en de alle dichas écnicas, las aplicamos sob e un conjun o de da os
demog á icos pa a a a de en ende qué ni el de ele ancia podían ene a la ho a de de ini
comunidades pa a así pode desca a cie as de ellas, y man ene las que esul en sa is ac o ias.
Pos e io men e, como el esul ado del análisis de los da os demog á icos no esul aba del odo
ele an e, decidimos cambia el en oque y conside a los da os de alo aciones de los usua ios
sob e las ob as, que inalmen e se ían los que u iliza íamos pa a modela las comunidades. Pa a
abaja en base a los da os de opinión de usua io, decidimos plan ea una medida de simili ud
en e las ob as, la cual es a ía compues a po di e sas medidas pa ciales que conside asen dis in os
a ibu os de los cuad os como se de alla en el Capí ulo 3 (Modelado de comunidades).
Pa a pode isualiza y comp ende a ondo la medida de simili ud en e ob as, hemos
desa ollado una in e az que pe mi ie a isualiza los cuad os más simila es a uno dado, ajus ando
las medidas de simili ud empleadas. Es a pa e se de alla en el Capí ulo 4 (Implemen ación), an o
la pa e ela i a a su uncionamien o (backend) como la isual ( on end).
Además, hemos buscado algún mé odo o c i e io pa a pode de ini con qué pesos
compa amos las ob as a la ho a de c ea las comunidades, ya sea desa ollando alguna he amien a
pa a su búsqueda u ob eniendo in o mación ele an e pa a su decisión
Pa a lle a cabo la de ección de comunidades aplicamos las medidas de simili ud
es ablecidas en e los cuad os pa a encon a usua ios que alo en de o ma pa ecida las ob as.
Finalmen e, ep esen a emos los da os más ele an es de es as comunidades de usua ios u ilizando
di e en es he amien as de isualización.
5
Capí ulo 2 - Es ado de la cues ión
Pa a pode en ende el p oceso de de ección de comunidades p ime o hay que explica el
con ex o en el que se encuen an las dis in as écnicas y p ocesos u ilizados.
La ab umado a can idad de da os que hoy po hoy se gene an (algo más de 2,5 exaby es
según IBM), hace de ellos, una en ada de in o mación de g an olumen. La na u aleza de los da os
aba ca casi cualquie campo hoy en día. Desde da os médicos has a da os banca ios. Es a g an
can idad de da os es lo hoy se conoce po Big Da a. Sin emba go, el Big Da a no solo cons a de la
gene ación y adquisición de da os sino ambién de las écnicas que se aplican pa a ex ae
in o mación ele an e de los da os. Algunas de esas écnicas son las denominadas écnicas de
clus e ing. En conc e o, aquellas écnicas de clus e ing capaces de e ela cie a es uc u a den o
de los indi iduos. Po es a azón, du an e el desa ollo de es e abajo se han aplicado dis in as
écnicas de clus e ing [1].
Pa a pode aplica es as écnicas de clus e ing es necesa io la ecupe ación de da os. El
pa adigma Linked Da a o ece nume osas he amien as pa a pode accede a dis in os da os
u ilizando en nues o bene icio las edes semán icas sob e las que se de inen.
2.1 Técnicas de clus e ing
La u ilización del modelo de ap endizaje no supe isado es undamen al, al pe mi i el
ap endizaje au oma izado pa a en ena la máquina y así pode conoce y ag upa los conjun os de
da os. Es o es necesa io, en e al ap endizaje supe isado, po que a p io i no enemos in o mación
sob e la clase a la que pe enecen los elemen os, po an o, debemos descub i pa ones y
ca ac e ís icas que pe mi an ag upa los da os de la mane a más p ecisa posible.
Exis en dos écnicas básicas de explo ación en el ap endizaje no supe isado: las de
ag upamien o o clus e ing, basadas en los indi iduos y las de educción de dimensionalidad, que
se basan en las a iables [2].
En las écnicas de educción de dimensionalidad, el obje i o es educi un conjun o de
a iables en subconjun os que di ie an lo mínimo posible de sus o iginales. Muchos ac o es
esul an es ienen de la combinación de a ias a iables. Las a iables o iginales que más
6
impac en en un ac o se án las que se elacionen en e sí esul ando en subg upos comunes [3].
La educción de dimensionalidad puede p esen a los siguien es p oblemas:
• Ob ene una can idad de dimensiones an ele ada que no con enga los su icien es
ejemplos pa a ca ac e iza cie os conjun os.
• A la ho a de encon a a iables que impac en en los ac o es, puede habe algunas
que no o ezcan ninguna con ibución y con undan el sis ema.
• Su isualización no es an sencilla como o os algo i mos.
En es e caso, la écnica que nos concie ne es el clus e ing. De ca a a a on a el abajo que
se nos p esen a, los p incipales p oblemas que nos encon amos son:
• Selecciona las a iables más impo an es, las que ealmen e engan impac o en el
ap endizaje au oma izado, dado que es bas an e p obable que haya a ias de ellas
i ele an es y que no o ezcan ninguna u ilidad al p oceso, ya sea po que sean
demasiado escue as o po que no sean lo su icien emen e desc ip i as.
• La ep esen ación que pueden ene algunos a ibu os. Es o complica la
p epa ación del algo i mo de clus e ing, dado que puede habe a iables en e sí
con o ma os no ep esen a i os o que no puedan elaciona se de mane a di ec a,
ya sea po o ma o, o po ipo; lo cual ue za a e ac o iza muchos de ellos de
mane a cohe en e y e icien e.
El obje i o inal del p oceso clus e ing es gene a conjun os de indi iduos lo más pa ejos
en e sí den o del conjun o y lo más di e en es posible con los de o os g upos. Las medidas de
simili ud que de inen es as dis ancias en e indi iduos y conjun os son las esul an es de esol e
los p oblemas mencionados an e io men e y de iniendo los a ibu os que mejo ca ac e icen a los
obje os.
Exis en es p incipales amilias de écnicas de ag upamien o: clus e ing je á quico y
clus e ing basado en pa iciones y clus e ing basado en densidad.
En cuan o al ag upamien o je á quico (Figu a 1 Modelo es uc u al del clus e ing
je á quicoFigu a 1), llamamos de es a mane a al mé odo que ag upa los da os según la dis ancia

7
en e cada uno de ellos y buscando que los que es án den o de un mismo clus e son los más
simila es. Un ejemplo cla o es el aglome a i o, que comienza de iniendo an os clus e s como
indi iduos haya y a pa i de es e pun o i ag upando los más ce canos en e sí has a o ma un
solo conjun o. El pun o más impo an e de es o es de ini la dis ancia que a a medi la p oximidad
en e elemen os [4]. Habi ualmen e se u ilizan las mé icas Minkowski. Una ez elegida la mé ica,
se designan los pun os de e e encia que se medi án. En es e caso enemos es opciones:
• Cen oide: Mide la dis ancia en e los pun os medios de cada clus e .
• Enlace simple: Se iene en cuen a la medida en e los pun os más ce canos en e
conjun os.
• Enlace comple o: Se oman los pun os más alejados de los clus e .
En el caso del algo i mo basado en pa iciones, su obje i o es di idi el espacio en k clus e s
en los cuales se si úan los indi iduos de la mejo mane a posible. El más común es k-means (Figu a
2), y su mane a de unciona es la siguien e: T as ija el alo k mencionado an e io men e, se
gene an k pun os alea o ios en el espacio llamados cen oides. A con inuación, se asignan los
obje os que buscamos ag upa al cen oide más ce cano en el á ea y se uel e a calcula el
cen oide de ese clus e en base a la nue a asignación de pa icipan es del mismo. Es e p oceso se
Figu a 1 Modelo es uc u al del clus e ing je á quico
8
epi e has a que los cen oides se man engan en el si io, lo cual en ese momen o signi ica que
hemos llegado a la disposición más op imizada.
Figu a 2 P oceso de ajus e de cen oides en el algo i mo de k-means
Po o o lado, pa a el ap endizaje supe isado se necesi an p e iamen e ejemplos ya
clasi icados, pa a así pode el sis ema ap ende unciones que pe mi an es ablece eglas más
p ecisas de clasi icación.
El ap endizaje supe isado se di ide, según su a iable, de las siguien es dos mane as:
• Si la a iable es numé ica, se a a de un p oblema de eg esión.
• Si, po el con a io, la a iable es ca egó ica, el p oblema es de clasi icación.
En e las écnicas más ele an es del ap endizaje supe isado, se encuen a el k-NN (k
nea es neighbo s). Se a a de un algo i mo basado en c i e ios de ecindad, el cual, a a és de
unos ac o es de clasi icación dados inicialmen e, se an eag upando los indi iduos en base a la
ce canía con o os que sean más pa ecidos [5].
9
Po o o lado, exis e la écnica basada en á boles de decisión, la cual, a aíz de un conjun o
inicial, se cons uye un á bol donde cada nodo p egun a po el alo de una a iable que se i á
pa a clasi ica nue as en adas que ayan ocu iendo.
De ca a a la u ilización de medidas de simili ud, debemos encon a écnicas que puedan
abaja con ma ices de dis ancia en e los di e en es indi iduos. Los algo i mos de clus e ing que
hemos es udiado an e io men e, a an los da os como pun os en el espacio, en e los que mide la
dis ancia median e di e en es mé odos. En es e caso no con amos con pun os en el espacio sino
con una he amien a que mide la dis ancia en e dos indi iduos, po an o, necesi amos u iliza
mé odos que puedan calcula clus e s con ella.
En es e sen ido, conside amos p ime amen e el mé odo de k-medoids [6], que es una
modi icación de la écnica k-means. La p incipal di e encia es que k-medoids u iliza uno de los
da os como cen o del clus e , en ez de calcula el pun o medio ep esen a i o de cada g upo en
el espacio. Es po ello po lo que pe mi e abaja con una medida de dis ancia pe sonalizada sin
necesidad de de ini a unos indi iduos en pun os conc e os del espacio.
O o mé odo que se puede adecua con acilidad es DBSCAN [7](Densi y Based Spa ial
Clus e ing o Applica ions wi h Noise) que pe enece a la amilia de mé odos basados en densidad.
Es a écnica i e a sob e los da os ag upando en un mismo clus e odos los pun os que es én a una
dis ancia igual o meno que un alo épsilon (Figu a 3). Es po ello po lo que se da el caso en que
cie os pun os de los da os no sean incluidos en ningún clus e al no es a den o del ango mínimo
de p oximidad con espec o a ningún o o y sean e ique ados como uido. En es e sen ido en a en
juego el segundo pa áme o con el que abaja DBSCAN, el amaño mínimo de los clus e s. Es e
úl imo alo de ine cuan os alo es son necesa ios pa a pode de ini un clus e . Obsé ese que, si
es e úl imo alo se de ine a 1, cada da o que an e io men e se e ique aba como uido al no es a
ce ca de ningún o o da o, con o ma a su p opio clus e . Es e mé odo supone una en aja con
espec o a los an e io es al c ea clus e s densos en los que sus da os es án con un mínimo de
p oximidad en e ellos, ya que los an e io es incluyen odos los da os en un clus e
independien emen e de la dis ancia que los sepa e.
10
Figu a 3 Esquema DBSCAN mínimo de 3 mues as po clus e
2.2 He amien as de Linked Da a
La Web Semán ica [8] es una ex ensión de la Wo ld Wide Web que p ocu a da le una
es uc u a más o ganizada al conocimien o en la misma. C eada en 1990 en el CERN po Tim
Be ne s-Lee y Robe Cailliau, la Wo ld Wide Web se basa en una colección de documen os de
ex o no es uc u ados, pensado pa a se u ilizados e in e p e ado po pe sonas. Al ca ece de una
o ganización cla a, ealiza búsquedas p ecisas po signi icado o elaciones no es posible,
educiéndose las posibilidades a encon a me as coincidencias ex uales.
Es po ello po lo que en 2001 Tim Be ne s-Lee p opone la idea de la Web Semán ica,
buscando da una es uc u a más cla a al conocimien o que con iene la web y que así pueda
ambién se accedido, in e p e ado y u ilizado po agen es so wa e y no solo po pe sonas. De es a
inicia i a su gen dis in as ecnologías que a an de do a a la web de una es uc u a semán ica
17
c ea una bolsa de cuad os simila es bajo cie os c i e ios. Una ez conc e ada la simili ud en e
cuad os, se u ilizan los sen imien os de los usua ios pa a, en un p ime luga , sabe que cuad os
han alo ado posi i a y nega i amen e y, en un segundo luga , u iliza la medida de simili ud en e
cuad os pa a c ea una bolsa de cuad os que son del ag ado o desag ado del usua io. Con odo es o
ya podemos conc e a una medida de simili ud álida pa a los usua ios.
A con inuación, se explica de mane a de allada cada una de las simili udes p incipales
de inidas pa a la de ección de comunidades de usua ios.
3.2.1 Simili ud de usua ios
Como comen ábamos al p incipio del capí ulo, necesi amos pode de ini una medida de
simili ud en e los dis in os usua ios pa a pode ag upa los en comunidades, ya que las di e en es
écnicas de clus e ing que u iliza emos pa a ello equie en conoce cuan ce ca es án los unos de
los o os a la ho a de de ini es os g upos. Pa a ello hemos de conside a las alo aciones y
opiniones que cada pe sona ha p opo cionado sob e los cuad os. Con es a idea hemos de inido una
medida de simili ud en e las ob as al que la podamos u iliza a la ho a de pode compa a dos
conjun os de cuad os que dos usua ios han alo ado de cie a mane a.
Los usua ios han comen ado sob e una se ie de ob as la emoción que es a les causa o
inspi a. A su ez es as emociones han sido e ique adas con es pola idades, siendo es as posi i e,
nega i e y mixed con el obje i o de pode ob ene conjun os de cuad os que les gus en, no les
gus en o les esul en indi e en es. A la ho a de en en a dos usua ios pa a ob ene su índice de
simili ud, es ú il ene conjun os de cuad os los más amplios posibles pa a ob ene medidas más
signi ica i as, y es po ello po lo que a la ho a de compa a los conside amos los conjun os de
cuad os que han alo ado con cie a pola idad, dejando de lado las emociones conc e as, con las
que solo ob end íamos conjun os pequeños y en muchos casos acíos.
Una ez hemos decidido que lle a emos a cabo las compa aciones de usua ios en en ando
conjun os de ob as que han alo ado con cie a pola idad, hemos de de ini un mé odo que,
haciendo uso de las medidas de simili ud en e cuad os que de ini emos pos e io men e, de uel a
el índice de simili ud en e ambos conjun os de ob as.

18
Una p ime a ap oximación que omamos ue conside a la simili ud media de los cuad os
de ambos conjun os. La idea e a oma las ob as de ambos de dos en dos y ob ene así odas las
simili udes de cada posible pa eja, pa a después pode calcula la media. El p oblema que
p esen aba es e mé odo es que conside a la media cen aba en exceso los esul ados, ob eniendo
g an pa e de los usua ios índices de simili ud muy ce canos.
Pa a consegui una medida algo más signi ica i a y disc iminan e a la ho a de compa a
conjun os de inimos el mé odo que desc ibimos a con inuación:
La idea p incipal es ex ende los conjun os de ob as alo adas en cie a pola idad iniciales
de cada usua io (Figu a 7). Pa a lle a lo a cabo usamos la medida de simili ud de cuad os pa a
ecupe a los k (pa ame izable) cuad os más simila es a cada uno de los p esen es en cada
conjun o. O a opción se ía ecupe a pa a cada cuad o aquellos que supe en un cie o umb al
(pa ame izable) de simili ud.
Figu a 7 Ex ensión de los conjun os de ob as alo adas po usua ios con ob as simila es
Una ez hemos ex endido ambos conjun os de ob as, podemos aplica alguna medida de
simili ud en e los dos. En es e caso aplicamos el coe icien e de simili ud en e conjun os de
Jacca d que se calcula de la siguien e mane a: Sean A y B dos conjun os, de inimos el coe icien e
19
de simili ud de Jacca d como el cocien e en e el ca dinal de la in e sección y el ca dinal de la
unión de A y B.
𝐽(𝐴,𝐵)= |𝐴∩𝐵|
|𝐴∪𝐵|
El coe icien e de simili ud de Jacca d nos da una idea de en qué medida dos conjun os de
solapan. Lle ado a nues o caso, es una medida muy indica i a de cuan pa ecidos son las
alo aciones de dos usua ios. Al habe ecupe ado los cuad os más simila es con espec o al
conjun o o iginal, dos usua ios con gus os pa ecidos end án un índice de solapamien o muy al o.
Sin emba go, dos usua ios más disonan es, ob end án un po cen aje de solapamien o
mucho meno ya que si sus cuad os no son simila es, con la ex ensión de los conjun os, no
ob end án ampoco demasiada coincidencia.
3.2.2 Simili ud de cuad os
El p oceso de de ección de comunidades de usua ios hace uso de una medida de simili ud
en e cuad os p e ia. El obje i o de es a simili ud es pode conc e a cuan o de simila es son los
cuad os en e sí en base unas a iables conc e as. Pa a de ini la medida de simili ud en e dos
cuad os se u ilizan di e sas simili udes pa ciales de mane a ponde ada. Es deci , adjudicando
di e sos pesos a cada una de las simili udes pa ciales. Pa a lle a lo a cabo, se cons uye una ma iz
de dis ancias en e los cuad os siendo 1 la simili ud más al a y 0 la más baja en e un pa de cuad os
dados. Pa a ello, se han de inido cinco medidas de simili ud pa cial. Con es a écnica se en iquece
de mane a sus ancial la simili ud en e cuad os. Sin emba go, su ge una g an cues ión una ez
conc e adas y de inidas las simili udes pa ciales de los cuad os. ¿Qué peso deben ene cada una
de las a iables al compa a dos cuad os? Pa a esponde es a p egun a debemos en ende que
epe cusión iene el uso de los pesos.
20
Si po ejemplo que emos compa a los cuad os de la Figu a 9 y la Figu a 8 en base al au o
exclusi amen e, la a iable au o end á el peso o al de la simili ud. Es deci , los posibles
esul ados que ob end emos se án la comple a simili ud (100%) en caso de coincidencia de au o
o el 0% en caso con a io. Pa a es e caso, se ob end ía un 100% de simili ud ya que ambos cuad os
pe enece a F ancisco Goya. Sin emba go, si aho a omamos dos a ibu os de los cuad os como
au o y colo dominan e, y cada uno iene un peso de 40% y 60% espec i amen e e emos que
los índices de simili ud a ían. En es e caso, si el au o coincide, pe o el colo p edominan e no,
ob end emos una simili ud de un 40% en e esa pa eja de cuad os. Como se puede obse a , la
epe cusión a la ho a de elegi el peso de cada una de las simili udes pa ciales es de i al
impo ancia a la ho a de compa a dos cuad os.
Cabe des aca que los dis in os pesos que se apliquen a las simili udes pa ciales no lle an
consigo una conno ación ni posi i a ni nega i a. G acias a es e plan eamien o, se pueden cons ui
dis in as medidas de simili ud en e cuad os pe mi iendo gene a comunidades de usua ios bajo
cie os c i e ios. Si po ejemplo quisié amos de ec a comunidades de usua ios en base al gus o
po un au o exclusi amen e, se ía an ácil como ajus a el peso al 100% de la a iable au o . De
es a mane a se consegui ía de ini comunidades que ienen como ca ac e ís ica común su gus o
po un au o en conc e o.
En los siguien es subapa ados se explica de mane a de allada cómo se han u ilizado los
siguien es a ibu os de los cuad os como medidas de simili ud pa cial.
• Simili ud po con enido
• Simili ud po colo dominan e
• Simili ud po amaño
• Simili ud po a is a y mo imien o
• Simili ud po e o cuad á ico medio po píxel
Figu a 9 La maja desnuda
Figu a 8 Los usilamien os del es de mayo
21
3.2.2.1 Simili ud po con enido
El con enido de un cuad o se de ine po los elemen os que es án ep esen ados en él, que
llama emos depic s. Podemos obse a , po ejemplo, los depic s de la ob a La endición de B eda
de Velázquez en la Figu a 10. Se a a de una a iable muy desc ip i a y ep esen a i a de la
emá ica del mismo, po lo que una compa a i a en e ellos puede supone una buena medida de
simili ud en e dos ob as. Además, accede a es a in o mación es muy sencillo a a és de Wikida a
ya que se a a de una de las p incipales p opiedades de las ob as (P180).
Figu a 10 Depic s de la ob a La Rendición de B eda de Velázquez
Pa a de ini una medida de simili ud en e dos conjun os de concep os, como son los
ep esen ados en un cuad o, no debemos limi a nos a la coincidencia di ec a de é minos ya que
en la mayo ía de los casos és a se á muy limi ada y es a emos pe diendo in o mación. Po ejemplo,
si en dos cuad os podemos encon a un ondo boscoso, pe o en un caso se a a de un pina y en
el o o se a a de un encina . No podemos desecha esa in o mación po que simplemen e solo
conside emos la coincidencia di ec a de los concep os pino y encina, debe íamos pode abs ae nos
has a el concep o de á bol.
Es po ello po lo que la medida de simili ud que hemos de inido pa a los conjun os de
depic s de dos cuad os iene en cuen a las supe clases de cada concep o, en cie a p o undidad. En
es e caso, hemos ecupe ado las p opiedades “ins ance o ” (P31 en wikida a) y “subclass o ”
22
(P279 en wikida a) pa a u iliza las como supe clases, ya que ep esen an los concep os en un ni el
abs acción mayo , conse ando, sin emba go, la semán ica de los mismos.
Debemos conside a ambién la p o undidad en la que ecupe a emos es os concep os, es
deci , cuan o amos a escala en la je a quía de supe clases de dos pa es de concep os a la ho a de
busca coincidencias. También es impo an e que la medida de simili ud en e dichos pa es de
concep os enga en cuen a en qué p o undidad se ha hallado un é mino coinciden e, ya que cuan o
más subimos en el á bol de supe clases, más gene ales se án los concep os que ecupe emos y nos
exponemos a una p obable pé dida de semán ica si nos excedemos al subi en la je a quía.
Vol iendo al ejemplo an e io (Figu a 11), los concep os pino y encina, coincidi án con o al
segu idad en el p ime ni el ya que ambos son subclases de á boles. Sin emba go, conside ando
de nue o el concep o del pino y en es e caso el de un animal como puede se un caballo, aunque
no coincidan en p ime a ins ancia, lo acaba án haciendo e en ualmen e al se , ambos, subclases
de se es i os. Teniendo es o en cuen a, debemos aplica en nues a medida de simili ud algún
mecanismo que pese las medidas en unción de la al u a en que los concep os coincidan.
Figu a 11 Supe clases comunes en e concep os de dos conjun os de depic s
Con odo, plan eamos la medida de simili ud como la simili ud del coseno en e dos
ec o es con pesos comp endidos en el ango [0,1] que cons uimos con el siguien e o ma o:
Sea A conjun o de depic s del p ime cuad o y B el conjun o de depic s del segundo cuad o.
Conside emos los siguien es conjun os pa a a a po sepa ado los concep os p esen es en ambos
cuad os y los que en cambio son exclusi os de cada uno:
1. In e sección: de inida como A ∩ B

23
2. Exclusi os de A: de inido como A (A ∩ B)
3. Exclusi os de B: de inido como B (A ∩ B)
4. Comunes de A y B: conjun o de an eceso es comunes de los concep os de Exclusi os
de A y Exclusi os de B omados de dos en dos
5. Desca es: conjun o de concep os de A y B pa a los que se han encon ado an eceso es
comunes y se han incluido en el conjun o an e io
Conside ando los an e io es conjun os, y, al y como podemos obse a en la Figu a
12, cons uimos los ec o es inse ando pa a cada concep o de los siguien es conjun os los
siguien es pesos:
- Pa a odos los concep os del conjun o In e sección inse amos el alo máximo 1
en ambos ec o es, indicando la p esencia de cada concep o en ambas ob as.
- Pa a odos los concep os del conjun o Exclusi os de A, excep uando los incluidos
en el conjun o Desca es, inse amos el alo máximo 1 en el ec o de pesos de A
y el alo mínimo 0 en el ec o de pesos de B
- Pa a odos los concep os del conjun o Exclusi os de B, excep uando los incluidos
en el conjun o Desca es, inse amos el alo máximo 1 en el ec o de pesos de B
y el alo mínimo 0 en el ec o de pesos de A
- Pa a odos los concep os del conjun o Comunes, inse amos en cada ec o el alo
in e so a la p o undidad en que coincidie on los concep os en cada caso.
Figu a 12 Cons ucción de los ec o es de pesos de los conjun os de depic s
24
Una ez cons uidos sendos ec o es de pesos, de inimos la simili ud po con enido como
la simili ud del coseno en e ambos ec o es, cuyo alo iene dado po la siguien e o mula:
𝑠𝑖𝑚(𝑎,𝑏)= 𝐴 ∙ 𝐵
||𝐴|| ||𝐵||= ∑𝐴𝑖𝐵𝑖
𝑛𝑖=1
√∑𝐴𝑖2
𝑛𝑖=1 √∑𝐵𝑖2
𝑛𝑖=1
Con es e mé odo conseguimos no solo ene en cuen a signi icados más abs ac os de los
concep os de cada conjun o de depic s, si no pode pesa su apo ación al índice de simili ud en
unción de la al u a en la que encon emos las coincidencias de concep os.
Un aspec o impo an e a ene en cuen a a la ho a de lle a a cabo es e p oceso es la
p o undidad máxima en la je a quía concep ual, es deci , la p o undidad en que se buscan las
coincidencias de los concep os. El inc emen o de es e alo puede conlle a que el núme o de
coincidencias aumen e conside ablemen e al abs ae se demasiado del concep o o iginal, lo cual
puede conlle a una pe dida excesi a de semán ica además de ene un g an cos e compu acional.
Sin emba go, un alo muy bajo pod ía es a p i ándonos de encon a coincidencias de mayo
ele ancia. Un alo con un cos e asumible y que no peca de excesi a abs acción semán ica es 3.
3.2.2.2 Simili ud po colo dominan e
El colo en un cuad o es o o de los a ibu os que de inen la simili ud en e cuad os, que,
dependiendo del caso de p ueba y el c i e io del indi iduo, es más o menos impo an e. Con es o
damos po hecho que el colo es una p opiedad imp escindible pa a de ini la simili ud que hay
en e dos ob as.
Dadas las in ini as onalidades de colo es, esul a imposible hace una lis a de los mismos
que apa ecen en un cuad o. Po ello, hemos concluido que la mejo o ma de abo da es e ema es
ob ene una pale a de los colo es dominan es de cada ob a de a e, pa iendo de la imagen de la
misma ep esen ada en el modelo RGB. Es o se consigue ecabando una media de colo es po píxel
que con iene.
25
Pa a llega a la in o mación necesa ia que nos pe mi i á ealiza es a dis inción y pe mi i
compa a un cuad o con o os u ilizamos k-means, de mane a que el algo i mo, segmen a la imagen
con k p ecisión. Es a solución pe mi e que al es ablece los k clus e s que se elijan, a pa i de una
p ime a pasada ag upa cie os colo es inicialmen e, de o ma que con cada i e ación los conjun os
se an mo iendo y a ayendo las onalidades que más ienden a la media, esul ando inalmen e en
un esul ado de los k colo es p incipales medios que con iene la imagen. La pale a de colo es que
se log a puede se a iable dependiendo de la p ecisión de onalidad que que emos ob ene , siendo
más p ecisa cuan o mayo índice k le demos al algo i mo, pe mi iendo de es a mane a una mayo
gama de colo es, a cos a de educi inalmen e el abanico de posibilidades simila es en es e
aspec o, dada la compa ación con un ono más especí ico. Es a decisión ambién implica que
u iliza como colo dominan e el colo medio gene al de una ob a ampoco es su icien emen e
p ecisa, pues o que la combinación de muchos colo es suele discu i hacia un colo gene almen e
oscu o y no muy ep esen a i o.
En la siguien e imagen (Figu a 13), podemos e como pa iendo de una imagen o iginal,
el algo i mo la segmen a en los k colo es, es en es e caso, más dominan es que con iene. De es a
o ma, se gene an es onos p incipales que más se asemejan a la mayo ía de colo es ce canos a
esa onalidad.
Figu a 13 Rep esen ación de una imagen segmen ada con k-means
A la p egun a ¿y cómo medimos de mane a p ecisa cuán pa ecido es un cuad o a o o
cuando se a a con es e a ibu o?, la espues a implica u iliza el modelo de colo HSV.
26
HSV (Hue – Sa u a ion – Value, o Ma iz – Sa u ación – Valo en español) o HSB, que
sus i uye el Valo po B igh ness (B illo) es á ep esen ado en un diag ama ci cula (Figu a 14),
es os alo es se suelen comp ende en e es as magni udes:
• H (Ma iz): Comp ende oda la gama c omá ica y se ep esen a median e la posición
en un cí culo comple o, es deci , en un ango de 0 a 360º. Sabemos que los colo es
básicos se localizan de la siguien e o ma: 0º/360º coincide con el colo ojo (1,0,0),
120º es el e de (0,1,0) y inalmen e el azul se co esponde con 240º (0,0,1).
• S (Sa u ación): También denominado pu eza, es e pa áme o ep esen a la can idad
de colo . Con un ango comp endido en e 0 y 100%, cuan o mayo es la can idad,
más colo ación hay.
• V (Valo ): Es e a ibu o ep esen a la luminosidad, de inido po la al u a en el eje
blanco-neg o. Sus alo es, al igual que la sa u ación an del 0 al 100%, siendo 0 el
neg o y 100 el blanco.
Figu a 14 Rep esen ación de HSV
33
amaño, comunidades que cumplan alguna es icción demog á ica o cualquie o o obje i o,
hemos de p opo ciona algún mecanismo capaz de sa is ace es as es icciones.
Po ellos hemos implemen ado un algo i mo gené ico cuya unción es pode u iliza lo pa a
busca los pesos más adecuados pa a cumpli un de e minado obje i o. U ilizando el ec o de
pesos como el c omosoma de nues o algo i mo e implemen ando una unción de i ness adecuada,
consiguiendo que p emie los indi iduos que más se ajus en a las es icciones y que cas igue a los
indi iduos que más se alejen, pod emos ob ene el ec o de pesos más adecuado pa a nues o
modelo de comunidades.
Es e algo i mo gené ico (Figu a 16) sigue una es uc u a clásica de i e a a lo la go de
múl iples gene aciones p ocediendo al p oceso de selección, el c uce de un cie o po cen aje de
indi iduos, la mu ación de pa e de los alelos de c omosomas de la población y la einse ción de
los mejo es indi iduos de la gene ación an e io (eli ismo). Es a diseñado como un algo i mo de
minimización, po lo que la unción de i ness a u iliza debe ene lo en cuen a a la ho a de e alua
cada c omosoma. Los c omosomas es án implemen ados como ec o es de núme os eales cuyo
ango se de ine inicialmen e pa a cada uno de los alelos (posiciones del ec o ) inicialmen e.
En ando en de alle en algunos aspec os, se ha implemen ado el p oceso de selección median e un
p oceso de ule a po i ness en el que se epa en las p obabilidades en unción de las pun uaciones
de la unción de i ness. Al inicio de cada i e ación se aísla una pequeña eli e que se á einse ada
en la siguien e gene ación sin su i c uce ni mu aciones. Los c uces es án implemen ados de es
o mas: c uce de un pun o, c uce de dos pun os (se pa en los c omosomas po uno o dos pun os
espec i amen e y se in e cambian los alelos de cada pa ición) y c uce uni o me (que in e cambia
los alelos de cada c omosoma con un 50% de p obabilidad). Po úl imo, la mu ación se da según
un po cen aje en el que pa a cada alelo se cambia su alo po uno elegido alea o iamen e den o
de su ango de inido.

34
Figu a 16 Esquema del algo i mo gené ico u ilizado
Como podemos e , el p oceso de modelado o ece una cie a lexibilidad en es e aspec o,
pudiendo gene a múl iples ipos de comunidades de inidas en unción de di e en es c i e ios.
Con odo es o, decidimos pone lo a unciona con una unción de i ness p opia. En es e
caso uno de los di ec o es nos p opo cionó un conjun o de da os que con iene las espues as de
una se ie de p o esionales y ama eu s en el campo del a e ace ca de su pe cepción simili ud de
a ios pa es de ob as. Con es a in o mación de inimos una unción de i ness que midie a el e o
medio de nues a simili ud de ob as pesada con el c omosoma dado con espec o a las espues as
de los p o esionales y ama eu s. De es a o ma consegui íamos unos pesos que se ajus asen con su
pe cepción de simili ud de ob as y que pod ían se i de pun o de pa ida pa a modela una se ie
de comunidades.
3.3.2 Fo mación de comunidades
Una ez de inidos los pa áme os pendien es, pod emos empeza a aplica las ya
an icipadas écnicas de clus e ing. Pa a pode aplica las dis in as écnicas necesi amos de ini la
medida dis ancia en e dos usua ios, que po supues o es a á undamen ada en las medidas de
simili ud. En es e caso decidimos ene en cuen a an o las opiniones en pola idad posi i a como
nega i a a la ho a de compa a usua ios. Una ez ob enidas ambos índices, de inimos la simili ud
35
de dos usua ios como la media de ambas y la dis ancia que los sepa a como la unidad menos la
media ob enida. Así pues, cuan o más simila es sean meno se á la dis ancia y cuan o menos se
asemejen mayo se á es a.
A la ho a de o ma las comunidades, inalmen e hemos enido en cuen a dos écnicas de
clus e ing. Con sus di e encias, o ecen esul ados di e en es a la ho a de a a con los usua ios y
sus simili udes. En el caso de DBSCAN, ob end emos clus e s con un al o ni el de cohesión en lo
que a gus os a ís icos se e ie e. Sin emba go, o ece la des en aja de que en ocasiones puede
e ique a a un g an núme o de usua ios como uido, no incluyéndolos en ninguna comunidad. En
cambio, k-medoids incluye a odos los usua ios en algún clus e po muy lejanos que sean con
espec o al es o de miemb os del g upo, algo que puede causa que su jan comunidades más
dispe sas o con usua ios muy di e en es a los demás.
3.3.3 Visualización de las comunidades
Pa a pode isualiza las comunidades ob enidas median e las écnicas de clus e ing,
podemos ecu i a di e en es da os de los usua ios que la o man. En es e caso hemos que ido
conside a , no sólo los gus os a ís icos de los usua ios que con o man cada g upo, sino algo más
de in o mación que pueda se de u ilidad a la ho a de es udia los. En es a línea, decidimos inclui
pa a cada clus e o mado una se ie de da os ace ca de la dis ibución demog á ica del mismo, los
cuad os y a is as con mayo núme o de alo aciones posi i as y nega i as de cada clus e , el
mo imien o más popula y los sen imien os más exp esados.
3.3.4 Discusión de los esul ados ob enidos
La lexibilidad que o ece el mecanismo de modelado que hemos p opues o en es e capí ulo
iene como consecuencia que se puedan encon a di e sos esul ados en unción de cómo
pa ame icemos la de ección de comunidades. En es e sen ido, hemos decidido p opone una se ie
de comunidades que hemos de ec ado u ilizando di e en es pesos pa a las simili udes de cuad os.
En cuan o a la écnica de clus e ing elegida, conside amos u iliza DBSCAN po su capacidad de
desca a indi iduos uidosos a la ho a de o ma las comunidades, y, pode así ob ene las con una
mayo homogeneidad y simili ud en e los indi iduos que las componen.
36
En la p ime a p opues a de de ección de comunidades, u ilizamos unos pesos p opues os
po un p o esional en a e as expe imen a con la he amien a de isualización de la simili ud
en e cuad os que desa ollamos. Nos comen ó que, en su opinión, las simili udes pa ciales más
de e minan es son an o la Simili ud po a is a y mo imien o como la Simili ud po con enido,
mien as que, sin emba go, la Simili ud po colo dominan e y la Simili ud po amaño debían se
las que menos in luencia u ie an en la medida inal. Así pues, as a ias p uebas con la
he amien a de isualización, decidió que los siguien es pesos son los más adecuados:
Simili ud po con enido
35%
Simili ud po colo dominan e
5%
Simili ud po amaño
5%
Simili ud po a is a y mo imien o
35%
Simili ud po e o cuad á ico medio po píxel
20%
Tabla 1 Pesos de las simili udes pa ciales en e cuad os p opues os po un p o esional en a e
En cuan o a los esul ados de es a p opues a, se ob u ie on 5 comunidades. En gene al,
cada clus e de indi iduos iene un mo imien o a ís ico cla amen e ep esen a i o, es ando
ep esen ado cada uno de los p esen es en el caso de es udio po al menos una comunidad. En cada
una de las comunidades es ácil iden i ica al menos un cuad o que es u ie a alo ado
posi i amen e po la mayo ía de los usua ios. En con a, no exis e an a consonancia a la ho a de
encon a cuad os alo ados nega i amen e po una pa e signi ica i a de las comunidades. En
cuan o a los da os demog á icos, al no habe se enido en cuen a en la o mación de clus e s, exis e
una g an a iedad en la p esencia de usua ios de di e en es edades y nacionalidades, así como una
endencia a una p esencia equi a i a de ambos géne os.
En la segunda p opues a de de ección de comunidades, u ilizamos el algo i mo gené ico
que desa ollamos. U ilizando la unción de i ness de allada an e io men e (Búsqueda de pesos),
en la que mediamos la ap i ud de cada c omosoma como el e o medio en e la simili ud
de e minada po los pesos del c omosoma y la simili ud pe cibida po p o esionales en a e en e
di e sos pa es de cuad os, ob u imos los siguien es pesos pa a las simili udes pa ciales en e
ob as:
37
Simili ud po con enido
12%
Simili ud po colo dominan e
4%
Simili ud po amaño
15%
Simili ud po a is a y mo imien o
34%
Simili ud po e o cuad á ico medio po píxel
35%
Tabla 2 Pesos de las simili udes pa ciales en e cuad os encon ados con el algo i mo gené ico
Como se puede obse a en la Tabla 2 el esul ado del algo i mo gené ico p opo ciona unos
pesos en los que p edominan la simili ud po a is a y mo imien o y simili ud po e o cuad á ico
medio po píxel. Con es os pesos se ob u ie on 6 comunidades. Dos de ellas con más del doble de
indi iduos que cualquie a del es o de clus e s. Los a is as y mo imien os es án bas an e
epa idos de o ma muy a iable en e los cuad os, aunque emos que, en cuan o a a is as, Goya
y Zu ba án apa ecen a menudo, y en cuan o a mo imien o, lo hace Renacimien o del No e.
En la e ce a p opues a de de ección de comunidades, decidimos p oba da le un alo
máximo al peso de las Simili ud po a is a y mo imien o con la in ención de que en cada clus e
se pudie a iden i ica un a is a o mo imien o especialmen e popula . Así, los pesos u ilizados
se ían los siguien es:
Simili ud po con enido
0%
Simili ud po colo dominan e
0%
Simili ud po amaño
0%
Simili ud po a is a y mo imien o
100%
Simili ud po e o cuad á ico medio po píxel
0%
Tabla 3 Pesos de las simili udes pa ciales en e cuad os con el peso de la Simili ud po
a is a y mo imien o al máximo
38
El núme o de clus e s gene ados con es a combinación de pesos es de 5. El amaño de cada
clus e es di e en e, aunque en e es de ellos la di e encia de indi iduos es mínima.
Mayo i a iamen e, se p esen an a ias ob as de o ma pe iódica, como po ejemplo The
Su geon o The S aw Manikin, de nue o emos que cuan as más ob as enga un au o más apa ecen
en los clus e s. Se puede e que dadas las opiniones que apa ecen en cada clus e , un caso en el
que haya más equidad numé ica en a is a y mo imien o, se íamos capaces de de ec a ealmen e
clus e s que gi en en o no a cie as ob as, desca ando las que, a pesa de ene muchas
apa iciones, no son ele an es en los clus e s.
Cabe des aca que en los es esul ados mencionados siemp e se gene a un clus e en el
que la mayo ía de los usua ios son ex anje os. Es cu ioso es e compo amien o eniendo en cuen a
que la mayo ía de los indi iduos p opo cionados son de o igen español y que pa a la gene ación
de comunidades se han u ilizado pesos muy di e en es. Po lo an o, se pod ía conc e a que las
pe sonas con nacionalidad ex anje a son a ines a cuad os, au o es y mo imien os a ís icos
conc e os. Mas conc e amen e los cuad os Appa i ion o he Apos le Pe e o Sain Pe e Nolasco,
S . Ru ina o Se ille y S ill Li e wi h Po s, el mo imien o a ís ico Ba oco y los a is as F ancisco
de Zu ba an y Diego Velazquez.
Una ez de allado el p oceso de modelado y sus esul ados, pasamos a explica cómo
hemos plan eado el diseño y el desa ollo de la aplicación que lo implemen a. En el siguien e
capí ulo e emos una explicación po meno izada de la a qui ec u a y diseño de la aplicación, así
como de las ecnologías y he amien as u ilizadas du an e la implemen ación.

39
Capí ulo 4 - Implemen ación
El obje i o p incipal de es e abajo es el desa ollo de una he amien a que pe mi a de ec a
comunidades de usua ios, expe imen a con écnicas de simili ud y su isualización. Sin emba go,
es e p oyec o o ece o as uncionalidades secunda ias dignas de menciona .
Pa a pode lle a a cabo la implemen ación se han usado di e en es écnicas y ecnologías
de desa ollo so wa e. Du an e odo el desa ollo se han pues o en p ác ica conocimien os
conocidos pa a desa ollo. Sin emba go, la na u aleza del p oyec o ha obligado al es udio y
amilia ización de o as écnicas. Pues o que el desa ollo ha sido colabo a i o, odos los
pa icipan es han a ianzado e inc emen ado sus conocimien os en di e en es aspec os en el
desa ollo so wa e. Se ha á mayo hincapié en es e aspec o en los apéndices de la memo ia.
Du an e la implemen ación del p oyec o se han u ilizado di e sas aplicaciones pa a la
comunicación y el con ol de e siones. El uso de es as he amien as ha sido de i al impo ancia
no solo po el dé ici de comunicación p esencial que ha supues o la si uación de pandemia ac ual,
sino po que g acias a es as aplicaciones se ha podido lle a un con ol absolu o sob e las dis in as
e apas de desa ollo del p oyec o. El código del p oyec o es á alojado en un eposi o io Gi hub
(h ps://gi hub.com/iagge /Modelado-de-comunidades) que u ilizamos pa a compa i lo a lo la go
de su desa ollo con ins ucciones ace ca de su uso.
En los siguien es apa ados se explica de mane a de allada el p oceso de implemen ación
de cada una de las pa es.
4.1 P ep ocesamien o de los da os y p ime os esul ados
En una p ime a ase de desa ollo a amos con los da os que se nos p opo ciona on
inicialmen e con el obje i o de amilia iza nos con ellos y pode gene a unas p ime as
comunidades a pa i de los de los da os demog á icos de los usua ios. Pa a lle a a cabo es e
p oceso se u ilizan cuade nos o no ebooks de Jupy e . Es os cuade nos pe mi en la p og amación
(Py hon) y a su ez la compilación y ejecución de pa e del código. Es os cuade nos es án alojados
den o del p oyec o. Conc e amen e en una ca pe a nomb ada como “no ebooks”.
40
U ilizando los da os demog á icos de los usua ios se busca pode ealiza y aplica las
dis in as écnicas de clus e ing es c ucial que se ealicen cie as a eas p e ias. Sin es e p oceso
p e io odo el abajo a pos e io pod ía e se pe judicado ya que es posible que den o del
conjun o de da os exis an alo es incong uen es o nulos.
El p ep ocesamien o de da os es á di idido en dos pa es:
1. Visualización de los da os: se explo an cada uno de los a chi os de da os
p opo cionados. El obje i o es isualiza los da os en c udo pa a conoce la na u aleza
de los da os an es de su p ocesado.
2. Limpieza y esul ados es adís icos desc ip i os: pa a cada uno de los conjun os de da os
se ealiza una explo ación de los da os en p o undidad. Pa a cada a iable se
comp ueban si los da os son cohe en es y si exis en alo es nulos o acíos.
Conjun amen e se mues an cie os alo es desc ip i os de los conjun os de da os.
Tales como el núme o de indi iduos o la ecuencia. Pa a ello, se u ilizan di e en es
o mas de isualización. Como los diag amas ci cula es ilus ados en las igu as Figu a
17, Figu a 19, Figu a 18.
Figu a 17 F ecuencia edades usua ios
Figu a 18 F ecuencia mo imien os a ís icos
Figu a 19 F ecuencia pola idad
sen imien os usua ios
41
T as la isualizacion y limpieza de da os, ambien se han gene ado comunidades de usu ios
en una p ime a e apa del abajo. Es as comunidades es an gene adas con los da os de
demog a icos de los usua ios. Pa a pode aplica las di e en es écnicas de clus e ing es necesa io
no maliza las a iables que componen el da ase . La a iable edad se no maliza usando angos de
edad. Pa a cada ango de edad se da un alo en e 1 y el núme o de angos. Pa a el géne o se da
el alo 0 pa a ep esen a el emenino y 1 pa a el masculino. Po úl imo, la a iable pais se
no maliza u ilizando o o da ase . Es e da ase con iene en e o a in o mación el indice de
al abe ismo, y la en a media de la población. Con es a in o mación se calcula un alo pa a cada
país.
Una ez o malizados los da os, se aplican dos écnicas de clus e ing y una de e ique ado
de clus e ing. Po un lado, se aplica el algo i mo de k-means y se es udia cual es el mejo núme o
de clus e s a a és del índice de Da ies-Bouldin que mide la compac ación de los clus e s [17].
Pos e io men e, se aplica el e ique ado FCA pa a pode isualiza las ca ac e ís icas de cada uno
de los clus e s gene ados. Pa a isualiza los clus e s gene ados se u iliza una g á ica de pun os
donde cada pun o ep esen a a un indi iduo y cada colo ep esen a al clus e al que pe enece
dicho indi iduo. Tal como se mues a en la Figu a 20.
Figu a 20 k-means demog á icos
42
De igual mane a g acias al e ique ado FCA se puede ilus a la ca ac e ización de los clus e
gene ados al y como se mues a en la Figu a 21.
Figu a 21 E ique ado de los clus e s median e FCA
Pa alelamen e se aplica el algo i mo je á quico aglome a i o con dis in as es a egias que
minimizan o maximizan cie os aspec os y ob eniendo así dis in os esul ados. Pa a cada una de
es as es a egias ambién se ha es udiado la calidad de los clus e s a a és del índice de Da ies-
Bouldin. También se ilus an los clus e s de ec ados a a és del algo i mo je á quico aglome a i o
po medio de un dend og ama al y como apa ece en la Figu a 22.
Figu a 22 Je á quico aglome a i o demog á icos
49
de ec adas. An es de expone el p oceso y écnicas de desa ollo u ilizadas, es impo an e des aca
las uncionalidades p incipales que o ece la in e az web:
1. In e az pa a la isualización de las simili udes en e las ob as de a e: Es a
uncionalidad iene po obje i o ilus a la compa ación de cuad os bajo cie os
c i e ios. En conc e o, se pe mi e selecciona una ob a de a e y un peso pa a cada una
de las simili udes pa ciales. T as selecciona el cuad o y de e mina un peso conc e o
pa a cada simili ud pa cial, se mues an los cinco cuad os más simila es. Es a
he amien a pe mi e e la in luencia de los pesos a la ho a de decidi cuáles son los
cuad os más simila es a o o dado.
2. In e az pa a la isualización de comunidades usua ios: es a uncionalidad pe mi e al
usua io isualiza la in o mación e e en e a las comunidades de usua ios de ec adas.
Pa a pode isualiza las comunidades de usua ios es necesa io gene a las p e iamen e.
Es a a ea se lle a a cabo en el backend de la aplicación. Pa a gene a comunidades de
usua ios, p e iamen e hay que de ini unos pesos pa a las simili udes pa ciales en e
cuad os. T as de ini unos pesos conc e os, es necesa io c ea una ma iz de dis ancias
en e cuad os. Una ez gene ada la ma iz de dis ancia en e cuad os, es a se u iliza
pa a conc e a la simili ud en e usua ios. Una ez conc e ada la medida de simili ud
en e usua ios se usan di e en es algo i mos de de ección de comunidades pa a la
gene ación de comunidades de usua ios. Es e p oceso es muy cos oso en cuan o al
iempo que necesi a. Po es a azón las comunidades que se isualizan en la aplicación
es án gene adas p e iamen e. Es as comunidades ue on gene adas as ija cie os
c i e ios en la elección de pesos, al como se explica en el capí ulo 3.2.2.5. En conc e o,
la in e az solici a á al backend los da os e e en es a la in o mación de las
comunidades de ec adas.
Como ya se adelan ó al comienzo de la sección, pa a el desa ollo del on end se u iliza
un pa ón de desa ollo web. Es e hace uso de es lenguajes de p og amación: HTML, hojas de
es ilo CSS y Ja aSc ip . De igual mane a se han u ilizado lib e ías ex e nas que p opo cionan
he amien as an o pa a la comunicación con el se icio REST como pa a la isualización de los

50
elemen os de la in e az. En conc e o se u ilizan las lib e ías: Boo s ap (CSS y Ja aSc ip ),
JQue y, Mo is y Raphael (Ja aSc ip ).
A con inuación, se explican los asgos más des acables de la implemen ación pa a las
dis in as opciones de isualización que se o ecen:
1. Po ada de la aplicación: el inicio de la aplicación cuen a con una in e az en la
pe mi e al usua io elegi po medio de dos bo ones los dos se icios p incipales que
o ece la aplicación. Uno edi ige al usua io a la in e az pa a la isualización de las
simili udes en e las ob as de a e y el o o a in e az pa a la isualización de
comunidades usua ios espec i amen e.
Figu a 26 Po ada de la aplicación web
Tal y como se mues a en la Figu a 26, la in e az hace uso de di e en es hojas de es ilo
pa a p opo ciona una is a más ag adable pa a el usua io.
2. Visionado de comunidades: es a in e az del on end pe mi e al usua io isualiza de
las dis in as comunidades de ec adas. En conc e o, es a in e az es á di idida en es
g andes secciones. Po un lado, pe mi e al usua io selecciona uno de los esul ados
gene ados en el backend p e iamen e. Cada uno de es os esul ados han sido gene ados
51
con unos pesos dis in os pa a las simili udes pa ciales en e cuad os. Pa a ecupe a
es a in o mación es necesa io que la in e az haga uso del se icio REST.
Pa icula men e el se icio que iene como endpoin
“/a wo ks/simila i y/clus e sHTML” y que de uel e un JSON que con iene la
in o mación de cada uno de los esul ados gene ados. Po o o lado, mues a al usua io
la in o mación co espondien e al esul ado seleccionado. Es a in o mación es á
compues a po el algo i mo u ilizado pa a la gene ación de comunidades, los alo es
de los pa áme os de ese algo i mo, una desc ipción del ipo de comunidades gene adas
y los pesos de cada una de las simili udes pa ciales en e cuad os al y como se mues a
en la Figu a 27. Es a in o mación pe mi e al usua io conoce las ca ac e ís icas del
mé odo u ilizado pa a la gene ación de las comunidades.
Po úl imo, la in e az de isualización de comunidades pe mi e al usua io explo a la
in o mación de allada de cada uno de los clus e s. Pa a ep esen a es a in o mación se
han ca ac e izado cada uno de los clus e s de la siguien e mane a: En un p ime luga
se encuen a el núme o de indi iduos que componen el clus e así como un his og ama
po cada a iable demog á ica (edad, nacionalidad y géne o) como se mues a en la
Figu a 28.
Figu a 27 In e az pa a la isualización de la in o mación de la écnica
u ilizada en el p oceso de gene ación de comunidades
52
Figu a 28 In o mación de los da os demog á icos de un clus e
En segundo luga , se encuen an las ob as más y menos popula es den o del clus e .
Pa a cada una de las ob as se mues a el í ulo, el núme o de alo aciones posi i as y
nega i as de los usua ios. Toda es a in o mación eside en un ca usel de imágenes pa a
p opo ciona al usua io una is a cómoda de es a in o mación como se ilus a en la
Figu a 29.
Figu a 29 Ob as de a e más y menos popula es den o del clus e
En e ce y úl imo luga , se isualizan los a is as alo ados posi i a y nega i amen e,
mo imien o a ís ico más gus ado y los sen imien os más comunes den o del clus e .
Pa a ep esen a la ecuencia de los sen imien os de los usua ios del clus e se u iliza
un diag ama ci cula en el que cada colo ep esen a un sen imien o como se obse a
en la Figu a 30.
53
Figu a 30 A is as mejo y peo alo ados, mo imien o a ís ico
más gus ado y emociones más comunes de un clus e
3. Visionado de simili ud en e cuad os: es a in e az pe mi e al usua io selecciona
una ob a de a e, unos pesos pa a las simili udes pa ciales y mues a los cinco cuad os
más simila es al elegido po el usua io u ilizando los pesos in oducidos po el usua io.
Es a in e az es a di ida cla amen e en es secciones al y como se mues a en la Figu a
31. En la p ime a sección el usua io puede selecciona un cuad o del conjun o de ob as
de a e p opo cionado po los di ec o es. De igual mane a, se mues a el í ulo, au o y
mo imien o a ís ico del cuad o. Pe mi iendo de es a mane a e las ca ac e ís icas
p incipales de la ob a de a e seleccionada. Pa a pode mos a es a in o mación la
in e az usa el se icio REST con endpoin “/a wo ks” que e o na un JSON con la
in o mación de los cuad os. En la segunda sección, el usua io puede in oduci el peso
pa a cada una de las simili udes pa ciales en e cuad os. Es as a su ez deben suma
uno. En la úl ima sección, apa ecen los cuad os más pa ecidos al seleccionado po el
usua io gene ados con los pesos in oducidos. Es os cuad os se mues an as pulsa el
bo ón “Gene a simila es”. Cuando es e es pulsado la in e az hace uso del se icio
REST con endpoin “/a wo ks/simila i y/a wo kID” pasándole la in o mación
in oducida po el usua io. Es deci , el cuad o y los pesos seleccionados. Como
espues a se ob iene un JSON con los cinco cuad os más simila es. Además de mos a
las imágenes co espondien es a las cinco ob as más simila es, ambién mues a el
í ulo, au o , mo imien o a ís ico e índice de simili ud. Todos es os elemen os esiden
en un ca usel de imágenes acili ando así la isualización.
54
Figu a 31 Visualización de la in e az gene ado a de cuad os simila es
4.3 Tecnologías y ecu sos ex e nos u ilizados
A la ho a de desa olla el código del p oyec o u imos que hace uso de di e sas
he amien as. En ocasiones las habíamos usado an es y conocíamos de alladamen e como hace
uso de ellas, en o os casos u imos que es udia las y ap ende a u iliza las.
Al se un p oyec o g upal, se han usado di e sos medios pa a la coo dinación y
comunicación. Es as he amien as han sido undamen ales pa a el buen desa ollo del p oyec o.
Ya que nos han pe mi ido una comunicación di ec a y ácil en e los in eg an es y un con ol sob e
las e siones du an e la e apa de implemen ación.
A con inuación, enume a emos las he amien as más des acables usadas pa a el desa ollo
y la coo dinación.
4.3.1 Desa ollo
Con espec o al apa ado écnico es donde p incipalmen e nos encon amos con nue as
ecnologías, lo cual nos ha supues o un e o más en la implemen ación de nues o p oyec o, ya que
no sólo nos limi amos a analiza y desa olla lo ela i o a las comunidades, sino ambién in luye
el p oceso de adap ación que conlle a u iliza he amien as desconocidas.

55
4.3.1.1 Py hon
Ha sido el lenguaje p incipal del p oyec o, p edominan e an o en la ase de modelado como
en el desa ollo de la aplicación se ido (api- es ) con la que abaja la in e az. P esen e desde
los p ime os no ebooks que desa ollamos has a el g ueso de los sc ip s de la lógica de modelado
de comunidades, Py hon o ece una g an e sa ilidad a la ho a de abaja con da os, así como una
g an comodidad pa a usua ios más no a os. Además, Py hon o ece mul i ud de lib e ías que nos
han sido de g an u ilidad a la ho a de implemen a el p oyec o.
4.3.1.2 Numpy
Numpy es la lib e ía de manejo de es uc u as numé icas po excelencia de Py hon. O ece
un g an sopo e a la ho a de a a con ec o es y ma ices, así como una cómoda e in ui i a in e az
pa a maneja los. Numpy o ece además una g an can idad de mé odos pa a ob ene in o mación o
modi ica es e ipo de es uc u as de o ma limpia y e icien e.
4.3.1.3 Pandas
Pandas es una lib e ía pa a la manipulación y análisis de da os en Py hon. Su p incipal es uc u a,
los Da aF ame, pe mi en ca ga , es udia , eco e y modi ica los da os de o ma ápida y sencilla.
4.3.1.4 Sciki -Lea n
Sciki -Lea n es una lib e ía pa a Py hon de so wa e lib e que o ece una ica selección de
u ilidades elacionadas con el ap endizaje au omá ico. Muchos de sus mé odos de clus e ing, de
p ep ocesamien o o e aluación han sido u ilizados a la ho a de o ma y e alua las comunidades.
4.3.1.5 SPARQLW appe
Una lib e ía Py hon que o ece la posibilidad de ealiza consul as SPARQL sob e
di e en es mo o es de búsqueda. De g an u ilidad a la ho a de ecupe a in o mación en Wikida a
ace ca de las dis in as ob as.
4.3.1.6 Filecache
FileCache es una lib e ía Py hon que o ece una cómoda in e az pa a gua da in o mación
en memo ia de mane a consis en e. El obje o FileCache se maneja igual que un dicciona io, con
56
la sal edad de que la in o mación a siendo sal ada en la ca pe a con la que se ins ancia. Muy a
la ho a de sal a el esul ado de las consul as SPARQL (muy cos osas en iempo) o pa a e i a
ejecu a cálculos cos osos en exceso.
4.3.1.7 Colo sys
Es una lib e ía de Py hon que pe mi e la con e sión en e modelos de colo . Su uso se
limi a a con e i las coo denadas de una exp esión a o a (po ejemplo: Con e sión de RGB a
HSV pasando po pa áme o los alo es de Red, G een y Blue).
4.3.1.8 Sanic
Sanic es un amewo k asínc ono en ocado a las ecnologías web y se ido . Es á hecho
pa a se el in e medio pe ec o en e complejidad de uso y g an ampli ud de posibilidades a
desa olla en uncionalidad. La elección de es e amewo k pa a ep esen a nues o abajo de
mane a isual, en conjunción de la uncionalidad web que c eamos con Sanic y el apa ado g á ico
que le dan las ecnologías que comen amos en el apa ado siguien e (4.3.1.9), se ha is o a ec ada
po el bene icio que o ece la escalabilidad y elocidad de es a opción.
4.3.1.9 HTML, CSS y Ja aSc ip
HTML, CSS y Ja aSc ip componen los es lenguajes de p og amación web más usados
en la ac ualidad. HTML es un lenguaje basado en e ique as y es a ía en la pa e más al a
concep ualmen e. Es p incipalmen e el código de los elemen os p esen es o no en la in e az. Pa a
una buena p axis el HTML debe i acompañado de una o a ias hojas de es ilo CSS. CSS es un
lenguaje de p og amación que pe mi e de mane a sencilla modi ica los es ilos de los componen es
de la in e az. Cabe des aca el uso de la lib e ía Boo s ap que con iene en e o os iche os, hojas
de es ilo encapsuladas en clases. Es muy ú il ya que bas a con añadi la clase al componen e HTML
pa a aplica ese es ilo.
Po úl imo, se necesi a del uso de Ja aSc ip pa a pode ealiza cie os p ocesos.
Ja aSc ip es un lenguaje de p og amación que pe mi e en e o as cosas ealiza pequeños
p ocedimien os y la comunicación con se ido es. Es impo an e des aca el uso de la lib e ía
JQue y.js pa a la comunicación con el se ido . Es a lib e ía o ece un se icio muy cómodo pa a
hace pe iciones al se ido .
57
4.3.1.10 Jupy e no ebook
Jupy e No ebook es un en o no de desa ollo in e ac i o basado en web que pe mi e c ea
documen os de código Py hon, pe mi iendo isualiza esul ados de dis in os bloques de código,
así como inclui comen a ios de ex o en o ma o Ma kdown con oda la lexibilidad que es e
lenguaje o ece.
4.3.1.11 PyCha m y Visual S udio Code
Ambos son en o nos de desa ollo que pe mi en abaja con Py hon, que o ecen una g an
lexibilidad y comodidad a la ho a de p og ama , depu a e iden i ica e o es. Visual S udio Code
además pe mi e inclui di e en es plugins de u ilidad pa a isualiza odo ipo de a chi os de da os,
abaja con no ebooks o eciendo una in e az limpia y sencilla.
4.3.1.12 Pos man
En conjunción con el se icio que c eamos con Sanic, hemos u ilizados Pos man pa a pode
en ia y ecibi pe iciones y así, pode abaja en base a lo que nos asmi e la he amien a.
4.3.2 Coo dinación
Al a a se de un p oyec o colabo a i o, se han usado di e en es ecnologías que pe mi en
el con ol de e siones, el desa ollo conjun o de un documen o y la comunicación en e los
pa icipan es.
4.3.2.1 Gi hub
A a és de un eposi o io en Gi Hub, pudimos compa i , coo dina y isualiza el
p og eso del p oyec o an o en e los componen es del equipo como con los di ec o es del TFG.
Así además se á accesible pa a cualquie a que quie a accede a él pa a consul a lo o pa a abajo
u u o.
4.3.2.2 Google Mee
Es la he amien a de comunicación que más hemos u ilizado, an o pa a comunica nos con
los di ec o es como pa a las euniones semanales de los miemb os del equipo. Con las di icul ades
pa a man ene euniones p esenciales, ha sido de g an u ilidad con a con ella.
58
4.3.2.3 Mic oso O ice Wo d
A la ho a de edac a la memo ia u ilizamos Mic oso Wo d. Se a a de una de las
he amien as cómodas y con más uncionalidades en lo que a la esc i u a de documen os concie ne.
Además, o ece la posibilidad de la edición colabo a i a y simul ánea del documen o, po lo que
es muy ú il e i a ene que es a compa iendo el documen o cons an emen e.
65
To be able o isualize and unde s and ho oughly simila i y measu e, we de eloped an
in e ace ha allows us o adjus weigh s in eal ime and see a chosen pain ing’s o he mos simila
ones. This pa is explained in chap e 4, bo h he backend and on end.
Seeking o a me hod o c i e ia o de ine which weigh s a e he mos ele an o compa e
a wo ks and c ea e communi ies, ei he a de eloping a ool ha sea ches o i o helps us wi h
ele an in o ma ion ha could help us deciding.
Once we es ablished he simila i ies be ween pain ings, we applied hem o ind use s ha
a ed he same way hese a wo ks. Finally, we ep esen isually he mos ele an da a o hese
use ’s communi ies.

67
Capí ulo 7 - Conclusions and u u e wo k
In his sec ion we culmina e by ecapi ula ing a ound ideas and p ocesses ha ha e been
appea ing o us h oughou he en i e p ojec , so ha we can ansla e i in o a gene al hough .
A e wa ds, we will commen on p oposals we ha e in o de o main ain and expand ou wo k, in
case we ake i up again.
7.1 Conclusions
This wo k allowed us c ea ing a mechanism capable o de ec and isualize use ’s
communi ies, expe imen ing and obse ing he exis en ela ionship when de ining a simila i y
me ic, in his case, be ween use s and i s e ec de ec ing communi ies. We p o ed ha p io i izing
a as es is so use ul o o m g oups wi h simila ea u es, which in combina ion wi h he
app op ia e echnologies and ools may ha e nume ous applica ions as we explain in he nex
pa ag aph.
A he ime we ound communi ies using ou s udy case’s da a, we ound ou ha he e a e
noisy communi ies, wi h e y di e en indi iduals o no e en included anywhe e. This p oblem
may be explained conside ing he da a na u e, as he numbe o use s ha we wo ked wi h is limi ed
and hey may ha e so a ied a as es.
I ’s impo an o no e he de ec ed ela ionship be ween ound communi ies and he use ’s
simila i y me ic. In ou wo k, i has been de ined his simila i y based on people’s a is ic
opinions. The e o e, an a wo k simila i y me ic has been de ined as well. This me ic is
compound by pa ial simila i ies ha use some a wo ks ea u es. Each pa ial simila i y’s weigh
essen ial and has di ec ela ionship wi h de ec ing a ious communi ies.
Usage o di e en clus e ing echniques has in luenced in he esul s. Al hough we
expe imen ed wi h di e en clus e ing echniques (k-means, hie a chical agglome a i e), he
na u e o ou p oblem has pe mi ed us ying some di e en echniques. Specially, we used k-
medoids and DBSCAN. These allowed checking on he di e en de ec ed communi ies. We
p o ed ha k-medoids esul s on he e ogeneous clus e s, while DBSCAN has go clus e s wi h
mo e simila indi iduals. This was caused because k-medoids includes each use in a di e en
68
clus e and DBSCAN no . Thanks o his we could s udy he na u e o each echnique, allowing us
o use hem when needed.
The de ec ion ool we de eloped is highly pa ame izable and ha o e s plen y o possible
solu ions inding di e en g oups o use s. Fo his eason, bo h he gene ic algo i hm and he
isualiza ion in e ace a e he bes componen deciding when weigh s a e he adequa e.
Focusing on ou wo k, we conside ed ha in gene al e ms we mos ly accomplished ou
objec i es. We had he oppo uni y o wo k wi h a ious clus e ing echniques, which allowed us
o deeply unde s and hei di e ences. Also, we go amilia ized wi h di e en wo k en i onmen s
and ools, wi h help us lea ning. Conce ning ou de elopmen objec i es we eached ou goals
wi h sa is ac o y esul s.
7.2 Fu u e wo k
Conside ing we eached ou p incipal objec i es, i is impo an o no e di e en g owing
op ions and possible a ian s o enhance ou p ojec . Then, we will commen he mos ele an
asks o do.
Al hough i has been de eloped an applica ion ha isualizes communi ies and allows o
expe imen wi h di e en weigh s o he pa ial simila i ies, an impo an objec i e is o design
and build and applica ion o ecommend con en s o he use s. The use has o ask sho ques ions
abou a wo ks so he sys em can si ua e him in he mos con enien se and ecommend him
cus om con en s om a museum. This unc ionali y may be ex ended allowing he use changing
his clus e eely.
This unc ionali y also could be ex ended na u ally o o e he possibili y o mee use s
wi h same a as es han him o mo i a e socializa ion, sha e opinions and hobbies.
On he o he hand, would be in e es ing o imp o e he way use s ge classi ied, conside ing
hei p o ile, ha ing p o essional and ama eu as wo examples o his ea u e. The sys em will
assign speci ic weigh s o compa e a wo ks and gene a e mo e p ecise communi ies.
The p e ious pa ag aph leads us o he possibili y o inc easing he numbe o p o iles and
p ecision o c ea e g oups, so ha would need o also inc ease he simila i y a iables o o e he
mos comple e classi ica ion sys em possible.
69
I is necessa y ha i we wan ou wo k o be eally use ul and scalable, we will need o
publish he p ojec on an online se e , so ha anyone can access o i emo ely and explo e all he
in e ace and de elopmen ’s possibili ies. This also implies o cons an ly main ain he backend and
on end, sol ing bugs, op imizing i s pe o mance and imp o ing he in e ace o make i as
accessible and g aphically a ac i e o d aw he a en ion o use s.
A e in e iewing an a p o essional we conside ed adding mo e pa ial simila i ies
be ween a wo ks. Using ex u e, b igh ness and p esen echniques would enhance simila i ies.
Finally, be able o de e mine conc e e weigh s o e e y pa ial simila i y. Ob ain opinions
o di e en g oups o people o decide which weigh s o use o de ec communi ies.

71
BIBLIOGRAFÍA
[1]
D. E. Holmes, Big Da a: una b e e in oducción, An oni Bosch edi o , 2018.
[2]
J. B. y. P. V. D.B. Millán, Ap endizaje au omá ico, 2006.
[3]
H. Chung, Clus e ing, Dimensionali y educ ion and Side In o ma ion, 2006.
[4]
T. Pang-Ning, M. S einbach, A. Ka pa ne y V. Kuma , In oduc ion o Da a Mining, 2006.
[5]
T. Has ie, R. Tibshi ani y F. J.H., The elemen s o s a is ical lea ning : da a mining, in e ence,
and p edic ion, 2001.
[6]
«K-Medoids sciki -lea n-ex a,» sciki -lea n-ex a, [En línea]. A ailable: h ps://sciki -lea n-
ex a. ead hedocs.io/en/la es /modules/clus e .h ml#k-medoids.
[7]
«DBSCAN sciki -lea n,» sciki -lea n, [En línea]. A ailable: h ps://sciki -
lea n.o g/s able/modules/clus e ing.h ml#dbscan.
[8]
D. Allemang y J. Hendle , Seman ic Web o he Wo king On ologis : E ec i e Modeling
in RDFS and OWL, Else ie Science & Technology, 2011.
[9]
«W3C Seman ic Web S anda ds,» W3C, [En línea]. A ailable:
h ps://www.w3.o g/s anda ds/seman icweb/da a. [Úl imo acceso: Mayo 2021].
[10]
«Wikida a:In oduc ion,» Wikimedia, [En línea]. A ailable:
h ps://www.wikida a.o g/wiki/Wikida a:In oduc ion. [Úl imo acceso: 23 05 2021].
[11]
S. P. Pages, Relación co po al en la ob a escul ó ica, amaño y p opo ción como elemen o
implicado en la pe cepción idimensional, Uni e si a de Ba celona, 2005.
[12]
L. P. A. y. C. S. Vicen e, «LOS VISITANTES DEL MUSEO DEL PRADO: NUEVA
METODOLOGÍA DE MEDICIÓN DEL TURISMO CULTURAL,» Es udios Tu ís icos, nº
168 , pp. 85-98, 2006.
72
[13]
D. J. G. Villa , EL ARTISTA, LA PINTURA Y EL ESPECTADOR, Uni e sidad de G anada,
2012.
[14]
J. L. Muñoz, El G eco y San a Olalla, 1993.
[15]
J. L. Po as, Imp esionismo.
[16]
M. Á. G. Villegas, In e encia es adís ica, Ediciones Díaz de San os, 2005-01-01.
[17]
K. Sha ma, Mic oa ay Analysis, Momen um P ess, 2015-06-19.
73
APÉNDICES
Apéndice A - Repa o del abajo
A lo la go del desa ollo del p oyec o, hemos p ocu ado man ene un epa o equi a i o de
las ca gas de abajo. Pa a ello hemos conce ado euniones de equipo semanales pa a plani ica y
epa i las a eas equilib adamen e. Además, hemos in en ado que en odo momen o cada uno de
los miemb os del equipo es u ie a cómodo con el abajo que se le asignaba, eniendo en cuen a
los campos en los que más sol u a y acilidad enía, con el obje i o de alcanza la mayo
p oduc i idad y e iciencia posibles.
La p ime a ase del abajo consis ió p incipalmen e en la documen ación ace ca del ámbi o
en el que íbamos a abaja . Es a ase se ealizó de mane a conjun a, ya que p e e imos que es o
ue a un es ue zo g upal pa a que odos u ié amos una isión lo más amplia y cla a posible ace ca
de las écnicas y ecnologías con que íbamos a abaja . A lo la go de es a ase, p epa amos di e sas
p esen aciones ace ca de las écnicas de clus e ing que pudimos pone en común median e
euniones elemá icas pa a discu i sob e ellas y esol e posibles dudas.
En cuan o al p oceso de es udio de da os, modelado de comunidades, desa ollo de las
in e aces web y oda la ase de implemen ación que conlle ó, sí ealizamos una di isión más cla a
de las ca gas de abajo, como de alla emos a con inuación.
Vadym Ba sula Bilenka
En lo e e ido a la lógica de modelado de comunidades e implemen ación del abajo
pa icipó en pa es de ambas ases, en pa alelo con la in es igación y ap endizaje del lenguaje de
p og amación que se u iliza y al ap endizaje au omá ico.
Respec o a la ase de modelado, apo ó la pa e que es ablece la simili ud en e cuad os en
base a los colo es que es e con iene, analizando cuál es la mejo mane a y más p ecisa de ealiza
es o, y concluyendo inalmen e en la decisión de u iliza el modelo de colo HSV y la écnica de
clus e ing k-means.
74
Se enca gó a implemen a de mane a comple a el se ido de mic ose icios que comunica
la implemen ación del modelado de comunidades con el on end que ep esen a la in o mación
ob enida. Es o conlle ó el análisis de los di e en es amewo ks que pe mi en la cómoda
ealización de es a a ea, pa a selecciona el que más se ajus a a a nues as necesidades. La elección
e minó siendo Sanic, que le siguió el ap endizaje con enien e pa a la co ec a u ilización de es a
he amien a. Implemen ó los se icios necesa ios pa a ecibi los da os que ienen de la lógica de
modelado pa a a a los, si es necesa io, y en ia los pos e io men e a la pa e que se ocupa de hace
isible nues o abajo, el on end, sa is aciendo sus necesidades a la ho a de o ma ea la salida
de los se icios pa a que és e, pudie a ealiza su a ea de mane a cómoda y e icaz.
En cuan o a la apo ación en la memo ia, se enca gó a odas las ansc ipciones al inglés
ín eg as. Los apa ados que p ecisan es a a ea son: esumen, in oducción y sus subsecciones
mo i ación, obje i os y plan de abajo, así como las conclusiones y los planes de abajo u u o.
Con ibuyó en pequeñas apo aciones al Capí ulo 1 (In oducción) y a las ecnologías de
desa ollo del Capí ulo 4 (Implemen ación).
En el Capí ulo 2 (Es ado de la cues ión) ealizó la ecopilación y explicación de odas las
ecnologías de ap endizaje au omá ico, an o las que se u ilizan en es e abajo, como las que no.
También es au o de la Simili ud po colo dominan e en el Capí ulo 3 y de la sección
Se icios REST del Capí ulo 4.
Finalmen e, esc ibió, den o del Capí ulo 5 (Conclusiones y abajo u u o), la in oducción
al mismo y el apa ado 2, que se e ie e a los planes de abajo u u o.
Ma cos Ra ael Núñez
En lo e e en e al desa ollo de la aplicación con ibuyo an o en la lógica del modelado,
como en el on end de la aplicación. Su pa icipación ha es ado p esen e en odas las ases de
p oyec o.
Du an e el desa ollo de la lógica del modelado in es igó dis in i as o mas posibles pa a
compa a dos cuad os. Desa olló ín eg amen e las simili udes pa ciales po amaño del cuad o,
así como la simili ud pa cial basada en el e o cuad á ico medio po píxel. De igual mane a,
in es igó, decidió e implemen ó la o ma de u iliza los gus os de los usua ios po los cuad os pa a