Personalización de rutas en sistemas de turismo y ocio
Abstract
El objetivo de este trabajo es proporcionar un marco general y teórico para la personalización de rutas en sistemas de turismo y ocio. Además, se verán técnicas que utilizan Realidad Aumentada para mejorar la experiencia del usuario que recorra esas rutas. Para ello, se introducirán los conceptos necesarios de teoría de grafos, así como los algoritmos para recorrerlos. Posteriormente, describiremos el problema de personalización de rutas para individuos y grupos, proponiendo tres enfoques distintos para su resolución: utilizando el algoritmo A*, el algoritmo voraz, y el razonamiento basado en casos respectivamente. Además, se realizará un análisis sobre Realidad Aumentada, explicando los distintos dispositivos y técnicas que se utilizan en ella. Con el objetivo de ver un ejemplo del marco general definido en este trabajo, estudiaremos dos casos en los que aplicaremos los algoritmos de personalización y técnicas de Realidad Aumentada explicadas anteriormente. Dichos casos de uso estarán centrados en el Museo de Informática García Santesmases y en el ámbito del turismo en Madrid.
Full text
Uni e sidad Complu ense de Mad id
Facul ad de In o má ica
Doble G ado en Ingenie ía In o má ica y Ma emá icas
PERSONALIZACIÓN DE RUTAS EN
SISTEMAS DE TURISMO Y OCIO
TRABAJO DE FIN DE GRADO
Jesús Agui e Pemán
Tu o : Ma ía Belén Díaz Agudo
Tu o : Guille mo Jiménez Díaz
17 de junio de 2016
PERSONALIZACIÓN DE RUTAS EN SISTEMAS DE
TURISMO Y OCIO
Au o : Jesús Agui e Pemán
Tu o : Ma ía Belén Díaz Agudo
Tu o : Guille mo Jiménez Díaz
Depa amen o de Ingenie ía del So wa e e In eligencia A icial
Facul ad de In o má ica
Uni e sidad Complu ense de Mad id
17 de junio de 2016
5
AUTORIZACIÓN PARA LA DIFUSIÓN DEL TRABAJO FIN DE GRADO Y SU DEPÓSITO EN EL
REPOSITORIO INSTITUCIONAL E-PRINTS COMPLUTENSE
Los abajo i man es, alumno/s y u o /es del T abajo Fin de G ado (TFG) en el G ado en
…………………………………………………………………………………………de la Facul ad de
…………………………………………………..………, au o izan a la Uni e sidad Complu ense de Mad id
(UCM) a di undi y u iliza con ines académicos, no come ciales y mencionando exp esamen e
a su au o el T abajo Fin de G ado (TF) cuyos da os se de allan a con inuación. Así mismo
au o izan a la Uni e sidad Complu ense de Mad id a que sea deposi ado en acceso abie o en
el eposi o io ins i ucional con el obje o de inc emen a la di usión, uso e impac o del TFG en
In e ne y ga an iza su p ese ación y acceso a la go plazo.
Pe iodo de emba go (opcional):
6 meses
12meses
TÍTULO del TFG: ..........................................................................................................
………………………………………………………………………………………………….
Cu so académico: 20….. / 20…..
Nomb e del Alumno/s:
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Tu o /es del TFG y depa amen o al que pe enece:
…………………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Fi ma del alumno/s Fi ma del u o /es
Abs ac
Abs ac
The aim o his wo k is o p o ide a gene al and heo e ical ame o pe sonalize ou es
in ou ism and leisu e- ime domains. We will also desc ibe echniques ha use Augmen ed
Reali y o imp o e use expe ience on he ecommended ou es.
To do his, we will in oduce he necessa y concep s o G aph Theo y and pa h-
nding algo i hms. A e wa ds, we will desc ibe he p oblem o pe sonalizing a ou e o
indi iduals and g oups, p oposing h ee die en app oaches o i s esolu ion: using A
?
algo i hm, g eedy algo i hm, and case based easoning, espec i ely. We will also analize
he echniques and de ices in Augmen ed Reali y.
Wi h he goal o seeing specic examples o he gene al ame exposed in his wo k,
we will p opose wo case s udies whe e we will apply he a o emen ioned pe sonaliza ion
algo i hms and Augmen ed Reali y echniques. These case s udies will be ocused in he
Ga cía San esmases Museum o Compu e Science and in he ou ism domain in Mad id.
Key wo ds
Pe sonaliza ion, g aph, CBR, A
?
, g eedy algo i hms, Augmen ed
Reali y.
Pe sonalización de u as en sis emas de u ismo y ocio
III
Resumen
Resumen
El obje i o de es e abajo es p opo ciona un ma co gene al y eó ico pa a la
pe sonalización de u as en sis emas de u ismo y ocio. Además, se e án écnicas que
u ilizan Realidad Aumen ada pa a mejo a la expe iencia del usua io que eco a esas
u as.
Pa a ello, se in oduci án los concep os necesa ios de eo ía de g a os, así como los
algo i mos pa a eco e los. Pos e io men e, desc ibi emos el p oblema de pe sonalización
de u as pa a indi iduos y g upos, p oponiendo es en oques dis in os pa a su esolución:
u ilizando el algo i mo A
?
, el algo i mo o az, y el azonamien o basado en casos
espec i amen e. Además, se ealiza á un análisis sob e Realidad Aumen ada, explicando
los dis in os disposi i os y écnicas que se u ilizan en ella.
Con el obje i o de e un ejemplo del ma co gene al denido en es e abajo,
es udia emos dos casos en los que aplica emos los algo i mos de pe sonalización y écnicas
de Realidad Aumen ada explicadas an e io men e. Dichos casos de uso es a án cen ados
en el Museo de In o má ica Ga cía San esmases y en el ámbi o del u ismo en Mad id.
Palab as cla e
Pe sonalización, g a o, CBR, A
?
, algo i mos o aces, Realidad
Aumen ada.
Pe sonalización de u as en sis emas de u ismo y ocio
V
CAPÍTULO 1. INTRODUCCIÓN Y OBJETIVOS
1.2. Obje i os
Se p e ende p opone un ma co gene al y eó ico que pe mi a pe sonaliza u as
en di e en es dominios. Pa a log a es e obje i o, debe emos comple a a ios obje i os
in e medios.
1. Analiza las écnicas de pe sonalización de u as.
2. Analiza las posibilidades de la Realidad Aumen ada y los di e en es en o nos de la
misma.
3. P opone un modelo gené ico eu ilizable pa a di e en es casos de es udio.
4. Es udia la adecuación de los algo i mos pa a encon a la mejo u a dado un g a o
y las p e e encias del usua io o del g upo.
5. P oba el modelo p opues o, aplicándolo a dos casos de es udio di e en es.
6. Realiza una compa a i a expe imen al en e los algo i mos aplicados a los casos de
es udio.
7. Aplica écnicas de Realidad Aumen ada a la ep esen ación isual de las u as
ecomendadas.
8. Realiza un p o o ipo de aplicación mó il pa a cada caso de es udio que ayude al
usua io a eco e la u a.
1.3. O ganización del abajo
En p ime luga es udia emos las bases eó icas sob e las que cons ui los algo i mos
de pe sonalización de u as. Ha emos un análisis de la Teo ía de G a os y de los algo i mos
pa a eco e los. También se deni á el concep o de Realidad Aumen ada, y se indica á
cómo se puede aplica a la ecomendación de ocio y u ismo pa a mejo a la expe iencia del
usua io. Ve emos las di e encias en e Realidad Aumen ada en ex e io es y en in e io es,
cómo se pueden soluciona los p oblemas de localización en in e io es y los dis in os
en o nos de desa ollo exis en es.
En el Capí ulo 3 p opond emos un ma co eó ico pa a la ecomendación de u as
pe sonalizadas, que se á adap able a dis in os casos de es udio conc e os. En es e capí ulo
o maliza emos el p oblema a esol e , y p opond emos es algo i mos de ecomendación
di e en es que pe mi i án u iliza búsquedas heu ís icas y conocimien o expe o pa a
p opo ciona las u as pe sonalizadas a los usua ios.
Pos e io men e, es udia emos dos casos de uso donde se han aplicado las soluciones
explicadas en el capí ulo an e io a p oblemas eales. En el p ime o, ecomenda emos
isi as pe sonalizadas al Museo de In o má ica Ga cía San esmases, u ilizando écnicas
2
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 1. INTRODUCCIÓN Y OBJETIVOS
de Realidad Aumen ada en in e io es pa a p opo ciona in o mación adicional a los
isi an es. En el segundo, p opo ciona emos ecomendaciones de ocio y u ismo en Mad id,
u ilizando Realidad Aumen ada en ex e io es pa a guia a los usua ios a los pun os de
in e és que o ma án la u a pe sonalizada.
Finalmen e, e mina emos con unas conclusiones que esuman y alo en los esul ados
ob enidos a lo la go del abajo, y expond emos las líneas de abajo u u o que pe mi i ían
mejo a las u as pe sonalizadas y las expe iencias de Realidad Aumen ada is as en es a
memo ia.
Pe sonalización de u as en sis emas de u ismo y ocio
3
2
Es ado del a e
En es e capí ulo p esen a emos la base eó ica sob e la que cons ui los algo i mos de
pe sonalización de u as, así como las bases de Realidad Aumen ada necesa ias pa a pode
aplica sus écnicas a las u as p opues as. Pa a ello, comenza emos con una in oducción
sob e Teo ía de G a os que p esen e las deniciones necesa ias pa a o maliza el p oblema.
Pos e io men e e emos qué son los sis emas ecomendado es y en qué ca ego ías se
subdi iden. Po úl imo, in oduci emos el concep o de Realidad Aumen ada y e emos
qué posibilidades o ece pa a mejo a la expe iencia del usua io du an e el eco ido de la
u a.
2.1. Pe sonalización de u as
En es a sección es udia emos los concep os de Teo ía de G a os necesa ios pa a
o maliza adecuadamen e nues o p oblema, así como una in oducción eó ica a
los algo i mos de búsqueda heu ís ica y a los algo i mos basados en conocimien o.
Conclui emos con un análisis del abajo elacionado con los ámbi os de ocio y u ismo
2.1.1. In oducción a los g a os
Pa a pode deni o malmen e el p oblema que que emos abo da , necesi a emos
algunas deniciones p e ias sob e Teo ía de G a os [2].
Denición 1.
Un
g a o simple (no) di igido
G= (V, E)
cons a de
V
, un conjun o no
acío de
é ices
o
nodos
, y de
E
, un conjun o de pa es (no) o denados de elemen os
dis in os de
V
, llamados
a is as
.
Pe sonalización de u as en sis emas de u ismo y ocio
5
CAPÍTULO 2. ESTADO DEL ARTE
Denición 2.
Se dice que dos é ices
u
y
de un g a o no di igido
G
son
adyacen es
en
G
si
{u, }
es una a is a de
G
. También se dice que la a is a
e
conec a
u
y
.
Denición 3.
Sea
n
un en e o no nega i o y sea
G
un g a o no di igido. Un
camino
de
longi ud
n
de
u
a
en
G
es una secuencia de
n
a is as
a1, a2, . . . , an
de
G
al que
(a1) = {x0, x1}, (a2) = {x0, x1}, . . . , (an) = {xn−1, xn}
, donde
x0=u
y
xn=
. Se
dice que el camino
pasa po
los é ices
x1, x2, . . . , xn−1
o ambién que
eco e
las a is as
a1, a2, . . . , an
.
Ya podemos aza caminos en g a os. Pa a e las es icciones exis en es sob e esos
caminos, in oduzcamos aho a los concep os de
conexión
en g a os.
Denición 4.
Se dice que un g a o no di igido es
conexo
si hay un camino en e cada
pa de é ices dis in os del g a o.
Pa a los g a os di igidos, la denición equi alen e es la siguien e:
Denición 5.
Se dice que un g a o di igido es
ue emen e conexo
si hay un camino de
i
a
j
y un camino de
j
a
i
pa a cualesquie a dos é ices
i
y
j
del g a o.
Teo ema 1.
Siemp e hay un camino en e cada pa de é ices dis in os de un g a o no
di igido conexo.
Con las deniciones is as, ya es amos en disposición de es udia cómo eco e los
g a os median e algo i mos de búsqueda.
2.1.2. Algo i mos de búsqueda en g a os
En p ime luga , la
búsqueda en el espacio de es ados
es un p oceso po el que se
conside an sucesi os es ados de una ins ancia con el obje i o de encon a un
es ado
obje i o
con una p opiedad buscada. Es a búsqueda puede se
no in o mada
, como las
búsquedas p ime o en anchu a y p ime o en p o undidad. La
búsqueda p ime o en anchu a
es una es a egia en la que en p ime luga se
expande
(calculando sus suceso es) el nodo
aíz, a con inuación sus suceso es, después los suceso es de es os, y así i e a i amen e. Po
su pa e, la
búsqueda p ime o en p o undidad
expande el nodo al ni el más p o undo en
el á bol de búsqueda [3].
Se denomina
búsqueda in o mada
a la que u iliza el conocimien o especíco del
p oblema más allá de la denición del p oblema en sí mismo [3]. A la ap oximación gene al
que conside a emos se le llama á
búsqueda p ime o el mejo
. La búsqueda p ime o el mejo
es un caso pa icula del algo i mo gene al de búsqueda en g a os en el cual el nodo elegido
pa a con inua con la búsqueda se basa en una unción de e aluación
(n)
.
El algo i mo A
?
es un algo i mo pa a encon a el mejo camino en un g a o. U iliza
una unción de e aluación
(n) = g(n) + h(n)
, donde
g
calcula el cos e del camino desde
el nodo o igen has a el ac ual y
h
es la unción heu ís ica que es ima el cos e del camino
desde el nodo ac ual has a el nal [4].
6
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 2. ESTADO DEL ARTE
Es e algo i mo combina las búsquedas p ime o en anchu a y p ime o en p o undidad
[5]. La unción
h
es la única componen e u ilizada en los algo i mos o aces, y
g
iende a
p ime o en anchu a. De es e modo, se cambia de camino de búsqueda cada ez que haya
nodos más p ome edo es.
Al se un algo i mo de búsqueda en anchu a, A
?
es
comple o
: en caso de exis i una
solución, siemp e da á con ella. Pa a ga an iza que la solución encon ada sea óp ima, la
unción
h(n)
debe se una heu ís ica
admisible
, es deci , que no sob es ime el cos e eal
de alcanza el nodo obje i o [4].
A
?
admi e dos implemen aciones di e en es. Noso os u iliza emos la e sión T ee-
Sea ch [6] en luga de la G aph-Sea ch. La di e encia en e las dos es que la T ee-Sea ch
ob iene siemp e la solución óp ima si la heu ís ica elegida es admisible, mien as que pa a
que G aph-Sea ch llegue a la solución óp ima, la heu ís ica u ilizada debe se
consis en e
,
es deci , que pa a cada nodo
i
y su suceso
j
se cumple
h( i)≤b( i, j) + h( j)
. Toda
heu ís ica consis en e ambién es admisible, de ahí que u ilicemos el pa adigma T ee-
Sea ch. Podemos e el pseudocódigo de A
?
en el Algo i mo 1.
Algo i mo 1:
A
?
según el pa adigma T ee-Sea ch
Func ion
T eeSea ch(Nodo aiz)
P io i yQueue
on e a =
suceso es(
aiz
);
while
(| on e a|>0)
do
nodo =
ex ae (
on e a
) ;
// elige el nodo de mejo cos e es imado
es ado =es adonodo
;
i
(obje i o(
es ado
))
hen
e u n
solucion(
nodo
);
end
o
cada
suceso
de
nodo
do
inse a (
on e a
,
suceso
);
end
end
e u n
allo;
Pa a pode aplica lo a un p oblema, necesi a emos las siguien es deniciones:
Cuál es el obje i o del p oblema.
Cuáles son las acciones del p oblema.
Cuál es el cos e es imado de la solución.
En nues o caso, el obje i o del p oblema es encon a un camino que nos pe mi a
isi a el mayo núme o de nodos de acue do con nues os gus os. Como hemos
mencionado al in oduci el algo i mo A
?
, el cos e es imado de la solución es la unción
=g+h
. Las acciones del p oblema son añadi nodos al camino que es amos consi-
de ando como posible solución.
Pe sonalización de u as en sis emas de u ismo y ocio
7
CAPÍTULO 2. ESTADO DEL ARTE
2.1.3. Sis emas ecomendado es
Los sis emas ecomendado es (RS,
ecommende sys ems
) son he amien as so wa e
y écnicas que p opo cionan suge encias ú iles de
i ems
pa a los usua ios [7]. El é mino
i em es de uso gene al, y se u iliza pa a indica el ipo de con enido que ecomienda el
sis ema. Los sis emas ecomendado es se pueden di idi en seis ca ego ías [8].
Basado en con enido: iden ican las ca ac e ís icas de los i ems que han ecibido
una alo ación posi i a un usua io y ecomiendan nue os i ems que engan
ca ac e ís icas simila es a aquellos.
Fil ado colabo a i o: consis e en ealiza ecomendaciones basándose en las
alo aciones de los usua ios. Cub e a ias de las limi aciones del en oque basado
en con enido, pues o que algún i em cuyo con enido sea di ícil de exp esa siemp e
pod á se ecomendado g acias a la alo ación de los usua ios. Además, el l ado
colabo a i o e i a posibles p oblemas de i ados del mal e ique ado de los obje os.
A su ez, los sis emas de l ado colabo a i o pueden di idi se en 2 ipos [9].
Neighbo hood: las alo aciones de los usua ios se u ilizan di ec amen e pa a
p edeci las alo aciones de los nue os i ems.
Basado en modelo: u ilizan las alo aciones de los usua ios pa a ap ende un
modelo p edic i o. Es e modelo es en enado u ilizando los da os disponibles
y pos e io men e es u ilizado pa a p edeci nue as alo aciones.
Demog áco: el sis ema se basa en el pe l demog áco del usua io.
Basado en conocimien o: la ecomendación se basa en el conocimien o expe o sob e
cómo cie os i ems sa is acen las p e e encias de los usua ios.
Basados en comunidad: es e ipo de sis emas ecomendado es se basan en las
p e e encias de los amigos del usua io, basándose en el hecho de que las pe sonas
con ían más en las ecomendaciones de sus amigos que en las de o os usua ios
anónimos con gus os simila es a los suyos.
Híb idos: son combinación de las écnicas an e io es.
2.1.4. CBR
El Razonamien o Basado en Casos (CBR, Case Based Reasoning) consis e en esol e
un p oblema u ilizando pa a ello una si uación pasada simila , de la que eu ilizamos
in o mación y conocimien o [38]. Un ciclo CBR puede se desc i o po los siguien es cua o
p ocesos:
1.
Recupe a
de la base de casos el caso más simila a una consul a ealizada po un
usua io.
8
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 2. ESTADO DEL ARTE
2.
Reu iliza
la in o mación y conocimien o de ese caso pa a soluciona el p oblema.
3.
Re isa
la solución p opues a.
4.
Re ene
las pa es de la expe iencia que puedan se u ilizadas pa a esol e u u os
p oblemas.
2.1.5. T abajo elacionado
El p oblema de búsqueda de u as en el dominio del u ismo ha sido abo dado usando
di e en es ap oximaciones. Una de las mas clásicas y conocidas es el p oblema del camino
más co o, que no iene en cuen a p e e encias de usua io. Sis emas como MacauMap [11]
mezclan o os algo i mos que incluyen in e eses del usua io pa a selecciona los pun os de
in e és de la u a ecomendada, y gene a la secuencia de iaje usando un algo i mo de
búsqueda A
?
. Como en es e abajo, el ecomendado conside a el iempo en e los pun os
de in e és y los iempos de isi a pa a p opo ciona un eco ido óp imo.
Los sis emas ecomendado es se han u ilizado de o ma c ecien e en el campo
de u ismo, ecomendación de a acciones o pun os de in e és, se iciones de iaje
( es au an es, ho eles, anspo es,...), u as y ou s, o planes pe sonalizados de a ios
días, en e o os [10].
O as ap oximaciones pa a ecomenda i ine a ios de u ismo son ca ego izadas como
el P oblema de Sa is acción de Res icciones: el sis ema ecomendado gene a una
secuencia de pun os de in e és a isi a , l ando da os de acue do a las es icciones
del usua io especicadas en la consul a. Es e es el en oque empleado po INTRIGUE [12],
que ecomienda i ine a ios y des inos eniendo en cuen a las p e e encias de un g upo de
pe sonas.
Va ios sis emas ecomendado es a on an el p oblema como un p oblema de o ien ación
con es icciones impues as po los usua ios. PERSTOUR [13] ecomienda u as
pe sonalizadas u ilizando la simili ud en e pun os de in e és y p e e encias de los usua ios,
in e idas de o og a ías geolocalizadas. Recomienda un i ine a io, con un lími e de iempo
y un pun o de pa ida y o o de salida especicados po el usua io, que maximiza la
popula idad y el in e és del usua io en los pun os ecomendados, a la ez que se ciñe
a una es icción de iempo. Las mayo es de las con ibuciones de es e abajo son la
pe sonalización de la du ación de la isi a en cada pun o, y la medición del ni el de
in e és del usua io en una ca ego ía de pun os de in e és basándose en el iempo que el
usua io pasa en es os pun os, ela i o al usua io medio.
El in e és del usua io y la ecomendación de pun os de in e és implican la exis encia
de desc ipción de conocimien o sob e es os pun os. El sis ema T-Pa h [14] selecciona los
i ine a ios que mejo encajan con las p e e encias de los usua ios clasicando los pun os
de in e és en ca ego ías e in iendo el ec o de ca ego ías u ilizando una Red Bayesiana.
Después, el sis ema selecciona los i ine a ios que son más simila es al modelo del usua io,
ep esen ado po un ec o de ca ego ías c eado con la in o mación coleccionada de las
in e acciones con el usua io.
Pe sonalización de u as en sis emas de u ismo y ocio
9
CAPÍTULO 2. ESTADO DEL ARTE
El uso de ap oximaciones CBR en la ecomendación de i ine a ios u ís icos no es
comúnmen e empleado a pesa de que la planicación basada en casos es un campo que
p esen a esul ados sa is ac o ios. Aunque TURAS [15] no p opo ciona ecomendaciones
de u ismo, el abajo sob esale po se un sis ema de planicación de u as basado en
casos que gene a u as pe sonalizadas eu ilizando pa es ele an es de múl iples casos.
O o sis ema especíco de ecomendación de u as u ís icas basada en casos es
TOURIST GUIDE-USAL [16], que gene a la u a adap ando casos p e ios al pe l del
usua io desc i o po ca ac e ís icas como el ipo de isi a, el p esupues o o la du ación.
En es e sis ema, ls casos son u as an e io es que incluyen los pun os de in e és a is a,
el iempo a pasa en cada pun o, el iempo eque ido pa a iaja de un pun o a o o y
e ique as de las u as (como u a de museos, u a de amilia, u a Románica, e c). Es e
abajo inspi ó nues a ap oximación a la planicación de u as usando CBR.
2.2. Realidad Aumen ada
La Realidad Aumen ada (RA) es una écnica que pe mi e mezcla elemen os del mundo
eal con elemen os digi ales, in eg ando ambas pa es en una sola is a [17]. Aunque sus
inicios se emon an a la década de 1960, en los úl imos años se ha p oducido una e olución
en es a ecnología, mo i ada en g an pa e po la apa ición de los
sma phones
, que nos
pe mi en isualiza la Realidad Aumen ada sin necesidad de u iliza complejos sis emas
como los disposi i os mon ados sob e la cabeza que se usaban en los comienzos de es a
ecnología. El c ecimien o de la RA ha pe mi ido que el ango de sus aplicaciones se haya
expandido no o iamen e: anuncios, en e enimien o, educación, uso médico y un la go
eccé e a.
2.2.1. Denición
La Realidad Aumen ada (RA) se dene como una is a en iempo eal de un en o no
eal que ha sido
mejo ado/aumen ado
al añadi le in o mación i ual gene ada po
o denado . El obje i o de la Realidad Aumen ada es acili a las a eas del usua io
p opo cionándole in o mación [17].
Mien as que la Realidad Vi ual sume ge po comple o al usua io en el En o no
Vi ual sin que pueda pe cibi el mundo eal, la Realidad Aumen ada
aumen a
el sen ido
de la ealidad supe poniendo obje os i uales sob e el en o no eal en iempo eal.
En luga de conside a la Realidad Aumen ada y la Realidad Vi ual como concep os
diame almen e opues os, es con enien e e los como los ex emos de un con inuo
(
con inuum
) [18], que podemos obse a en la Figu a 2.1.
10
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 2. ESTADO DEL ARTE
Figu a 2.1: Con inuo Realidad-Vi ualidad
2.2.2. His o ia
La p ime a apa ición del concep o Realidad Aumen ada se emon a a la década
de 1950, cuando el cineas a Mo on Heilig pa en ó el Senso ama, un simulado que
p opo cionaba una ilusión de ealidad u ilizando ídeo en 3D, olo , ib aciones en
el asien o y ien o, in oluc ando así la mayo pa e de los sen idos [19]. En 1968,
I an Su he land c eó un sis ema de ealidad Aumen ada u ilizando un disposi i o de
isualización HMD ( isualización mon ada en la cabeza), que coloca an o las imágenes
del mundo eal como las del en o no i ual sob e la is a del usua io.
En los años 90, la Realidad Aumen ada expe imen ó un g an c ecimien o. En 1992
se p esen a el p ime pape sob e un p o o ipo de sis ema RA (llamado KARMA),
y dos años más a de, Milg am y Kishino deni ían el con inuo ealidad- i ualidad
is o an e io men e. En 1997, Ronald Azuma esc ibe el p ime es udio sob e Realidad
Aumen ada, donde desc ibe los p incipales campos de aplicación de es as écnicas, así
como los dis in os ipos de RA y su uncionamien o [20]. Es e es udio se con e i ía en el
ex o más impo an e sob e Realidad Aumen ada has a la ac ualidad. En 1999 Hi okazu
Ka o desa olla ARToolKi
1
, el p ime SDK de Realidad Aumen ada, que pos e iomen e
se á publicado po la Uni e sidad de Washing on.
Du an e la década de 2000, se ealizan di e sos p oyec os de RA con ARToolKi .
En 2003 se p esen a un sis ema de guía en in e io es u ilizando RA [21]. La aplicación
u iliza un disposi i o po á il y ARToolKi pa a p opo ciona una is a aumen ada del
en o no. En 2006, Rei may y D ummond p esen an un sis ema de
acking
pa a RA en
ex e io es, u ilizando un disposi i o po á il [22]. El sis ema combina acking basado en
a is as, medidas del gi oscopio, la g a edad y el campo mágne ico pa a p opo ciona una
localización p ecisa. Un año más a de, Klein y Mu ay p esen an un sis ema capaz de
ealiza las a eas de acking y mapping pa alelamen e, en dos hilos sepa ados [23]. Es
la p ime a ap oximación a la écnica de SLAM, que desc ibi emos pos e io men e.
A nales de la década, coincidiendo con el
boom
de los
sma phones
, comienzan a
apa ece más en o nos de desa ollo. En 2008, la compañía Me aio p esen a una guía de
museo con RA. Es e mismo año nace Wiki ude, que en sus inicios combina los da os del
GPS y la b újula con en adas de Wikipedia pa a p opo ciona in o mación ob enida de
1
h ps://www.a oolki .o g/
Pe sonalización de u as en sis emas de u ismo y ocio
11
CAPÍTULO 2. ESTADO DEL ARTE
ep esen a una en aja sob e o as ep esen aciones más con encionales como pueden se
lis as de obje os o mapas.
Pocas aplicaciones combinan la ecomendación de u as con la Realidad Aumen ada.
Mo eTou ism [33] u iliza e ique as y pesos pa a ecomenda pun os de in e és. La
ecomendación se ealiza compa ando la nube de e ique as del usua io con la nube de
e ique as de los pun os. Es e abajo ambién p opone ecomendaciones pa a g upos
c eando una nube de e ique as de g upo usando las nubes de e ique as de sus miemb os. La
in o mación se p esen a in eg ando la in o mación, imágenes y ideos median e se icios
de Realidad Aumen ada.
O a aplicación que combina es as dos écnicas es RAMCAT [34], que p esen a
un sis ema ecomendado híb ido basado en con ex o o ien ado a in eg a Realidad
Aumen ada en dominios u ís icos. La aplicación ecomienda pun os de in e és eniendo en
cuen a p e e encias pe sonales y a ibu os con ex uales. Exis en a ios módulos pa a es as
ecomendaciones: l ado colabo a i o, con ex ual, po con enido, e c. La in o mación se
puede p esen a an o aumen ada como en un o ma o con encional de lis a de pun os de
in e és. Además, el sis ema se e oalimen a median e las calicaciones de los u is as.
En [35], los au o es p esen an una he amien a de ap endizaje pa a el ámbi o
académico que ecomienda con enido en unción de los in e eses del usua io, p esen ándolo
median e una in e az basada en Realidad Aumen ada. Los in e eses del usua io se ex an
del compo amien o del usua io al in e ac ua con el con enido p esen ado en la in e az.
Respec o a guia a los usua ios has a un pun o, es in e esan e el en oque de la aplicación
Penguin NAVI
13
, que u iliza a un g upo de pingüinos como guías pa a lle a a los usua ios
has a el Sunshine Aqua ium de Tokio. El éxi o de es a aplicación supuso un aumen o de
la auencia del 150% con espec o al mes an e io .
2.3. Conclusiones
En es e capí ulo hemos is o las p incipales nociones eó icas necesa ias pa a la
o malización del p oblema de la pe sonalización de u as. En p ime luga , se han
in oducido algunos concep os sob e g a os que nos se i án pa a ca ac e iza el mapa
del dominio, y sob e algo i mos de búsqueda pa a ob ene caminos en el g a o. También
hemos in oducido los sis emas ecomendado es y el azonamien o basado en casos. Po
úl imo, hemos es udiado las di e en es posibilidades que o ecen las écnicas de Realidad
Aumen ada a a ho a de mejo a la expe iencia del usua io.
Es o nos pe mi i á guia al usua io po el eco ido ecomendado o amplia la
in o mación disponible. Las écnicas is as se i án pa a implemen a elemen os de
Realidad Aumen ada en las ecomendaciones. Si se a a de un dominio cuyas u as son
en in e io es, debe emos u iliza écnicas basadas en ma cado es, o u iliza un Sis ema
de Posicionamien o en In e io es pa a la localización. Po el con a io, en un en o no al
ai e lib e pod emos hace uso del GPS pa a localiza nues a posición y la de los pun os
13
h p://penguinna i.e ba-hd.com/
18
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 2. ESTADO DEL ARTE
que debe emos isi a , aunque ambién engamos la posibilidad de u iliza ma cado es.
Ve emos las implemen aciones de es as ecnologías en los casos de es udio del Museo
Ga cía San esmases (Sección 4.1) y del ecomendado de u ismo en Mad id (Sección
4.2).
Pe sonalización de u as en sis emas de u ismo y ocio
19
3
Ma co eó ico pa a la pe sonalización de
u as
En es e capí ulo se p opond á un ma co eó ico pa a la ecomendación de u as
pe sonalizadas. Es e ma co, que se á adap able a cualquie caso de es udio conc e o,
admi i á an o ecomendaciones indi iduales como g upales, y se á aplicable a dominios
con muchos pun os de in e és seleccionables o con an sólo unos pocos. Po o a pa e, las
u as pod án se en en o nos in e io es, como un museo o un cen o come cial, o ex e io es
como en una ciudad. E ique a emos los pun os de in e és según sus ca ac e ís icas e
in oduci emos las p e e encias del usua io, c eando i ine a ios en los que, espe ando un
lími e de iempo, se isi en los pun os de in e és cuyas e ique as mejo se adecúen a es os
gus os.
3.1. Fo malización del p oblema a esol e
El obje i o de nues os algo i mos de planicación de u as se á encon a una u a
pa a un indi iduo o un g upo de pe sonas que eco a una secuencia de pun os de in e és
ca ego izados con di e en es e ique as. La u a debe maximiza la sa is acción de las
p e e encias del indi iduo o del g upo, desc i as como un conjun o de pa es de e ique as
y sus espec i os alo es asociados. Además, la u a ha de ajus a se al iempo máximo
p opo cionado pa a la isi a.
Fo malicemos aho a el p oblema a esol e . Sea
V={ 1, . . . , p}
un conjun o no acío
de pun os de in e és, y sea
K={k1, . . . , kn}
un conjun o de e ique as que desc iben an o
las ca ac e ís icas de los an e io es pun os de in e és como las p e e encias del g upo. Las
e ique as son dependien es del dominio. Cada pun o de in e és
i
es á ca ac e izado po
Pe sonalización de u as en sis emas de u ismo y ocio
21
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
un ec o de p e e encias
i.co ={λk1, . . . , λkn}
, con
λkj∈[0,1]
, que ep esen an el g ado
en que
i
cub e la e ique a
kj
; y un alo
i
que ep esen a el iempo ecomendado pa a
isi a el pun o
i
.
Cada pun o de in e és iene una localización. El mapa que ep esen a las localizaciones
de los pun os de in e és es á ca ac e izado como un g a o no di igido
G= (V, E)
, donde
E
es un conjun o de a is as denidas como pa es de pun os de in e és
< i, j>
donde
i, j∈V
. Cada a is a iene asociado un alo
< i, j>
que ep esen a el iempo empleado
en desplaza se desde el pun o
i
al pun o
j
. Pa a la implemen ación de los algo i mos
pod emos asumi que G es un g a o di igido, ya que el cos e de eco e una a is a en
sen ido di ec o o in e so es el mismo. G es un g a o ue emen e conexo ya que pa a
cualquie pa de é ices
i
y
j
exis e un camino de
i
a
j
de
j
a
i
.
Un g upo de isi an es (la consul a en el algo i mo CBR) es á ca ac e izado po una
upla
(sizeq, ageq, p e q, q)
, donde
size
es el núme o de pe sonas en el g upo,
age
es la
edad media de sus miemb os,
p e k={λk1. . . λkq}
con
λki∈[0,1]
es un conjun o de pesos
que indican las p e e encias del g upo pa a cada e ique a y
q
es la es icción empo al
que indica la du ación máxima de la isi a. En el caso de que se a e de un único isi an e,
es a á ca ac e izado po la upla
(p e q, q, ageq)
. La solución del p oblema se á una
u a
,
una secuencia o denada de pun os de in e és
R={ 1, .., m}
con
m
pa adas, donde
i∈V
,
y
R=Pm
i=1 i+Pm−1
i=1 < i, i+1>
, con
R≤ q
.
Aho a ya sabemos cómo elaciona los gus os del usua io con los pun os a isi a , pe o
necesi a emos una unción que indique qué pun os son mejo es basándose en es os gus os.
El p oblema de cómo medi el g ado en el que una u a cub e las p e e encias del usua io
(denidas como un conjun o de e ique as asociadas a unos pesos) no es i ial. De acue do
con [1], denimos el alo de
cobe u a
como el g ado en que las p e e encias del usua io
son cubie as po la u a escogida.
Si omamos
K={k1, . . . , kn}
como el conjun o de e ique as an e io men e denido y
λkq
el alo asociado a la e ique a
kq
, la unción de cobe u a de un camino
R
es:
kc(R) = Xkq∈Kλkq·co (kq, R)
siendo
co (kq, R)
el g ado en el que la e ique a
kq
es á cubie a en el camino
R
, dado
po :
co (kq, R)=1−Y i∈R(1 − i.co (kq))
Es a unción de cobe u a cumple que es
submodula
, es deci , que
kc(R1∪ i)−kc(R1)≥kc(R2∪ i)−kc(R2)
con
R1⊆R2
y
i6∈ R1
. Es a p opiedad se u iliza á pa a la demos ación de la
admisibilidad de
h
.
El alo
kc(R)
usado es adecuado pa a u as con un núme o educido de pun os de
22
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
in e és. No obs an e, pa a g a os g andes la di e encia en e los alo es de cobe u a de
las u as co espondien es a isi a odos los obje os del museo en e a las u as que
isi an an solo la mi ad es muy pequeña. Po es a azón denimos una nue a unción de
cobe u a:
kc
_
sum(R) = X i∈R i.co (K)
(3.1)
donde
i.co (K)
:
i.co (K) = Xkj∈Kλj· i.co (kj)
Es a unción no iene en cuen a la di e sidad de las ca ego ías isi adas en la u a,
pe o como asumimos que isi amos una g an can idad de pun os de in e és, es a pé dida
no supone un g an p oblema. Además, nos pe mi i á añadi pun os a la u a con más
acilidad, pues la cobe u a de cada pun o ya no depende del es o de la u a.
Nó ese que kc_sum ambién es una unción submodula , ya que:
kc
_
sum(R1∪ i)−kc
_
sum(R1) = i.co (K)
3.2. Desa ollo del p oblema
Con las deniciones que hemos p opo cionado, es amos en disposición de o mula un
algo i mo pa a planicación de u as pe sonalizadas en un g a o. Es e algo i mo end á
en cuen a el con enido de cada nodo, pe sonalizando el camino elegido en unción de las
p e e encias del usua io. Po an o, además del g a o, o mado po el conjun o de é ices
V
y el conjun o de a is as
E
, el algo i mo necesi a á es as p e e encias (
p e q
).
3.2.1. Algo i mo A
?
modicado
El p ime algo i mo que u iliza emos pa a encon a la u a óp ima den o del g a o es
una modicación del Algo i mo A
?
, pues o que así ob end emos la solución óp ima pa a la
heu ís ica que hayamos elegido, siemp e y cuando es a sea admisible. Pa a ello, seguimos
el algo i mo ORS-KC p esen ado en [1]. Pa a implemen a el algo i mo A
?
necesi a emos
deni la unción de e aluación
, que se á:
n(Rs→ ) = gn(Rs→n) + hn(Rn→ |Rs→n),
donde
g
calcula el alo exac o de cobe u a de la u a
Rs→n
, mien as que
h
es ima el
alo de cobe u a del es o de la u a condicionado a la pa e ya eco ida. Pasemos aho a
a deni la unción heu ís ica
h
y demos a su admisibilidad.
Pe sonalización de u as en sis emas de u ismo y ocio
23
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
Admisibilidad de la unción heu ís ica
Como la unción
kc
es submodula ,
h
es la cobe u a del es o de la u a
Rs→n
, en
luga de la cobe u a de la u a
Rn→
. Así, en luga de es ima
kc(Rs→n)
, calcula emos
kc(Rs→n)−kc(Rs→n)
. Tal y como se demues a en [1],
kc(Rs→n)−kc(Rs→n)≤(m´ax
kq∈KY
i∈Rs→n
[1 −co kq( i)]) ·kc(Rn→ ),
donde denimos
hn(Rn→ |Rs→n) = (m´axkq∈KQ i∈Rs→n[1 −co kq( i)]) ·kc(Rn→ )
.
Pa a asegu a nos de la admisibilidad de
h
, calcula emos una co a supe io de
kc(Rn→ )
u ilizando el algo i mo o az, cuya implemen ación conc e a e emos más adelan e en el
Algo i mo 3. Es e algo i mo alcanza un ac o de ap oximación de
1−1
√e
, es deci ,
kc(Lop)≤kc(L )
1−1
√e
,
donde
Lop
es el conjun o óp imo de nodos mien as que
L
es el conjun o de nodos
calculados po el algo i mo o az.
Se puede encon a en [1] la p ueba de que
kc(Rn→ )≤kc(L )
1−1
√e
, con lo que la denición
de
h
queda
hn(Rn→ |Rs→n) = (m´ax
kq∈KY
i∈Rs→n
[1 − i.co (K)]) ·kc(L )
1−1
√e
),
que cumple la admisibilidad eque ida po A
?
, pues hemos is o que no es ima po
encima del cos e eal.
Po an o, nalmen e
se calcula como
n(Rs→ ) = kc(Rs→n)·(m´ax
kq∈KY
i∈Rs→n
[1 − i.co (K)]) ·kc(L )
1−1
√e
Desc ipción del algo i mo
Una ez denida la unción heu ís ica
h
y demos ada su admisibilidad, podemos
explica el uncionamien o del Algo i mo 2. El algo i mo comienza c eando una u a
acía con alo de cobe u a
−∞
, donde almacena emos la mejo u a que ayamos
calculando. También c ea emos una cola de p io idad de u as o denada po alo
dec ecien e de la unción
. Mien as es a cola no es é acía, oma emos el p ime elemen o
y comp oba emos que la es imación de su alo heu ís ico es mayo que el alo de
cobe u a de la mejo u a hallada has a el momen o. Si no lo ue a, la u a gua dada
se ía la óp ima, ya que al a a se de una cola de p io idad, odas las u as almacenadas
en ella end án un alo heu ís ico igual o peo que la que hemos omado.
24
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
Si el alo heu ís ico de
Rk
i
es mayo que la mejo cobe u a encon ada has a el
momen o(
kcmax
), añadi emos un nue o nodo a esa u a, asegu ándonos de no sob epasa
el iempo máximo
q
del que disponemos pa a eco e la u a. Si el nodo que hemos
añadido es el úl imo é ice del g a o, comp oba emos si el alo heu ís ico de la u a
ob enida es mayo que el de la u a que eníamos gua dada como mejo , y en caso
a ma i o la sus i ui emos po la ac ual. Si la unción heu ís ica de la u a ac ual
p opo ciona un alo mayo que el de la u a almacenada, la gua da emos como la mejo
y si no hemos llegado al úl imo nodo la almacena emos en la cola de p io idad. Cuando
no queden más nodos en la cola de p io idad
Q
hab emos acabado, y de ol e emos la u a
R
almacenada.
Algo i mo 2:
ORS-KC [1]
MaxP io i yQueue
Q=∅
;
Rou e
R=∅
;
double
kcmax =−∞
;
Rou e
Rs
0= ( s)
;
Q.
push(Rs
0)
;
while
Q is no emp y
do
Rk
i=Q.ge ()
;
i
(Rk
i)≤kcmax
hen
b eak;
end
o
cada a is a (
i, j
)
do
Rl
j=Rk
i.add( j)
;
i
bs(Rl
j> q)
hen
con inue;
end
i
(
s=
)
hen
i
(kc(Rl
j)> kcmax)
hen
R=Rl
j
;
kcmax =kc(Rjl)
;
end
else
i
(Rl
j> kcmax)
hen
Q.push(Rl
j);
end
end
end
end
i
(
kcmax == −∞
)
hen
e u n
No hay u a posible;
else
e u n
R;
end
Pe sonalización de u as en sis emas de u ismo y ocio
25
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
Veamos un ejemplo que nos ayude a en ende las deniciones y el algo i mo.
Conside emos el g a o de la Figu a 3.1, y supongamos las siguien es p e e encias del
usua io:
His o ia
: 0,6;
en e enimien o
: 0,4;
museo
: 0,2;
monumen o
: 0,1.
1
monumen o 0.8
His o ia 0.2 1
2
en e enimien o 0.8
museo 0.3
1
3
1
His o ia 0.8
museo 0.1
4
His o ia 0.6
museo 0.4
1
5
1
His o ia 0.7
6
His o ia 0.5
1
1
2
5
4
5
6
7
Figu a 3.1: G a o de ejemplo
Analicemos los caminos supe io ( é ices 1, 2, 4 y 6) e in e io (1, 3, 5 y 6). El
camino in e io a p io i nos p opo ciona ía mayo sa is acción, pues la e ique a
his o ia
es la que mayo ponde ación iene en e los gus os del usua io. No obs an e, como hemos
comen ado, el algo i mo A
?
iene en cuen a la di e sidad de las e ique as de la u a, po
lo que escoge á el camino supe io .
Al a a se de una a ian e del algo i mo A
?
, que es comple o, es comp ensible que el
iempo de cálculo pa a ob ene la solución sea g ande en dominios con muchos pun os de
in e és. La ejecución del algo i mo A
?
a da más de
104
segundos en un g a o de 22 é ices
[36]. Es o puede ocasiona p oblemas en las aplicaciones p ác icas del ecomendado , como
puede se el uso en una aplicación mó il. Pa a ello, se han p opues o di e en es algo i mos
que, sin se an exhaus i os como A
?
, siguen p opo cionando buenas soluciones.
3.2.2. Algo i mo o az
Reco demos que en el algo i mo A
?
necesi amos hace una es imación del camino
es an e has a alcanza el úl imo nodo. Pa a ello, en nues a implemen ación hemos
u ilizado el algo i mo o az p esen ado en [37]. Sin emba go, en el caso de un g a o
ue emen e conexo, donde cada nodo es á conec ado a odos los demás, el algo i mo A
?
es á conside ando demasiadas es icciones que no son necesa ias.
P esen emos eó icamen e el algo i mo o az. Cuando in oducimos el algo i mo A
?
,
imos que cons aba de 2 unciones,
g
y
h
que ep esen aban el cos e exac o del camino
26
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 3. MARCO TEÓRICO PARA LA PERSONALIZACIÓN DE RUTAS
eco ido y la es imación heu ís ica del camino po eco e . El algo i mo o az sólo iene
en cuen a la unción
h
, es deci , el cos e es imado del camino más co o desde el nodo en
el que nos encon amos has a el nodo nal [3].
La idea al u iliza es e algo i mo es ob ene una lis a o denada de los é ices que
mayo elación gua dan con los gus os del usua io. Después, bas a con o dena es os
nodos pa a ob ene un camino. Como el algo i mo A
?
p opo cionaba caminos que pa ían
del é ice inicial del g a o, debemos o za que es e é ice apa ezca en la solución o az,
con lo que lo qui a emos de la en ada del algo i mo, añadiéndolo al o dena la salida
ob enida. El cos e del algo i mo o az es lineal espec o al amaño de la en ada n, lo que
lo hace mucho más ápido que el A
?
.
Pa a nues a implemen ación debe emos deni cuándo es ac ible la solución, y cuál
es el c i e io del algo i mo o az. La solución (es deci , el conjun o de nodos) se á
ac ible siemp e y cuando la suma de sus iempos no supe e el lími e
q
es ablecido en la
o malización del p oblema. Pa a calcula los iempos en e a is as, dado que se a a de
un conjun o de nodos y no un camino, debe emos deni una unción:
i.cos () = m´ın
j∈G{ < j, i>}
donde el é ice inicial cumple
s.cos () = 0
. Po o a pa e, el c i e io según el cual
selecciona á el algo i mo o az debe á ene en cuen a las ca ac e ís icas de los nodos,
los gus os del usua io y el iempo empleado en isi a el nodo. Po an o, se ha op ado
po el cocien e
i.co (K)
i.cos ()+ i
. La implemen ación nal del algo i mo o az se puede e en el
Algo i mo 3.
Algo i mo 3:
Algo i mo Vo az
Func ion
I emLis CBRRou eFinding(G aph G=(V,E), double
q
)
I emLis U = V;
Rou e R = {};
double max = 0;
in maxindex = -1;
while
(|U|>0)
do
max =∞
;
o
( i∈U)
do
i
( i.co (K)
i.cos ()+ i> max)
hen
maxindex = i;
max =
i.co (K)
i.cos ()+ i
;
end
end
i
( R+ max.cos () + max )< q)
hen
R=R∪ max
;
end
U=U max
;
end
Pe sonalización de u as en sis emas de u ismo y ocio
27
CAPÍTULO 4. CASOS DE ESTUDIO
ac ualidad.
Es as piezas, aunque ienen en común su elación con el mundo de la in o má ica,
a ían desde los p ime os o denado es digi ales has a los úl imos modelos de se ido es,
pasando po p ocesado es, ideoconsolas y di e sos pe i é icos. El obje i o es pe sonaliza
las u as que eco an los isi an es según las dis in as inquie udes que engan y el iempo
del que dispongan pa a la isi a.
Du an e el p oceso de adquisición de conocimien o del dominio hemos obse ado que
se pueden ealiza u as emá icas pa a di e sos g upos, como pueden se es udian es
de in o má ica, in e esados po ca ego ías como
ha dwa e
,
se ido es
o
edes
, pe sonas
mayo es, que p ee en con enidos elacionados con
his o ia
,
España
o
cu iosidad
, cinélos,
in e esados po
cine
y
cu iosidad
, niños que mues an p e e encia po
ideojuegos
, e c.
Además, que emos mejo a la expe iencia de los isi an es u ilizando Realidad
Aumen ada, de mane a que se les p esen e la in o mación de una o ma no edosa que
les haga in e esa se po los con enidos del museo. Dado que el museo se encuen a en
un edicio, debe emos u iliza ecnologías de Realidad Aumen ada en in e io es, como
pueden se Sis emas de Posicionamien o en In e io es o ma cado es.
4.1.1. Resolución del p oblema
Pa a pode aplica las écnicas is as en el Capí ulo 2.1.1 debemos o maliza el
p oblema según se explicó en la Sección 3.1. En p ime luga denamos el g a o que
eco e emos. Los nodos que lo o man son las dis in as i inas del museo, que es án
compues as po una o más piezas. La lis a de allada de las i inas se puede encon a
en el Apéndice A. Dado que el museo cons a de dos plan as, uni emos los subg a os que
o ma ían cada una de ellas en un sólo g a o, cuyos é ices se mues an en la Figu a 4.1.
Además, cada nodo end á los siguien es a ibu os.
Iden icado :
un núme o del 1 al 52 que indica de qué i ina se a a.
Desc ipción:
b e e desc ipción de la(s) pieza(s) que componen la i ina.
Tiempo:
minu os que se ecomienda a da en examina la i ina.
E ique as:
conjun o de pa es <E ique a, Valo > que ca ego izan la i ina,
asignando un alo en e 0 y 1 a las dis in as e ique as. En caso de que la i ina
cuen e con más de una pieza, se ponde a án los alo es de las e ique as de las piezas
que la compongan.
Las e ique as del museo se han iden icado en un p oceso de ingenie ía del
conocimien o, y son:
almacenamien o
,
a e
,
ciencias
,
cine
,
cu iosidad
,
docencia
,
España
,
Facul ad de In o má ica
,
ha dwa e
,
His o ia
,
PCs
,
pe i é icos
,
edes
,
se ido es
y
ideojuegos
.
34
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
Figu a 4.1: Nodos del Museo Ga cía San esmases
Al se un museo, donde nos podemos desplaza lib emen e, odos los nodos es án
conec ados en e sí. Las a is as del g a o se án las dis ancias en iempo en e los pun os,
que en es e caso conc e o son casi nulas debido a la p oximidad en e las dis in as i inas.
Aún así debe emos ene las en cuen a pa a el co ec o uncionamien o del algo i mo.
Pa a au oma iza la gene ación de es as a is as, calculado la dis ancia en e dos nodos
en unción de la dis ancia geog áca en el g a o an e io , con alguna peculia idad, que a
con inuación se explica.
El museo es á di idido en 4 zonas: cada ala de cada plan a es una zona di e en e.
Pa a calcula la dis ancia en e dos pun os, comp oba emos a qué zona pe enecen. Si
ambos es án en la misma zona, la dis ancia en e ellos se á la dis ancia geog áca en el
g a o mul iplicada po una cons an e empí ica que ep esen a la elocidad, de al o ma
que esul e la dis ancia en iempo en e los dos pun os. Si los dos pun os pe enecen
a dis in as zonas, calcula emos la dis ancia desde el p ime pun o al pun o de cambio
de zona (si las dos zonas es án en la misma plan a se á el la e al de la plan a, en caso
con a io las escale as) y desde ahí al segundo pun o.
Aho a que ya disponemos de los nodos del g a o y de las a is as que los unen, podemos
Pe sonalización de u as en sis emas de u ismo y ocio
35
CAPÍTULO 4. CASOS DE ESTUDIO
ejecu a los algo i mos. Pa a ello necesi a emos desc ibi la isi a. No pod emos u iliza el
algo i mo A
?
, pues el g a o cons a de 52 nodos y no pod ía calcula la u a pe sonalizada en
un iempo azonable. El algo i mo o az calcula una u a que se adecúa a las p e e encias
in oducidas po el usua io o el g upo, así como al iempo del que dispone pa a la isi a al
museo. El algo i mo CBR además de las p e e encias y el iempo, ecibi á como en ada
la edad del usua io, o el amaño del g upo y su edad media, en el caso de g upos. Una
ez enga odos los da os, el algo i mo de ol e á la lis a o denada de nodos que debe á
isi a , así como el iempo que debe á gas a en cada uno de ellos.
Los casos del algo i mo CBR han sido adqui idos du an e un p oceso de obse ación
de isi as eales al MIGS du an e un mes, a los que se han sumado o os p opo cionados
po el expe o del dominio (José Luis Vázquez-Pole i). El conjun o de casos cons a de
28 casos p o o ípicos que cub en di e en es si uaciones de isi as g upales, como g upos
de a ios amaños de dis in os alumnos de g ados uni e si a ios, más e s o doc o ados;
isi as ápidas pa a di e en es g upos de las i inas más impo an es del museo, isi as
pa a niños, adul os y pe sonas mayo es, isi as emá icas con di e en es in e eses (gene al,
cine, ideojuegos, his o ia). La Figu a 4.2 isualiza el caso base como un g a o. Los nodos
ep esen an los casos y las a is as la simili ud en e casos. El g oso de las a is as se ha
calculado con la unción de simili ud .
Figu a 4.2: Base de casos ep esen ada como un g a o
Los alo es co espondien es a la unción de dis ancia denida en la Sección 3.2.3 son
cons Time
= 0.4,
cons Size
= 0.2,
cons Age
= 0.1 y
cons Label
=0.5. Los pesos eejan la
impo ancia de las di e en es a iables. La ele ancia de la edad es meno pues o que se ha
obse ado una dependencia en e edad y p e e encias, es deci , algunas de las p e e encias
g upales pueden depende de la edad y son cubie as po las dis in as e ique as en la
consul a.
36
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
4.1.2. Reco idos de p ueba
Pa a compa a los algo i mos o az y CBR, es udia emos una se ie de eco idos
pe sonalizados pa a a ios g upos de usua ios con gus os di e en es, co espondien es a
isi as indicadas po el expe o en el dominio. Los g upos seleccionados se án alumnos de
in o má ica, in e esados en ca ego ías como
FDI
,
edes
o
ha dwa e
, alumnos de ciencias,
con p e e encia po i inas elacionadas con
ciencias
o
cu iosidad
y pesonas mayo es,
que desean isi a obje os elacionados con las e ique as
his o ia
,
España
,
cu iosidad
.
Alumnos de In o má ica
Con emplemos p ime o la ecomendación pa a un g upo de alumnos de la Facul ad de
In o má ica que disponen de una ho a pa a isi a el museo. La upla
(sizeq, ageq, p e q, q)
que ca ac e iza las isi as en el algo i mo CBR se á
(20,20, p e q,60)
, donde
p e q
se
co esponde con las p e e encias que se exponen a con inuación.
Almacenamien o: 0,65
A e: 0,4
Ciencias: 0,6
Cine: 0,5
Cu iosidad: 0,7
Docencia: 0,4
España: 0,6
FDI: 0,9
Ha dwa e: 0,65
His o ia: 0,6
PCs: 0,9
Pe i é icos: 0,6
Redes: 0,6
Se ido es: 0,6
Videojuegos: 0,9
Las u as ecomendadas pa a ellos pueden e se en la Figu a 4.3. En ella apa ecen en
colo e de los pun os de in e és seleccionados po el algo i mo o az, en azul los escogidos
po el CBR, y en ojo los que han sido ecomendados po ambos algo i mos. Vemos que
an o la u a ecomendada po el algo i mo o az como la elegida po el CBR cons an
de 36 nodos, de los cuales 29 son comunes. En e ellos se encuen an los elemen os más
ep esen a i os del museo, como el Supe compu ado Ce eb o, el p ime minicompu ado
de España, el F iden EC-132 con el ubo de ayos ca ódicos, el simulado de cen ales
é micas, los o denado es Ams ad o las obleas de silicio.
Las i inas elegidas en cada u a son:
Vo az: 1, 2, 3, 4, 8, 10, 11, 13, 14, 15, 19, 20, 22, 23, 24, 26, 28, 29, 30, 31, 32, 33,
35, 36, 37, 38, 40, 43, 45, 46, 47, 48, 49, 51, 52.
CBR: 1, 2, 3, 4, 6, 8, 10, 11, 13, 14, 15, 20, 23, 24, 26, 29, 31, 32, 33, 34, 35, 36, 37,
38, 39, 40, 41, 42, 43, 44, 45, 48, 49, 50, 51, 52.
Pe sonalización de u as en sis emas de u ismo y ocio
37
CAPÍTULO 4. CASOS DE ESTUDIO
Comunes: 1, 2, 3, 4, 8, 10, 11, 13, 14, 15, 20, 23, 24, 26, 29, 31, 33, 35, 36, 37, 38,
39, 40, 43, 45, 48, 49, 51, 52.
Sólo o az: 19, 22, 28, 30, 39, 46, 47.
Sólo CBR: 6, 34, 39, 41, 42, 44, 50.
Con espec o a las pequeñas di e encias en e ambas u as, el algo i mo o az escoge
los nodos 28 y 30, co espondien es a los o denado es Ams ad y con una al a alo ación
en la e ique a
ideojuegos
. Po con a, el algo i mo CBR esca a la isi a de alumnos de
in o má ica en clase, que cuen a con unas p e e encias muy simila es a nues a isi a,
pe o con meno alo en el campo de ideojuegos. Po an o, en luga de elegi esos dos
nodos, se p ee e p o undiza en las i inas que aba can desde el pun o 38 al 43. En es e
caso, además de a a con enidos más elacionados con el ema io de las asigna u as de
la ca e a, se puede desa olla una explicación conjun a de odas las i inas, conec ando
unas con o as.
Figu a 4.3: Ru a ecomendada pa a alumnos de In o má ica
38
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
Alumnos de ca e as de ciencias
Con inuemos aho a con el caso de un g upo de alumnos de un más e en ciencias
que dispongan de una ho a pa a ealiza una isi a al museo. En es e caso, la upla que
ca ac e iza á las isi a en el algo i mo CBR se á
(30,25, p e q,60)
, donde las p e e encias
p e q
co esponden los gus os que se p esen an a con inuación.
Almacenamien o: 0,3
A e: 0,5
Ciencias: 0,9
Cine: 0,4
Cu iosidad: 0,9
Docencia: 0,5
España: 0,7
FDI: 0,4
Ha dwa e: 0,2
His o ia: 0,7
PCs: 0,5
Pe i é icos: 0,2
Redes: 0,3
Se ido es: 0,2
Videojuegos: 0,6
Las u as ecomendadas pa a ellos pueden e se en la Figu a 4.4. Las i inas elegidas
en cada u a son:
Vo az: 1, 2, 3, 4, 7, 8, 10, 11, 12, 14, 15, 16, 17, 19, 20, 22, 23, 24, 26, 28, 29, 30, 31,
33, 34, 35, 36, 37, 38, 45, 47, 48, 49, 51.
CBR: 1, 2, 3, 4, 6, 9, 11, 12, 14, 15, 18, 19, 23, 28, 29, 30, 31, 34, 35, 36, 38, 40, 43,
45, 46, 48, 50, 51, 52.
Comunes: 1, 2, 3, 4, 11, 12, 14, 15, 19, 23, 28, 29, 30, 31, 34, 35, 36, 38, 45, 48, 51.
Sólo o az: 7, 8, 10, 16, 17, 20, 22, 24, 26, 33, 37, 47, 49.
Sólo CBR: 6, 9, 18, 40, 43, 46, 50, 52.
De nue o emos en colo e de los pun os de in e és elegidos po el algo i mo o az, en
azul los que ha ecomendado el algo i mo CBR y en ojo los comunes a ambos algo i mos.
Al igual que en la isi a an e io , elemen os ep esen a i os del museo como el p ime
minicompu ado de España, los o denado es Ams ad o las obleas de silicio han sido
escogidos po ambos algo i mos.
En es e caso la isi a ecupe ada e a de alumnos del más e en Bioin o má ica, que
aunque compa en unas p e e encias simila es con los alumnos de ciencias mues an más
in e és po la in o má ica, po lo que la isi a se cen a más en la pa e de
PCs
y
se ido es
(po ejemplo isi ando los discos du os y el CRAY Y-MP EL). Po su pa e, el algo i mo
o az se cen a más en los obje os de la p ime a pa e del museo, de ca ác e más gene al,
como pueden se los elé onos mó iles o el pe o obó ico Sony AIBO ERS-7.
Pe sonalización de u as en sis emas de u ismo y ocio
39
CAPÍTULO 4. CASOS DE ESTUDIO
Figu a 4.4: Ru a ecomendada pa a alumnos de ciencias
Pe sonas mayo es
Po úl imo, conside emos un g upo de pe sonas mayo es que se disponen a ealiza
una isi a al museo, pa a la que disponen de 40 minu os. La upla co espondien e a es a
isi a se á
(30,65, p e q,60)
, donde las p e e encias
p e q
han sido modelizadas como se
expone a con inuación.
Almacenamien o: 0,2
A e: 0,6
Ciencias: 0,5
Cine: 0,6
Cu iosidad: 0,9
Docencia: 0,6
España: 0,8
FDI: 0,3
Ha dwa e: 0,3
His o ia: 0,9
PCs: 0,4
Pe i é icos: 0,3
Redes: 0,2
Se ido es: 0,2
40
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
Videojuegos: 0,1
La u a ecomendada pa a ellos puede e se en la Figu a 4.5. Las i inas elegidas en
cada u a son:
Vo az: 1, 2, 3, 4, 7, 8, 10, 11, 14, 15, 19, 20, 22, 23, 28, 30, 31, 36, 38, 40, 48.
CBR: 1, 2, 4, 6, 8, 10, 14, 15, 20, 22, 28, 29, 30, 31, 34, 36, 37, 45, 46, 48, 51.
Comunes: 1, 2, 4, 8, 10, 14, 15, 20, 22, 28, 30, 31, 36, 48.
Sólo o az: 3, 7, 11, 19, 23, 38, 40.
Sólo CBR: 6, 29, 34, 37, 45, 46, 51.
En p ime luga obse amos que an o el ago i mo o az ( e de) como el CBR (azul)
ecomiendan una u a de 21 nodos, de los cuales 14 son comunes a ambos algo i mos
(un 66% del o al). En e los nodos que no lo son, se puede e cómo el algo i mo o az
ecomienda í ems de ca ego ías a iadas, pe o que in e esan al g upo, mien as que el
CBR ealiza alguna ecomendación que no se ajus a a los gus os de los usua ios (po
ejemplo an o el IBM 7090 como las consolas A a i y Nin endo es án e ique ados con la
ca ego ía
ideojuegos
, que no in e esa a los isi an es. Es o se debe a que el caso que ha
ecupe ado el algo i mo (una isi a de pad es de alumnos de la acul ad) p esen a lige as
di e encias en los alo es de las p e e encias de los usua ios.
Conclusiones
Con los es casos a ados an e io men e podemos conclui que ambos algo i mos
p opo cionan ecomendaciones ace adas de u as en el museo. La di e encia en e las
u as p opues as en e ambos es baja siemp e que se cuen e con ecomendaciones pa a
g upos simila es en la base de casos. A con inuación p esen a emos una compa a i a
en e ambos algo i mos donde se han ealizado una g an can idad de consul as a ambos
ecomendado es alea o izando las a iables que con o man dichas consul as.
4.1.3. Compa ación del algo i mo o az con el algo i mo CBR
El p opósi o de la e aluación es compa a los alo es de la unción de cobe u a
kc
_
sum(R)
desc i a an e io men e, de acue do a los a ibu os de amaño, iempo
disponible pa a la isi a, edad media y p e e encias del g upo.
El expe imen o consis i á en una se ie de es s que e alúen el impac o de cada a ibu o
en la consul a de o ma independien e, y las di e encias en e los esul ados ob enidos po
los algo i mos o az y CBR. Pa a ello, cada a ibu o e aluado es jado a di e en es alo es,
y los demás a ibu os se gene an de mane a alea o ia. El a ibu o co espondien e a las
Pe sonalización de u as en sis emas de u ismo y ocio
41
CAPÍTULO 4. CASOS DE ESTUDIO
Figu a 4.5: Ru a ecomendada pa a mayo es
p e e encias del g upo se ha jado a es conjun os que ep esen an es isi as p o o ípicas
(in e eses neu os, es udian es de Ingenie ía In o má ica y pe sonas mayo es). En cada es
se han gene ado 400 consul as pa a cada alo jado.
Pa a cada expe imen o hemos medido el alo de la unción de cobe u a
kc
_
sum
(R)
y hemos no malizado el esul ado ob enido con espec o a una consul a equi alen e que
ep esen a una isi a que eco e odos los pun os de in e és. Finalmen e hemos calculado
el alo medio pa a las 400 consul as, deniendo un po cen aje medio de cobe u a.
Resul ados Expe imen ales
Como es espe able, el algo i mo o az o ece mejo es esul ados en é minos de
cobe u a, aunque emos que el Algo i mo CBR ambién mues a buenos esul ados con
un iempo de espues a muy ecien e.
La Figu a 4.6 mues a algunos de los esul ados expe imen ales ob enidos al ja la
longi ud de la isi a (
q
) en la consul a. Los esul ados mues an, como e a de espe a ,
42
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
que la cobe u a de la u a aumen a al aumen a el iempo disponible pa a la isi a. 90
minu os dan sucien e iempo a los isi an es como pa a isi a odos los pun os de in e és
del museo, po lo que las p e e encias del g upo no a ec an a la u a.
No obs an e, podemos obse a que la cobe u a ob enida po el algo i mo CBR es
meno en los g upos g andes incluso en una isi a de 90 minu os donde odos los nodos son
elegidos en la solución ob enida po el algo i mo o az. Es o se debe a las es icciones de
espacio que han sido cap u adas como conocimien o en los casos. Los casos nos pe mi en
obse a que los g upos g andes nunca se pa an en las i inas pequeñas. Eso ambién
explica po qué la cobe u a es meno en el caso del CBR aun cuando hay sucien e iempo
como pa a isi a odos los nodos. El algo i mo o az no iene en cuen a el conocimien o
expe o y po an o gene a u as que no son adecuadas pa a g upos g andes.
Figu a 4.6: Compa ación pa a di e en es alo es de iempo disponible
En la Figu a 4.7 obse amos los alo es de la cobe u a pa a g upos de di e en e
amaño (
sizeq
). Vemos cómo la cobe u a apenas a ía con los dis in os amaños de
g upo analizados. Como hemos mencionado an e io men e, la cobe u a es meno en
g upos g andes debido a las es icciones de espacio en el museo, ya que el algo i mo
o az p opo ciona isi as que nunca se pod ían lle a a cabo con g upos g andes.
Figu a 4.7: Compa ación pa a di e en es alo es de amaño de g upo
Pe sonalización de u as en sis emas de u ismo y ocio
43
CAPÍTULO 4. CASOS DE ESTUDIO
Tu ismo
En es e eco ido, el g upo de isi an es se án u is as, cuyas p e e encias son
p incipalmen e
en e enimien o
,
gas onomía
y
monumen o
, mos ando un in e és nulo
po la ca ego ía
in an il
. Veamos las u as ecomendadas po el algo i mo A
?
( e de) y
o az (azul) en la Figu a 4.15.
Figu a 4.15: Recomendación pa a u is as
Hay cinco nodos elegidos po los dos algo i mos: la Pue a del Sol, la Plaza Mayo ,
el Me cado de San Miguel, el Palacio Real y la Ca ed al de la Almudena. El al o alo
de la e ique a
gas onomía
lle a a los algo i mos a escoge el Me cado de San Miguel,
mien as que las elecciones del Palacio Real y la Ca ed al de la Almudena se sus en an
en que cub en es e ique as dis in as cada uno.
En es e caso, el algo i mo o az op a po isi a el ba io de La La ina, con buenos
alo es en
gas onomía
y
en e enimien o
, y la Pue a de Alcalá (
monumen o
), mien as
que el A
?
elige el Pa que de El Re i o, con un alo muy al o en
en e enimien o
, ca ego ía
que apenas ha sido cubie a en el eco ido.
Mayo es
Po úl imo, nues o g upo de isi an es se án pe sonas mayo es, con al o in e és po
las ca ego ías de
iglesia
,
monumen o
e
his o ia
, mos ando ambién un in e és nulo po
la ca ego ía
in an il
, y alo es bajos en
gas onomía
y
en e enimien o
. Veamos las u as
ecomendadas po el algo i mo A
?
( e de) y o az (azul) en la Figu a 4.15.
De nue o, an o el algo i mo o az como el A
?
eligen 5 nodos en común: la Pue a del
Sol, la Plaza Mayo , el Tea o Real, la Ca ed al de la Almudena y la Pue a de Alcalá.
El al o in e és po las ca ego ías de
his o ia
,
iglesia
y
monumen o
lle a a la elección del
50
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
Figu a 4.16: Recomendación pa a pe sonas mayo es
Tea o Real, la Ca ed al de la Almudena y la Pue a de Alcalá, espec i amen e.
Pa a es e g upo, el algo i mo o az op a po isi a el Monas e io de las Descalzas
Reales y el Palacio Real, apoyándose en los al os alo es de las e ique as
iglesia
e
his o ia
espec i amen e. Po su pa e, el algo i mo A
?
elige el Museo del P ado, que cub e la
e ique a de
a e
, no conside ada en el es o del eco ido.
Conclusión de las isi as
En las es isi as hemos is o cómo los algo i mos A
?
y o az p opo cionaban buenas
ecomendaciones en unción de las p e e encias de los g upos de usua ios a conside a .
Ambos algo i mos coincidían en g an pa e de la ecomendación, a iando lige amen e
debido a las di e en es ca ac e ís icas de sus heu ís icas. Como la heu ís ica u ilizada
po el algo i mo A
?
se p eocupa más po la a iedad de las e ique as, las elecciones que
di e ían del algo i mo o az se debían p ecisamen e a inclui ca ego ías no conside adas
en el es o del eco ido. Po su pa e, la heu ís ica del algo i mo o az se p eocupa de
ob ene la máxima cobe u a en cada pun o de in e és sin ene en cuen a los demás,
a ando de maximiza la sa is acción del usua io, en ocasiones a cos a de ecomenda
u as lige amen e mono emá icas.
4.2.3. P o o ipo de aplicación con Realidad Aumen ada
Con el obje i o de en iquece la expe iencia del usua io u ilizando ealidad aumen ada,
u iliza emos la señal GPS de nues o elé ono pa a ubica los di e en es pun os de in e és.
Facili a emos el manejo alojando es os pun os en un se ido , al que nos conec a emos
desde la aplicación.
Pe sonalización de u as en sis emas de u ismo y ocio
51
CAPÍTULO 4. CASOS DE ESTUDIO
Así, una ez hayamos ob enido las coo denadas de los di e en es pun os, mos a emos
unas a je as en cada uno de es os pun os donde apa ezca el nomb e del pun o, la dis ancia
has a él, y una desc ipción del luga . También mos a emos un ada donde apa ezcan los
pun os, pe mi iendo ajus a la dis ancia máxima has a la que se mos a án los í ems.
En la Figu a 4.17 podemos e una cap u a de la aplicación donde se mues an a ios
a je as asociadas a pun os de in e és ecomendados (Cí culo de Bellas A es, Monas e io
de las Descalzas Reales, Palacio Real). En la imagen de la de echa emos la in o mación
co espondien e al Monas e io de las Descalzas Reales, así como la dis ancia a la que nos
encon amos de él.
Figu a 4.17: Realidad Aumen ada en el ecomendado en Mad id
4.2.4. Conclusiones
En es e capí ulo hemos podido explicado la implemen ación sob e dos casos de es udio
muy di e en es en e sí del ma co eó ico denido en el Capí ulo 3. En el Museo Ga cía
San esmases nos encon amos en un edicio de dos plan as, donde los pun os de in e és
apenas es án sepa ados unos pocos me os en e sí. En es e caso op amos po gene a
las a is as au omá icamen e según la posición de los pun os en el mapa dado el poco
impac o de las dis ancias en la elección de los pun os de la u a. Dado que se de ec a on
52 pun os de in e és, la aplicación del algo i mo A
?
esul aba in iable, po lo que se op ó
an o po el algo i mo o az como po el basado en casos. La compa ación expe imen al
en e ambos algo i mos concluyó que las ecomendaciones p opo cionadas po el algo i mo
o az son lige amen e mejo es, aunque el algo i mo CBR pe mi e inclui conocimien o de
si uaciones eales y especícas del dominio.
Po o a pa e, pa a mejo a la expe iencia del usua io, y dado que la p ecisión de la
52
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 4. CASOS DE ESTUDIO
localización en in e io es imposibili aba guia al usua io median e Realidad Aumen ada,
se coloca on ma cado es en las i inas del museo que pe mi ían al usua io ob ene
in o mación adicional de o ma in e ac i a.
En cuan o al ecomendado de u ismo en Mad id, su educido amaño sí pe mi ía la
aplicación del algo i mo A
?
, jun o al que se usó el algo i mo o az. En es a ocasión, pues o
que las dis ancias en e pun os podían alcanza los 30 minu os, se decidió ob ene esas
dis ancias de o ma p ecisa, u ilizando Google Maps pa a calcula el iempo eque ido, ya
uese andando o en anspo e público. Dada su localización en ex e io es, es posible el
uso de la señal GPS del
sma phone
pa a localiza los dis in os pun os de in e és y guia
al usua io hacia ellos.
Po an o, aunque las di e encias en e los dos casos de es udio uesen sus anciales, la
ampli ud del ma co nos ha posibili ado encon a ap oximaciones pa a p opo ciona u as
sa is ac o iamen e en ambos casos, aplicando los pasos enume ados en la Sección 3.3.
Pe sonalización de u as en sis emas de u ismo y ocio
53
5
Conclusiones y abajo u u o
5.1. Conclusiones
En es e abajo hemos plan eado una solución gené ica al p oblema de planicación
de u as pe sonalizadas pa a indi iduos y g upos. T as es udia las écnicas de
pe sonalización de u as, hemos p opues o es algo i mos di e en es (A
?
, o az y basado
en casos) que nos han pe mi ido esol e el p oblema.
Pos e io men e, hemos aplicado el modelo eó ico a dos casos conc e os: el Museo
Ga cía San esmases y la pe sonalización de u as de u ismo en Mad id. La aplicación
de los algo i mos p opues os sob e es os casos ha pe mi ido ealiza una compa a i a
expe imen al en e ellos. Además, se han ealizado p o o ipos de aplicaciones mó iles que
p e enden guia al usua io du an e el eco ido de las u as en ambos dominios.
A con inuación expond emos algunos esul ados especícos ob enidos en el abajo.
Respec o a los algo i mos p opues os, A
?
p opo ciona una solución óp ima, aunque no es
ecaz pa a g a os con más de 15 nodos, pues sus iempos de cálculo son muy g andes.
El algo i mo o az sí que se puede escala a casos como el expues o en la Sección 4.1,
que con aba con 52 nodos. Po úl imo, el algo i mo CBR pe mi e inclui la in o mación
expe a del dominio en la ecomendación, ealizando buenas ecomendaciones con una
base de casos ela i amen e pequeña.
En los expe imen os en el Museo Ga cía San esmases se ha compa ado la ap oximación
CBR a la búsqueda heu ís ica u ilizando la cobe u a pa a medi cómo se ajus a la
u a ecomendada a las p e e encias de los usua ios. Los esul ados pe mi en sin e iza
las en ajas de u iliza el en oque CBR pa a esol e es e p oblema. Pues o que el
algo i mo o az ealiza una búsqueda exhaus i a, sus esul ados en cobe u a mejo an
Pe sonalización de u as en sis emas de u ismo y ocio
55
CAPÍTULO 5. CONCLUSIONES Y TRABAJO FUTURO
los del en oque CBR. No obs an e, los casos han esul ado una o ma excelen e de ob ene
conocimien o expe o p o inien e de si uaciones eales, como el hecho de que en g andes
g upos hay limi aciones de espacio en las i inas. O a en aja del algo i mo CBR es que
unciona incluso con un conjun o acío de p e e encias, po lo que es aplicable con menos
conocimien o en la consul a.
Sob e el caso de uso del ecomendado de u ismo en Mad id is o en la Sección 4.2,
es in e esan e e cómo el algo i mo A
?
y el o az coinciden en la mi ad de los pun os
ecomendados. Las di e encias en e ambos es án undamen adas en la p e e encia del
algo i mo A
?
po las u as más a iadas, mien as que el o az se cen a en ecomenda
al usua io las ca ego ías que es e p ee e, aunque esul e en u as mono emá icas. Así,
pod ían o ece se ambas opciones al usua io pa a que es e elija la que p ee a.
Po úl imo, la aplicación de écnicas de Realidad Aumen ada sob e las u as
pe sonalizadas ha esul ado una o ma sencilla e in ui i a pa a que el usua io pueda segui
el camino indicado, ya sea po que ecibe in o mación sob e cómo llega has a el siguien e
pun o (en el ecomendado de u ismo en Mad id) o po que puede consul a in o mación
ex a sob e los pun os que isi a (en el Museo Ga cía San esmases).
5.2. T abajo u u o
Aunque se han cumplido los obje i os p opues os, es e abajo ab e nue as líneas de
abajo u u o. Se p e ende ex ende el núme o de casos base u ilizando un p ocedimien o
de adquisición au omá ica de casos, donde se almacenen los da os de las isi as del museo
u ilizando disposi i os de localización como
beacons
, que pe mi en de ec a la posición
del usua io. También se pod ían es udia o as medidas de simili ud u o os mé odos de
adap ación más complejos. Así, se espe a que la calidad de la solución (medida po la
cobe u a) se inc emen e al añadi más casos eales.
Po o a pa e, en el caso de isi as g upales, las p e e encias de los usua ios
in oducidas en las consul as es án calculadas como media de los miemb os del g upo,
lo que esul a en una a ea ediosa de desc ipción de la en ada. Una al e na i a es usa
una desc ipción ap oximada de las p e e encias del g upo basada en isi as p o o ípicas,
lo cual es adecuado pa a eu iliza soluciones CBR.
Los casos en el sis ema CBR ep esen an isi as eales, y los p ime os expe imen os con
ellos mos a on que se puede simplica la ep esen ación del mapa del museo donde odos
los nodos es án conec ados a los demás: a pesa de que es eó icamen e posible isi a un
nodo después de cualquie o o, es o no ocu e en las isi as eales, pues en el camino a
los nodos más lejanos, los usua ios siemp e isi an nodos in e medios. Es e conocimien o
ha sido cap u ado obse ando los casos base y pod ía se usado pa a simplica el mapa
ag upando di e en es obje os de ca a a aplica el algo i mo A
?
.
Respec o a las ecomendaciones, se ía in e esan e pode aplica los concep os del
l ado colabo a i o. T as ealiza la u a p opues a po el ecomendado , los usua ios
pod ían alo a su g ado de sa is acción con cada nodo isi ado, y añadi es a in o mación
56
Pe sonalización de u as en sis emas de u ismo y ocio
CAPÍTULO 5. CONCLUSIONES Y TRABAJO FUTURO
al sis ema pa a u u as consul as, pasando así de un sis ema ecomendado basado en
con enido a uno híb ido.
La pa e de Realidad Aumen ada en el Museo Ga cía San esmases ambién pod ía se
mejo ada, ampliando el núme o de i inas que o ecen con enidos de Realidad Aumen ada
y mejo ando la calidad de esos con enidos, incluyendo animaciones o sonidos. Además, se
p opuso una idea (deses imada po su al a complejidad) consis en e en ealiza un guía
i ual que lle ase al usua io a a és del museo, pa ándose en las i inas seleccionadas
po el ecomendado y p opo cionando in o mación adicional a la mos ada en la p opia
i ina. En el Recomendado en Mad id se pod ían ena los con enidos de Realidad
Aumen ada, incluyendo más da os o in e acción median e bo ones i uales.
Pa a localiza al usua io den o del museo y así pode guia le ambién se ían de u ilidad
los
beacons
o cualquie sis ema de posicionamien o en in e io es (IPS, en sus siglas en
inglés). No obs an e, la ecnología ela i a a es e campo oda ía no es á lo sucien emen e
a anzada como pa a que el e o ela i o al posicionamien o sea asumible, sob e odo al
a a se de museos con an poco espacio en e sus i inas.
Pe sonalización de u as en sis emas de u ismo y ocio
57
Bibliog a ía
[1] Yi eng Zeng y col. Op imal Rou e Sea ch wi h he Co e age o Use s' P e e ences.
En:
P oceedings o he 24 h In e na ional Join Con e ence on A icial In elligence
(IJCAI 2015)
. AAAI P ess, 2015, págs. 2118-2124.
isbn
: 9781577357384.
[2] Kenne h H. Rosen.
Disc e e Ma hema ics and I s Applica ions
. 5 h. McG aw-Hill
Highe Educa ion, 2002.
isbn
: 0072424346.
[3] S ua Russell y Pe e No ig.
A icial In elligence: A Mode n App oach
. 3 d.
Uppe Saddle Ri e , NJ, USA: P en ice Hall P ess, 2009.
isbn
: 0136042597.
[4] G.F. Luge .
A icial In elligence: S uc u es and S a egies o Complex P oblem
Sol ing
. Addison-Wesley, 2005.
isbn
: 9780321263186.
u l
:
h ps : / / books .
google.co.uk/books?id=QcTuJb7Hi40C
.
[5] Elaine Rich y Ke in Knigh .
A icial In elligence
. 2nd. McG aw-Hill Highe
Educa ion, 1990.
isbn
: 0070522634.
[6]
In o med sea ch algo i hms
.
u l
:
h ps : / / cou ses . cs . washing on . edu /
cou ses/csep573/11wi/lec u es/03-hsea ch.pd
.
[7] Paul Resnick y Hal Va ian.
Recommende sys ems
. Vol. 40. New Yo k, NY, USA:
ACM, 1997, págs. 56-58.
[8] Robin Bu ke. The Adap i e Web. En: ed. po Pe e B usilo sky, Al ed Kobsa
y Wol gang Nejdl. Be lin, Heidelbe g: Sp inge -Ve lag, 2007. Cap. Hyb id Web
Recommende Sys ems, págs. 377-408.
isbn
: 978-3-540-72078-2.
u l
:
h p://dl.
acm.o g/ci a ion.c m?id=1768197.1768211
.
[9] F ancesco Ricci y col.
Recommende Sys ems Handbook
. 1s . New Yo k, NY, USA:
Sp inge -Ve lag New Yo k, Inc., 2010.
isbn
: 0387858199, 9780387858197.
[10] Damianos Ga alas y col. Mobile ecommende sys ems in ou ism. En:
Jou nal
o Ne wo k and Compu e Applica ions
39 (2014), págs. 319-333.
[11] Robe Pa iz Biuk-Aghai, Simon Fong y Yain-Wha Si. Design o a ecommende
sys em o mobile ou ism mul imedia selec ion. En:
In e ne Mul imedia Se ices
A chi ec u e and Applica ions, 2008. IMSAA 2008. 2nd In e na ional Con e ence
on
. IEEE. 2008, págs. 1-6.
[12] Liliana A dissono y col. In igue: pe sonalized ecommenda ion o ou is
a ac ions o desk op and hand held de ices. En:
Applied A icial In elligence
17.8-9 (2003), págs. 687-714.
Pe sonalización de u as en sis emas de u ismo y ocio
59
APÉNDICE A. RELACIÓN DE OBJETOS DEL MUSEO GARCÍA SANTESMASES
6. IBM 7090 (1959) P ime compu ado come cial ansis o izado
Tiempo de isi a: 1 minu o 45 segundos
E ique as: FDI 0,3; Videojuegos 0,5; Cine 0,3
7. Cu sos de au omá ica de Ga cía San esmases
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Docencia 0,6; España 0,4
8. Enseñanza asis ida po compu ado
Tiempo de isi a: 2 minu os
E ique as: Docencia 0,8; FDI 0,7; España 0,3; His o ia 0,3
9. Calculado as
Tiempo de isi a: 1 minu o 30 segundos
E ique as: Cine 0,2; Ciencias 0,5
10. F iden EC-132 (1965) + Tubo de Rayos Ca ódicos
Tiempo de isi a: 30 segundos
E ique as: Ha dwa e 0,7; PCs 0,3; Ciencias 0,2
11. Calculado a de aíces cuad adas
Tiempo de isi a: 30 segundos
E ique as: Cu iosidad 0,6; Ciencias 0,3; Ha dwa e 0,2
12. PDA's y able s
Tiempo de isi a: 30 segundos
E ique as: Ciencias 0,5
13. Pe i é icos de IBM
Tiempo de isi a: 30 segundos
E ique as: Pe i é icos 0,7
14. A e po compu ado a
Tiempo de isi a: 1 minu o 45 segundos
E ique as: FDI 0,8; A e 0,9; Ciencias 0,9
15. Unidades de cin a + Discos ísicos
Tiempo de isi a: 45 segundos
E ique as: Cine 0,7; Cu iosidad 0,6
66
Pe sonalización de u as en sis emas de u ismo y ocio
APÉNDICE A. RELACIÓN DE OBJETOS DEL MUSEO GARCÍA SANTESMASES
16. Telé onos
Tiempo de isi a: 1 minu o 45 segundos
E ique as: Cu iosidad 0,5; FDI 0,3
17. Sony AIBO ERS-7 (2003): Pe o obó ico
Tiempo de isi a: 1 minu o
E ique as: Videojuegos 0,3; Cu iosidad 0,3
18. PDP 11
Tiempo de isi a: 1 minu o 45 segundos
E ique as: FDI 0,3; Cu iosidad 0,2; Redes 0,8
19. O denado es ci ca 1990 (Ams ad, Tulip, Tamdon, Toshiba)
Tiempo de isi a: 1 minu o
E ique as: PCs 0,7; Cu iosidad 0,3
20. Memo ex 1337 + Fichas pe o adas
Tiempo de isi a: 1 minu o 30 segundos
E ique as: PCs 0,8; His o ia 0,3; Cu iosidad 0,4; Cine 0,2
21. Ca eles
Tiempo de isi a: 1 minu o
E ique as: Docencia 0,4
22. HP 21MX + Cin a de papel
Tiempo de isi a: 1 minu o
E ique as: PCs 0,7; Redes 0,4; Cine 0,35
23. Simulado de cen ales é micas
Tiempo de isi a: 1 minu o 30 segundos
E ique as: Cu iosidad 0,7; Cine 0,4; Docencia 0,8; Pe i é icos 0,2
24. IBM-PC XT 1983
Tiempo de isi a:1 minu o
E ique as: PCs 0,8
25. Plo e HP9872C
Tiempo de isi a: 1 minu o
E ique as: PCs 0,5
Pe sonalización de u as en sis emas de u ismo y ocio
67
APÉNDICE A. RELACIÓN DE OBJETOS DEL MUSEO GARCÍA SANTESMASES
26. HP 9000/319
Tiempo de isi a:1 minu o
E ique as: PCs 0,65
27. HP 1000 (1982)
Tiempo de isi a: 1 minu o
E ique as: Redes 0,7
28. O denado es Ams ad
Tiempo de isi a: 4 minu os
E ique as: Videojuegos 0,95; Cu iosidad 0,7; A e 0,85; España 0,85; PCs 0,8
29. Consolas A a i y Nin endo
Tiempo de isi a: 3 minu os
E ique as: Videojuegos 0,95; Cu iosidad 0,7; FDI 0,6; Cine 0,5; His o ia 0,3
30. O denado es Sony, Ams ad, ...
Tiempo de isi a: 1 minu o 30 segundos
E ique as: His o ia 0,4; Videojuegos 0,85; España 0,4; PCs 0,8
31. Máquina ec ea i a
Tiempo de isi a: 2 minu os 15 segundos
E ique as: Cu iosidad 0,5; Cine 0,7; Videojuegos 0,95
32. Cables
Tiempo de isi a: 1 minu o 15 segundos
E ique as: FDI 0,4; Ha dwa e 0,6
33. P ocesado es de In el
Tiempo de isi a: 1 minu o 15 segundos
E ique as: FDI 0,4; Ha dwa e 0,95
34. IBM 3097: e ige ación líquida
Tiempo de isi a: 2 minu os 15 segundos
E ique as: Ciencias 0,8; Ha dwa e 0,7
35. Disco du o 8 GB
Tiempo de isi a: 45 segundos
E ique as: Almacenamien o 0,85
68
Pe sonalización de u as en sis emas de u ismo y ocio
APÉNDICE A. RELACIÓN DE OBJETOS DEL MUSEO GARCÍA SANTESMASES
36. Pla o 6 MB
Tiempo de isi a: 1 minu o 30 segundos
E ique as: Cine 0,5; Almacenamien o 0,95; His o ia 0,2
37. Memo ias de e i a y o os disposi i os de almacenamien o
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Almacenamien o 0,8; His o ia 0,3
38. T ansis o es, ROMs, ci cui os in eg ados, obleas
Tiempo de isi a: 1 minu o 45 segundos
E ique as: Ha dwa e 0,95; Cu iosidad 0,3; Almacenamien o 0,3
39. Pe i é icos y conec i idad
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Redes 0,3; Cine 0,3; Pe i é icos 0,5
40. Disque es
31/2
;
51/4
Tiempo de isi a: 1 minu o
E ique as: Pe i é icos 0,9; Cine 0,2
41. Imp eso as
Tiempo de isi a: 1 minu o
E ique as: Pe i é icos 0,7
42. Pe i é icos: a ones, eclados, lápiz ác il
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Pe i é icos 0,8
43. Discos du os
Tiempo de isi a: 1 minu o
E ique as: Almacenamien o 0,85
44. Discos du os an iguos
Tiempo de isi a: 1 minu o
E ique as: Almacenamien o 0,9
45. PCs
Tiempo de isi a: 2 minu os 30 segundos
E ique as: PCs 0,95; His o ia 0,3; Videojuegos 0,35
Pe sonalización de u as en sis emas de u ismo y ocio
69
APÉNDICE A. RELACIÓN DE OBJETOS DEL MUSEO GARCÍA SANTESMASES
46. IBM 5110 Compu ing Sys em
Tiempo de isi a: 2 minu os
E ique as: PCs 0,95; Pe i é icos 0,3
47. DEC AlphaSe e 2100
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Se ido es 0,85; Redes 0,8
48. O denado es de Apple
Tiempo de isi a: 2 minu os
E ique as: PCs 0,95; Cine 0,5; Cu iosidad 0,5
49. Se ido es Unix
Tiempo de isi a: 1 minu o 15 segundos
E ique as: Se ido es 0,9; Redes 0,8
50. C ay Y-MP EL (1991)
Tiempo de isi a: 2 minu os
E ique as: Se ido es 0,9; Ha dwa e 0,6
51. O igin 2000
Tiempo de isi a: 1 minu o
E ique as: FDI 0,7; Se ido es 0,8
52. Se ido es ac uales
Tiempo de isi a: 1 minu o
E ique as: Se ido es 0,9
70
Pe sonalización de u as en sis emas de u ismo y ocio
B
Relación de pun os de in e és en Mad id
1. Plaza Mayo
Tiempo de isi a: 30 minu os
E ique as: Monumen o 0,9; His o ia 0,5
2. Pue a del Sol
Tiempo de isi a: 20 minu os
E ique as: His o ia 0,4; Monumen o 0,8
3. Ca ed al de la Almudena
Tiempo de isi a: 40 minu os
E ique as: Iglesia 0,95; Monumen o 0,3; A e 0,3
4. Chocola e ía San Ginés
Tiempo de isi a: 40 minu os
E ique as: Gas onomía 0,9; In an il 0,3
5. Me cado de San Miguel
Tiempo de isi a: 1 ho a
E ique as: Gas onomía 0,8
6. Palacio Real
Tiempo de isi a: 1 ho a 10 minu os
Pe sonalización de u as en sis emas de u ismo y ocio
71
APÉNDICE B. RELACIÓN DE PUNTOS DE INTERÉS EN MADRID
E ique as: His o ia 0,8; Cul u a 0,7
7. Museo del P ado
Tiempo de isi a: 2 ho as
E ique as: Museo 0,9; Cul u a 0,6; A e 0,9
8. Ba io de La La ina
Tiempo de isi a: 1 ho a 30 minu os
E ique as: Gas onomía 0,6; En e enimien o 0,6
9. Casa Museo del Ra ón Pé ez
Tiempo de isi a: 40 minu os
E ique as: In an il 0,95; Museo 0,4; En e enimien o 0,4
10. Tea o Real
Tiempo de isi a: 1 ho a 10 minu os
E ique as: Cul u a 0,8; His o ia 0,4
11. Cí culo de Bellas A es
Tiempo de isi a: 30 minu os
E ique as: A e 0,9; En e enimien o 0,2
12. Pue a de Alcalá
Tiempo de isi a: 15 minu os
E ique as: Monumen o 0,8
13. Pa que de El Re i o
Tiempo de isi a: 2 ho as
E ique as: En e enimien o 0,7; In an il 0,2
14. Monas e io de las Descalzas Reales
Tiempo de isi a: 1 ho a
E ique as: Iglesia 0,7; His o ia 0,4; A e 0,5
72
Pe sonalización de u as en sis emas de u ismo y ocio