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 icial
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 die 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 specic 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 denido 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 deni 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 deniciones 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 deni o malmen e el p oblema que que emos abo da , necesi a emos
algunas deniciones p e ias sob e Teo ía de G a os [2].
Denición 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
Denición 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
.
Denición 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.
Denición 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 denición equi alen e es la siguien e:
Denición 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 deniciones 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 especíco del
p oblema más allá de la denición 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 deniciones:
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 ican 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 áco: el sis ema se basa en el pe l demog áco 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 especicadas 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 especicados 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 clasicando 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 planicación 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 planicación 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 especíco 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 planicación 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. Denición
La Realidad Aumen ada (RA) se dene 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 deni 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 calicaciones 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 auencia 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 planicación 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 denidas 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
(denidas como un conjun o de e ique as asociadas a unos pesos) no es i ial. De acue do
con [1], denimos 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 denido 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 denimos 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 deniciones que hemos p opo cionado, es amos en disposición de o mula un
algo i mo pa a planicación 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
?
modicado
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 modicación 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
deni 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 deni 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 denimos
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 denición
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 denida 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 deniciones 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 deni 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 deni 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 ee en con enidos elacionados con
his o ia
,
España
o
cu iosidad
, cinélos,
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 edicio, 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 denamos 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 icado :
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 icado 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 áca 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 áca 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 denida 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 eejan 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 ee 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, deniendo 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 ecien 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 sucien 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 sucien 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 denido en el Capí ulo 3. En el Museo Ga cía
San esmases nos encon amos en un edicio 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 especícas 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 planicación
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 especícos 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
ecaz 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 ee 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 ee 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 simplica 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 simplica 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 ena 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 sucien 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 icial 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 icial 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 icial 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 icial 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 icial 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