Los Sistemas Recomendadores de recursos de información

"…El trabajo llenará gran
parte de vuestras vidas y la única manera de sentirse
realmente satisfecho es hacer aquello que creéis es un
gran trabajo. Y la única forma de hacer un gran trabajo es
amar lo que se hace. Si todavía no lo habéis
encontrado, seguid buscando. No os
detengáis"

Steve Job

Resumen

Las Tecnologías de la Información y las
Comunicaciones (TIC) se han empleado como alternativas para la
gestión de la información, siendo utilizadas como
soporte para ayudar a las personas a obtener recursos de
información que contribuyan en su superación.
Actualmente para ayudar en este proceso, en instituciones y
universidades cubanas, se han identificado diferentes
herramientas: Sistemas de Recomendación (SR),
Diseminación Selectiva de la Información (DSI) y
sistemas de Sindicación Realmente Simple (RSS, por sus
siglas en inglés). Se decide realizar una
investigación sobre los SR, los cuales reciben una serie
de clasificaciones en dependencia del tipo de información
que utilicen para realizar las recomendaciones. Estos pueden ser
basados en: contenido, filtrado colaborativo, datos
demográficos e híbridos. A la vez que cuentan con
un grupo de técnicas algorítmicas que permiten un
mejor funcionamiento de los mismos. Los SR son herramientas de
software y/o técnicas encargadas de realizar determinadas
sugerencias, ayudando a obtener la información que se
necesita de acuerdo a las preferencias del usuario. Además
estos sistemas permiten que las personas que los utilicen,
obtengan los recursos de información que puedan ser de su
interés, sin necesidad de dedicar mucho tiempo en esta
función. Para el desarrollo de la investigación se
hizo uso de los métodos científicos:
análisis documental, histórico-lógico y
análisis sintético.

Palabras clave: gestión de la
información, recursos de información, sistema de
recomendación.

Title: Recommender System of information
resources.

ABSTRACT:

The Information Technology and Communications (ICT) have
been used as alternatives for the management of information,
being used as support to help people to get information resources
to its overcoming. At present to help in this process, in
institutions and universities Cubans has identified different
tools: recommender systems (SR), Selective Dissemination of
Information (SDI) and systems of Really Simple Syndication (RSS).
Was decided to perform an investigation into the SR, which
receives a number of classifications depending of the type of
information they use to make recommendations. These can be based
on: content, collaborative filtering, demographic data and
hybrid. At the same time, this system it has a group of
algorithmic techniques for a better functioning of the same. The
SR are software tools and / or techniques responsible to make
determined suggestions, helping to obtain the information needed
according to user preferences. Also, these systems allow to the
people that use them, obtain information resources that may be of
interest, without having to spend much time in this function. For
the development of the investigation made use of scientific
methods: document analysis, historical -logic and synthetic
analysis.

Keywords: information management, information
resources, recommender system.

Introducción

En la actualidad las personas representan el activo
principal en una institución. Sus ideas constituyen un
aporte relevante para alcanzar el éxito en las
organizaciones. Además, sus opiniones y acciones apoyan la
toma de decisiones y el logro de los objetivos trazados por la
entidad (1).

En las organizaciones deben gestionarse procesos que
potencien el desarrollo de nuevas habilidades y conocimientos en
los trabajadores para lograr un mejor desempeño de los
mismos en sus puestos de trabajo. En este sentido, la
información juega un papel importante, pues contribuye a
que las personas adquieran nuevos conocimientos.

Las Tecnologías de la Información y las
Comunicaciones (TIC) se emplean como alternativas para facilitar
el acceso a la información. Por esta razón, han
sido utilizadas como soporte para ayudar a los trabajadores a
obtener los recursos de información (convocatorias,
documentos, libros, entre otros) que contribuyan en su
superación, cultura u obtención de nuevas
competencias. Asumiendo el autor de la presente
investigación como competencias: características
personales que incluyen habilidades y conocimientos, que
determinan el éxito en un puesto de trabajo
(2).

Instituciones cubanas como el Centro de Desarrollo de
Software(DESOFT), la Universidad de las Ciencias
Informáticas (UCI) y la Universidad de la Habana (UH),
tienen implantado un conjunto de tecnologías que sirven de
apoyo a los subprocesos de gestión de la
información[1]adquisición,
transmisión, procesamiento, almacenamiento,
diseminación y uso de la información. Entre las
herramientas que se pueden mencionar se encuentran: bibliotecas
virtuales, intranet y correo electrónico.

Desarrollo

Generalidades de la gestión de la
información

Para un mejor entendimiento de lo que representa la
Gestión de Información (GI) y sus funcionalidades,
se necesitan conocer los siguientes conceptos.

Gestión

La gestión es un proceso definido como la
acción que hay que llevar a cabo en función de
conseguir o resolver determinado elemento (3).

Datos

Los datos son hechos discretos sobre acontecimientos que
no suministran explicaciones ni dan razones. Representan la
materia prima fundamental para la creación de
información (2).

Información

Según Idalberto Chiavenato, información es
"…un conjunto de datos que poseen un significado, de modo
tal que reducen la incertidumbre y aumentan el conocimiento de
quien se acerca a contemplarlos" (4).

A partir de los conceptos anteriores, autores como Josep
Curto definen la "gestión de la información"
como un proceso que incluye operaciones como extracción,
manipulación, tratamiento, depuración,
conservación, acceso y/o colaboración de la
información adquirida por una organización a
través de diferentes fuentes y que gestiona el acceso y
los derechos de los usuarios sobre la misma (5).

Ponjuán Dante define la gestión de
información como: proceso mediante el cual se
obtienen, despliegan o utilizan recursos básicos
(económicos, físicos, humanos, materiales) para
manejar información en y para la sociedad a la que se
sirve. Tiene como elemento básico la gestión del
ciclo de vida de este recurso y ocurre en cualquier
organización (6).

El autor coincide con las definiciones anteriores, no
obstante, decide regir la presente investigación a partir
de la definición que propone Ponjuán. El mismo
considera que la GI permite el manejo de recursos de
información y su finalidad es generar servicios y
productos que respondan a las necesidades y sobrepasen las
expectativas de los usuarios. Por otro lado agrega que este
proceso implica acciones como: determinar la información
que se necesita, su acceso y su divulgación.

Como apoyo a la gestión de la información
se han creado varias herramientas. Entre estas se encuentran:
intranet, bibliotecas virtuales y el correo electrónico,
que permiten la divulgación de la misma. Además los
repositorios, que almacenan diferentes recursos informativos.
También los blog y chat que son usados para compartir
información e intercambiar ideas; así como los
portales de comunidades en los cuales se tratan temas
específicos donde las personas pueden compartir sus
conocimientos.

En la actualidad, los niveles de información han
aumentado considerablemente. Por esta razón cada vez se
hace más difícil gestionar la excesiva cantidad de
información a la que las personas se enfrentan
diariamente. Este problema suele aumentar cuando se disponen a
realizar una búsqueda de la misma.

Decía Cronin que existe la necesidad de
comprender cómo el comportamiento de los individuos, en la
búsqueda de la información, puede ser mejor apoyado
por sistemas para generar, capturar, recuperar y manipular datos
e informaciones (7). En correspondencia con lo anterior, se han
identificado en instituciones cubanas la implantación de
aplicaciones informáticas que apoyan el subproceso de
divulgación de la información. Entre estas
aplicaciones se encuentran las siguientes: Diseminación
Selectiva de Información (DSI), Sindicación
Realmente Simple (RSS) y Sistemas de Recomendación
(SR).

DSI: Este servicio brinda periódicamente a
cada usuario o grupo de usuarios las referencias de los
documentos que corresponden a sus intereses cognoscitivos, a
través del correo electrónico (8). En las entidades
es empleado para mantener informados y actualizados a los
usuarios sobre documentos que entran a la institución o
sobre aquellos que se publican en el propio centro y que son de
su interés. El servicio puede proporcionarse a un
usuario basándose en su perfil individual. Para lograr su
eficacia se requiere de una adecuada definición del perfil
del usuario mediante la selección de un conjunto de
palabras clave que reflejen la temática en cuestión
(9).

RSS: El RSS, constituye un formato para la
sindicación de contenidos de páginas web. El
servicio permite que las personas puedan recibir de forma
sencilla, directamente en su ordenador o en una página web
en línea, información actualizada sobre sus
páginas web favoritas, sin tener que visitarlas (10). Los
usuarios no tienen necesidad de actualizar la información,
pues el proceso se realiza automáticamente.

Para recibir las noticias RSS la página debe
tener disponible el servicio. Los documentos que contienen las
noticias (generalmente llamados canales) son leídos
mediante lectores RSS denominados agregadores. Los agregadores
son programas que se instalan en el ordenador, sitios web
especializados en la lectura de RSS o se encuentran en los
programas utilizados normalmente para recibir información
de Internet (navegadores web y clientes de correo
electrónico) (11).

SR: Los SR surgen como respuesta a la existente
sobrecarga de información. Son herramientas que generan
recomendaciones sobre un determinado objeto a partir de las
preferencias y opiniones dadas por los usuarios. Su uso se
está incrementando cada vez más debido a que son
muy útiles para evaluar y filtrar la gran cantidad de
información disponible en la web, ayudando a las personas
en su búsqueda (12).

Aunque los sistemas anteriormente descritos han sido
creados para proporcionarle al usuario contenidos que puedan ser
de su interés, sus mecanismos de funcionamiento son
diferentes. El servicio DSI envía al usuario las novedades
de acuerdo a su perfil, mientras que en el servicio RSS el
usuario se suscribe a un recurso de información y mediante
un lector RSS se conecta automáticamente y va extrayendo y
mostrándole al usuario las novedades
aparecidas.

Por otra parte, los SR son más amplios, utilizan
técnicas para identificar aquellos elementos que mejor
satisfacen las preferencias del usuario. Tienen el objetivo de
aprender más sobre los mismos y tratar cada contenido
disponible para anticiparse a sus necesidades, por lo cual pueden
ser usados como herramientas de decisión. Para sus
recomendaciones al igual que el servicio DSI se pueden apoyar de
un perfil del usuario. Además tiene en cuenta las
evidencias de navegación del mismo y las opiniones de
otros usuarios para realizar su recomendación. Por esta
razón, se decide llevar a cabo un estudio profundo sobre
los sistemas de recomendación.

Generalidades de los sistemas de
recomendación

Para identificar la conceptualización de un
sistema de recomendación a asumir en la presente
investigación, se determina analizar algunas definiciones
abordadas por estudiosos de la temática.

Según Yager "son herramientas cuyo objetivo
es asistir a los usuarios en sus procesos de búsqueda de
información, ayudando a filtrar los ítems de
información recuperados, usando recomendaciones propuestas
sobre esos ítems[2]Dichas recomendaciones
se generan a partir de las opiniones proporcionadas por otros
usuarios sobre ciertos ítems, tales como documentos,
libros e informes en búsquedas previas o bien a partir de
las preferencias del usuario objeto de la
recomendación" (13).

Según Josep Konstan "los sistemas de
recomendación utilizan la opinión de los miembros
de una comunidad para ayudar a los individuos a identificar la
información o los productos más relevantes o
interesantes según sus necesidades actuales"
(14).

Se considera que el primer concepto es bastante amplio
por lo cual se decide regir la presente investigación a
través del mismo. De la misma manera, se decide agregar
que los SR en general, se encargan de realizar recomendaciones al
usuario que puedan ser de interés, de forma
automática y personalizada. Para entender su
funcionamiento, en función de utilizarlo con la finalidad
para la cual fueron creados, es necesario profundizar en su
estructura.

Estructura de un sistema de
recomendación

La estructura de un SR permite que cuando un usuario
indique la información que necesita, el sistema, a partir
de la retroalimentación de la información dada por
el mismo, realice el proceso de recomendación.

Los datos que utilizan los sistemas de
recomendación pueden separarse en tres grupos:
ítems, usuarios y transacciones (16).

Ítems: son los elementos que se les
recomienda a las personas. Puede tomar diferentes valores:
positivo si resulta útil para el usuario o negativo si
este considera que no fue una buena decisión.
Además, poseen características que pueden indicar
cuán necesario resultan para determinado
individuo.

Usuarios: son las personas a las cuales se les va
a proveer recomendaciones. Estas pueden tener diversidad de
preferencias cuando acceden a un software. Para poder ofrecer las
recomendaciones adecuadas, el sistema debe buscar toda la
información disponible acerca de dicho usuario, ya sea la
que inicialmente se haya solicitado o la que se va recopilando a
lo largo de la interacción de la persona con el
sistema.

Transacciones: así se le denomina a la
interacción de los usuarios con el SR. De esta forma se
puede almacenar información acerca de las preferencias de
los usuarios sobre los ítems.

Clasificación de los sistemas de
recomendación

Los SR tienen diferentes clasificaciones dependiendo del
tipo de información que utilicen para realizar las
recomendaciones. Pueden ser basados en: contenido, filtrado
colaborativo e híbridos.

Sistemas de recomendación basados en
contenido

Los SR basados en contenido recomiendan los ítems
a los usuarios teniendo en cuenta su descripción y el
perfil con los intereses del usuario. Este tipo de SR sigue la
filosofía "muéstrame más de lo que ya me ha
gustado", su técnica consiste en recomendar a un
determinado usuario ítems que poseen similitud con los que
a él le han gustado (17).

Para llevar a cabo la recomendación utiliza las
preferencias del usuario frente a los nuevos ítems. La
creación del perfil del usuario puede realizarse de manera
explícita, preguntándole directamente al usuario
por sus preferencias. También, el sistema puede recoger la
información de manera implícita, obteniendo
indirectamente elementos que muestren las preferencias del
usuario.

Entre las principales deficiencias de este tipo de
recomendación se pueden encontrar que suele recomendar
ítems muy parecidos a los que el usuario activo ya conoce.
Esta desventaja provoca que el usuario pierda la confianza que va
adquiriendo sobre el sistema. Otra insuficiencia es que los
usuarios que sean nuevos utilizando el sistema tienen que rankear
un número suficiente de ítems para que el sistema
pueda realmente entender sus preferencias (18).

Sistemas de recomendación basados en el
filtrado colaborativo

Los sistemas basados en filtrado colaborativo tienen la
particularidad de crear sus recomendaciones basadas en personas
con similitudes en sus preferencias. Estos sistemas sugieren
nuevos ítems o predicen la utilidad de cierto ítem
para un usuario determinado basado en los gustos previos del
mismo y en las opiniones de otros usuarios con iguales intereses
(19).

En este tipo de recomendación, se les presentan
algunos ítems a los usuarios y a partir de estos ellos
expresan sus intereses. Luego de obtener la información,
el sistema crea un perfil y lo compara con el de los demás
construyendo una lista de personas con intereses similares, la
cual se puede denominar como "usuarios más cercanos". Se
combina la lista de intereses y se devuelve otra con las
recomendaciones, conteniendo los ítems que mejor evaluaron
estos usuarios y que todavía el nuevo individuo no ha
evaluado (20).

Existen dos tipos de filtros colaborativos, los que son
basados en el usuario y basados en el ítem:

Filtrado basado en usuarios

Esta técnica sugiere al usuario que solicita la
recomendación aquellos elementos que han causado
interés a los usuarios que guarden cierta similitud con
él (vecinos). Otra alternativa es realizar recomendaciones
basándose más en la calidad en sí de los
productos que en las propiedades concretas de los mismos. Este
tipo de filtrado es muy útil, pues le brinda directamente
una opción al usuario de lo que el sistema evalúa
como ítems de posible interés para el mismo,
basándose en usuarios con un comportamiento similar para
realizar las predicciones (21).

Filtrado colaborativo basado en
ítem

Mediante este método, un producto es recomendado
a un usuario activo si es similar a los definidos en su perfil
personal. En este caso, se considera que dos productos son
similares (o vecinos) si los usuarios que han seleccionado uno de
ellos tienden a seleccionar el otro, asignándole
índices de interés parecidos. Esta técnica
da mejores resultados que la variante basada en usuario cuando el
número de productos disponibles en el SR es mucho menor
que el número de usuarios (19).

Una desventaja que posee este tipo de
recomendación es que cuando un usuario llega al sistema no
es posible hacerle recomendaciones hasta que su perfil sea lo
suficientemente completo para encontrarle a su grupo de vecinos
cercanos (22). Además, si los gustos del usuario son poco
comunes, encontrarle un conjunto de vecinos cercanos será
una tarea complicada.

Según el estudio realizado por el autor se
identificó la presencia de mayor cantidad de SR basados en
el filtrado colaborativo que SR basados en contenido.

Sistemas de recomendación basados en datos
demográficos

Los sistemas basados en datos demográficos se
basan en el perfil demográfico de la persona. Estos
clasifican a los usuarios por grupos y recomiendan de acuerdo al
grupo al que este pertenezca. Varios sitios web basados en esta
información adoptan personalizaciones simples y efectivas
(23).

Estos pueden ser utilizados en aplicaciones que tengan
en cuenta la edad, país, nivel escolar u otras
características para ofrecer determinado ítem. Sin
embargo, no tiene en cuenta las preferencias específicas
del usuario para realizar la recomendación.

Sistemas de recomendación
híbridos

Los sistemas de recomendación expuestos
anteriormente poseen algunas limitantes. Se pueden mencionar: la
sobreespecialización en el sistema basado en contenido y
en el caso del colaborativo la cantidad de usuarios que deben
estar registrados en el sistema para que este funcione
correctamente. Para mitigar dichas desventajas surgen los
sistemas híbridos, los cuales combinan los tipos
anteriores, explotando las características de ambos
(22).

Para crear un sistema híbrido colaborativo basado
en contenido, la construcción de preferencias se basa
tanto en los intereses del usuario, como en los intereses de los
usuarios similares. El autor Burke[3]define un SR
híbrido de la siguiente manera "…combinan dos o
más técnicas de recomendación para obtener
mayor eficacia sin los inconvenientes de cada sistema
hibridado" (24).

Técnicas
algorítmicas utilizadas en los sistemas de
recomendación

Las técnicas algorítmicas pueden
clasificarse en dos grandes grupos, las basadas en memorias y las
basadas en modelo.

Técnicas algorítmicas basadas en
memoria

Las técnicas algorítmicas basadas en
memoria utilizan la base de datos completa de
usuarios-ítems para generar las predicciones. Un SR usa
una técnica estadística para buscar un conjunto de
usuarios que tengan una historia de concordancia con el usuario
objetivo (vecinos), una vez es formada una vecindad se utiliza un
algoritmo que combine preferencias de los vecinos para producir
una predicción y un ranking de los
"N[4]principales" para el usuario objeto
(21).

La definición anterior se refleja en la siguiente
relación: sea R una matriz de relación
usuario-ítems la cual contiene la evaluación
(ratings) de cada ítem por el usuario. Se toman
dos usuarios ui y uj que pertenecen a R y se aplican algunos de
los siguientes métodos:

Algoritmos de vecinos más
cercanos:

Este fue uno de los primeros algoritmos de filtrado
colaborativo en implementarse. Se basa fundamentalmente en tres
pasos: la representación de los datos, formación de
vecinos y generación de recomendaciones (25).

El paso más crítico es la formación
de vecinos en el cual se ve inmerso el proceso de encontrar la
relación de similitud que existe entre dos usuarios. Para
la formación de relación de similitud entre todos
los usuarios y el usuario activo se definen algunos
métodos:

Coeficiente de correlación de
Pearson

El coeficiente de correlación de Pearson es una
métrica típica de similitud entre funciones de
preferencias de usuarios o (menos frecuentemente) distancias de
vectores o productos puntos. La fórmula da una
aproximación de qué tan bien los vectores
comparados (perfiles, ítems) coinciden en la escala desde
cero [0] (no similares) a uno [1] (total coincidencia) o menos
uno [-1] (total diferencia) (19).

Para ello se emplea la fórmula del coeficiente de
Correlación de Pearson, la cual da una medida de
qué tan similares son dos usuarios con respecto a la
percepción que estos tienen de los ítems. Para
establecer el tamaño del vecindario se seleccionan solo
aquellos usuarios que superan cierto umbral definido.

Similitud basada en coseno

Se considera cada elemento como un vector dentro de un
espacio vectorial de m[5]dimensiones y se
calcula la similitud como el coseno del ángulo que forman.
Es decir, si se tienen dos vectores x1 y x2
consistentes en un arreglo, cuyos elementos son las votaciones
recibidas de cada usuario su similitud estará dada por
(15):

Técnicas algorítmicas basadas en
modelo

Estos algoritmos primero modelan los votos de los
usuarios. Tratan el problema como una dificultad de
predicción estadística y calculan el valor esperado
para cada ítem en función de los votos anteriores.
Para ello se utilizan distintos algoritmos de aprendizaje:
Clustering, Redes Neuronales como las Redes de Funciones de Base
Radial (RBFN), Horting, Encasillamiento y Redes Bayesianas. En
general, ante las consultas responden más rápido
que los basados en memoria, pero necesitan de un proceso de
aprendizaje intensivo (26).

Horting

Es una técnica basada en grafos en la cual los
nodos son los usuarios y las aristas entre nodos son indicadores
de los grados de similitud entre dos usuarios. Las predicciones
se producen al recorrer el grafo entre nodos cercanos y
combinando las opiniones entre usuarios cercanos. Esta
técnica difiere de los algoritmos de vecindad más
cercana, en la forma como el grafo puede ser recorrido por otros
usuarios que no han valorado los ítems. Luego, esta
técnica explora las relaciones transitivas que los
algoritmos de vecindad más cercana no tienen en cuenta
(17).

Predictores "Slope-One"

Es un algoritmo para recomendadores con filtrado
colaborativo basado en ítems. Básicamente este toma
dos ítems y los compara con relación a la cantidad
de usuarios que los han evaluado para buscar una similitud entre
estos. También, predice cuando un usuario puede preferir
un ítem dadas las valoraciones del propio usuario hacia
otro ítem. Este algoritmo tiene en cuenta tanto los datos
de los usuarios que tienen en común un elemento
determinado como la información de los demás
elementos que ya han sido evaluados (27).

Los SR son muy usados en diferentes sitios web para
brindar ayuda a sus usuarios sobre los recursos de
información que les podrían interesar y se
encuentren en el mismo. Por esta razón, se utilizan en
varias áreas como el comercio y la
educación.

Aplicación de los sistemas de
recomendación

Los sistemas de recomendación pueden ser
aplicados en diferentes áreas de la vida cotidiana. En la
aplicación de estos sistemas hay que destacar su amplia y
estratégica utilización en el marco del comercio y
la educación.

La aplicación de estos sistemas en el comercio
está evidenciada a través de la página web
Amazon, la cual es muy popular en Internet. En esta se pueden
buscar diferentes materiales como películas, libros y
productos electrónicos. Para todas sus áreas la
aplicación inicialmente propone una lista de productos de
oferta con los más vendidos, lo más novedoso, entre
otros. A partir de lo que la persona seleccione de esa lista, el
sistema utiliza su SR para guiar al usuario hacia el producto que
este busca. Además, Amazon permite que los usuarios se
registren llenando un formulario con sus preferencias y que
emitan una votación sobre los productos que visita,
haciendo que el proceso sea mucho mejor. Otros ejemplos del
empleo de los SR se pueden encontrar en: Amie Street, Genius y
Pandora, páginas creadas con el objetivo de brindar
servicios de música.

En el ámbito educativo se identifican
universidades que tienen implementado este sistema en algunas de
sus aplicaciones web. Por citar solo un ejemplo, en la
Universidad Simón Bolívar de Venezuela, se
realizó un SR con el objetivo de ofrecer a los estudiantes
aspirantes a ingresar a instituciones universitarias algunas
opciones de carreras en sintonía con sus preferencias,
competencias y recursos.

Conclusiones

Después de desarrollar el presente trabajo se
arriban a las siguientes conclusiones:

• El estudio realizado apoyado en los métodos
  de la investigación científica, permitió
  elaborar una investigación profunda sobre las
  características generales de los Sistemas de
  Recomendación.

• Los Sistemas de Recomendación híbridos
  obtienen mayor eficacia en sus recomendaciones a partir de
  las combinaciones de dos o más técnicas
  algorítmicas de recomendación.

• Los Sistemas de Recomendación tienen una
  amplia utilización en los sectores del comercio y la
  educación.

Bibliografía

1. Ojeda, F. Las personas son el
valor más importante de una empresa o una
organización, 2009

2. Ponjuan, Gloria. Introducción a la
gestión del conocimiento, 2006

3. Rebolledo, Gustavo. Gestión,
Calidad y Agregación de valor en información,
1993

4. de Chiavenato, Idalberto.
Introducción a la Teoría General de la
Administración. Séptima Edición.
s.l. : McGraw-Hill Interamericana, 2006. pág.
110

5. Curto, Josep. Information Management.
¿Qué es la gestión de la
información? [En línea] 28 de Noviembre de
2006. [Citado el: 2 de Mayo de 2014.] [Disponible en:
http://informationmanagement.wordpress.com/category/gestion/gestion-de-la-informacion/]

6. Ponjuán, G. Gestión de la
información en las organizaciones: principios, conceptos y
aplicaciones. Santiago de Chile : s.n., 1998

7. Cronin, B. Information management from
strategies to action. London: Aslib : s.n.,
1985

8. Morales Campos, E. y Rodríguez Gallardo,
A. La Biblioteca del futuroMéxico,
2005

9. Sánchez Pereira, A. La
Diseminación Selectiva de la Información a
través de internet: Propuesta de Boletín
Electrónico de información Bibliográfica
Especializada en Economía, utilizando las bases de datos
de Clases. México : s.n., 2003

10. Winer, D. ScriptingXML. [En línea] 15
de Diciembre de 1997. [Citado el: 18 de Marzo de 2014.]
[Disponible en:
http://davenet.scripting.com/1997/12/15/scriptingNewsInXML]

11. RSS. ¿Qué es RSS? [En
línea] [Citado el: 1 de Mayo de 2014.] [Disponible en:
http://www.rss.nom.es]

12. Konstan, Joseph A. Introduction to
Recommender Systems. University of Minnesota: s.n.,
2008

13. Yager, Ronald R. Fuzzy logic methods in
recommender systems. Elsevier North-Holland : s.n.,
2003

14. Konstan, Josep. IntroductionTo
Recommender Systems: Algorithms and Evaluations,
2004

15. Peña Henríquez, Fernando A. y Riffo
Carrillo, Ricardo E. Revisión, selección e
implementación de un algoritmo de recomendación de
material bibliográfico utilizando tecnología
j2ee. Concepción, Chile : s.n., 2008

16. Santana, Anabel y Pozo, Yandry. Sistema
de recomendación de objetos de aprendizaje en el
Repositorio de Objetos de Aprendizaje RHODA. La
Habana : s.n., 2013

17. Pupo, H. Sistema recomendador
híbrido de cuestionarios interactivos como herramienta de
apoyo al proceso de enseñanza-aprendizaje,
2012

18. Pazzani, M. y Billsus, Dl. Content-Based
Recommendation System. The Adaptive Web: Methods and Strategies
of Web Personalization. Springer Berlin / Heidelberg :
s.n., 2007

19. Sarwar, B. Item-based collaborative
filtering recommendation algorithms, 2001

20. Galán Nieto, S. Filtrado
Colaborativo y Sistemas de Recomendación,
2007

21. Oswaldo, C.S. Sistemas Recomendadores: Un
enfoque desde los algoritmos genéticos,
2006

22. Matos, V. Sistemas de
Recomendación y Personalización,
2006

23. Ricci, F., Rokach, L. y Shapira, B.
Introduction to Recommender Systems Handbook. 2011
ISBN:978-0-387-85819-7.

24. Burke, R. Hybrid recommender systems:
Survey and experiments. Estados Unidos: Kluwer Academic
Publishers : s.n., 2002. págs. 331–370, Vol.
12

25. Vozalis, E. Analysis of Recommender
Systems Algorithms, 2009

26.Eguíluz Pérez J.
Introducción a Javascript, 2008

27. Farzan R. and Brusilovsky P. Social
navigation support in a course recommender system. In Proceedings
of the 4th International Conference on Adaptive Hypermedia and
Adaptive Web-based Systems, 2008

Autor:

Ing. Aliosky Martínez
Hernández

UNIVERSIDAD DE PINAR DEL RÍO

"HERMANOS SAÍZ MONTES DE
OCA"

Enero, 2015

[1] Término que sirve para designar un
conjunto de procesos por los que puede atravesar la
información durante su ciclo de vida, provenientes por
diferentes fuentes que gestionan el acceso sobre la misma
(5).

[2] Objeto que el sistema debe recomendar,
como pueden ser, canciones, documentales o documentos (13).

[3] Profesor de facultad de
informática en la Universidad DePaul en Chicago
(24).

[4] Define los usuarios que mayor similitud
poseen con el usuario objeto.

[5] Cantidad de dimensiones