Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Computación y Electrónica
TESIS DOCTORAL
"Modelo Matemático de Recomendación Turística
Personalizada en el Departamento del Sucre: Integrando
Filtrado Colaborativo basado en Usuarios, Inteligencia
Artificial y Realidad Aumentada para el Desarrollo
Económico Sostenible"
Autor
MSc. Eugenio Therán Palacio
Directores
PhD. Emiro de la Hoz Franco
PhD. Javier Emilio Sierra Carrillo
I
Editor: Editorial de la Universidad de la Costa CUC
Autor: Eugenio Therán Palacio
D.L.:
ISBN
El doctorando Eugenio Therán Palacio y los directores de la tesis Dr. Emiro De la Hoz
Franco y Dr. Javier Emilio Sierra Carrillo Garantizamos, al firmar esta tesis doctoral,
que el trabajo ha sido realizado por el doctorando bajo la dirección de los directores de la
tesis y hasta donde nuestro conocimiento alcanza, en la realización del trabajo, se han
respetado los derechos de otros autores a ser citados, cuando se han utilizado sus
resultados o publicaciones.
Fdo.: Fdo.:
Fdo.:
II
Agradecimientos
III
Dedicatoria
IV
Tabla de contenido
INTRODUCCIÓN
CAPÍTULO 1 PLANTEAMIENTO DEL PROBLEMA
1.1 Formulación del problema
1.2 Pregunta de investigación
1.3 Objetivos
1.3.1 Objetivo General
1.3.2 Objetivos Específicos
1.4 Justificación
1.5 Hipótesis
1.6 Metodología
5
2.3 Estado del arte en Realidad Aumentada
2.3.1. Conceptos fundamentales y aplicaciones de la RA
2.3.2. Tipos de realidad aumentada y más aplicaciones
2.3.2.1. Seguimiento y Detección de Marcadores
2.3.2.2. Realidad Aumentada Basada en Localización
2.3.2.3. Realidad Aumentada Sin Marcadores
2.3.2.4. Visualización Contextual
2.3.2.5. Interacción en Tiempo Real
2.3.2.6. Interfaces de Usuario Intuitivas
2.3.2.7. Plataformas y Dispositivos
2.3.2.8. Experiencia del Usuario
2.3.2.9. Realidad Aumentada para la Educación
2.3.2.10. Realidad Aumentada para la Medicina
2.3.2.11. Realidad Aumentada en el entretenimiento
2.3.2.12. Realidad Aumentada en el turismo
2.4 Estado del arte en Sistemas de Recomendación
2.4.1 ¿qué es un sistema de recomendación?
2.4.2 ¿Cómo funciona un sistema de recomendación?
2.4.3 Tipos de sistemas de recomendación
2.4.3.1 Aprendizaje profundo (Deep Learning)
2.4.3.2 Recomendación contextual
2.4.3.3 Filtrado basado en contenido
2.4.3.4 Filtrado Colaborativo
2.4.3.5 Modelos Híbridos de sistemas de recomendación
2.4.4 Sistemas de recomendación turística
2.5 Estado del arte en Sistemas de Recomendación Turística con filtros
colaborativos
2.5.1 Sistemas de recomendación turística y realidad aumentada
2.5.2 Sistemas de recomendación turística e inteligencia artificial
2.5.3 ¿Dónde se han aplicado sistemas de recomendación turística con filtros
colaborativos?
6
3.2 Modelo de recomendación turística usando técnicas de IA con filtros
colaborativos:
3.2.1 Preferencias dataset
3.2.2 Procesamiento de datos
3.2.3 Matriz de preferencia de usuarios
3.2.4 Algoritmo de recomendación colaborativa
3.2.5 Generación de recomendaciones
3.2.6 Listado de recomendaciones
7
CAPÍTULO 6. CONCLUSIONES, IMPLICACIONES Y
RECOMENDACIONES
6.1 Conclusiones
6.1.1 Sobre el diseño del sistema de recomendación.
6.1.2 Sobre el filtro utilizado
6.1.3 Sobre la utilización de la realidad aumentada aplicada en el sistema de
recomendación
6.1.4 Sobre la utilización de la técnica de IA aplicada en el sistema de
recomendación
6.2 Implicaciones de la implementación del sistema de recomendación en el
golfo de Morrosquillo.
6.3 Recomendaciones sobre el filtro, el sistema de recomendación y la
población beneficiada.
6.4 Aportaciones del Sistema de recomendación implementado al sistema
turístico en el Golfo de Morrosquillo.
6.5 Posibles trabajos futuros
8
INTRODUCCIÓN
El turismo se ha convertido en un pilar fundamental para el desarrollo económico y la
promoción de culturas y destinos en todo el mundo. En la era de la información y la
conectividad global, la tecnología desempeña un papel crucial en la forma en que los viajeros
planifican, experimentan y comparten sus aventuras. En este contexto, las Tecnologías de la
Información y Comunicación (TICs) han emergido como una herramienta poderosa para
revolucionar la industria turística. Esta tesis doctoral se sumerge en la intersección de la
informática, la inteligencia artificial y la realidad aumentada para abordar los desafíos y
oportunidades del turismo en el Departamento del Sucre, Colombia.
La relevancia de esta investigación radica en varios aspectos. En primer lugar, busca llenar un
vacío importante en la literatura académica y en la práctica turística al abordar la falta de
sistemas de recomendación personalizados en el contexto específico del Departamento del
Sucre. Además, esta tesis aspira a contribuir al desarrollo económico sostenible de la región,
promoviendo un turismo más informado y responsable. La implementación de la inteligencia
artificial y la realidad aumentada en la experiencia turística no solo aumentará la satisfacción
del visitante, sino que también puede generar un impacto económico positivo al fomentar la
exploración de la diversidad de recursos y servicios disponibles en la zona.
Este documento se organiza en varios capítulos que abarcarán desde el "Estado del Arte" en
los campos relacionados con nuestra investigación hasta la descripción detallada del modelo
propuesto y su implementación práctica. Además, se llevará a cabo una evaluación exhaustiva
del modelo, así como un análisis de sus implicaciones económicas y turísticas.
9
La presente tesis representa un esfuerzo dedicado a la convergencia de la tecnología y el
turismo en pro de un desarrollo económico sostenible en una región rica en potencial. A lo
largo de este viaje de investigación, se aspira a ofrecer una contribución significativa al campo
de las TICs aplicadas al turismo y a la promoción del patrimonio cultural y natural del
Departamento del Sucre.
10
CAPÍTULO 1 PLANTEAMIENTO DEL PROBLEMA
La diversidad turística que posee el Departamento del Sucre permite identificar más de cien
atractivos turísticos, entre los cuales la subregión Golfo de Morrosquillo concentra un 40% de
este inventario, al igual que aproximadamente el 70% de la oferta hotelera del Departamento.
Además, otras zonas y centros turísticos como Coveñas, Colosó y Ciénaga de San Marcos,
entre otros, ofrecen bellezas naturales que pueden atraer a turistas con diversos perfiles. Esta
riqueza turística condujo a la inclusión del turismo como uno de los focos estratégicos
priorizados en el Plan y Acuerdo Estratégico Departamental de Sucre en Ciencia, Tecnología e
Innovación (CTI, 2016), estableciendo la necesidad de fortalecer la cultura, la innovación para
la productividad y competitividad, y el fortalecimiento en CTI.
Aunque el turismo en el Sucre es incipiente, cuenta con diversas facetas, como el turismo
religioso, el agroecoturismo, el acuaturismo y el turismo en diversidad folclórica y cultural. El
turismo de sol y playa, según Cortés y Vergara (2009), es el más fuerte y promisorio a mediano
y largo plazo. Sin embargo, los mismos autores señalan la existencia de ecosistemas atractivos
para el ecoturismo que requieren condiciones propicias para la inversión nacional y
extranjera.
Dada la cercanía geográfica del departamento del Sucre a la costa atlántica colombiana, los
turistas que visitan la región provienen principalmente de Estados Unidos y Europa, con
algunos provenientes de otros países suramericanos y pocos del interior de Colombia. Esto
implica una diversidad significativa en el perfil del turista, lo que requiere diversificar la oferta
turística. Sin embargo, la inversión gubernamental en el sector turismo es escasa, a pesar de
la protección especial que otorga la ley 300 de 1996 (Gobierno Nacional de Colombia, 1996) al
sector por su importancia para el desarrollo nacional. Esto deja la responsabilidad en manos
de la inversión privada, nacional o extranjera.
Para abordar esta situación, es esencial desarrollar estrategias de oferta turística de bajo
costo que se ajusten a los intereses de los diferentes perfiles de turistas. Esto requiere diseñar
una estrategia que permita conocer el perfil del potencial visitante y acercarse a él con la
oferta más adecuada.
11
La identificación, estudio y seguimiento de los perfiles de los potenciales turistas pueden
iniciarse analizando los viajes realizados y las características sociodemográficas de los turistas.
Sin embargo, para realizar predicciones sobre gustos, satisfacción y fidelidad de los turistas
hacia sus destinos seleccionados, es esencial implementar una estrategia que aproveche al
máximo los datos disponibles.
1.3 Objetivos
1.3.2.1. Investigar y recopilar datos detallados sobre los perfiles de los potenciales turistas
que visitan el Departamento del Sucre, incluyendo sus preferencias,
comportamientos de viaje y características sociodemográficas, mediante el uso de
tecnologías de recopilación de datos avanzadas, como sensores IoT y sistemas de
seguimiento de usuarios en línea.
12
1.3.2.2. Diseñar y desarrollar un modelo matemático utilizando el Filtrado Colaborativo
basado en Usuarios (FCU) que utilice los datos recopilados y las tecnologías de
Inteligencia Artificial (IA) para predecir con precisión las preferencias individuales de
los turistas y generar recomendaciones personalizadas de ofertas turísticas,
aprovechando al máximo la diversidad turística del Departamento del Sucre.
1.4 Justificación
La cercanía geográfica del Departamento del Sucre a la costa atlántica colombiana atrae a
turistas de diversas regiones y perfiles, lo que hace que la diversificación de la oferta turística
sea aún más relevante. La falta de inversión gubernamental en este sector resalta la
importancia de desarrollar estrategias de oferta turística de bajo costo que atraigan
inversiones privadas nacionales y extranjeras.
13
Por lo tanto, esta tesis doctoral busca llenar este vacío al diseñar, desarrollar e implementar
un modelo matemático que combine el FCU con la IA y la RA para recomendar ofertas
turísticas personalizadas, promoviendo la inversión en el sector turismo y contribuyendo al
desarrollo económico y la competitividad del Departamento del Sucre. La evaluación del
modelo a través de métricas de calidad, como las de la ISO 25000, garantizará su eficacia y
utilidad en el contexto real. En resumen, esta investigación tiene como objetivo abordar
desafíos fundamentales y aprovechar oportunidades en el sector turismo del Departamento
del Sucre, alineando la tecnología con el desarrollo regional y la innovación.
1.5 Hipótesis
H0:
La implementación del modelo matemático utilizando el Filtrado Colaborativo basado en
Usuarios (FCU), enriquecido con tecnologías de Inteligencia Artificial (IA) y Realidad
Aumentada (RA), para recomendar ofertas turísticas personalizadas en el Departamento del
Sucre, aumentará significativamente la satisfacción de los turistas y, por lo tanto, su fidelidad
hacia la región como destino turístico.
H1:
La implementación del modelo matemático utilizando el Filtrado Colaborativo basado en
Usuarios (FCU), enriquecido con tecnologías de Inteligencia Artificial (IA) y Realidad
Aumentada (RA), para recomendar ofertas turísticas personalizadas en el Departamento del
Sucre, no tendrá un impacto significativo en la satisfacción de los turistas ni en su fidelidad
hacia la región como destino turístico.
1.6 Metodología
14
El desarrollo de esta tesis se ha estructurado en tres fases:
Fase 1: Documentación y análisis del estado actual del turismo en el departamento de Sucre y
de las herramientas tecnológicas a implementar:
La investigación desde la perspectiva de los medios para obtener los datos es de tipo
documental pues a partir de la revisión sistemática de la literatura se obtienen los
fundamentos y los referentes que servirán de base para el diseño de la solución tecnológica,
no obstante no se descarta que ha medida se avance en la investigación a partir de la
interacción con grupos focales del sector turístico del departamento de Sucre la investigación
sea de campo, porque es necesario aplicar instrumentos para obtener información valiosa
para cumplir con los objetivos del proyecto.
Fase 2: Diseño y desarrollo de un modelo matemático utilizando el FCU utilizando los datos
recopilados y las tecnologías de IA para predecir con precisión las preferencias individuales de
los turistas y así generar recomendaciones personalizadas de ofertas turísticas que
aprovechen al máximo la diversidad turística del Departamento del Sucre.
15
La población objeto de estudio está conformada por los entes prestadores del servicio
turístico de los municipios de Corozal, Coveñas, Sampués, San Antonio de Palmito, San
Marcos, San Onofre, Santiago de Tolú y Sincelejo, que hacen parte del Corredor Turístico
Golfo de Morrosquillo y Sabanas y por los consumidores del servicio turístico de este
corredor.
16
FASES OBJETIVOS ESPECÍFICOS ACTIVIDADES
1. Revisión preliminar de la literatura y vigilancia tecnológica
para la contextualización de la solución (diagnóstico de
EVAI existentes afines al turismo).
del Sucre, incluyendo sus departamento de Sucre, con sus diferencias y ofertas.
preferencias,
comportamientos de 5. Revisión sistemática de la literatura mediante consulta a
viaje y características bases de datos científicas especializadas y vigilancia
sociodemográficas, tecnológica.
mediante el uso de
tecnologías de 6. Construcción de mapas conceptuales y matrices de
recopilación de datos adquisición de datos a partir del análisis de la información
avanzadas, como recopilada.
sensores IoT y sistemas
de seguimiento de 7. Sustentación de anteproyecto.
usuarios en línea.
8. Redacción de los primeros capítulos de la monografía, en
relación a la fundamentación del marco teórico,
conceptual y referencial que sustentan el proyecto.
17
Diseñar una plataforma
tecnológica turística a
Diseño y desarrollo de un
y técnicas de inteligencia
artificial que permita el
desarrollo de un turismo
diferenciado en el FALTA
corredor Turístico Golfo
de Morrosquillo y
Sabanas del
departamento de Sucre
Evaluar la funcionalidad
de las herramientas
tecnológicas
desarrolladas y el nivel
de satisfacción de los
actores desde la FALTA
perspectiva de los
Evaluación
gestores turísticos y de
los potenciales visitantes
18
CAPÍTULO 2. MARCO TEÓRICO
2.1. Introducción del capítulo
El presente capítulo, representa un pilar fundamental en el desarrollo de esta tesis doctoral.
En él, se abordan en detalle los componentes clave que sustentan la presente investigación,
proporcionando una base sólida y una comprensión profunda de los conceptos y tecnologías
relevantes. Esta sección es esencial para contextualizar y justificar el enfoque integral del
"Modelo Matemático de Recomendación Turística Personalizada en el Departamento del
Sucre," que se propone, el cual se nutre de la intersección de la Inteligencia Artificial, la
Realidad Aumentada y los Sistemas de Recomendación.
En la sección 2.2, se analiza la Inteligencia Artificial (IA) desde sus fundamentos hasta
conceptos avanzados, incluyendo el Machine Learning y el Deep Learning, así como el
procesamiento de lenguaje natural. La IA desempeña un papel crucial en el desarrollo de
sistemas de recomendación turística personalizada y su integración en la tesis. La sección 2.3
es dedicada a la Realidad Aumentada (RA) se enfoca en sus conceptos esenciales y los
diversos tipos de aplicaciones. La RA se presenta como una herramienta innovadora para
mejorar la experiencia turística y es un componente fundamental en la propuesta de
investigación.
Este capítulo también aborda los Sistemas de Recomendación, explicando sus principios y
funcionamiento, junto con una descripción de los distintos tipos de sistemas, desde los
basados en contenidos hasta los colaborativos. Estos sistemas son una piedra angular en la
concepción de un modelo de recomendación turística personalizada.
La última parte de este capítulo resume los sistemas de recomendación turística que emplean
filtros colaborativos, destacando cómo se han aplicado en contextos que involucran la
Realidad Aumentada y la Inteligencia Artificial. Esta exploración no solo informa sobre
investigaciones previas en el campo, sino que también subraya la originalidad y relevancia de
la propuesta de investigación de la tesis.
En resumen, este capítulo sienta las bases conceptuales y teóricas necesarias para la tesis
doctoral, proporcionando una comprensión completa de los elementos críticos que integran el
"Modelo Matemático de Recomendación Turística Personalizada en el Departamento del
Sucre." A través de la exploración detallada de estos temas, se establece un sólido
fundamento para la implementación y evaluación del modelo, con el objetivo de enriquecer la
experiencia turística y promover el desarrollo económico sostenible en la región del
Departamento del Sucre.
19
Las técnicas de Inteligencia Artificial (IA) se emplean para automatizar tareas que demandan
inteligencia humana, como el aprendizaje, la resolución de problemas, el razonamiento y la
toma de decisiones (Russell & Norvig, 2016) (Russell & Norvig, 2016) *. La IA es un campo en
constante evolución e interdisciplinario que se dedica a la creación de sistemas y programas
capaces de replicar los procesos cognitivos humanos, sustituyendo tareas previamente
realizadas por seres humanos (Nilsson, 1998) (Nilsson, 1998) *. Esta evolución ha llevado a
que la IA se enfoque en el desarrollo de máquinas inteligentes o sistemas autónomos,
transitando desde la programación manual hacia un enfoque que se asemeja al aprendizaje
humano (LeCun, Bengio, & Hinton, 2015) (LeCun, Bengio, & Hinton, 2015) *.
Estos aspectos siempre deben tener en cuenta las incertidumbres inherentes a cualquier
proceso de toma de decisiones. Esto se debe a que la toma de decisiones, por lo general, es
un procedimiento de gran multiplicidad, cuya complejidad está directamente relacionada con
la naturaleza del entorno en el que se deben tomar estas decisiones, el cual suele estar
impregnado de un alto grado de incertidumbre (Pearl, 1988) (Pearl, 1988)*.
20
A lo largo de las décadas, estos pilares han evolucionado y convergido, impulsados por
avances desde la base fundamental de todos ellos que son: los algoritmos, el poder
computacional y la disponibilidad de datos masivos. Además, figuras influyentes en la IA,
como Alan Turing, John McCarthy, Warren McCulloch, Marvin Minsky, Geoffrey Hinton, Yann
LeCun y muchos otros, han dejado su huella en el desarrollo de estas técnicas (Crevier, 1993)
(Crevier, 1993)*.
Referencias:
Crevier, D. (1993). AI: The tumultuous history of the search for artificial intelligence.
Basic Books.
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). MIT
Press.
Hofstadter, D. R. (1979). Gödel, Escher, Bach: An Eternal Golden Braid. Basic Books.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.
Olier, I. V., & Corchado, J. M. (2022). A Survey on Deep Learning in Computer Vision.
Neural Computing and Applications, 34(2), 345-354.
Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible
inference. Morgan Kaufmann.
Poole, D., & Mackworth, A. K. (2010). Artificial intelligence: foundations of
computational agents. Cambridge University Press.
Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson.
21
evolucionado considerablemente, pasando de algoritmos de aprendizaje supervisado, como el
Perceptrón de Rosenblatt, a enfoques más complejos y potentes.
En resumen, el Machine Learning es una parte esencial de la IA que se enfoca en permitir a las
máquinas aprender y tomar decisiones basadas en datos, mientras que el Aprendizaje
Profundo representa uno de los avances más destacados en este campo, con aplicaciones
significativas en la actualidad (Murphy, 2012)*.
Referencias:
Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Las redes neuronales profundas, como las CNN, han demostrado ser excepcionalmente
efectivas en la tarea de reconocimiento de patrones visuales, permitiendo a las máquinas
identificar objetos, rostros y otros elementos en imágenes y videos con una precisión
sorprendente. Esta capacidad se ha traducido en avances significativos en aplicaciones como
la conducción autónoma, el diagnóstico médico basado en imágenes y la seguridad de
reconocimiento facial.
Por otro lado, las RNN han revolucionado el procesamiento de secuencias de datos, como el
reconocimiento de voz y la traducción automática. Su arquitectura única permite la
comprensión de patrones en datos secuenciales y la generación de respuestas coherentes, lo
que ha llevado a mejoras significativas en asistentes virtuales, sistemas de recomendación y
sistemas de chat automatizados (LeCun, Bengio, & Hinton, 2015)*.
Entre los influyentes pioneros en el campo del Aprendizaje Profundo se destacan figuras como
Geoffrey Hinton y Yann LeCun, cuyas contribuciones han sido fundamentales en el desarrollo
22
y la promoción de esta técnica. Sus investigaciones y avances en redes neuronales profundas
han allanado el camino para aplicaciones revolucionarias en el mundo de la inteligencia
artificial.
Referencia:
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). MIT
Press.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444
Las técnicas de NLP permiten a las máquinas comprender, analizar y generar texto y voz de
una manera que se asemeja a la comunicación humana. Para lograrlo, se han desarrollado
modelos avanzados como las redes neuronales recurrentes (RNN) y las redes neuronales
transformer. Estos modelos han revolucionado el NLP, ya que pueden capturar patrones
complejos en el lenguaje y aplicarse en una amplia variedad de aplicaciones.
Uno de los logros más notables en el campo del NLP es la traducción automática, que ha
hecho posible la comunicación global y la eliminación de barreras lingüísticas. Además, el NLP
se utiliza en el procesamiento de texto para tareas como la extracción de información, el
resumen automático y el análisis de sentimientos. Asimismo, se ha avanzado
significativamente en la generación de lenguaje natural, lo que permite a las máquinas
redactar texto coherente y relevante (Vaswani, y otros, 2017)*.
Referencia:
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... &
Polosukhin, I. (2017)
23
entornos que cambian constantemente. Estos agentes aprenden a través de la interacción con
su entorno y buscan maximizar una recompensa acumulativa a lo largo del tiempo. Para lograr
esto, utilizan algoritmos diseñados específicamente para el Aprendizaje por Refuerzo.
Entre los algoritmos más notables se encuentra el Q-learning (por Richard S. Sutton en la
década de 1980), que ha sido ampliamente aplicado en una variedad de dominios, desde
juegos de video hasta el control de robots. El Q-learning permite a los agentes aprender a
tomar decisiones óptimas al evaluar las consecuencias de sus acciones y ajustar su
comportamiento en función de las recompensas recibidas.
Otro avance significativo en este campo es el uso de Deep Q-Networks (DQN). Estas son redes
neuronales profundas que permiten a los agentes aprender y representar relaciones
complejas entre acciones y recompensas en entornos altamente dinámicos. Los DQN han
impulsado aplicaciones avanzadas, como la toma de decisiones en juegos de video, la
navegación de robots autónomos y la optimización de sistemas de control ( Sutton & Barto,
2018)*.
Referencia:
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press
Cambridge.
2.2.5. Redes Neuronales artificiales (RNA): (1940s - 1950s - actualidad) Las Redes
Neuronales Artificiales (RNA), una piedra angular de la Inteligencia Artificial, se basan en la
inspiración de la estructura y el funcionamiento de las redes neuronales presentes en el
cerebro humano. El concepto de redes neuronales artificiales comenzó a tomar forma en la
década de 1940, cuando Warren McCulloch y Walter Pitts publicaron un artículo titulado "A
Logical Calculus of the Ideas Immanent in Nervous Activity" en 1943. Esta obra proporcionó
una base teórica para la creación de modelos computacionales que se asemejaban a las redes
de neuronas biológicas (McCulloch & Pitts, 1943)*.
Sin embargo, es importante destacar que, a pesar de los avances iniciales en las redes
neuronales, la década de 1960 y gran parte de la década de 1970 estuvieron marcadas por un
24
período de estancamiento conocido como "el invierno de la inteligencia artificial". Durante
esta etapa, las limitaciones de los perceptrones y las dificultades para entrenar redes
neuronales profundas llevaron a un declive en la investigación en este campo.
No fue hasta la década de 1980 que las redes neuronales artificiales resurgieron con la
introducción de nuevos algoritmos de entrenamiento, como el algoritmo de
retropropagación, que permitieron el entrenamiento eficiente de redes más profundas. Este
renacimiento marcó el comienzo de una era de crecimiento constante en la investigación en
redes neuronales artificiales y ha culminado en el éxito actual del Aprendizaje Profundo (Deep
Learning).
Referencias:
McCulloch, W. S., & Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in
Nervous Activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
Rosenblatt, F. (1957). The Perceptron: A Probabilistic Model for Information Storage
and Organization in the Brain. Psychological Review, 65(6), 386-408.
25
Estas características han contribuido significativamente al uso de Lisp en la creación de
sistemas expertos, procesamiento de lenguaje natural y otras aplicaciones de inteligencia
artificial.
Referencias:
(McCarthy, J. (1960). Recursive functions of symbolic expressions and their
computation by machine, Part I. Communications of the ACM, 3(4), 184-195)
(McDermott, D. V. (1980). R1: The first five years. AI Magazine, 1(4), 5-14)
(Steele, G. L. (1990). Common Lisp: The Language (2nd ed.). Digital Press)
McCarthy, J., Abrahams, P. W., Edwards, D. J., Hart, T. P., & Levin, M. I. (1962). LISP 1.5
Programmer’s Manual. MIT Press.
Los sistemas expertos marcaron un hito en la IA al mostrar que era posible capturar y utilizar
el conocimiento humano de manera efectiva en aplicaciones computacionales. Aunque han
evolucionado y coexisten con otras técnicas de IA, su influencia perdura en campos como la
asistencia médica, donde sistemas expertos especializados continúan brindando apoyo en
diagnósticos y decisiones clínicas.
Referencias:
Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN
Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.
26
Feigenbaum, E. A., & McCorduck, P. (1983). The fifth generation: Artificial intelligence
and Japan's computer challenge to the world. Addison-Wesley.
2.2.8. Lógica difusa (1965 - actualidad): introducida por Lotfi Zadeh en 1965, representa un
avance significativo en el campo de la IA al abordar la representación y manipulación de
información incierta o imprecisa. A diferencia de la lógica clásica, que opera con valores
binarios (verdadero o falso), la lógica difusa permite manejar grados de verdad, lo que resulta
fundamental en situaciones donde la incertidumbre desempeña un papel crucial (Zadeh,
1965)*.
Esta técnica se basa en el principio de que en el mundo real, la mayoría de las decisiones y
datos no son completamente precisos o definitivos. La lógica difusa utiliza conjuntos difusos y
funciones de membresía para asignar grados de pertenencia a un conjunto. Esto significa que
un elemento puede pertenecer parcialmente a un conjunto en lugar de estar completamente
dentro o fuera de él (Jang, 1993)*.
Referencias:
Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8(3), 338-353.
Jang, J. S. R. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE
transactions on systems, man, and cybernetics, 23(3), 665-685.
Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy
logic controller. International journal of man-machine studies, 7(1), 1-13.
27
Un ejemplo común de agentes inteligentes son los sistemas de recomendación, utilizados en
plataformas de comercio electrónico y servicios de transmisión de contenido, como por
ejemplo los sistemas de recomendación turística. Estos agentes utilizan algoritmos de filtrado
colaborativo y procesamiento de datos para analizar el comportamiento del usuario y ofrecer
recomendaciones personalizadas (Resnick, Iacovou, Suchak, Bergstrom, & Riedl, 1994)*.
Los robots autónomos son otro ejemplo importante de agentes inteligentes. Estos robots son
capaces de navegar en entornos físicos, tomar decisiones sobre la navegación y la interacción
con objetos y personas, y adaptarse a situaciones cambiantes (Russell & Norvig, 2009)*.
Los agentes de software que navegan en la web, como los motores de búsqueda, también son
ejemplos destacados. Utilizan algoritmos de rastreo y clasificación para indexar y recuperar
información de la web de manera eficiente.
Referencias:
Wooldridge, M. J., & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The
Knowledge Engineering Review, 10(2), 115-152.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J. (1994). GroupLens: an open
architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM
conference on Computer supported cooperative work (pp. 175-186).
Russell, S. J., & Norvig, P. (2009). Artificial intelligence: A modern approach. Prentice Hall.
2.2.10. Técnicas de visión por computadora (1960 - actualidad): La Visión por Computadora,
es un campo integral de la IA. Se centra en permitir a las máquinas analizar e interpretar
imágenes y videos, lo que es fundamental en aplicaciones como la detección de objetos, el
reconocimiento facial y la segmentación de imágenes. Uno de los hitos clave en la historia de
la visión por computadora fue la introducción del modelo de David Marr en la década de
1980, que estableció una jerarquía de representaciones visuales, desde características de bajo
nivel hasta la interpretación de objetos tridimensionales (Marr, 1982)*.
28
2016, ha sido especialmente influyente en el reconocimiento de imágenes al abordar el
problema del desvanecimiento del gradiente, lo que ha permitido un mejor rendimiento en
tareas de visión por computadora (He, Zhang, Ren, & Sun, 2016)*.
Referencias:
Marr, D. (1982). Vision: A computational investigation into the human representation
and processing of visual information. W. H. Freeman and Company.
Lowe, D. G. (1999). Object recognition from local scale-invariant features. In
Proceedings of the seventh IEEE international conference on computer vision (Vol. 2,
pp. 1150-1157).
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep
convolutional neural networks. In Advances in neural information processing systems
(pp. 1097-1105).
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image
recognition. In Proceedings of the IEEE conference on computer vision and pattern
recognition.
Uno de los avances más notables en Robótica ha sido la creación de robots autónomos que
son capaces de navegar y colaborar en entornos diversos. La Inteligencia Artificial desempeña
un papel fundamental en esta evolución al permitir que los robots tomen decisiones basadas
en la percepción de su entorno y la interacción con él. Algunas de las aplicaciones más
destacadas de la Robótica moderna incluyen la robótica industrial, la robótica de servicio y la
robótica médica (Siciliano, Sciavicco, Villani, & Oriolo., 2010)*.
Referencias:
29
Craig, J. J. (2005). Introduction to robotics: mechanics and control. Pearson Education.
Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2010). Robotics: Modelling, planning
and control. Springer Science & Business Media.
Khatib, O. (1986). Real-time obstacle avoidance for manipulators and mobile robots.
The international journal of robotics research, 5(1), 90-98.
Rethink Robotics. (2018). Collaborative Robots: Safety and Standards. [Whitepaper].
Retrieved from https://www.rethinkrobotics.com/robots/sawyer/
Para abordar la complejidad inherente a los datos secuenciales, se han desarrollado técnicas
avanzadas basadas en algoritmos de aprendizaje automático. Entre las más notables se
encuentran las Redes Neuronales Recurrentes (RNN) y las Redes Neuronales Convolucionales
1D (CNN-1D) (Rumelhart, Hinton, & Williams , 1988)*. Las RNN son especialmente adecuadas
para modelar dependencias a largo plazo en secuencias temporales, mientras que las CNN-1D
se utilizan para identificar patrones locales en datos unidimensionales. Estas técnicas han
demostrado ser eficaces en aplicaciones como el procesamiento de voz, el análisis de
electroencefalogramas (EEG) y la predicción de series temporales financieras (Krizhevsky,
Sutskever, & Hinton, 2012)*.
Referencias:
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1).
Cambridge: MIT press Cambridge.
RNNs: Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning representations
by back-propagating errors. Nature, 323(6088), 533-536.
CNNs: Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with
deep convolutional neural networks. Advances in neural information processing
systems
Lipton, Z. C., Ng, A. Y., & Malik, J. (2015). Modeling the joint encoding of text and
sound with the end-to-end speech recognition model. In Advances in neural
information processing systems.
30
Las técnicas mencionadas son solo una pequeña muestra de los notables avances en el campo
de la Inteligencia Artificial (Russell & Norvig, 2016)*. La IA en constante evolución ha dado
lugar a innovadoras aplicaciones en diversos sectores, incluido el turismo, donde se han
logrado exitosamente sistemas de recomendación personalizados (Silver, y otros, 2017)*.
Referencias:
Russell, S. J., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach. Pearson.
Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., ... &
Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature,
550(7676), 354-359.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems
handbook. In Recommender Systems Handbook (pp. 1-35). Springer.
La Realidad Aumentada (RA) se erige como una herramienta innovadora que potencia la
experiencia turística y, en nuestro caso, actúa como un elemento esencial para mejorar la
interacción de los visitantes con el entorno del Departamento del Sucre.
31
2.3.2.1. Seguimiento y Detección de Marcadores
El seguimiento y la detección de marcadores son componentes cruciales de la RA que han
experimentado un notorio progreso en los últimos años. En la RA, los marcadores son
elementos físicos o patrones específicos presentes en el mundo real, y funcionan como
puntos de referencia para anclar información digital, permitiendo la superposición de
contenido virtual de manera precisa y sincronizada (Kato & Billinghurst, 1999). A medida que
la tecnología ha avanzado, la detección y el seguimiento de marcadores se han vuelto más
sofisticados y efectivos, lo que ha mejorado significativamente la calidad y precisión de las
experiencias de RA. Esta evolución ha permitido que la RA se aplique de manera más efectiva
en una amplia gama de campos, desde aplicaciones educativas y de entretenimiento hasta la
asistencia médica, la industria manufacturera y el turismo (Azuma, R. T., 2011).
32
asistencia en la reparación de equipos hasta la educación, el entretenimiento y, por supuesto,
el turismo.
Esta interacción en tiempo real se utiliza en diversas aplicaciones de RA, desde juegos y
entretenimiento hasta asistencia en la capacitación, en la educación y en el turismo. A medida
que la tecnología continúa evolucionando, se espera que la interacción en tiempo real en la
RA se vuelva aún más precisa y fluida.
33
La literatura sobre interfaces de usuario intuitivas en la RA destaca la importancia de estos
aspectos. En estudios y artículos sobre el diseño de experiencias de RA, se abordan enfoques y
estrategias específicas para garantizar que las interfaces sean accesibles y atractivas para los
usuarios (Azuma, 1997; Billinghurst et al., 2015; Bowman et al., 2005).
34
• Publicidad y Promoción de Destinos: La RA se utiliza en campañas de marketing turístico
para ofrecer a los viajeros una vista previa de destinos y actividades.
• Navegación y Mapas Inteligentes: Las aplicaciones de RA proporcionan a los turistas rutas y
direcciones en tiempo real, mejorando la navegación en áreas desconocidas.
• Experiencias Inmersivas: La RA puede transformar entornos naturales en experiencias de
aventura y exploración más ricas.
• Traducción de Idiomas en Tiempo Real: Los visitantes pueden utilizar aplicaciones de RA
para traducir señales y carteles en tiempo real a su idioma nativo (Milgram, P., & Kishino, F.
(1994). A taxonomy of mixed reality visual displays. IEICE TRANSACTIONS on Information
and Systems, 77(12), 1321-1329).
35
2.3.2.12. Realidad Aumentada en el Turismo
La Realidad Aumentada ha transformado la experiencia turística al proporcionar información
contextual y enriquecida a los viajeros. Las aplicaciones de RA se utilizan para guías de turismo
aumentadas, reconocimiento de monumentos, museos interactivos y traducción de idiomas
en tiempo real, entre otras aplicaciones (Schmalstieg & Höllerer, 2016).
Referencias:
Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators and
Virtual Environments, 6(4), 355-385.
Milgram, P., & Kishino, F. (1994). Taxonomy of mixed reality visual displays. IEICE
transactions on information and systems, 77(12), 1321-1329.
Kipper, G., & Rampolla, J. (2012). Augmented Reality: An Emerging Technologies
Guide to AR. Elsevier.
Azuma, R. T., Baillot, Y., Behringer, R., Feiner, S., Julier, S., & MacIntyre, B. (2001).
Recent advances in augmented reality. IEEE computer graphics and applications,
21(6), 34-47.
Kato, H., & Billinghurst, M. (1999). Marker tracking and HMD calibration for a video-
based augmented reality conferencing system. In Proceedings. 2nd IEEE and ACM
International Workshop on Augmented Reality (Cat. No. PR00149) (pp. 85-94). IEEE.
Wang, D., & Phillips, P. J. (2009). Evaluation of practical face recognition systems on a
mobile device. In 2009 IEEE 12th international conference on computer vision (pp.
103-110). IEEE.
Billinghurst, M., & Duenser, A. (2012). Augmented reality in the classroom.
Computer, 45(7), 56-63.
Schmalstieg, D., & Höllerer, T. (2016). Augmented reality: principles and practice.
Pearson Education.
Bowman, D. A., Kruijff, E., LaViola Jr, J. J., & Poupyrev, I. (2005). 3D User Interfaces:
Theory and Practice. Addison-Wesley Professional.
Kerawalla, L., Luckin, R., Seljeflot, S., & Woolard, A. (2006). 'Making it real': exploring
the potential of augmented reality for teaching primary school science. Virtual
Reality, 10(3-4), 163-174.
Bichlmeier, C., Heining, S. M., Feuerstein, M., Navab, N., & Friess, T. (2007).
[Minimally invasive liver surgery (MILS) guided by augmented reality]. Der Chirurg;
Zeitschrift fur alle Gebiete der operativen Medizen, 78(3), 271-278.
Marner, M. R., Kadambi, A., & Gabbard, J. L. (2016). A review of see-through head-
worn displays for the consumer market. Proceedings of the IEEE, 104(5), 904-924.
Schmalstieg, D., & Höllerer, T. (2016). Augmented reality: principles and practice.
Pearson Education.
36
Esta sección se centrará en los Sistemas de Recomendación, identificando qué son y cómo
operan. Se abordarán los diferentes tipos de sistemas de recomendación, desde los basados
en contenidos hasta los colaborativos, con especial énfasis en estos últimos, que se configuran
como una base crucial para el modelo de la presente tesis.
Los SR proporcionan una amplia variedad de beneficios tanto para los usuarios como para las
empresas y el sector del comercio en general (Formoso, 2013). Desde la perspectiva de los
usuarios, se destacan tres ventajas clave. En primer lugar, los SR generan un ahorro sustancial
de tiempo al identificar y comprender los objetivos e intereses del usuario a través de su
interacción con el sistema, así como al considerar datos de otros usuarios. Esta comprensión
más profunda da lugar a recomendaciones más precisas y, en consecuencia, a una mayor
adaptación a los posibles cambios en los intereses del usuario. Además, el usuario se libera de
la tarea de buscar y evaluar múltiples productos o servicios, ya que el sistema asume esta
labor de manera automática. En segundo lugar, el uso de los SR eleva la satisfacción del
usuario al tener en cuenta una amplia gama de factores que pueden influir en su elección.
Esto reduce la probabilidad de que el usuario se arrepienta de una compra debido a factores
no considerados previamente, como características del producto o expectativas insatisfechas.
En tercer lugar, los SR permiten a los usuarios descubrir productos novedosos o inesperados
que, de otro modo, podrían pasar desapercibidos. Esta diversificación de opciones puede
conducir a experiencias gratas y a la adopción del sistema de recomendación como un factor
esencial en la toma de decisiones (Ricci, Rokach, & Shapira, 2015).
37
Sin embargo, los SR no solo aportan beneficios a los usuarios, sino que también brindan
ventajas significativas a las empresas y comercios que los implementan (Ricci et al., 2015). En
primer lugar, los SR contribuyen al aumento de las ventas al ayudar a los usuarios a encontrar
los productos que desean, lo que incrementa las posibilidades de conversión. Además, a
medida que los usuarios reconocen la eficacia del SR, desarrollan una mayor confianza en sus
sugerencias, lo que reduce la indecisión al adquirir un producto. En segundo lugar, los SR
fomentan la diversificación de la oferta de productos al recomendar elementos menos
populares, lo que permite a las empresas ampliar su catálogo sin temor a que muchos
productos pasen desapercibidos. Este enfoque es particularmente beneficioso en el ámbito
del comercio electrónico y respalda un modelo de negocio basado en la variedad de opciones
en lugar de depender únicamente de productos de gran popularidad y rotación. En tercer
lugar, la implementación de SR contribuye a la satisfacción del usuario, lo que beneficia tanto
al cliente como a la empresa. Esto se traduce en una reducción de las devoluciones de
productos, una mejora en la reputación de la empresa y una imagen más positiva en general.
En cuarto lugar, los SR aumentan la fidelidad de los usuarios a medida que las
recomendaciones mejoran con la interacción continua. Los clientes satisfechos tienden a
mostrar una mayor preferencia por los productos recomendados por el sistema en
comparación con otras opciones. Finalmente, los SR proporcionan información valiosa sobre
las preferencias del usuario, que puede ser aprovechada por la empresa para mejorar
aspectos como la oferta de productos, la disponibilidad y otras estrategias relacionadas (Ricci,
Rokach, & Shapira, 2015).
Referencias:
38
Figura xxx: ¿cómo funcionan los sistemas de recomendación? Ref: modificada de: Sistemas
de recomendación. Anexos de los recursos de secuenciación; anexo 1. © 2023 by Ministerio
de Educación y Formación Profesional is licensed under CC BYSA 4.0. Gobierno de España.
Una vez que el algoritmo ha sido debidamente entrenado, se convierte en una herramienta
capaz de ofrecer recomendaciones a usuarios individuales. Por ejemplo, si un usuario navega
por un sitio web de compras y visualiza un producto particular, el sistema de recomendación
puede emplear el algoritmo para proponer otros productos que probablemente sean de su
interés con base en su historial previo y el comportamiento de otros usuarios que comparten
intereses similares. En algunos casos, los sistemas de recomendación pueden incluso tomar en
consideración factores adicionales, como la ubicación del usuario o la hora del día, con el
propósito de proporcionar recomendaciones aún más personalizadas y pertinentes. En
términos generales, la finalidad de un sistema de recomendación consiste en realzar la
experiencia del usuario al brindar sugerencias personalizadas que se adaptan a sus intereses y
preferencias particulares (Burke, R. (2002). Hybrid recommender systems: Survey and
experiments. User modeling and user-adapted interaction, 12(4), 331-370.)
Referencias:
39
Sistemas de recomendación. Anexos de los recursos de secuenciación; anexo 1. © 2023 by
Ministerio de Educación y Formación Profesional is licensed under CC BYSA 4.0.
Gobierno de España.
Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems handbook.
Springer.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on
Knowledge and Data Engineering, 17(6), 734-749.
Burke, R. (2002). Hybrid recommender systems: Survey and experiments. User modeling
and user-adapted interaction, 12(4), 331-370.
Estas redes pueden operar en distintos niveles de abstracción y son capaces de identificar
correlaciones que no son evidentes para los métodos convencionales. Por ejemplo, si un
usuario ha interactuado con ciertos tipos de contenido en un sitio web o plataforma, el
aprendizaje profundo puede descubrir patrones complejos en su comportamiento, lo que
puede llevar a recomendaciones altamente precisas de contenido similar.
Referencias:
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1).
Cambridge: MIT press Cambridge.
Zhang, S., Zhao, J., McAuley, J., & Zhao, J. L. (2019). A neural collaborative filtering
model with interaction-based neighborhood. In Proceedings of the 27th ACM
International Conference on Information and Knowledge Management.
40
Cheng, H. T., Koc, L., Harmsen, J., Shaked, T., Chandra, T., Aradhye, H., ... & Ron, D.
(2016). Wide & deep learning for recommender systems. In Proceedings of the 1st
workshop on deep learning for recommender systems.
Este enfoque se basa en la idea de que las preferencias del usuario y su interés en ciertos
tipos de contenido pueden variar según el contexto en el que se encuentren. Por ejemplo, las
preferencias de visualización de un usuario en casa pueden ser diferentes de las que tiene
cuando está en movimiento o en su lugar de trabajo. Al considerar estos factores, los sistemas
de recomendación contextual pueden proporcionar sugerencias mucho más pertinentes. Por
lo tanto, si un usuario está utilizando su dispositivo móvil en un centro comercial por la tarde,
el sistema de recomendación podría sugerirle tiendas cercanas o descuentos disponibles en
ese lugar específico y momento.
Referencias:
Adomavicius, G., & Tuzhilin, A. (2015). Context-aware recommender systems. In F.
Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender Systems Handbook
(2nd ed., pp. 217-253). Springer.
Zhang, S., Zheng, D., Yu, Z., Xu, Y., Ren, X., Cheng, H., & Zhao, B. (2019). Exploiting
geographical influence for collaborative point-of-interest recommendation. In
Proceedings of the 25th ACM SIGKDD international conference on knowledge
discovery & data mining.
Panniello, U., Tuzhilin, A., & Gorgoglione, M. (2010). Contextual advertising and
consumer privacy: An extended privacy model. Information Systems Research, 21(2),
229-246.
41
2.4.3.3 Filtrado basado en contenido:
El filtrado basado en contenido es un enfoque fundamental en sistemas de recomendación
que se basa en el análisis de las características y atributos de los elementos recomendados y
su comparación con las preferencias y comportamientos pasados del usuario. A través de este
método, se generan recomendaciones al identificar elementos que son similares a los que el
usuario ha mostrado interés previamente. La similitud se establece en función de
características específicas de los elementos recomendados, como género, tema, etiquetas,
atributos, lugares, que se comparan con las preferencias previas del usuario. Este enfoque se
apoya en la suposición de que si un usuario ha encontrado ciertas características o atributos
atractivos en el pasado, es probable que también encuentre atractivos elementos similares en
el futuro.
Este método tiene la ventaja de ser independiente de las calificaciones o acciones de otros
usuarios, ya que se basa en las preferencias del usuario individual. Además, es especialmente
útil en escenarios donde la cantidad de interacciones del usuario es limitada y no se dispone
de una gran cantidad de datos de calificación.
Referencias:
Melville, P., Mooney, R. J., & Nagarajan, R. (2002). Content-boosted collaborative
filtering for improved recommendations. In Proceedings of the Eighteenth National
Conference on Artificial Intelligence (AAAI-02).
Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender
Systems Handbook (2nd ed., pp. 1-9). Springer.
Pazzani, M. J., & Billsus, D. (2007). Content-based recommendation systems. In P.
Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The Adaptive Web (pp. 325-341). Springer.
42
2.4.3.4 Filtrado colaborativo:
El filtrado colaborativo es un enfoque fundamental en sistemas de recomendación que se
basa en la idea de que si un usuario muestra preferencia por elementos similares a los de otro
usuario, es probable que también le gusten otros elementos que han sido del agrado del
segundo usuario. Este método aprovecha la sabiduría colectiva de la comunidad de usuarios
para realizar recomendaciones personalizadas. En esencia, busca identificar patrones de
similitud entre usuarios y sus interacciones con elementos recomendados.
El filtrado colaborativo se basa en la premisa de que las acciones pasadas y las preferencias de
un usuario son indicativos de sus preferencias futuras. Por lo tanto, al detectar patrones de
similitud en la interacción de los usuarios con elementos, el sistema puede generar
recomendaciones precisas y personalizadas.
La esparcidad de los datos se refiere a la situación en la que una gran parte de la matriz de
datos del sistema de recomendación está vacía o no contiene información sobre las
interacciones entre usuarios y elementos. Esto es común en sistemas de recomendación
porque no todos los usuarios interactúan con todos los elementos disponibles. La mayoría de
los usuarios solo califican o interactúan con un pequeño subconjunto de elementos.
43
procesamiento de datos avanzan, el filtrado colaborativo sigue siendo un componente
esencial en la creación de experiencias de usuario personalizadas y atractivas.
Referencias:
Ricci, F., Rokach, L., & Shapira, B. (2015). Introduction to recommender systems
handbook. In F. Ricci, L. Rokach, B. Shapira, & P. B. Kantor (Eds.), Recommender
Systems Handbook (2nd ed., pp. 1-9). Springer.
Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques.
Advances in Artificial Intelligence, 2009.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender
systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on
Knowledge and Data Engineering, 17(6), 734-749.
Los modelos híbridos en SR son una estrategia avanzada que combina múltiples técnicas de
recomendación para superar las limitaciones inherentes a los enfoques individuales y ofrecer
recomendaciones más precisas y personalizadas.
Referencias:
(Burke, 2002), R. (2002). Hybrid recommender systems: Survey and experiments. User
Modeling and User-Adapted Interaction, 12(4), 331-370.
44
Ricci, F., Rokach, L., & Shapira, B. (2010). Introduction to recommender systems handbook. In
Recommender Systems Handbook (pp. 1-35). Springer.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems:
A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and
Data Engineering, 17(6), 734-749.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In
Recommender Systems Handbook (pp. 1-35). Springer.
Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems survey.
Knowledge-Based Systems, 46, 109-132.
Rendle, S. (2012). Factorization machines with libFM. ACM Transactions on Intelligent Systems
and Technology (TIST), 3(3), 57.
Zhang, S., Zheng, D., Wang, C., & Yuan, N. J. (2014). Discrete collaborative filtering. ACM
Transactions on Information Systems (TOIS), 32(4), 1-40.
Borja Álvarez, J. (2019). Sistemas de Recomendación de Servicios Turísticos Personalizados en
el Destino Turístico Inteligente. Universidad de Málaga.
Burke, R. (2007). Hybrid Recommender Systems: Survey and Experiments. User Modeling and
User-Adapted Interaction, 12(4), 331-370.
Leiva, F., Guevara, M., & Rossi, G. (2012). RAMCAT: Realidad Aumentada Móvil basada en el
Contexto Aplicada al Turismo. Revista de Análisis Turístico, (13), 1-14.
Anacleto, J. C., Figueiredo, L. H., Almeida, H. Y., & Novais, P. (2014). PSIS: A Personalized
Sightseeing System. Journal of Ambient Intelligence and Humanized Computing, 5(2), 223-236.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to Recommender Systems Handbook.
Springer.
Xiang, Z., Du, Q., Ma, Y., & Fan, W. (2017). A Comparative Analysis of Major Online Review
Platforms: Implications for Social Media Analytics in Hospitality and Tourism. Tourism
Management, 58, 51-65.
Buhalis, D., & Amaranggana, A. (2015). Smart Tourism Destinations. ASEAN Journal on
Hospitality and Tourism, 14(1), 1-7.
Wang, D., Li, X., & Liang, Y. (2019). A Hybrid Recommendation Algorithm for Tourism Products
Based on Collaborative Filtering and Content-Based Filtering. Journal of Ambient Intelligence
and Humanized Computing, 10(3), 1005-1015.
AQUI VOY
2.4.4. Sistemas de recomendación turística
2.5 Estado del arte en Sistemas de Recomendación Turística con filtros colaborativos
La sección 2.5 constituye un paso más allá, explorando cómo se han aplicado los
sistemas de recomendación turística con filtros colaborativos en contextos que
45
involucran tanto la Realidad Aumentada como la Inteligencia Artificial. Esta parte del
marco teórico no solo proporcionará una visión general de las investigaciones previas
en el campo, sino que también resaltará la relevancia y originalidad de nuestra
propuesta de investigación.
46