Prototype of a Tourism Recommender System

Landro Castro

Instituto de Informática

Universidad Nacional de San Juan, Argentina

Av. Central y Meglioli

Rivadavia, San Juan, Argentina - 5400

castroleandro6@gmail.com

Silvana Aciar

Instituto de Informática

Universidad Nacional de San Juan, Argentina

Av. Central y Meglioli

Rivadavia, San Juan, Argentina - 5400

saciar@iinfo.unsj.edu.ar

Abstract—When making a trip most of tourist used the Web to

find information, encountering a problem that has been called

"information overload". In a tourism website, "coexist" several

services: accommodation, transportation, cultural activities,

travel agencies, and others. Usually the tourist has to search for

hotels, transportation, restaurants separately and find the best

combination of services to build a trip. This paper presents a

prototype of a recommender system in the province of San Juan,

Argentina, to recommend tourist packages based on preferences

and interest of each user. Artificial Intelligence techniques are

used to filter and customize the information.

Keywords: Recommender Systems, Tourism Websites, Personalization

I. INTRODUCCION

El auge del comercio electrónico ha cambiado la forma en que se conciben, se piensan y se implementan los negocios. Ahora, la variedad de productos y la personalización y orientación al cliente han destronado a los ya obsoletos productos estandarizados que marcaron otra época. Las empresas en la actualidad deben estar preparadas para producir productos o servicios que satisfacen las múltiples necesidades de sus múltiples clientes [1] [2]. Debido a la sobrecarga de información que tienen los clientes de un sitio de comercio electrónico, fueron creados los Sistemas Recomendadores. La reducción de alternativas para un visitante de un sitio web no es sólo la principal actividad de un Sistema Recomendador. La función más completa de un Sistema Recomendador es brindarle al usuario un conjunto de alternativas personalizadas dentro del espacio de alternativas disponibles. La selección de alternativas se basa en información sobre las preferencias, intereses, hábitos y necesidades. Así, los Sistemas Recomendadores aparecen como una solución viable para las empresas, ya que estos sistemas informáticos son una opción distinta para lograr una personalización masiva en la red de redes y para evitar que los usuarios se desorienten en este “mar” de información y datos.

En este artículo se presenta un prototipo de un sistema recomendador turístico de la provincia de San Juan para recomendar paquetes, excursiones y demás productos turísticos de una forma más personalizada y adecuada a los gustos de cada usuario.

En la Sección II se presenta una definición de sistemas recomendadores y los tipos de filtrado utilizados para realizar

las recomendaciones. Un estudio de los sitios web turísticos de la provincia de San Juan respecto a si tienen mecanismos de personalización se presenta en la Sección III. Sección IV se presenta el sistema recomendador turístico desarrollado como solución a las necesidades planteadas en la sección previa. La evaluación del sistema recomendador turístico se pueden observar en la Sección V. Finalmente el análisis de los resultados y conclusiones se presentan en la Sección VI.

II. SISTEMAS RECOMENDADORES

Un SR ayuda a un usuario a elegir sin tener suficiente experiencia con las opciones a seleccionar impulsándolo a la adquisición de la mejor opción [3]. Para realizar las recomendaciones se emplean distintos métodos de filtrado de la información:

Filtrado Colaborativo: en este tipo de filtrado se determinan las preferencias de consumo y las recomendaciones para los usuarios teniendo en cuenta patrones de comportamiento similares con otros usuarios. [4].

Filtrado por Contenido: en este filtrado se analiza el tipo de ítem que le gusta a los usuarios, aquello que siempre eligen y luego se les recomiendan nuevos ítems en base a las características de los que eligieron antes. Se puede asegurar que es una ampliación del filtrado colaborativo, que aprende el perfil del usuario basado en las características de los ítems que él mismo ha jerarquizado y ofrece recomendaciones de acuerdo con su perfil [5].

Filtrado por Conocimiento: En este filtrado se utiliza el conocimiento que proporciona el usuario sobre sus necesidades y el conocimiento que tiene el sistema sobre los ítems para, desde un enfoque basado en conocimiento, realizar recomendaciones de los ítems que mejor cubren las necesidades de los usuarios.

Filtrado Demográfico: se clasifica a los usuarios en grupos y se hacen recomendaciones de acuerdo con el grupo. Las variables que se tienen en cuenta en este filtrado para ubicar a un usuario en uno u otro grupo son muchas, tales como la edad, el sexo, el lugar de origen, etc. [5].

Filtrado Híbrido: es una combinación de una o más técnicas de recomendación. Son, sin lugar a dudas, los Sistemas Recomendadores más complejos de construir en cuanto a que se debe encontrar la forma más exacta de combinar los diferentes métodos, pero a la vez son los que mejores resultados otorgan, ya que con ellos se logran maximizar las

978-1-4673-0793-2/12/$31.00 ©2012 IEEE

ventajas y minimizar las desventajas asociadas a los diferentes métodos de recomendación [6]. La combinación más utilizada es el filtrado demográfico, con el filtrado colaborativo y el basado en contenido.

Finalmente se debe mencionar que, si bien los Sistemas Recomendadores facilitan la navegación de los usuarios en Internet (solucionando el problema de sobrecarga de información) y ayudan a las empresas a encontrar nuevas formas de acercarse a sus clientes, en la práctica estos sistemas están implementados en sitios web complejos.

III. SISTEMAS RECOMENDADORES Y SITIOS WEB TURÍSTICOS

DE LA PROVINCIA DE SAN JUAN

Este problema de la sobrecarga de información es aún mayor en el dominio turístico debido a que, en un portal turístico, “coexisten” varios sistemas: hotelería, transporte, agencias de viajes, etc. En este sentido, se deberían aprovechar las bondades de los Sistemas Recomendadores para facilitar la búsqueda de información turística por parte de los usuarios y, al mismo tiempo, para recomendar paquetes, excursiones y demás productos turísticos de una forma más personalizada y adecuada a los gustos de cada usuario. Se realizó un análisis de los sitios web existentes, tanto locales como nacionales, que tratan temas e información vinculados al turismo en San Juan, los criterios elegidos para el estudio de los sitios web fueron los siguientes:

Organización de Contenidos: análisis de los contenidos y de las opciones que se ofrecen al usuario en el sitio, cómo se muestran los contenidos, si cambian o no según el usuario, qué opciones de navegación existen, etc.

Productos o Servicios ofrecidos: análisis de las ofertas turísticas que se realizan a los usuarios en cada sitio web referidas a excursiones, hoteles, transportes, etc.; y si se ofrecen por separado o en paquetes integrados que incluyan transporte, hoteles, restaurantes y todo lo necesario para el turista en un mismo paquete y a través de un solo vendedor.

Segmentación de Perfiles: análisis de cómo se presenta la información a los usuarios, si existe algún tipo de segmentación de perfiles por edad, sexo, lugar de origen, etc.; a la hora de mostrar la información.

Herramientas de participación de usuarios: análisis de todas las herramientas que existen en el sitio para fomentar la interacción con los usuarios: blogs, encuestas, libros de visitas, sistemas de compras y reservas, etc.

Reserva de paquetes turísticos: análisis del proceso de reserva de los paquetes turísticos en aquellos sitios donde existen sistemas de reservas en línea.

Recomendación: análisis de las recomendaciones que se realizan en el sitio a los usuarios, las técnicas utilizadas para la creación de perfiles, las políticas de filtrado utilizadas a la hora de realizar recomendaciones, etc.

A nivel local se analizaron nueve sitios: Turismo dot sanjuán dot gov dot ar, Agenciamontes dot com dot ar, Fiestanacionaldelsol dot com, Bymartv dot com, Ischigualasto

dot com, Travelsanjuan dot com dot ar, Sanjuan dot com dot ar, Moneytur dot com dot ar y Saulsaidel dot com. A nivel nacional se analizaron cuatro sitios: Turismo dot gov dot ar, Welcomeargentina dot com, Argentinaturistica dot com y Aki-turismo dot com dot ar. Cabe destacar que los sitios analizados son los que figuran en los primeros lugares de las búsquedas realizadas sobre turismo en San Juan con los motores más importantes como Google, Yahoo, Altavista, Bing, entre otros. A continuación se puede observar un análisis comparativo resultante del estudio realizado (Tabla 1)

TABLA 1: RESÚMEN DEL STUDIO REALIZADO A LOS SITIOS WEB TURÍSTICOS

DE LA PROVINCIA DE SAN JUAN

Si se toma como referencia el cuadro resumen allí se puede observar que de los trece sitios analizados los resultados fueron los siguientes: el 92% de los sitios web muestra exactamente los mismos contenidos para todos los visitantes, sólo el 31% realiza ofertas de paquetes integrados (excursiones, alojamiento, comidas, etc.; todo junto en un mismo paquete), el 38% realiza algún tipo de segmentación de perfiles y, de ese porcentaje, el 60% lo realiza teniendo en cuenta el poder adquisitivo de los usuarios, luego en casi todos los sitios existen herramientas para la participación de los usuarios (85%) destacándose como la más común el formulario de contacto. Además, tan sólo un 7% de los sitios analizados tienen sistemas de reservas en línea y, finalmente, lo más importante, apenas el 23% de los sitios realizan algún tipo de recomendación a los usuarios y, de ellos, el 100% utiliza el filtrado por contenido no observándose en ninguno, por ejemplo, la utilización del filtrado colaborativo.

Así entonces, las conclusiones obtenidas a partir del estudio de campo son:

Existe una fuerte necesidad de algún sitio que diferencie los contenidos que se muestran según el usuario y su perfil.

También es necesaria una mayor oferta de paquetes integrados.

En cuanto a la segmentación de perfiles, es necesario un sistema que considere no sólo el poder adquisitivo de los usuarios, sino también otros criterios como edad o lugar de origen.

Hay una imperiosa necesidad de sitios turísticos que cuenten con un sistema de reservas.

Finalmente, y lo más destacado a los fines de este trabajo final, existe un gran vacío en lo que a Sistemas Recomendadores refiere y, en particular, a recomendadores que utilicen el filtrado colaborativo para poder realizar recomendaciones de paquetes turísticos a los usuarios según las similitudes entre ellos y otros usuarios de la comunidad.

A continuación, en la siguiente sección se presentará la propuesta, desarrollo e implementación, por medio de un prototipo, de un Sistema Recomendador de ofertas turísticas. En el mismo se tendrán en cuenta las conclusiones obtenidas en el estudio de campo y, a partir de ellas, se construirá un prototipo que permita dar solución y respuesta a las necesidades encontradas.

IV. PROTOTIPO SISTEMA RECOMENDADOR TURÍSTICO DE

LA PROVINCIA DE SAN JUAN

El objetivo de este prototipo de recomendaciones turísticas de la provincia de San Juan proponer por medio de un Sistema Recomendador una mejora a todas las limitaciones encontradas en los sitios web turísticos de San Juan existentes actualmente en Internet. Entre las necesidades de personalización encontradas se mencionan: Existe un gran vacío en lo que a Sistemas Recomendadores refiere y, en particular, a recomendadores que utilicen el filtrado colaborativo para poder realizar recomendaciones de paquetes turísticos a los usuarios según las similitudes entre ellos y otros usuarios de la comunidad; también existe la necesidad de una mayor oferta de paquetes integrados (hoteles, restaurantes y excursiones, todo junto en un mismo paquete), ya que son muy pocos los sitios que ofrecen este tipo de producto turístico ; no existen sitios turísticos que diferencien los contenidos que se muestran según el usuario y su perfil.

Al ingresar al prototipo de recomendaciones turísticas el usuario se encuentra con una imagen que combina, en un collage, algunos de los mejores paisajes de la provincia de San Juan (ver Fig 1).

Es importante aclarar que se recomienda un paquete y una excursión en la portada principal del prototipo, y no otros ítems como hoteles o restaurantes, porque existen estudios estadísticos realizados por la Secretaría de Estado de Turismo, Cultura y Medio Ambiente de la Provincia de San Juan, durante la temporada 2009, donde se concluyó que, de los turistas que se informaron sobre San Juan a través de Internet, el 80% suele elegir paquete o excursiones, mientras que son menores los porcentajes de hoteles y mucho menos aún de restaurantes que se buscan desde la web [7].

Figura 1: Pantalla de bienvenida del prototipo recomendador.

A. Proceso de recomendaciones

A continuación se explica cómo funciona el algoritmo recomendador que genera las recomendaciones personalizadas de paquetes y excursiones. Es un filtrado híbrido el utilizado.

El algoritmo tiene dos etapas:

La primera es el tratamiento del “nuevo usuario” en este caso, el usuario nuevo es aquel que acaba de crear su perfil e ingresa por primera vez al prototipo. Así, el prototipo no conoce sus estilos de reservas, ni tiene aún mucho conocimiento de sus gustos más allá de lo que el usuario pudo haber informado al momento de crear su perfil. Por esta razón, en este primer ingreso del usuario, el algoritmo aplica pura y exclusivamente el filtrado demográfico. El filtrado demográfico es un tipo de filtrado donde se tienen en cuenta características o variables propias del usuario como lugar de origen, edad, sexo, etc. y, a partir de ellas, se recomienda lo que mejor se adapte a estas características. En el prototipo de recomendaciones turísticas, la primera vez que ingresa el usuario, el algoritmo compara el perfil de ese usuario contra todos los paquetes y las excursiones cargadas en la base de datos. Dicha comparación se basa en un sistema de premios y castigos donde se premian las coincidencias y se penalizan las diferencias entre el perfil del usuario y el perfil de cada ítem de la base de datos. De esta manera, y luego de recorrer todos los paquetes y excursiones cargados en la base de datos, aquel paquete y aquella excursión que mejor coincidan con el perfil del usuario serán los recomendados. En el gráfico de la Figura 2 se pueden observar las líneas de código que materializan el filtrado demográfico para un usuario nuevo en el prototipo.

Una vez que se ha determinado cuál es el paquete y la excursión que se van a recomendar al usuario, se proceden a personalizar también los carteles que acompañarán las recomendaciones. Es decir, si entre el usuario y los ítems recomendados hay mucha coincidencia se le muestra un cartel que dice “Seguramente le gustaría este paquete...” o “Seguramente le gustaría esta excursión…”, en caso de que la coincidencia sea menor los carteles dirán "El paquete que más se aproxima a su perfil es..." o "La excursión que más se aproxima a su perfil es...", y así sucesivamente según el grado de coincidencia. En la Figura 3, se pueden observar las líneas

de código que personalizan los carteles en el prototipo recomendador, mientras que en la Figura 4 se observan los carteles que acompañan a las recomendaciones.

Figura 2: Parte del código fuente del algoritmo que resuelve el problema de los nuevos usuarios.

La segunda etapa es cuando el usuario ya ha ingresado anteriormente al sistema, por lo que no se trata de un usuario nuevo. En este caso, el algoritmo recomendador propuesto trabaja con una suerte de filtrado híbrido que combina, en su interior, tres tipos distintos de filtrados: el demográfico, por contenido y el colaborativo. Básicamente, el funcionamiento del algoritmo consiste en obtener un valor de “matching demográfico”, un valor de “matching por contenido” y un valor de “matching colaborativo”. Luego, se comparan estos tres y aquel que tenga un mayor valor es el que se utiliza para hacer las recomendaciones a los usuarios.

En el caso del filtrado por contenido, recordando, “se analiza el tipo de ítem que le gusta a los usuarios, aquello que siempre eligen y luego se les recomiendan nuevos ítems en base a las características de los que eligieron antes” Figura 5. Así entonces, el prototipo recomendador obtiene un valor de “matching por contenido” de la siguiente manera:

Figura 3: Líneas de código que personalizan los carteles en el prototipo recomendador.

Figura 4: Carteles personalizados que acompañan a las recomendaciones.

1. En primer lugar busca el paquete y la excursión que más ha reservado ese usuario.

2. Luego busca la calificación que el usuario ha realizado de ese paquete y de esa excursión la última vez que los realizó.

3. Finalmente, a partir de todos estos datos de entrada, produce como salida un valor de “matching por contenido” que será alto en la medida en que ese usuario haya calificado positivamente el paquete o la excursión y será bajo si la calificación del usuario ha sido mala, esto basado en que, por ejemplo, si a un usuario determinado no le ha gustado la excursión que realizó, quizás porque bajó la calidad de esa excursión o por otros factores, entonces se debe penalizar esta situación para que se minimice la probabilidad de recomendar al usuario nuevamente una excursión similar a esta.

Finalmente, para el caso del filtrado colaborativo es bueno recordar que “en este tipo de filtrado se determinan las recomendaciones para los usuarios teniendo en cuenta patrones de comportamiento similares con otros usuarios”. Así entonces, el prototipo recomendador obtiene un valor de “matching colaborativo” de una forma muy similar a como se obtiene en el filtrado por contenido, esto es:

1. En primer lugar busca el paquete y la excursión que más ha reservado el usuario más similar al usuario a recomendar, en otras palabras su “vecino más cercano”.

2. Luego busca la calificación que el vecino ha realizado de ese paquete y de esa excursión la última vez que los realizó.

3. Finalmente, a partir de todos estos datos de entrada, produce como salida un valor de “matching colaborativo” que será alto en la medida en que ese vecino haya calificado positivamente el paquete o la excursión y será bajo si es que la calificación del vecino ha sido mala.

En caso de que el “matching colaborativo” devuelva un valor alto, que finalmente termine superando los valores de “matching demográfico” y de “matching por contenido”, lo que se hace es personalizar los carteles que acompañan a las recomendaciones mostrando frases como “El usuario más similar a usted suele elegir este paquete” o " El usuario más similar a usted suele elegir esta excursión", tal y como se muestra en la Figura 6.

Figura 5: El algoritmo propuesto utiliza, entre otros, el filtrado por contenido.

Figura 6: Filtrado colaborativo, recomendando ítems que les gustan a los usuarios más similares.

V. EVALUACIÓN

El objetivo fundamental es evaluar la funcionalidad de un sistema recomendador turístico utilizando el prototipo. Además, se pretende sacar conclusiones respecto del impacto social que tiene esta propuesta tecnológica-turística y así poder discernir el grado de aceptación o rechazo de los turistas a una nueva alternativa de provisión de información. Es más, se trata de comprobar si los Sistemas Recomendadores aplicados al turismo son realmente una herramienta que puede brindar una solución considerable al problema de la sobrecarga de información turística que existe hoy en día en la Internet, en este caso particular, la sobrecarga de información turística de la provincia de San Juan.

Los criterios a ser evaluados son: satisfacción del usuario, usabilidad y esfuerzo del usuario, éxito de las

recomendaciones, confidencia de las recomendaciones y generalidad del recomendador.

La satisfacción del usuario En este caso, tiene que ver con analizar lo que los usuarios conocen y esperan de un sistema de información turístico y determinar en qué medida el prototipo recomendador satisface esas expectativas.

La usabilidad. Lo que se logra con un software usable es reducir el esfuerzo del usuario en su interacción con el mismo. En el caso de esta evaluación, el análisis de la usabilidad apunta fundamentalmente a determinar cuán fácil es el sistema para el usuario, cuán ventajoso o desventajoso es respecto de un buscador tradicional, etc.

El éxito de las recomendaciones, en esta evaluación, tiene que ver con analizar la precisión de las mismas para cubrir la necesidad de información del usuario y satisfacer sus expectativas.

La confidencia de las recomendaciones pretende saber si los ítems turísticos que han sido recomendados a los usuarios son confiables para ellos, si se animarían o no a emprender un viaje, por ejemplo, sólo con la información que se les brinda en el prototipo recomendador, si las recomendaciones recibidas fueron o no estrechas y adecuadas a su perfil, etc.

Finalmente, con el criterio de generalidad del recomendador, se pretende analizar la capacidad del prototipo para proporcionar recomendaciones adecuadas y que satisfagan las necesidades de un público general y amplio, sin importar la edad, el lugar de origen, la profesión, etc.; o bien, por el contrario, analizar si las recomendaciones son más adecuadas para determinados sectores y no tanto para otros.

Para llevar adelante esta evaluación, la técnica utilizada es la encuesta. La misma fue realizada sobre una muestra de veinticinco participantes con la particularidad de contar, entre ellos, con un público muy general y heterogéneo: profesionales y no profesionales, adolescentes, jóvenes, adultos y ancianos, personas de distintos departamentos de la provincia e, inclusive, se contó con la participación de un extranjero (oriundo de Colombia) y un argentino residente en Buenos Aires.

Las preguntas propiamente dichas se pueden observar en la Figura 7.

A continuación se presenta una tabla resúmen que muestra, en forma cuantitativa, las respuestas de los veinticinco participantes a las preguntas de la Tabla 2.

VI. ANÁLISIS DE RESULTADOS Y CONCLUSIONES

En base a la evaluación del prototipo recomendador turístico, las conclusiones obtenidas son muchas y a la vez interesantes. A partir de la tabla resúmen presentada en el punto anterior, y llevando a números estadísticos los resultados que allí se observan, se pueden plantear varias conclusiones separando las mismas según los criterios analizados:

Satisfacción del usuario, usabilidad y esfuerzo del usuario

El 100% de los encuestados respondió que el prototipo recomendador les provee un fácil acceso a la información que necesitan. El 92% (23/25) respondió que el sistema es fácil de

Figura 7: Encuesta realizada en la evaluación del prototipo.

TABLA 2: RESULTADOS OBTENIDOS EN LAS

Pregunta

Cantidad de Respuestas

Positivas Neutras Negativas

1 25 0 0

2 23 0 2

3

i 14 10 1

ii

1 21 2 2

2 24 1 0

4 20 3 2

5 21 3 1

6 11 7 7

7 22 1 2

8 25 0 0

9 12 4 9

usar, mientras que el 8% restante dijo que es fácil, pero que se les hizo dificultosa la búsqueda a través del buscador que aparece en el prototipo. En cuanto a la pregunta sobre si el Sistema Recomendador les resulta más, igual o menos fácil que un buscador, las respuestas estuvieron mucho más divididas: el 56% (14/25) respondió que el prototipo les resulta más fácil y simple que un buscador, el 40% respondió que para ellos es igual de fácil y simple que un buscador, mientras que el restante 4% (sólo uno) respondió que le resulta más difícil. El 84% de los encuestados informó que el Sistema Recomendador les brinda más rápido la información que un buscador. Finalmente, y gratamente, el 96% de los encuestados respondió que el Sistema Recomendador requiere menos esfuerzo que un buscador a la hora de obtener información turística para planificar y/o reservar un viaje.

Se puede concluir, en cuanto al esfuerzo del usuario, que el prototipo recomendador cumple las expectativas e incluso las mejora, lo que se justifica en el alto porcentaje de encuestados (96%) que respondieron que el Sistema Recomendador requiere menos esfuerzo que un buscador a la hora de obtener información turística. Con respecto a la satisfacción del usuario, también son favorables los resultados obtenidos. Esto lo demuestra el hecho de que todos los encuestados estuvieron de acuerdo en la facilidad para usar el prototipo, así como también el hecho de que el 84% de los encuestados informó que el Sistema Recomendador brinda la información turística más rápido que un buscador, lo que se entiende lógicamente, porque el recomendador es específico de turismo, mientras que un buscador es de propósito general. Finalmente, el criterio donde no se obtuvieron resultados tan favorables, es en cuanto a la usabilidad, ya que sólo el 56% de los entrevistados vio al prototipo recomendador como una herramienta más sencilla que un buscador, mientras que un 40% lo vio de igual complejidad que la de un buscador y un 4% de mayor dificultad. Esto es quizás uno de los aspectos a mejorar, tratando de lograr un mecanismo de recomendaciones mejorado que favorezca aún más la usabilidad, para que ese porcentaje de usuarios no conformes se revierta.

Éxito de las recomendaciones

El 80% de los encuestados (20/25) respondió que las recomendaciones recibidas cubrieron su necesidad de información turística. Sólo un 12% respondió de manera neutra argumentando, en todos los casos, que si bien las recomendaciones recibidas fueron adecuadas, las mismas podrían haber sido mejores. El restante 8% respondió que las recomendaciones recibidas no cubrieron su necesidad de información. Una de las posibles razones por las cuales el sistema no cubre las necesidades de información de algunos usuarios, puede no deberse a los métodos implementados en el algoritmo, sino a la información contenida en la base de datos. Esto es, como se trata de un prototipo, la información turística que hay en la base de datos no es toda la que existe en la provincia, sino sólo una porción de esa totalidad. Pese a esto, es importante destacar que la información existente es toda y hasta un poco más que la que se brinda en la página web oficial de turismo de la provincia. En la pregunta siguiente, la número cinco, se trató de cuantificar esta pregunta consultando cuántas de esas recomendaciones recibidas cubrieron su necesidad de información, si la mayoría, algunas

o la minoría. Lógicamente, los resultados obtenidos confirmaron los resultados de la pregunta cuatro, ya que un 84% respondió que la mayoría de las recomendaciones cubrieron su necesidad de información, porcentaje muy similar al 80% favorable obtenido en la pregunta cuatro. A la hora de evaluar el éxito de las recomendaciones, los números son más que positivos. Y es que una conformidad del 80% de los encuestados con las recomendaciones recibidas es una cifra nada despreciable. Y por si esto fuera poco, es importante considerar también que, del 8% de los encuestados a los que no les gustaron las recomendaciones recibidas, el 100% de ellos no realizó la cantidad mínima de interacciones con el sistema, razón que debe ser tenida en cuenta para explicar su insatisfacción. Sin embargo, es importante también mencionar que, en algunos casos, los encuestados informaron que el prototipo recomendador carecía de información suficiente sobre restaurantes, sobre espectáculos, y sobre otros ítems turísticos. Y este es, sin lugar a dudas, uno de los aspectos a considerar en cualquier Sistema Recomendador turístico. Porque más allá de contar con un excelente algoritmo y con las recomendaciones muy bien personalizadas, la variedad de las ofertas realizadas parece ser en el campo del turismo una de las claves del éxito.

Confidencia de las recomendaciones

Con respecto a la pregunta siete, donde se les consultó a los encuestados si el sistema les inspira confianza y es una fuente de información fiable, el 88% respondió afirmativamente, mientras que el 8% respondió de forma negativa, argumentando en todos los casos que no es confiable porque le falta información. Tan sólo un 4%(1/25) respondió de manera neutra. Además, y no poco importante, el 100% de los encuestados respondió positivamente a la pregunta ocho, donde se les consultaba respecto de si el Sistema Recomendador les brinda o no información personalizada. El criterio de confidencia de las recomendaciones es aquel en el que se obtuvieron los resultados más contundentes: un 88% de los encuestados confían en la información que les brinda el Sistema Recomendador, mientras que absolutamente todos están de acuerdo en que el sistema les brinda información personalizada y adecuada a su perfil.

Generalidad del recomendador y conclusiones finales

En la pregunta nueve, la última, se consultó sobre aspectos generales a mantener y/o mejorar en el prototipo recomendador, es decir, aquellas cosas que los usuarios sintieron que están bien y aquellas que se deben agregar o mejorar. Para poder calificar la respuesta de esta pregunta como positiva, neutra o negativa, se considera que las respuestas que elogian el prototipo en general o algún aspecto de este en particular son positivas, aquellas que plantean la necesidad de mejorar algo que ya existe en el prototipo son neutras, mientras que las que aconsejan agregar cosas nuevas son negativas. Así entonces, se puede asegurar que un 48% de los encuestados sintió que el prototipo es adecuado y suficiente tal cual está y que no es necesario agregarle nada, un 16% aconsejó la mejora de cosas existentes en el prototipo y finalmente el 36% restante sugirió la posibilidad de agregar cosas nuevas. Con respecto a la mejora de cosas existentes, se puede destacar como principal sugerencia la ya mencionada necesidad de mejorar la variedad de ítems

turísticos recomendados y la cantidad de información que se brinda de cada uno.

REFERENCES

[1] Adomavicius, G. Tuzhilin, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Computer Society. XVII-5. 734. 2005.

[2] Schafer, J. Konstan, J. E-Commerce Recommendation Applications. GroupLens Research Project. Department of Computer Science and Engineering. University of Minnesota, Minneapolis. ISSN: 1384-5810. 1. 2001.

[3] Resnick, P. Varian, H. R. Recommender systems. Commun. ACM 40, 3.56-58. Marzo, 1997.

[4] Vélez Langs, O. Santos, C. Aproximando a los Sistemas Recomendadores desde los Algoritmos Genéticos. REVISTA COLOMBIANA DE COMPUTACIÓN. VII- 2. 2. 2006.

[5] Wordpress. http://anyotherday.wordpress.com/2008/12/03/planeando-un-recomendador-para-sistemas-e-learning/, disponible a Enero de 2012.

[6] Adomavicius, G. Tuzhilin, A. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Computer Society. XVII-5. 740. 2005.

[7] Dirección de Turismo. Encuestas a turistas llegados a la provincia de San Juan. Secretaría de Estado de Turismo, Cultura y Medio Ambiente, San Juan Gobierno.17. Enero y Febrero de 2009.