Tecnologías

El principio de siglo nos ha permitido asistir a un ejemplo más de la imparable evolución de la Web. Lo que en los años 80 fue la revolución de una Internet que hoy vemos limitada, e incluso pobre, en los 90 deja de ser un espacio que meramente proveía protocolos de interconexión y se convierte en un espacio integrado, la World Wide Web (Web 1.0). Desde la explosión de la burbuja de Internet (2001) se da un paso más en la evolución ofreciendo una nueva red de servicios, Web 2.0, que enfatiza la colaboración en línea y la compartición de la información de los usuarios en lo que hoy podemos decir es la versión más social de la Web (weblogs o bitácoras, podcasts, RSS, wikis, etc.) que podemos encontrar en sitios como Wikipedia, eBay, Digg (o Meneame), Flickr y AdSense, etc. Si la Web 1.0 se sustentaba en la simple presentación de información útil, en su versión evolucionada adquiere una actitud coparticipativa en la que la inteligencia en el uso de la información la ponen los usuarios en continuo contacto y colaboración.

Nos enfrentamos hoy (hasta 2020 en la línea de predicción de Nova Spivack, Radar Networks,ver Figura) a la nueva fase evolutiva de la Web, la Web 3.0. Es difícil definir la Web 3.0, especialmente si tenemos en cuenta que precisamente la Web 3.0 es lo que resta por definir desde hoy en adelante. Sin embargo, en sus primeros pasos se construirá de la amalgama de diversos conceptos, algunos heredados o evolucionados de la Web 2.0 y otros trasladados o adaptados de la Web Semántica. La inteligencia en el uso de la información deja de recaer enteramente en la capacidad humana de relacionar y razonar. La Web dejar de ser una interfaz para presentar información, más o menos rica, más o menos flexible, y aparece la inteligencia Web.

Dejamos atrás la Web interpretada por humanos (HTML) y buscamos la Web interpretada por máquinas (RDF, XML, OWL, etc.). Se trata de una Web inteligente, capaz de entender el lenguaje natural y buscar datos con la mínima intervención humana, impulsando un nuevo estilo de vida y comportamiento. Más allá de la Web 3.0., Spivack sitúa otro concepto, el de WebOS, que podría marcar el paso a la Web 4.0. Una visión futurista en la que las máquinas inteligentes podrán combinar las habilidades que hoy sólo caracterizan a la mente humana (fundamentalmente nuestra potencia en el reconocimiento de patrones) con aquellas otras habilidades en las que las máquinas son, ya hoy, superiores (como recordar y buscar en cantidades ingentes de información).

En este camino en la búsqueda de una Web 3.0 plena, el esfuerzo ha de ser progresivo. En este contexto se sitúa este proyecto que pretende el despliegue de un servicio social (baluarte de la Web 2.0) apoyado en un sustrato semántico que permita resolver algunos de los inconvenientes del la Web 2.0. Por otro lado, garantizar al máximo la socialización del servicio implica el acceso ubicuo y universal al mismo, plano que se incorpora al proyecto mediante la propuesta de un servicio de acceso multimodal (TV, PC, dispositivo móvil).

En este apartado se describirá cuál es el estado del arte en las diferentes tecnologías que intervienen de forma relevante en el desarrollo del presente proyecto. Dado que en este proyecto se inspira, en gran medida, en la filosofía cooperativa y social de la Web 2.0, ofrecemos una visión general sobre esta nueva forma de ver la Web, su alcance, sus ventajas y la situación actual. El puntal de la Web social es el establecimiento de comunidades virtuales que establecen vínculos entre diferentes usuarios unidos por intereses y/o características comunes. En el uso que esas comunidades hacen de los recursos de la Web y con el objetivo de compartir tales recursos emergen diferentes descripciones libres (folksonomías) de los mismos obtenidas de un esfuerzo colaborativo de la red social.

Sin embargo, el uso de un vocabulario libre sin un sustrato semántico común acarrea dificultades de automatización de procesos en la Web 2.0, siendo esta misma problemática la que originó los avances en Web Semántica. A pesar de su discurrir paralelo, la socialización de la Web (en la Web 2.0) se puede beneficiar del uso de tecnologías semánticas que mejoren la compartición y acceso automático a recursos de interés. Es así que el uso de ontologías se convierte en una herramienta clave en este proceso socializador y aglutinador de sinergias individuales, proporcionando el sustrato semántico para las folksonomías.

Por último, debido a que en un contexto de redes sociales construidas entorno a intereses comunes la recomendación automática adopta un papel relevante, dedicaremos los apartados a analizar dos aspectos esenciales en cualquier proceso de recomendación colaborativa: la algoritmia o técnicas aplicadas para afrontar un proceso de este tipo y la caracterización de los usuarios, respectivamente.

Por otro lado, el proyecto propone un servicio de acceso ubicuo y universal que si bien ampliamente conocido en su acceso Web, presenta su aportación más novedosa en el acceso mediante dispositivos móviles. El estándar DVB-H que será el utilizado para la difusión de la información a todos los usuarios de receptores móviles suscritos al servicio de distribución y etiquetado de contenidos.

Web 2.0

No se puede decir que exista una única definición del término Web 2.0 acuñado por O'Reilly Media en 2004. Sin embargo, está generalmente aceptado que el término hace referencia a una nueva generación de aplicaciones o servicios en la web que fomentan la participación de los usuarios y la colaboración entre los mismos. En su destacado artículo de 2005, Tim O'Reilly define lo que vienen a ser los principios básicos de la Web 2.0: la web como plataforma, el aprovechamiento de la inteligencia colectiva, la importancia de los datos como fuente de ventajas competitivas, la versión "beta" perpetua, modelos ligeros de programación, ubicuidad del software, e interfaces ricas para los usuarios. Alrededor de esta serie de principios se sitúan otra serie de ideas, aplicaciones o tecnologías propias de la Web 2.0.

La Web 2.0 supone un nuevo paradigma o evolución de la web que engloba un conjunto de tendencias, técnicas y metodologías que han surgido en los últimos años. En cualquier caso, es necesario diferenciar dos visiones o perspectivas de la Web 2.0: aquella que plantea una nueva web por y para las personas, y aquella que considera la web no ya como un servicio, sino como una plataforma para desarrollar nuevas aplicaciones. En la primera visión, la Web 2.0 enfatiza la participación de las personas a la hora de aportar: recursos, información, y anotación (descripción) de recursos e información. Bajo la segunda visión, la web debe construirse a partir de APIs interoperables y de modelos de confianza para fomentar la libre participación y utilización de tecnologías de libre acceso.

En cualquier caso, los principios clave que caracterizan la Web 2.0 son:

• Los datos y la información son el motor de las nuevas aplicaciones web.
• Efectos emergentes creados por arquitecturas de participación
• Nuevos modelos de negocios basados en la sindicación de servicios
• Aprovechar el valor del conjunto de empresas y usuarios que, aunque quizá no sean de gran relevancia, pero que constituyen el grueso de los participantes de la red.

Ejemplos representativos de la Web 2.0 son Google maps, que ofrece un API para integrar y anotar mapas en cualquier aplicación web o Google Adsense que presenta una arquitectura de publicación-suscripción que ejerce de mediador entre un conjunto de empresas publicitarias y un conjunto de webs donde se presentan los anuncios; BitTorrent, que permite la distribución de ficheros de gran tamaño en aplicaciones P2P y que es la base para la Internet TV y otras aplicaciones basadas en contenido audiovisual; y por último, Amazon Web Services que aporta un conjunto de servicios web que resuelven funcionalidades relevantes para aplicaciones de comercio electrónico. Para el usuario del web, son relevantes, así mismo, Flickr, un famoso repositorio de fotos e imágenes que pueden ser descritas y compartidas por todos los usuarios registrados en el sistema o Del.icio.us, un repositorio compartido de URLs que se basa en los enlaces proporcionados por los usuarios, también destaca Amazon.com, que facilita recomendaciones a partir de las valoraciones y preferencias de los usuarios o Wikipedia, que representa el paradigma de la construcción cooperativa de conocimiento a partir de un sistema abierto de edición de páginas web y, finalmente, la blogosfera, donde cada usuario aporta noticias y recursos en su diario personal o blog.

La Web 2.0 también está asociada a la aparición de un conjunto de tecnologías que son clave tanto para facilitar la participación de las personas como para construir APIs interoperables:

• AJAX, que permite la construcción de interfaces gráficos ricos
• RSS, el lenguaje clave para sindicación y agregación de datos y noticias
• folksonomias, los vocabularios generados por la agregación de anotaciones de los usuarios
• SOAP y REST, los protocolos básicos para crear la web como plataforma, y los
• Mashups, la tecnología que permite construir nuevas mini - aplicaciones a partir de la integración de APIs externos.

Modelos de negocio

Una de las características más reseñables de la Web 2.0 es la socialización de la Red. Mientras en la web tradicional la mayoría de portales estaban impulsados por organizaciones, instituciones o empresas, en la Web 2.0 el impulso de las iniciativas se halla mucho más distribuido dado que el nuevo motor de actividad en la web son las personas a título individual. En este nuevo marco, ¿cuáles son entonces los nuevos modelos de negocio?

En el caso de las iniciativas 2.0 la estrategia para conseguir ingresos directos derivados de la actividad depende mucho de si nos basamos en la existencia de una audiencia (y cobramos a los que quieren contactar con ella) o en una tecnología (y cobramos a la audiencia, los usuarios, por disponer de ella).

En los primeros, los modelos basados en audiencia, se recalca el parecido cada vez mayor de Internet con los canales de comunicación convencionales. Los grandes paradigmas del movimiento Web 2.0 (del.icio.us donde la gente comparte sus enlaces; Flickr, donde comparte fotografías y YouTube donde comparten vídeos) basan su fuerza en la aportación de millones de personas, lo que a su vez les proporciona millones de visitantes. Esta audiencia hace posible plantearse un modelo de ingresos basado en publicidad. Otra opción de ingresos económicos vinculada a parámetros de audiencia es la de las comisiones por transacción. Si las personas que se desenvuelven en una propuesta web realizan operaciones económicas entre ellas, normalmente de compra venta, el promotor del sitio Web puede aspirar a una comisión sobre ellas (eBay es entonces el ejemplo clásico, siendo, sin duda, Second Life el otro gran ejemplo). Finalmente, el carácter social de muchas de las iniciativas enmarcadas en Web 2.0 hace que en muchas ocasiones su público constituya una audiencia con un alto grado de compromiso con el proyecto. Sus miembros o usuarios son personas que contribuyen al éxito de la iniciativa mediante no sólo aportación de contenidos sino contribuciones económicas (paradigma basado en donaciones Wikipedia).

En el segundo grupo de modelos, aquellos basados en la capacidad de ofrecer prestaciones avanzadas a los usuarios, encontramos en la Web 2.0 propuestas que complementan o mejoran servicios que tienen una base gratuita y de libre acceso. Por ejemplo, Pay for Premium Use que sólo cobraría en caso de acceso a mayores capacidades o a nuevas prestaciones (tal es el caso de Flickr). Otra opción plantea en explotar el servicio comercialmente sólo para uso corporativo, ofreciéndose de manera gratuita sólo al público en general (como ejemplo eConozco).

Comunidades Virtuales y Etiquetado Colaborativo

Una comunidad virtual o red social es la representación de una estructura de relaciones sociales entre individuos. La red social indica de qué forman están conectados los nodos (individuos) por medio de diversos indicadores de familiaridad, que van desde "conocidos" hasta "miembros de una misma familia". El análisis de redes sociales es hoy en día una técnica imprescindible de estudio social. Una red social se configura como un conjunto de nodos unidos entre sí por vértices que representan las relaciones entre ellos. Sobre esa red se pueden estudiar múltiples parámetros que definen su característica. Entre los más importantes se encuentran el grado de un nodo -el número de enlaces que tiene con los demás nodos-, la centralidad -que indica la importancia de un nodo dentro de la red-, el alcance -el grado en que cualquier miembro de la red puede llegar a otros miembros-, o la cercanía -el grado en el que un individuo se encuentra cerca de todos los otros miembros de la red. En general, el análisis de redes sociales se realiza sobre comunidades preexistentes. Pero el mismo análisis puede realizarse para crear comunidades y relaciones sociales, empleando los resultados del análisis de redes sociales como guía para su evolución. FOAF (Friend of a Friend) es el lenguaje más empleado para el modelado de redes sociales. FOAF está basado en RDF y se define empleando OWL. Fue diseñado para ser extensible y facilitar que sistemas informáticos diversos pudiesen compartir datos. FOAF permite definir a una persona e indicar a qué otras personas conoce.

En una red social, el etiquetado representa un esfuerzo de la comunidad de usuarios donde cada usuario, en base principalmente a sus intereses, contribuye directamente a la creación de una colección de metadatos compartida que, progresivamente, mejora su riqueza expresiva y su utilidad. Si cada usuario elige libremente el conjunto de etiquetas para un recurso, la colección refleja las actitudes sociales de la comunidad de usuarios e implícitamente desprende una organización compartida del espacio objetivo del etiquetado. Este proceso de clasificación gestionado por una comunidad social es acuñado por Thomas Vander Wal con el término folksonomy (folksonomía). El término folksonomía se refiere a la definición progresiva y colaborativa de una categorización y organización relajada del contenido. Es decir, una taxonomía relajada obtenida de forma colaborativa. Este proceso, sin embargo, no está exento de problemas consecuencia de la libertad en el etiquetado (problemas relacionados con sinónimos, polisemias, errores sintácticos, niveles de precisión, etc.) y que son consecuencia de la no inclusión de información semántica en el etiquetado.

Con el objetivo de mitigar los inconvenientes asociados al uso de folksonomías, es posible utilizar la folksonomía emergente para obtener vocabularios controlados o para enriquecer vocabularios ya existentes (identificando omisiones o mal interpretaciones). Al margen de este uso combinado, en el estado actual de la investigación podemos localizar diferentes propuestas orientadas a la mejora en la utilidad del etiquetado colaborativo y las folksononías en general.

• Clustering o agrupamiento de etiquetas: A medida que aumenta el número de etiquetas, la tarea de explorarlas se vuelve cada vez más tediosa. El clustering propone la agrupación de tareas ya sea a priori por parte de los usuarios o a posteriori utilizando algoritmos específicos de clustering.
• Visualización: También con el objeto de mejorar el acceso a las etiquetas, se han propuesto diferentes técnicas de visualización, por ejemplo Tagnautica, que organizan el espacio de etiquetado de forma visual.
• Etiquetado colaborativo de múltiples medios: Bajo este encabezado se recoge la tendencia a crear servicios que permitan el etiquetado colaborativo cross-media, es decir servicios que indexan elementos de naturaleza variada (como ejemplo Technorati)

En otro orden de cosas, los servicios de etiquetado colaborativo nacen de una comunidad de usuarios fuertemente comprometidos que invierten tiempo en el servicio y recomiendan su uso a otros usuarios. A pesar de los incentivos utilizados en este tipo de servicios, se percibe cierta fatiga o desencanto relacionados con:

• Naturaleza aislada de los servicios. Los servicios de etiquetado colaborativo no son sólo crecientemente específicos sino que además tienen difícil interconexión unos con otros.
• Escasa portabilidad consecuencia de la falta de normas abiertas. El tedioso trabajo de etiquetar, mantener un perfil de usuario o de bookmarking colaborativo sólo excepcionalmente puede ser reutilizado en otro ámbito.
• Ausencia de búsqueda multiservicio, consecuencia de la naturaleza aislada de cada uno de los servicios de etiquetado colaborativo.

Ontologías

Una ontología se define como una especificación formal y explícita de una conceptualización compartida. La conceptualización describe un modelo abstracto de un fenómeno que ocurre en el mundo real al identificar los conceptos importantes de ese fenómeno. El término "explícito" implica que los conceptos, relaciones, funciones, axiomas que se utilizan para describir el modelo y sus restricciones de uso están claramente definidos. El término "formal" describe el hecho de que la ontología tiene que ser ejecutable por la computadora. Y el término "compartida" refleja la noción de que una ontología recoge conocimiento consensuado, es decir, que no es privativo de una persona sino que está aceptado por todo un grupo.

Al principio de los años 90, las ontologías se construían principalmente utilizando técnicas de representación del conocimiento basadas en marcos, lógica de primer orden y lógica descriptiva. En 1993, Gruber identificó cinco tipos de componentes: clases, relaciones, funciones, axiomas e instancias. Sin embargo, en los últimos años, las técnicas de representación basadas en lógica descriptiva se han consolidado en el contexto de la Web semántica, creándose nuevos lenguajes como OIL, DAML+OIL y OWL. Los componentes que se utilizan para modelar ontologías en lógica descriptiva son fundamentalmente conceptos, roles e individuos.

Lenguajes de ontologías

Al comienzo de los años 90, se crearon un conjunto de lenguajes de ontologías basados en paradigmas de representación del conocimiento. Algunos estaban basados en lógica de primer orden con algunas extensiones, como KIF, mientras otros combinaban los marcos con la lógica de primer orden, como CycL, Ontolingua, OCML y Flogic, y otros utilizaban lógicas descriptivas, como LOOM. También en este periodo se creó el protocolo OKBC para acceder a ontologías implementadas en diferentes lenguajes basados en marcos.

El gran auge de Internet hizo que se crearan lenguajes de implementación de ontologías para poder explotar las características de la Web. A estos lenguajes se les conoce normalmente como lenguajes de la Web Semántica o lenguajes de ontologías de marcado, dado que su sintaxis se basa en la sintaxis de los lenguajes de marcado existentes, como HTML y XML, cuyo objetivo es la presentación y el intercambio de datos, respectivamente. Los ejemplos más sobresalientes de dichos lenguajes son: SHOE, XOL, RDF, RDF Schema, OIL, DAML+OIL, y OWL. De todos ellos sólo RDF y RDF Schema, cuya combinación se conoce normalmente como RDF(S), y OWL, están recibiendo respaldo de forma activa, por parte del consorcio de la World Wide Web (W3C), y son recomendaciones (estándares) de dicho consorcio.

Infraestructura tecnológica

Las primeras herramientas de desarrollo de ontologías se crearon a principios de los años noventa proporcionando interfaces de usuario que ayudaban a desarrollar ontologías en lenguajes basados en lógica. A finales de la década de los noventa el número de herramientas se incrementó en gran medida y la funcionalidad de las mismas se diversificó, distinguiéndose los siguientes grupos en la literatura:

• Herramientas de desarrollo de ontologías. Este grupo incluye herramientas y paquetes integrados que pueden ser utilizados para construir una nueva ontología desde cero. Las más relevantes son: KAON, OilEd, Ontolingua Server, OntoSaurus, Protégé, SWOOP, Topbraid Composer, WebODE y WebOnto.
• Herramientas de evaluación de ontologías. Son utilizadas para evaluar aspectos de consistencia, corrección y redundancia en el contenido de las ontologías. Como herramientas de evaluación de ontologías más importantes podemos destacar: OntoAnalyser y OntoGenerator, ODEClean, y ONE-T.
• Herramientas de alineamiento y fusión de ontologías. Estas herramientas son utilizadas para resolver el problema de fusión y alineamiento de diferentes ontologías pertenecientes al mismo dominio. Dentro de este grupo, se destacan: PROMPT que está integrado en Protégé-2000, Chimaera, FCA-Merge, GLUE, y los módulos de fusión de ontologías de OBSERVER.
• Herramientas de anotación basadas en ontologías. Con estas herramientas el usuario puede insertar instancias de conceptos y de relaciones en ontologías y mantener de forma semi-automática la anotación (descripción) de páginas Web basada en ontologías. Muchas de estas herramientas han aparecido recientemente en el contexto de la Web Semántica. En este grupo, las herramientas más importantes son: AeroDAML, COHSE, la suite KAcess, MnM, OntoAnnotate, OntoMat-Annotizer, y SHOE Knowledge Annotator.
• Herramientas de consulta de ontologías y motores de inferencia. Éstas permiten la consulta de ontologías de manera sencilla y llevan a cabo inferencias con ellas. Normalmente están muy relacionadas con el lenguaje utilizado en la implementación de las ontologías. Destacan: ICS-FORTH RDFSuite, Sesame, Jena, KAON API, TRIPLE, Cerebra y Ontopia Knowledge Suite.
• Herramientas de aprendizaje de ontologías. Estas herramientas pueden obtener ontologías desde textos en lenguaje natural, así como desde fuentes semiestructuradas y bases de datos, utilizando para ello técnicas tanto del campo de aprendizaje automático como del procesamiento de lenguaje natural, pero actualmente no utilizan técnicas integradas. Destacan las siguientes herramientas: ASIUM, DODDLE, OntoBuilder, OntoLearn, SVETLAN', TERMINAE y Text-To- Onto.

Estrategias de recomendación

En la literatura podemos encontrar numerosos ámbitos para los que se hizo preciso disponer de herramientas de personalización, lo que ha dado lugar a que en los últimos años se propusieran una gran diversidad de enfoques para implementar este tipo de herramientas. Emplearemos los término usuarios activos para referirnos a los individuos para los que la herramienta de recomendación elabora una sugerencia personalizada, y producto objetivo para referirnos a aquellos productos sobre los que la herramienta de personalización deberá decidir si son o no adecuados.

Además de técnicas de modelado de usuarios (sobre las que versará el siguiente apartado), las herramientas de recomendación implementan diferentes estrategias para seleccionar aquellos productos que mejor se ajustan a las preferencias y/o necesidades de cada usuario. En la literatura, son cuatro los métodos de filtrado de información más extendidos:

Filtrado demográfico

El filtrado demográfico emplea las características personales de los usuarios (edad, sexo, estado civil, ocupación profesional, historiales de compra, aficiones, etc.), que se proporcionan durante la fase de registro en el sistema, para descubrir las relaciones existentes entre un determinado producto y el tipo de usuarios interesados en él. Por su naturaleza, este método modela las preferencias de los usuarios como un vector de características demográficas, y recurre a la técnica de estereotipos para inicializar sus perfiles. Así, todos aquellos usuarios que pertenezcan al mismo estereotipo recibirán las mismas sugerencias por parte del sistema. El filtrado demográfico adolece de dos limitaciones principales. Por una parte, puede conducir a recomendaciones demasiado generales e imprecisas para los usuarios, por considerar únicamente sus características demográficas. Además, este método no permite que las sugerencias ofrecidas se adapten a posibles cambios en las preferencias de los usuarios, dado que sus datos personales suelen permanecer invariables a lo largo del tiempo. A pesar de los inconvenientes comentados, el filtrado demográfico puede ser una estrategia útil si se combina con otros métodos.

Métodos basados en contenido

Esta técnica consiste en recomendar a un usuario activo aquellos productos que son similares a los que le han gustado en el pasado. Para ello, los perfiles de los usuarios deben contener las características o atributos que definen dichos productos. Si bien, por su propia naturaleza, es una estrategia muy precisa, sus limitaciones más importantes son:

• Suele recomendar productos excesivamente parecidos a los que el usuario activo ya conoce, e incluso, demasiado similares entre sí. En este último caso, si alguno de los contenidos sugeridos no interesa al usuario, su confianza en el sistema decrecerá rápidamente en virtud del excesivo parecido existente entre éste y el resto de sugerencias ofrecidas. Esta limitación, denominada sobre especialización, se debe al empleo de métricas de similitud para valorar el parecido entre las preferencias de los usuarios y los productos objetivos.
• La especificación de los atributos requeridos en este método de filtrado es una tarea muy costosa que puede exigir la participación de un experto que proporcione tales descripciones.
• Otra de las limitaciones más conocidas de los métodos basados en contenido es conocida con el nombre de new user ramp-up, y está relacionada con la llegada de un nuevo usuario al sistema. En este escenario, el recomendador suele disponer de muy poco conocimiento sobre sus preferencias personales, de ahí la baja precisión de las recomendaciones resultantes.

Filtrado colaborativo

Es una de las técnicas de filtrado de información más empleadas en las herramientas de recomendación existentes. A diferencia de los métodos basados en contenido, a la hora de ofrecer una recomendación a un usuario activo, el filtrado colaborativo no considera sus preferencias personales, sino las de otros usuarios con intereses similares a los suyos (llamados en adelante vecinos). Esta similitud entre usuarios se estima a partir de las clasificaciones (o índices de interés) asociadas a cada una de sus preferencias en sus perfiles personales. Precisamente por ello, los enfoques colaborativos prescinden de las descripciones de contenido (características de los productos presentes en el perfil del usuario), requeridas en los métodos basados en contenido.

En la literatura podemos encontrar dos técnicas diferentes para este tipo de estrategia:

• Filtrado colaborativo basado en usuario: Sugiere a cada usuario activo aquellos productos objetivo que han interesado a sus vecinos. Para formar este vecindario, la estrategia considera que dos usuarios tienen preferencias similares si han clasificado los mismos productos en sus perfiles y les han asignado índices de interés parecidos.
• Filtrado colaborativo basado en item: Se recomienda un producto a un usuario activo si es similar a los contenidos de su perfil personal. En este caso, se considera que dos productos son similares si los usuarios que han clasificado uno de ellos tienden a clasificar el otro, asignándole índices de interés parecidos. Esta técnica da mejores resultados que la variante basada en usuario cuando el número de productos activos presentes en la base de datos usada en la recomendación es mucho menor que el número de usuarios.

Dados un usuario activo y un producto objetivo, un sistema colaborativo debe predecir el nivel de interés del primero en relación a dicho producto, para así poder decidir si éste debe o no ser sugerido al usuario. En dicho proceso, podemos diferenciar tres fases. La primera tiene como objetivo seleccionar aquellos usuarios cuyas preferencias son similares a las del usuario activo. Por el contrario, los enfoques basados en ítem deben extraer aquellas preferencias del usuario que son más similares al contenido objetivo. Para medir tal similitud, este tipo de propuestas consideran las preferencias del resto de usuarios del sistema colaborativo. A continuación, es necesario formar el vecindario de este usuario (o de sus preferencias) a partir de la selección realizada en la etapa anterior. Finalmente, el sistema debe predecir el nivel de interés del usuario activo en relación al producto objetivo. Para ello, los enfoques basados en usuario consideran el nivel de interés de los vecinos del usuario activo en relación al producto objetivo. Por el contrario, la versión colaborativa basada en ítem considera el nivel de interés del usuario activo en relación a aquellos contenidos de su perfil que son más similares a dicho producto objetivo.

Por su propia naturaleza, los enfoques colaborativos permiten superar la falta de diversidad asociada a los métodos basados en contenido, ya que las recomendaciones elaboradas no se basan únicamente en las preferencias del usuario activo, sino que consideran los intereses del resto de usuarios del sistema. Esta cualidad se aprecia fácilmente en el método colaborativo basado en ítem, ya que en este caso, dos productos pueden ser similares (y por tanto recomendados al usuario activo) aun cuando no compartan ningún atributo semántico; simplemente es necesario que la mayoría de los usuarios del sistema los hayan clasificado a la vez en sus perfiles. Sin embargo, en el filtrado colaborativo también es posible identificar algunas limitaciones importantes:

• En primer lugar, el new user ramp-up sigue estando presente en este tipo de sistemas, por la dificultad de formar el vecindario asociado a un usuario que acaba de llegar al sistema, cuyo perfil registrará, típicamente, un número muy reducido de preferencias.
• Otra limitación importante es el denominado sparsity problem, que se produce cuando aumenta mucho el número de productos disponibles en la base de datos usada en la elaboración de recomendaciones. Ante tal diversidad, es menos probable que dos perfiles contengan exactamente los mismos productos (preferencias) y, por consiguiente, es más difícil encontrar vecinos tanto para el usuario activo como para el producto objetivo, fase crítica en los enfoques colaborativos basados en usuario y en ítem, respectivamente.
• El tercero de los problemas ligados a los sistemas colaborativos es el llamado gray sheep, especialmente perjudicial para aquellos usuarios que tienen preferencias muy diferentes a las del resto de la comunidad. Estos usuarios tendrán un vecindario muy reducido y, por ende, recibirán recomendaciones poco precisas.
• Los problemas de escalabilidad también suponen un limitación muy importante en los enfoques colaborativos tradicionales. Es evidente que a medida que aumenta el número de productos y usuarios en el sistema, también se incrementa la complejidad -- -computacional y temporal--- del proceso de cálculo del vecindario de los usuarios activos y de los productos objetivo, etapa crítica en este tipo de sistemas.
• Con el nombre new ítem ramp-up se identifica otra de las limitaciones de los enfoques colaborativos, y que se produce cuando aparece un nuevo producto objetivo. Habida cuenta que sólo se sugieren productos incluidos en los perfiles de los usuarios del sistema, es necesario que este nuevo producto sea clasificado por un número suficientemente elevado de usuarios antes de ser recomendado. Como consecuencia de esto último, es posible identificar un tiempo de latencia desde que el sistema conoce nuevos contenidos hasta que éstos son sugeridos a los espectadores. Esta limitación es crítica en algunos dominios de aplicación; por ejemplo, en el campo de la TV, donde continuamente aparecen nuevos contenidos. Por esta razón, en los sistemas reales se deben reducir al máximo sus efectos negativos, permitiendo así a los usuarios recibir sin retardos innecesarios los programas más novedosos del momento.
• Por último, merece la pena destacar el llamado cold start, cuyos efectos se manifiestan durante las primeras etapas de funcionamiento de los sistemas colaborativos. Así, hasta que no se alcanza un número suficientemente elevado de usuarios registrados, el recomendador no dispone de información suficiente para crear de una forma precisa el vecindario (del usuario activo o del producto objetivo), minando de esta forma la calidad de las sugerencias ofrecidas.

Enfoques híbridos

Las limitaciones identificadas tanto en el filtrado demográfico, como en los métodos basados en contenido y el filtrado colaborativo, plantearon la necesidad de combinar varias de estas estrategias para así aunar sus ventajas y neutralizar sus inconvenientes, incrementando así considerablemente la precisión de las recomendaciones finales. Con esta premisa surgieron los denominados sistemas híbridos.

Uno de los modelos híbridos que gozan de mayor popularidad es el que combina el filtrado colaborativo y los métodos basados en contenido, en el que un producto objetivo puede ser sugerido, bien porque es similar a las preferencias del usuario activo, bien porque ha interesado a la mayoría de sus vecinos. Este esquema permite que ambas estrategias se complementen en favor de la calidad de las recomendaciones. Así, por ejemplo, un sistema híbrido es capaz de superar el excesivo parecido existente entre las recomendaciones basadas en contenido y las preferencias del usuario activo, gracias a que el enfoque colaborativo incorpora la experiencia del resto de usuarios del sistema, diversificando así las sugerencias ofrecidas. Por otra parte, el filtrado basado en contenido elimina los tiempos de latencia requeridos en los sistemas colaborativos para sugerir un producto nuevo. En un esquema híbrido, cualquier producto puede ser recomendado sin retardo alguno, siempre que los métodos basados en contendido consideren que se adapte a las preferencias personales del usuario activo.

Los diferentes enfoques híbridos propuestos en la literatura fueron evaluados de forma exhaustiva por Robin Burke, quien identificó siete posibles modelos a la hora de combinar estrategias de personalización de diferente naturaleza:

1. Ponderado (Weighted): Decide si un determinado producto objetivo es sugerido o no al usuario considerando las salidas de todas las estrategias de recomendación (aunque puede que con pesos distintos para cada una de ellas) que implementa.
2. Conmutación (Switching): En este caso, en lugar de ejecutar todas las estrategias simultáneamente, el sistema emplea algún criterio para conmutar entre ellas.
3. Mixto (Mixed): Reúne en una misma recomendación productos que han sido sugeridos mediante las diferentes estrategias implementadas en el sistema híbrido.
4. Combinación de características (Feature combination): Reúne en un único conjunto los datos que utilizan las diferentes estrategias de personalización, y con éste se ejecuta un solo algoritmo de recomendación. Por ejemplo, si se combinan los métodos basados en contenido y el filtrado colaborativo, este esquema podría utilizar la información colaborativa (clasificaciones de los usuarios) como una característica más de las preferencias de los usuarios, sobre las que finalmente se ejecutaría el filtrado basado en contenido.
5. Cascada (Cascade): Funciona en dos etapas: primero se ejecuta una de las estrategias de recomendación sobre las preferencias del usuario, obteniendo un primer conjunto de productos candidatos a ser incluidos en la recomendación final. A continuación, una segunda estrategia refina la recomendación y selecciona sólo algunas de las sugerencias obtenidas en la primera etapa.
6. Incorporación de características (Feature augmentation): En este esquema, una de las estrategias se emplea para calcular una clasificación para un producto concreto. A continuación, esa información se incorpora como dato de entrada para las siguientes técnicas de recomendación. En otras palabras, la salida de una de las estrategias de recomendación se utiliza como entrada en las siguientes. La diferencia fundamental entre este esquema híbrido y el modelo en cascada, es que en este último la segunda estrategia sólo trabaja sobre el conjunto de productos candidatos obtenidos por la primera de ellas, prescindiendo de cualquier tipo de información adicional calculada por ésta. Por el contrario, en el modelo basado en incorporación de características, toda la información que proporcione la primera de las técnicas, se utiliza en la(s) siguiente(s). 7. Metanivel (Meta-level): En este caso, el modelo completo generado por una de las estrategias se utiliza como entrada en las restantes. La diferencia fundamental entre este sistema híbrido y el basado en incorporación de características, es que en este último el modelo aprendido sólo se utiliza para generar características que se usan como entrada en las siguientes estrategias, mientras que en el híbrido de metanivel se utiliza todo el modelo como dato de entrada. Todos los enfoques de personalización revisados en esta sección basan sus recomendaciones en la inferencia de conocimiento a partir de las preferencias de los usuarios activos. Sin embargo, ninguno de ellos infiere dicho conocimiento a partir de un proceso de razonamiento basado en descubrir relaciones semánticas complejas entre dichas preferencias y los contenidos considerados durante el proceso de recomendación. Este tipo de razonamiento semántico, inspirado en la filosofía de la Web Semántica, requiere representar el conocimiento sobre el dominio de aplicación del sistema y descubrir relaciones complejas entre las entidades formalizadas en el mismo. Para inferir las mencionadas relaciones semánticas, los recomendadores necesitan disponer de metodologías para la consulta de las bases de conocimiento y la recuperación de información personalizada desde las mismas.

Caracterización de los usuarios: Perfiles de Usuario

Estrategias para el modelado de usuarios

Construir perfiles precisos es una tarea clave para asegurar el éxito de las recomendaciones, consiguiendo de esta forma reforzar la confianza del usuario en el sistema de personalización. Para los diferentes dominios de aplicación en los que se emplean herramientas de personalización, se han propuesto diferentes estrategias para representar perfiles de usuario, entre las que cabe destacar:

• Historiales de consumo: Adoptada en varios dominios de aplicación, esta estrategia modela los perfiles de usuario a través de registros históricos que almacenan los productos (libros, páginas web, etc.) que ha consumido cada usuario junto con el interés mostrado por cada uno de ellos.
• Vectores de características: Esta estrategia, vinculada al dominio de recuperación de información en la web, representa cada documento consultado por un usuario mediante un vector de características (normalmente, palabras o conceptos) que tienen un valor asociado (booleano o real). La premisa fundamental en que se basa esta estrategia es que dos productos son similares cuando sus respectivos vectores de características son muy parecidos.
• Matrices de clasificaciones: Utilizan matrices para representar los perfiles de los usuarios. La matriz, que tiene tantas filas como usuarios haya registrados en el sistema y tantas columnas como productos disponibles, almacena en cada posición el nivel de interés de los usuarios por cada uno de los productos.
• Características demográficas: Los perfiles de usuario son registros que contienen los datos personales (edad, sexo, estado civil, etc.) de cada usuario. Estas características demográficas se usan para identificar tanto el tipo de usuario que ha llegado al sistema, como las recomendaciones que han interesado a otros usuarios con datos similares a los suyos. La principal ventaja de esta técnica es que no es necesario aplicar ningún mecanismo para aprender sobre las preferencias de los usuarios, toda vez que son ellos los que proporcionan toda la información. Sin embargo, esta ventaja se convierte también en su principal inconveniente por la dificultad que supone aplicar esta estrategia en un sistema real, por no estar muchas veces los usuarios dispuestos a revelar datos de carácter personal, ni a rellenar largos y tediosos formularios para poder empezar a recibir recomendaciones del sistema.
• Redes semánticas: Las redes semánticas permiten expresar conocimiento, empleando conceptos y propiedades y relaciones jerárquicas entre ellos. Cada concepto es un nodo de la red, las relaciones jerárquicas son enlaces is-a entre conceptos, y las propiedades se establecen entre dos nodos a través de enlaces convenientemente etiquetados. En algunas ocasiones, se añaden a los nodos y a las relaciones pesos numéricos para identificar el nivel de interés concreto de cada usuario en ellos.
• Redes asociativas: Al igual que las redes semánticas, las redes asociativas representan diferentes conceptos y relaciones entre conceptos mediante nodos y enlaces. A diferencia de las redes semánticas, los enlaces no tienen que estar necesariamente etiquetados. En algunos casos, la etiqueta semántica, característica de las redes semánticas, se sustituye por un peso numérico que cuantifica la fuerza de la relación existente entre los nodos conectados.
• Modelos basados en clasificadores: Los clasificadores son modelos computacionales que asignan categorías específicas a cada una de las entradas que se le presentan. En el caso de sistemas de recomendación de contenidos, las entradas contienen información sobre los productos objetivo y las preferencias de los usuarios activos, y las categorías de calidad deciden si estos productos deben o no sugerirse a dichos usuarios. Los clasificadores están basados en diferentes técnicas como redes bayesianas, árboles de decisión, reglas de aprendizaje inductivo o redes neuronales.

Métodos para la creación de perfiles iniciales

Una vez decidido el modelo de representación de las preferencias de los usuarios activos, es necesario recurrir a mecanismos que permitan inicializar sus perfiles personales. Al respecto, en la literatura podemos encontrar mecanismos de diversa naturaleza, entre los que cabe destacar por su mayor importancia:

• Inicialización manual de los perfiles: Algunos sistemas exigen a los usuarios una descripción explícita de sus intereses personales para construir su perfil inicial. Si bien esta técnica asegura una precisión máxima en lo que al modelado de preferencias se refiere, su principal limitación es el esfuerzo que deben asumir los usuarios a la hora de rellenar largos y tediosos formularios cuando se registran por primera vez en el sistema.
• Inicialización semiautomática mediante estereotipos: Esta técnica se basa en definir diferentes categorías genéricas a las que pueden pertenecer los usuarios, en función de sus intereses y datos personales. De esta forma, cuando llega un nuevo usuario al sistema, éste debe proporcionar una serie de datos demográficos (por ejemplo, sexo, edad, ocupación, aficiones, intereses generales, etc.) que permitirán asignarle un estereotipo que se usará como su perfil inicial. Por su naturaleza, este mecanismo de creación de perfiles iniciales suele ir acompañado del método de representación basado en características demográficas, descrito anteriormente.

  Al igual que el método de inicialización manual, la principal debilidad de esta técnica surge de la dificultad que supone conseguir este tipo de información por parte de los usuarios, no siempre dispuestos a desvelar datos de carácter personal. A pesar de ello, el modelado de usuarios basado en estereotipos se ha aplicado con éxito en el sistema LifeStyle Finder, que sugiere diferentes productos comerciales a los usuarios, en función de sus características personales y de los intereses de otros que comparten su estereotipo; y la guía de programación de TV personalizada PPG, en la que a los espectadores se les asigna un estereotipo inicial en función de los intereses televisivos que hayan declarado (género, temática, canal, franja horaria preferente para ver TV, etc.).

• Inicialización semiautomática mediante conjuntos de entrenamiento: Algunos sistemas presentan un conjunto de productos a los usuarios para que identifiquen aquellos que les interesan y aquellos que no son relevantes para ellos. A partir de esta información, el sistema construye un conjunto de entrenamiento que se procesa (generalmente) mediante alguno de los clasificadores citados anteriormente.

  La principal limitación de este mecanismo es la identificación de los ejemplos presentados a los usuarios, dado que éstos deben ser suficientemente representativos para así garantizar recomendaciones precisas.

  Entre los sistemas recomendadores que utilizan conjuntos de entrenamiento para definir perfiles iniciales, podemos destacar News Weeder, ACR News, PSUN y NewT, que seleccionan noticias personalizas para sus usuarios; la herramienta de filtrado de correos electrónicos Re:Agent, y los recomendadores Ringo y Movielens cuyos ámbitos son la música y la TV personalizada, respectivamente.

• Reconocimiento automático de las preferencias del usuario: En algunos recomendadores no es preciso crear un perfil inicial para cada usuario activo, por ser las preferencias de un usuario reconocidas de forma automática a medida que interactúa con el sistema. Por su propia naturaleza, esta técnica se ha implantado con gran éxito en el dominio de las herramientas de personalización Web, en las que las recomendaciones son elaboradas a partir del historial de navegación de los usuarios. Algunos ejemplos de este tipo de recomendadores son WebSell, Fab y Webmate.

Técnicas para que los usuarios proporcionen al sistema información de relevancia sobre las sugerencias ofrecidas

El término realimentación de relevancia identifica la información que los usuarios proporcionan al sistema recomendador al evaluar las recomendaciones que reciben. Gracias a esta información, el sistema puede modificar los perfiles de los usuarios, y así acelerar la convergencia entre los intereses reales de los usuarios y las sugerencias que se les ofrecerán en el futuro. Las herramientas de personalización recurren a diversos métodos para obtener esta valiosa información. El más sencillo y directo de todos ellos es aquel en el que el propio usuario declara explícitamente su interés/desinterés en relación a cada producto sugerido. Una solución mejorada con respecto a ésta consiste en inferir dicha información a partir de la interacción entre el usuario y el sistema. Por último, algunos sistemas optan por un enfoque híbrido que combina los dos modelos anteriores:

• Sistemas recomendadores sin realimentación: En la literatura se pueden encontrar herramientas de recomendación que no actualizan automáticamente los perfiles a lo largo del tiempo, sino que delegan esta responsabilidad en los propios usuarios. Es obvio que este tipo de enfoques no necesitan la realimentación de relevancia, sin embargo, obligan al usuario a asumir un rol activo no siempre deseable.
• Realimentación explícita: Con este enfoque es necesario que sean los usuarios quienes proporcionen explícitamente la realimentación de relevancia. Para este fin, se han definido diferentes métodos:
  • En algunos sistemas los usuarios simplemente clasifican los productos como interesantes o no interesantes. Como ejemplos más representativos destacamos el recomendador Web Webmate y las herramientas de filtrado de correo electrónico SIFT Netnews y NewT.
  • Otros enfoques requieren que sus usuarios definan un nivel de interés concreto. Es el enfoque explícito más extendido, adoptado en multitud de herramientas de personalización: Amazon, los recomendadores Web Amalthaea, ifWeb y Syskill & Webert, los sistemas de filtrado de noticias personalizadas INFOrmer y PSUN, el recomendador de música Ringo y los sistemas de TV personalizada Movielens y Recommender.
  • Por último, existen sistemas en los que los usuarios proporcionan realimentación mediante comentarios textuales. Este es el caso del recomendador de noticias personalizadas Grouplens y el sistema de filtrado de correo electrónico Tapestry.
• Realimentación implícita: La realimentación de relevancia puede ser inferida por el sistema recomendador a partir de las acciones que lleva a cabo el usuario. Dependiendo del dominio de aplicación de cada sistema, se emplean diferentes indicativos para obtener dicha realimentación y, en consecuencia, modificar los perfiles de los usuarios activos: los enlaces por los que éstos han navegado, su historial de consumo (por ejemplo, productos comprados mediante comercio electrónico), su historial de navegación, el tiempo empleado en ver un programa de TV o en consultar una determinada página Web, etc. Además, ciertas acciones de los usuarios también pueden ser útiles a la hora de aprender conocimiento adicional sobre sus preferencias: guardar e imprimir un documento, marcar una página Web, minimizar la ventana en la que ésta se visualiza, ordenar la grabación de un programa de TV, avanzar, retroceder o detener su reproducción, etc.
• Realimentación híbrida: La mayoría de los enfoques propuestos optan por un modelo híbrido, en el que la realimentación inferida por el propio sistema es completada con las clasificaciones explícitas de los usuarios activos. De esta forma, es posible aunar las ventajas de ambos métodos, aprovechando tanto la precisión de la técnica explícita, como el mínimo esfuerzo requerido a los usuarios en el modelo implícito. Ejemplos de herramientas recomendadotas que implementas estrategias híbridas de realimentación son LifeStyle Finder, Anatagonomy, Tapestry, Grouplens, y los recomendadores de comercio electrónico CDNow y Amazon.

Técnicas para la adaptación del perfil de usuario

En general, las preferencias de los usuarios activos en un sistema recomendador variarán a lo largo del tiempo, de ahí que la realimentación de relevancia sea un elemento clave a la hora de reflejar sus nuevos intereses y/o necesidades. Conscientes de esta evolución, se han propuesto diferentes métodos para poder adaptar los perfiles de los usuarios a sus nuevas preferencias, eliminando aquellas que han quedado obsoletas. Entre estos enfoques podemos destacar por su importancia los siguientes:

• Actualización manual por parte de los usuarios: Algunos sistemas exigen que los usuarios activos modifiquen sus propios perfiles, incorporando así los posibles cambios que hayan sufrido sus preferencias desde la última interacción con la herramienta de recomendación. Esta estrategia tiene serias limitaciones, debidas no sólo a la incomodidad que supone para los usuarios, obligados a participar activamente en el sistema, sino también a que la actualización manual es completamente inviable cuando las preferencias varían con mucha frecuencia.
• Incorporación de nueva información al perfil: El enfoque más extendido entre los sistemas recomendadores propuestos en la literatura consiste en añadir nueva información a los perfiles de los usuarios activos, obtenida a partir de la realimentación de relevancia. Su principal ventaja es que permite que los perfiles se adapten rápida y fácilmente a la evolución en las preferencias de los usuarios. Sin embargo, no contempla ningún mecanismo para que el sistema olvide los intereses que éstos tenían en el pasado.
• Función de olvido gradual: La función de olvido gradual asigna un peso a cada producto definido en el perfil del usuario activo, con un valor que dependerá de su localización temporal. Así, cuando el sistema añade un nuevo producto, le asocia un peso de valor 1 y decrementa los índices de los productos que ya estaban almacenados en el perfil. De esta forma, las preferencias más recientes tendrán asociadas un peso elevado, y por ello serán más relevantes, ya que reflejan los intereses actuales del usuario.

  Selección natural de ecosistemas de agentes: Asociado tradicionalmente a aquellos sistemas en los que un conjunto de agentes cooperan e interactúan en un determinado ecosistema. En un sistema de personalización, la evolución del ecosistema se basa en el siguiente principio: aquellos agentes que ofrecen las recomendaciones más precisas se reproducen, mientras que el resto son destruidos. Este tipo de técnicas permiten que el recomendador se adapte a las nuevas preferencias de los usuarios activos, sin más que eliminar aquellos agentes que utilizan sus intereses pasados.

  DVB-H

  El Digital Video Broadcasting (DVB), iniciado en 1992 como iniciativa europea, es un consorcio liderado por la industria y formado por casi 270 empresas de unos 35 países que aglutina empresas dedicadas a la radiodifusión, fabricantes, operadores de red, desarrolladores de software, organismos reguladores, entre otras. El consorcio está orientado al desarrollo de estándares para el despliegue global de televisión digital y servicios de datos. Las especificaciones de este consorcio se convierten en estándares gracias a la actuación de organizaciones como ETSI ó CENELEC. Una vez aceptados, los estándares son promocionados para su adopción y posterior uso por cualquier país del mundo y responden a una necesidad específica del mercado de la difusión digital. De entre los estándares desarrollados por el consorcio destaca, en cuanto a su vinculación con el presente proyecto, el estándar DVB-H (Digital Video Broadcasting Handheld) para la difusión de contenidos para dispositivos móviles. Está basado en el estándar DVB-T (para la difusión por radiofrecuencia) y surge porque éste último presentaba problemas específicos de los receptores en movimiento:
  • Batería reducida: DVB-T precisa de elevados consumos de batería para las capacidades que podemos encontrar en los dispositivos móviles.
  • Una única antena de recepción: DVB-T no opera adecuadamente en estas condiciones.
  DVB-H introduce una serie de cambios técnicos con respecto a DVB-T para adecuarse a las características de los dispositivos móviles, siendo quizá el concepto de time-slicing el más importante, y el que marca una gran diferencia con DVB-T. La funcionalidad básica del timeslicing es la de enviar los datos en ráfagas que son almacenadas en un buffer y posteriormente reproducidas, por lo que el receptor sólo está encendido cuando los datos relevantes están disponibles, logrando así un aumento considerable de la vida de la batería. Adicionalmente, DVB-T incorpora otras mejoras técnicas, como la segmentación temporal para permitir el traspaso de frecuencias continuo y sin interrupciones o la corrección de errores en recepción para los datos con encapsulación multiprocolo (MPE-FEC), con el fin de mejorar la relación señal/ruido y el comportamiento Doppler en los canales móviles.

  Finalmente, los datos se envían con la tecnología IPDC (IP Datacast) que ofrece transmisiones rápidas (el ancho de banda puede ser de hasta 22Mb/s para recepción fija) y fiables. Estos servicios IP se pueden transmitir dentro de los multiplexores de DVB junto con los programas de televisión digital. La figura 1 representa los principales componentes de un sistema de transmisión-recepción DVB-H teniendo en cuenta que está enmarcado dentro de la infraestructura existente para la provisión de servicios DVB-T:

  IP Datacast (IPDC) y DVB-H

  IP Datacast es un sistema extremo a extremo para la entrega de cualquier tipo de contenidos digitales mediante el uso de mecanismos IP. Éste fue diseñado para que millares de receptores dentro del área de cobertura del transmisor pudieran recibir su señal y por tanto la recepción masiva de servicios de datos.

  En este tipo de comunicación el contenido se difunde simultáneamente a múltiples receptores al contrario de lo que ocurre en la comunicación tradicional de Internet en la que el usuario debe solicitar el contenido deseado. La idea es poder difundir cualquier tipo de información que pueda ser enviado por la red (Internet), pero muchos servicios IP no están diseñados para ser entregados de una manera unidireccional, como los que usan el protocolo TCP, por lo que estos servicios no pueden ser difundidos o tendrían que ser tratados de una manera diferente. Por el contrario existen muchos servicios basados en UDP que sí podrían usar esta tecnología.

  IPDC es una plataforma para la convergencia de servicios entre el mundo móvil y el de difusión ya que, por un lado permite la comunicación unidireccional (basada en DVB) y, por otro, permite la comunicación bidireccional móvil. Así, un sistema IPDC incluirá todos aquellos elementos típicos de un escenario de provisión de servicios DVB-H más todas aquellas plataformas mediante las cuales puedan proporcionarse el resto de funcionalidades.

  Los principales elementos funcionales que componen una arquitectura IPDC son los que detallamos a continuación:

  • Terminal. Desde la red DVB-H se reciben las transmisiones IPDC, y la interactividad con el sistema se da a través de la red móvil.
  • Subsistema de Gestión del Servicio. Recibe información desde el subsistema de aprovisionamiento que agrega a la ESG y proporciona soporte en la protección del servicio (derechos de acceso al servicio o contenido)
  • Subsistema de aprovisionamiento. Se encarga de agregar y entregar, vía difusión, servicios y contenidos proporcionando interactividad, soporte en la protección de contenidos (cifrado) así como la transcodificación de los formatos de los contenidos.
  • Subsistema de Comercio. Se encarga de la coordinación de las transacciones comerciales con el usuario final: autentica al usuario, negocia el precio y la selección de los servicios, actúa de intermediario en los pagos, entrega los derechos de acceso a servicios y contenidos, etc. Esta funcionalidad puede recaer en una entidad externa al subsistema, como pudiera ser la red móvil para temas de autenticación y un sistema DRM externo para los derechos de acceso.
  • Encapsulador IP. Este subsistema se encarga de encapsular el trafico IP en los flujos de transporte DVB-H, de realizar el Time Slicing y de realizar el MPE-FEC.

  Electronic Service Guide (ESG)

  La ESG permite el acceso a los contenidos que se están difundiendo por la red DVB-H. El modelo de datos de la ESG, definido por el consorcio DVB, se basa en un esquema XML, tal y como se indica en la siguiente figura.
  
  • Servicio. Describe un servicio IPDC proporcionando todos los parámetros que lo caracterizan como son el nombre del servicio, el número asignado al servicio, el logotipo, una descripción, el género del servicio, el tipo (stream o descarga), la clasificación por edades, el idioma, el proveedor del servicio, una referencia al bloque de datos sobre la adquisición del servicio, referencias al material relacionado con el servicio, datos privados, un identificador único del servicio, un campo para indicar si el contenido está protegido y otro para indicar si se protege mediante técnicas de scrambling.
  • ServiceBundle. Grupo de objetos ofrecidos al usuario en forma de servicios. Este agrupamiento puede usarse para ligar información de compra o añadir información en el contexto del grupo. Este fragmento maneja datos como nombre del bundle, proveedor, título del servicio relacionado, descripción, genero, referencia al servicio, clasificación por edades, material relacionado y un ID único del conjunto.
  • Contenido. Define un contenido con independencia de su formato o forma de distribución. Éste se define con un título, una referencia a un sonido o imagen que sirva de título para presentarlo, una referencia al servicio que lo contenga, una sinopsis, unas palabras clave, un género, un tipo de contenido, una clasificación por edades, un idioma, un idioma de subtítulos, un idioma de signos, una lista de créditos, una referencia a material relacionado, una duración, un campo para datos privados y un identificador único.
  • Calendario de eventos. Especifica cuándo van a ser distribuidos los contenidos de un servicio. Para ello se precisa conocer ciertos datos como la hora de comienzo de un contenido, la hora de fin, la referencia al servicio, la referencia al contenido, la referencia a los datos de adquisición, la localización del contenido, si el contenido es en directo o repetido, si está protegido, si se ha usado scrambling y un identificador único.
  • Compra. Contiene la información de compra de un servicio con el objetivo de ser mostrada al usuario. Además, incluye una referencia a un ServiceBundle por lo que incluye el precio, tipo de compra (suscripción, pago por visión, etc.), unidad cuantitativa (hora, día...), rango de cantidad de unidades que se pueden comprar, descripción, la petición que se debe realizar para iniciar el proceso de compra, sistema DRM, datos de compra, referencia al canal de compra, título en forma de imagen o sonido, periodo de validez de la información e identificador único.
  • Canal de compra. Especifica el interfaz por el que el terminal o el usuario pueden realizar la compra. Maneja datos nombre, descripción, URL del portal para hacer la compra, información de contacto, título en formato de imagen o sonido, datos privados y un ID único.
  • Adquisición. Contiene información como la descripción del componente y de la sesión, el MIME-type del contenido, características de adquisición e identificador de adquisición entre otros, que sirven para la adquisición de cada contenido y servicio.