Printer Friendly

Sistema de recomendaciones de contenidos multimedia para comunidades academicas en entornos de TDi.

System of recommendations of multimedia contents for academic communities in IDT environments

I. INTRODUCCION

La amplia difusion de servicios para dispositivos moviles, tales como: aplicaciones multimedia, juegos, mensajeria, e-mail, conectividad inalambrica, servicios de telecomunicaciones (television, radio, posicionamiento), redes sociales, entre otros, ha tenido un exito considerable en el mercado de las comunicaciones moviles, generando la necesidad de incursionar en nuevos campos de aplicacion que aprovechen los beneficios de estas tecnologias en conjunto. Es importante destacar que la posibilidad de acceder a diversos servicios de internet desde un dispositivo movil ha sido impulsada por el crecimiento de la Internet movil y la gran variedad de planes por parte de los operadores moviles en Colombia. De esta manera, en un dispositivo movil convergen un conjunto de redes y servicios que pueden aprovechar las ventajas de internet movil en diferentes escenarios [1].

Dentro de los servicios de telecomunicaciones soportados por un dispositivo movil, se destaca el de TV Movil, el cual ha sido implementado en los ultimos anos en Europa a traves del estandar DVB-H (Digital Video Broadcasting Handheld) [2,3], derivado del estandar de television digital DVB (Digital Video Broadcasting) [4,5]. Este ultimo fue escogido en Agosto de 2008 por la Comision Nacional de Television para ser adoptado en Colombia, razon por la cual, el estudio de este estandar y sus derivados permiten preparar el camino al despliegue de futuros pilotos de TV Movil, tras el apagon analogico en el pais [6].

La TV movil ha sido considerada la "killer application" del futuro cercano, por las numerosas oportunidades que viene generando el mercado de la movilidad [7], y por la alta penetracion de la telefonia movil a nivel mundial. A pesar de lo anterior, el servicio de TV Movil no cuenta aun con caracteristicas similares a las ofrecidas por la TV convencional, presentando dificultades en cuanto a estabilidad en la senal, facilidad de uso, respuesta rapida a los eventos y tiempo de salto de un canal a otro y al tiempo de acceso al contenido multimedia. Este ultimo problema es uno de los mas criticos del estandar DVB-H, puesto que de acuerdo a los prototipos de despliegue del servicio presentados en [2,7,8], el tiempo de cambio de un canal a otro esta entre 1,5 y 2 seg., lo cual hace que el barrido por los canales de television sea un proceso lento desde el punto de vista del usuario. Cabe resaltar, que este problema tambien se encuentra asociado a otros escenarios afines a la television como lo son IPTV y TDT basada en DVB [9,10,11], por lo que las soluciones propuestas en estos escenarios pueden ser aplicadas al ambito de la TV Movil, teniendo en cuenta la infraestructura de cada escenario.

Al igual que otros estandares de TV Movil, DVB-H no proveen interactividad bidirectional de manera directa [7,8], lo cual es una limitacion para vincular servicios interactivos al escenario de television. En TV Movil DVB-H, no existe un middleware abierto para el desarrollo de aplicaciones interactivas, ya que proveedores de contenidos, proveedores de servicios, operadores de telefonia y fabricantes de dispositivos han venido apostando en los ultimos anos de manera independiente a middlewares propietarios.

Los problemas anteriores son una dificultad importante en el campo de la TV Movil, ya que influyen en el despliegue tecnologico del servicio y en la aceptacion de este por parte del usuario. Una de las posibles alternativas para agilizar el acceso a los contenidos multimedia en escenarios afines como IPTV o WebTV, es a traves de sistemas de recomendaciones [9,10,12,13]; los cuales tienen como funcion generar un listado personalizado de contenidos multimedia, de acuerdo a las preferencias del usuario o de sus usuarios vecinos [14,15,16]. A pesar de estas ventajas, las limitaciones para el manejo de interactividad bidireccional en entornos de TV Movil hace necesario proveer un esquema para el consumo de servicios interactivos, mediante el cual se pueda acceder a este servicio.

En este articulo se propone un sistema de recomendaciones en el escenario de TV-Movil, como posible solucion al problema de acceso agil al contenido multimedia del estandar DVB-H. El recomendador es accedido mediante una adaptacion del estilo arquitectonico de consumo de servicios: REST-JSON [13,17], el cual hace parte de la Arquitectura de TV Movil desarrollada en el laboratorio de television digital interactiva (TDi) de la Universidad del Cauca [18,19].

El sistema de recomendaciones fue validado en el modelo de negocio de las de las comunidades academicas virtuales (CAV) de TDi, planteado por el proyecto ST-CAV (Servicios de T-Learning para el soporte de comunidades academicas virtuales) de la Universidad del Cauca [20]. Al ser este un modelo de negocio propio, se hizo una adaptacion del algoritmo de recomendaciones colaborativo de Naive Bayes, considerando las caracteristicas de las CAV de TDi [21]. Asi, La funcion del recomendador propuesto es predecir, de manera probabilistica, un conjunto de programas de interes a los miembros de una CAV en TDi. El clasificador de Naive Bayes fue escogido, considerando su uso frecuente en la implementacion de servicios de recomendacion para contenidos multimedia [22,23].

Adicionalmente, el sistema de recomendaciones incluye como aporte, la aplicacion del concepto de folcsonomia de la Web 2.0 [24,25,26], al ambito de los sistemas de recomendaciones para TV Movil. De esta forma la lista de recomendaciones presentadas en la pantalla del dispositivo, muestra con mayor relevancia o mayor nivel de profundidad los contenidos multimedia o programas, que de acuerdo al clasificador de Naive Bayes, tienen una mayor probabilidad de ser valorados de manera positiva.

La estructura de este articulo esta definida de la siguiente manera: en la seccion dos se presentan conceptos relevantes considerados en esta investigacion. En la seccion tres se describe la teoria del clasificador de Naive Bayes, y su aplicacion en la generacion de recomendaciones multimedia. En la seccion cuatro se presenta la arquitectura de TV movil, en la cual se enmarca el presente trabajo. En la Seccion cinco se describe el esquema de consumo de servicios, adaptado para la implementacion y consumo del sistema de recomendaciones. En la seccion seis se presenta el diseno del sistema de recomendaciones propuesto. En la seccion siete se muestra la forma en la que se adapto el clasificador de Naive Bayes al ambito de las CAV en TDi. En la seccion ocho se presentan los resultados de la evaluacion del cliente de TV Movil y finalmente en la seccion nueve se muestran las conclusiones y trabajos futuros.

II. TERMINOLOGIA

A continuacion se presentan los conceptos mas relevantes, que se consideraron para el desarrollo de la presente investigacion. Entre estos estan: CAV, REST, JSON, Folcsonomia y Sistemas de Recomendaciones.

A CAV

Una CAV es definida como: "uno o varios grupos de individuos que estan vinculados por intereses en comun, que tienen la capacidad de poseer una fuerza de voluntad autonoma y estan comprometidos en un proceso de aprendizaje continuo, cuyo principal objetivo es el de construir conocimiento compartido utilizando las TIC como un medio de expresion" [27]. En el caso de una CAV en TDi, y de acuerdo al proyecto ST-CAV, el proceso de construccion de conocimiento es impulsado por los contenidos multimedia academicos, generados por los miembros de la comunidad, asi como por el conjunto de servicios interactivos que buscan promover la participacion en torno a esos contenidos [21].

B. Estilo Arquitectonico REST

El estilo arquitectonico REST (Representational State Transfer), plantea una arquitectura cliente-servidor, en la cual un servicio es visto como un recurso y es identificado a traves de una URL, mediante la cual este puede ser consumido. Para acceder a estos servicios web, se hace uso de mensajes en formato simple, los cuales se intercambian entre cliente y servidor [17,28]. REST define a partir de HTTP, cuatro metodos: GET, PUT, DELETE y POST, de los cuales los mas usados son: GET y PUT. Para el intercambio de informacion entre cliente y servidor a traves de REST, se puede hacer uso de diversos formatos y lenguajes: XML, HTML, JSON, siendo este ultimo el mas usado debido a su sencillez y flexibilidad.

C. JSON

JSON es un formato ligero basado en texto plano, cuya sintaxis esta basada en lenguaje JavaScript, lo cual permite sencillez en la generacion y procesamiento de documentos con este formato. JSON usa las convenciones para el manejo de datos, que son comunes en lenguajes como: C, C++, C#, Java, Perl, Python, etc., caracteristica que hace de JSON un lenguaje ideal para el intercambio de datos entre aplicaciones cliente servidor. Un mensaje JSON esta constituido por dos estructuras basicas: la primera es una coleccion de parejas nombre-valor, las cuales en varios lenguajes son conocidas como: diccionarios, tablas, hash, listas de claves, etc.; y la segunda es una lista ordenada de valores, que en la mayoria de los lenguajes se suele representar en forma de: arreglos, vectores, listas, etc. Las anteriores estructuras son usadas para conformar los mensajes de intercambio entre un cliente y un servidor [29,30].

D. Sistemas de Recomendaciones

Los sistemas de recomendaciones son herramientas encargadas de identificar los gustos y preferencias de un usuario, de tal forma que guian, de manera personalizada, el proceso de eleccion de un item u objeto a partir de muchas opciones. Los sistemas de recomendaciones tienen 2 enfoques principales: basados en filtros de contenidos y basados en filtros colaborativos. El primer enfoque, tiene en cuenta la informacion del perfil de usuario y la informacion asociada a los items valorados por este. El segundo enfoque, tiene en cuenta el entorno social de un usuario (similitud con los vecinos), sin considerar la informacion individual [10,14,15,16,31,32]. En entornos de TDi, los sistemas de recomendaciones se presentan como alternativa al problema de salto de canal, o a la necesidad de escoger un item a partir de un gran catalogo de contenidos multimedia [10,11].

E. Folcsonomia

Es una indexacion social, es decir, una clasificacion colaborativa por medio de etiquetas simples en un espacio de nombres llano, sin jerarquias ni relaciones de parentesco predeterminadas. Una Folcsonomia tambien es definida como nube de conceptos, donde los conceptos mas relevantes son presentados con mayor nivel de profundidad o mayor tamano de fuente [25,31]. En el presente trabajo, los resultados obtenidos a partir del sistema de recomendaciones (contenido o tematico de interes para una comunidad), son presentados en la pantalla del dispositivo mediante una Folcsonomia.

Los conceptos anteriores fueron integrados en el presente articulo, al proponer un sistema de recomendaciones basado en filtros colaborativos y evaluados en el contexto de las comunidades academicas virtuales del proyecto ST-CAV de la Universidad del Cauca. El recomendador desarrollado fue implementado y consumido como un servicio web de la arquitectura de TV Movil, de acuerdo al estilo arquitectonico REST-JSON. Asi mismo, el listado de recomendaciones fue presentado en la pantalla del dispositivo movil aplicando el concepto de Folcsonomia de la Web 2.0.

III. CLASIFICADOR DE NAIVE BAYES

En esta seccion se presentan las ecuaciones de probabilidad usadas por el clasificador Naive Bayes, para el calculo de la hipotesis mas probable, y la aplicacion de estas en la generacion de un listado de predicciones o recomendaciones para contenidos multimedia.

Sea x un ejemplo que puede ser clasificado dentro de v categorias, y sea x descrito por n caracteristicas: a1, a2, .., an, el clasificador de Naive Bayes busca encontrar la hipotesis mas probable que describa al ejemplo x, a partir de la siguiente formula probabilistica [22,33,34], ver (1):

Vnj = arg max(P(vj)[PI] P(ai|vj)) (1)

En (1) Vnj es la probabilidad de que conocidas las n caracteristicas que describen al ejemplo x, estas pertenezcan a la categoria vj; vj es cada una de las categorias V dentro de las que se puede clasificar el ejemplo x. La probabilidad de P(ai|vj) esta definida en general por (2) [22,33,34]:

P(ai | vj) = nc/n (2)

En (2), nc es el numero de veces que ocurre la caracteristica ai en la categoria vj, mientras que n es el numero de casos totales de la categoria vj. En caso de que nc sea igual a cero, se puede usar de la m-estimacion o estimacion de Laplace [22,33,34], ver (3):

P(ai|vj) = (nc+1)/(nc+k) (3)

En (3), n es el numero de casos totales con categoria vj, nc es el numero de veces que se da la caracteristica ai en la categoria vj, k es el numero de valores diferentes que toma la caracteristica ai. Asi, el clasificador de Naive Bayes puede ser usado para predecir la posible categoria de un caso x a partir de un conjunto de casos ocurridos, lo cual puede ser aplicado para la generacion de recomendaciones en escenarios de contenidos multimedia [22,23].

A modo de ejemplo de aplicacion del clasificador de Naive Bayes, en la Tabla 1 se presenta el catalogo de una tienda de peliculas, en el que un conjunto de contenidos multimedia ha sido valorado. Cada pelicula puede ser calificada dentro de 3 posibles valores (vj): v= {1, 2, 3}. Asi mismo, cada pelicula tiene 2 caracteristicas que la describen: a = {Genero, Ano}.

Si a partir de los datos de la Tabla 1 se desea predecir la posible calificacion de una pelicula cuyo genero sea "Accion" y cuyo ano sea "2005", se realiza el calculo de las siguientes expresiones de probabilidad (usando (1), (2) y (3)):

P(1)P(Accion|1)P(2005|1)=(0.4)(1)(0.5)=0.2

P(2)P(Accion|2)P(2005|2)=(0.4)(0.33)(0.5)=0.07

P(3)P(Accion|3)P(2005|3)=(0.2)(0.5)(0.5)=0.05

De acuerdo a lo anterior, se obtiene que la expresion con la probabilidad mas alta es P(1)=0.2, lo que indica que, de acuerdo al historial de la Tabla 1, la valoracion mas probable para una pelicula nueva con genero sea Accion y ano 2005 es 1. Asi, se puede observar que el clasificador de Naive Bayes puede ser adaptado a otros escenarios basados en el uso de contenidos multimedia, como es el caso de las comunidades academicas virtuales de TDi. En el presente trabajo, este clasificador fue usado para predecir la valoracion de un contenido que no ha sido visualizado por una comunidad.

IV. ARQUITECTURA DE TV MOVIL

En la Figura 1 se presenta la Arquitectura de TV Movil desarrollada en el Laboratorio de TDi de la Universidad del Cauca, dentro de la cual se enmarca el sistema de recomendaciones propuesto [18,19]. La trasmision del contenido multimedia se hace a traves del canal de Broadcast usando el estandar DVB-H, mientras que el consumo de los servicios interactivos se realiza a traves de la red celular (canal de retorno), mediante el estilo arquitectonico RESTJSON.

[FIGURA 1 OMITIR]

Dado que no existe un middleware abierto para el desarrollo de aplicaciones interactivas de TV Movil, esta arquitectura provee una Gateway WLAN encargada de recibir los contenidos DVB o DVB-H y re-direccionarlos mediante el protocolo de IPTV RSTP. Esta Gateway usa las herramientas para recepcion y procesamiento de flujos DVB: DVB Tools [35] y dvbsnoop [36], asi como tambien de la herramienta VLC [37] para re-direccionar el contenido multimedia.

El sistema de recomendaciones es accedido como un recurso del repositorio de servicios mediante el estilo arquitectonico REST-JSON, y se encarga de obtener los resultados probabilisticos a partir de la informacion de la base de datos de servicios, especificamente a partir de las valoraciones numericas de los miembros de una comunidad a un determinado programa.

V. ESQUEMA DE CONSUMO DE SERVICIOS

En la Figura 2a se presenta el esquema de consumo de servicios REST-JSON, usado para consumir el sistema de recomendaciones propuesto y los demas servicios interactivos del proyecto ST-CAV (foro, tablon de mensajes o micro-blog, chat y notificaciones) [17], ver Figura 2b. En este esquema, cada servicio es representado como una instancia o recurso: R1, R2, ..., RN, dentro del repositorio de servicios, de tal forma que estos tienen la capacidad de interactuar entre si para procesos de composicion de servicios. A cada uno de los recursos se les asigna una URL desde la cual los clientes de television: 1, 2, ..., N, puede acceder via Internet y recibir el mensaje JSON correspondiente a cada recurso.

[FIGURA 2a OMITIR]

[FIGURA 2b OMITIR]

El mensaje JSON recibido en el lado del cliente, contiene una estructura con un conjunto de parejas nombre-valor (conocidas previamente por los clientes y el servidor), las cuales son des-encapsuladas y presentadas en la interfaz correspondiente, de tal manera que cada cliente implementa su propia logica de presentacion. Para realizar el proceso anterior, los distintos clientes de television deben contar con la libreria apropiada (segun las caracteristicas de su Hardware) para permitir la interpretacion de los mensajes JSON, asi como las capacidades necesarias para hacer peticiones HTTP de tipo GET o PUT, propias del estilo REST--JSON [28].

VI. DISENO DEL SISTEMA DE RECOMENDACIONES

El sistema de recomendaciones propuesto se diseno a partir del modelo de negocio de las CAV del proyecto ST-CAV. Una CAV en TDi esta formada por un conjunto de miembros y un coordinador, los cuales comparten contenidos multimedia alrededor de una tematica en especifico. A partir de estos contenidos, el coordinador de la comunidad genera un programa de television que es transmitido en determinada franja horaria. Los miembros de la comunidad se encargan de participar durante la emision del programa, a traves de un conjunto de servicios adicionales (chat, mini foro, votacion, etc.) que funcionan a la par del servicio basico de emision.

En la Tabla 2 se muestran las relaciones de cardinalidad de la base de datos del proyecto ST-CAV, las cual representan el modelo de negocio de las CAV en TDi. De acuerdo a la Tabla 2, cada programa asociado a una comunidad contiene eventos o momentos de interactividad durante su emision, en los que un miembro de la comunidad puede valorar o votar el contenido multimedia con una calificacion en el rango de 1 a 5. Estas calificaciones son almacenadas en la tabla "votaciones" de la base de datos y son empleadas por el sistema de recomendaciones para realizar las predicciones de nuevos contenidos, de acuerdo al clasificador de Naive Bayes.

Adicionalmente, se puede observar que en el escenario de las CAV, se lleva un conteo general de las votaciones de la comunidad, puesto que el contenido multimedia es difundido a todos los miembros en una determinada franja horaria (modo de emision broadcast) y no existe la posibilidad de votar el contenido en cualquier momento.

VII. ADAPTACION DEL CLASIFICADOR DE NAIVE BAYES AL ENTORNO DE LAS CAV EN TDI

A partir de [22] y de la base teorica de la seccion 2, en esta seccion se presenta la adaptacion del clasificador Naive Bayes al entorno de las CAV en TDi. Para lo anterior, se hace uso de la tabla "programas" de la base de datos del proyecto ST-CAV, la cual recoge la relacion de contenidos multimedia emitidos en las comunidades del entorno de television. Esta tabla clasifica los contenidos multimedia de acuerdo a tres categorias principales: a={area, subtema, ano}; a traves de estas, se calcula la votacion mas probable (v={1,2,3,4,5}) para los contenidos que no han sido valorados, es decir los que pertenecen a comunidades a las que no esta vinculado el usuario en cuestion. Los calculos se realizan a partir del historial de votaciones de todos los programas de cada una de las comunidades. Por su parte, para los contenidos que han sido valorados por la comunidad a la que pertenece el usuario, se usa el promedio aritmetico de las valoraciones hechas.

A. Procedimiento de obtencion de las recomendaciones El procedimiento para la obtencion del listado de recomendaciones de contenidos de una CAV en TDi, usando el clasificador de Naive Bayes, se presenta a continuacion.

1. Se obtiene la lista de comunidades a las que pertenece el usuario en cuestion.

2. Se calcula el promedio aritmetico de las valoraciones asociadas a los eventos, de los programas pertenecientes a la lista de comunidades obtenidas en el punto 1.

3. A partir de la tabla programas y la tabla votaciones se obtiene una matriz de estimacion para todos los programas de las base de datos. La matriz tiene por columnas: area, subtema, ano y votacion.

4. Partiendo de la lista de comunidades del punto 1, se obtiene la lista de programas (area, subtema y ano) que no pertenecen a las comunidades del usuario en cuestion.

5. Usando la matriz de estimacion de todos los programas y la Ecuacion 1, se calcula la valoracion mas probable para la lista de programas del punto 4.

6. A partir de los resultados del punto 2 y del punto 5 se arma un mensaje JSON de respuesta con las valoraciones promedio y las valoraciones probables para los contenidos no valorados.

7. Se envian las valoraciones promedio segmentadas por tematicas o programas al cliente movil, presentadas en pantalla en forma de una folcsonomia.

VIII. RESULTADOS

El sistema de recomendaciones propuesto, es accedido como servicio web desde el cliente de TV Movil JavaME implementado usando el estilo arquitectonico REST-JSON. Este servicio es desplegado al igual que los otros servicios interactivos del proyecto ST-CAV, en el servidor web Python libre webpy. La informacion usada por cada uno de los servicios es almacenada en la base de datos del proyecto, la cual esta implementada sobre el gestor de base de datos MySQLV5.1. El gestor de bases de datos y el servidor web corren sobre el sistema operativo Ubuntu Linux 11.10.

Cada servicio web accedido desde los diferentes clientes de television (television movil, television digital, IPTV), es visto como un metodo que implementa un procedimiento y genera una respuesta en formato JSON. En el caso del recomendador, este mensaje es enviado al cliente movil JavaME para que lo decodifique y presente en forma de una folcsonomia. El mensaje JSON esta formado por un conjunto de arreglos que contiene 4 parejas nombre-valor: el identificador del programa, el valor de la probabilidad obtenida a partir del clasificador de Naive Bayes, la posible valoracion del programa y el nombre del programa.

El listado de recomendaciones en el cliente movil tuvo en cuenta el concepto de folcsonomia de la Web 2.0, en la cual los conceptos mas relevantes son presentados con mayor tamano de fuente. Dado que en Java ME solo existen 3 tipos de tamano de fuente, se opto por encerrar el concepto en recuadros de colores proporcionales en tamano a la importancia de la votacion obtenida para cada contenido. De igual manera se presenta otra vision de una Folcsonomia en terminos de un diagrama de torta, ver Figura 3. A continuacion se presentan las pruebas realizadas sobre el cliente de television movil.

[FIGURA 3 OMITIR]

A. Evaluacion cliente de TV movil

Sobre el cliente Movil de TDi se realizaron 3 tipos de evaluaciones: el tiempo de establecimiento de conexion con el servidor de recursos, el tiempo de procesamiento de un mensaje JSON y el tiempo de generacion de la folcsonomia. Para estas evaluciones se uso la herramienta de emulacion Java ME MicroEmulator [38], y del kit de herramientas de emulacion de Sony Ericsson. Estas herramientas permiten emular la memoria de un dispositivo movil con configuracion CLDC 1.1 y Perfil MIDP 2.0, asi como visualizar un log de mensajes donde se pueden apreciar los tiempos de conexion y procesamiento obtenidos con la sentencia: system. currenttimemillis() de la plataforma movil Java ME.

En la Figura 4 se presenta el tiempo empleado en establecer 50 conexiones secuenciales con el servidor de recursos mediante la libreria Rest Client [39]. Se puede observar que aunque existen ciertos picos esporadicos de tiempo, la mayoria de las conexiones emplean un tiempo por debajo de los 0,05 segundos.

[FIGURA 4 OMITIR]

En la Figura 5 se muestran los tiempos empleados por el cliente movil para decodificar un mensaje JSON de 20 eslabones, tras realizar 50 conexiones secuenciales con el servidor. Se puede observar que la mayoria de las conexiones emplean un tiempo de alrededor de 30 milisegundos.

[FIGURA 5 OMITIR]

Finalmente en el caso del recomendador de contenidos, en la Figura 6 se presentan los tiempos empleados por el cliente movil en generar y se presentar una folcsonomia en la pantalla del dispositivo (a partir del listado de recomendaciones recibidas desde el servidor), tras realizar 50 conexiones secuenciales este servicio. Se observa que el tiempo de generacion para cada conexion oscila entre 20 y 30 milisegundos.

[FIGURA 6 OMITIR]

De acuerdo a las pruebas realizadas en este apartado, se puede observar que la suma de los tiempos de peticion del servicio, los tiempos de procesamiento de los mensajes JSON y los tiempos de generacion de la folcsonomia, en total no superan los 0.2 segundos, con lo cual se mejora el tiempo de acceso a los contenidos multimedia del estandar DVB-H.

IX. CONCLUSIONES Y TRABAJOS FUTUROS

El recomendador propuesto facilita y mejora el acceso a los contenidos multimedia, al presentar un conjunto de contenidos de interes, en un tiempo menor al empleado por el estandar DVB-H para el salto de un canal a otro, siendo una alternativa al barrido de canales, programas y contenidos multimedia.

Este trabajo presenta una propuesta de Folcsonomia en escenarios moviles, la cual permite desplegar un listado de contenidos de forma resumida y siguiendo las tendencias de la Web 2.0. Este estilo de presentacion de recomendaciones puede ser aplicado en escenarios semejantes, de manera independiente al metodo de calculo de las recomendaciones.

El presente trabajo describe un metodo para el calculo de recomendaciones de contenidos multimedia en entornos comunitarios de TV Movil, el cual puede ser adaptado a otro tipo de escenarios tecnologicos de aplicacion.

El uso del formato liviano JSON para el intercambio de mensajes entre el cliente movil de television y el servidor, contribuye en la mejora de los tiempos de acceso a las recomendaciones, permitiendo que el recomendador sea una alternativa al problema de salto de canal.

La arquitectura de TV Movil presentada, permite la integracion de servicios interactivos y servicios multimedia, siendo una alternativa al problema de interactividad bidireccional.

Como trabajo futuro, se pretende mejorar el sistema de recomendaciones propuesto, de tal forma que se tenga en cuenta informacion del contexto, desde 3 enfoques puntuales: usuario, red y dispositivo de acceso.

Recibido Abril 15 de 2015--Aceptado Mayo 29 de 2015

AGRADECIMIENTOS

Este trabajo ha sido realizado en la Universidad del Cauca--Colombia, y ha sido financiado parcialmente por el programa de Doctorados Nacionales de Colciencias (Convocatoria 528 de 2011), asi como por la Alianza del Pacifico en su convocatoria de Movilidad de Investigadores2013. De igual manera, este trabajo cuenta con el apoyo de los proyectos de investigacion: UsabiliTV (financiado por Colciencias y el MEN. ID 1103 521 28462) y RedAUTI (financiado por CYTED. ID P511RT0184).

REFERENCIAS

[1] P. Rost, R. Boutaba, K. Doppler, and A. Gumaste, "Recent Advances in Network Convergence," Computer Networks, vol. 55, pp. 1455-1458, 2011.

[2] DVB-H, "Transmission System for Handheld Terminals (DVB-H)," ETSI, Informe de Implementacion 2004.

[3] DVB-H. DVB Mobile TV--DVB-H--DVB-SH--DVB-IPDC. [Online]. http://www.dvb-h.org

[4] R Fernandez. (2006) [Online]. http://ficheros.molamiweb.com/webs/ coyan/trabajo-DVB-texto.pdf

[5] T. Itagaki, J. Cosmas, and M. Haque, "An interactive digital television system designed for synchronised and scalable multi-media content over DVB and IP networks," in Multimedia and Expo, 2004. ICME '04. 2004 IEEE International Conference, 2004, pp. 2155-2158.

[6] tecnologiahechapalabra.com. (2009) Apagon Analogico. [Online]. http://www.tecnologiahechapalabra.com/tecnologia/glosario_ tecnico/articulo.asp?i=4148

[7] R. Schatz, N. Jordan, and S. Wagner, "Beyond Broadcast--A Hybrid Testbed for Mobile TV 2.0 Services," in Networking, 2007. ICN '07. Sixth International Conference, 2007, pp. 22-28.

[8] C. Acevedo, G. Chanchi, and J., Arciniegas, "Surveying Mobile Television," International Journal of Communication Networks and Information Security (IJCNIS), vol. III, no. 1, Abril 2011.

[9] K. Pripuzic et al., "Building an IPTV VoD Recommender System: An Experience Report," in ConTEL 2013-12th International Conference on, 2013, pp. 155-162.

[10] Roberto. Turrin and Paolo Cremonesis, "Recomender Systems for Interactive TV," in Tutorial In Proceedings of euroITV 2010, 2010.

[11] H. Zhang and S. Sheng, "Personalized TV program recommendation based on TV-anytime metadata," in In Consumer Electronics--(ISCE 2005), St. Louis Missouri--USA, 2005, pp. 242-246.

[12] M. Dabrowski, J. Gromada, and H. Moustafa, "Context-Awareness for IPTV Services Personalization," in In Ubiquitous Computing International Conference (IMIS 2012), 2012, pp. 37-44.

[13] S. Song, H. Moustafa, and H. Afifi, "IPTV Services Personalization Through Context Aware Content Recommendation," Multimedia, IEEE Transactions, vol. 14, no. 6, pp. 1528-1537, Diciembre 2012.

[14] C. Porcel, A.G. Lopez-Herrera, and E. Herrera-Viedma, "A Recommender System for Research Resources based on Fuzzy Linguistic Modeling," Expert Systems with, pp. 5173-5183, 2009.

[15] C. Porcel, J.M. Moreno, and E. Herrera-Viedma, "A multi-disciplinar recommender system to advice research resources in University Digital Libraries," Expert Systems with Applications, vol. 10, no. 12520-12528, 2010.

[16] C. Porcel, A. Tejeda-Lorente, M.A. Martinez, and E. Herrera-Viedma, "A hybrid recommender system for the selective dissemination of research resources in a technology transfer office," Information Sciences, pp. 1-19, 2012.

[17] G Chanchi, W Campo, J. Amaya, and J. Arciniegas, "Esquema de servicios para Television Digital Interactiva, basados en el protocolo REST-JSON," in Proceedings of the VI Congresso Ibero-americano de Telematica--CITA 2011, Gramado, 2011.

[18] G. Chanchi and J. Arciniegas, "Arquitectura para el soporte de servicios interactivos de TV Movil, apoyada en sistemas de recomendaciones y busqueda semantica," Universidad del Cauca, Popayan, Tesis de Maestria en Ingenieria Telematica 2013.

[19] J. Amaya, F. Urbano, W. Campo, and J Arciniegas, "Infraestructura Tecnologica para un laboratorio experimental de Television Digital Interactiva," in Congreso Colombiano de Computaciion, PopayanColombia, 2008.

[20] Proyecto ST-CAV Universidad del Cauca. (2011) Proyecto ST-CAV: Servicios de T-Learning para el soporte de Comunidades Academicas Virtuales. [Online]. http://www.unicauca.edu.co/STCAV/

[21] G. Chanchi, W. Campo, and J. Arciniegas, "Directrices para el soporte de Comunidades Academicas Virtuales en TDi," in VI Congreso Internacional de Telecomunicaciones--CITTEL, La Habana-Cuba, 2010.

[22] Prem Melville, Raymond J. Mooney, and Ramadass Nagarajan, "Content-Boosted Collaborative Filtering for Improved Recommendations," Universidad de Texas, 2002.

[23] H. Park, J. Yoo, and S. Cho, "A Context-Aware Music Recommendation System Using Fuzzy Bayesian Networks with Utility Theory," in Proceedings of the Third international conference on Fuzzy Systems and Knowledge Discovery, Berlin, 2006, pp. 970-979.

[24] D. Jannach, M. Zanker, A. Felfernig, and G. Friedrich, Recommender Systems: An Introduction. New York, USA: Cambridge University Press, 2010.

[25] C. Damme, M. Hepp, and K. Sioapaes, "FolksOntology: An Integrated Aproach for Turning Falcsonomies into Ontologies," in Semantic Web and Web 2.0 (SemNet 2007), 2007, pp. 55-70.

[26] Tim O'Reilly. (2005) What is web 2.0: design patterns and business models for the next generation of software. [Online]. http://oreilly. com/web2/archive/what-is-web-20.html

[27] Macarena Blando. (2003) Comunidades Academicas Virtuales: Compartir para mejorar. [Online]. www.te.ipn.mx/ comunidadesvirtuales/

[28] S. Tyagi. (2006, Agosto) Oracle--RESTful Web Services. [Online]. http://www.oracle.com/technetwork/articles/javase/index-137171. html

[29] json.org. Introduccion a JSON. [Online]. http://json.org/json-es.html

[30] N. Nurseitov, M. Paulson, R. Reynolds, and C. Izurieta, "Comparison of JSON and XML Data Interchange Formats: A Case Study," in International Conference on Computer Applications in Industry and Engineering, San Francisco, 2009.

[31] Alexander Felfernig and Gerhard Friedrich, "Recommender System," University of Klagenfurt Lars Schmidt-Thieme, 2007.

[32] Markus Zanker, Dietmar Jannach, and Sergiu Gordea, "Comparing Recommendation Strategies in a Commercial Context," University Klagenfurt, 2007.

[33] C. Malagon. (2003, Mayo) Calsificadores Bayesianos. El algoritmo Naive Bayes. [Online]. http://www.nebrija.es/~cmalagon/inco/ Apuntes/bayesian_learning.pdf

[34] M. Ghazanfar and A. Prugel-Bennett, "An Improved Switching Hybrid Recommender System Using Naive Bayes Classifier and Collaborative Filtering," in In the 2010 IAENG International Conference on Data Mining and Applications, Hong Kong, 2010, pp. 17-19.

[35] sourceforge.net. DVB Tools. [Online]. http://sourceforge.net/projects/ dvbtools/

[36] sourceforge.net. dvbsnoop. [Online]. http://dvbsnoop.sourceforge.net

[37] videolan.org. VLC. [Online]. http://www.videolan.org/vlc/

[38] microemu.org. MicroEmulator. [Online]. http://www.microemu.org/

[39] C. Hartmann. (2008) RestClient library. [Online]. http://www.acidum. de/2008/12/29/j2me-rest-client

(1) Producto derivado del proyecto de Investigacion "Servicios de T-Learning para el soporte de Comunidades Academicas Virtuales.", apoyado por la Facultad de Ingenieria, de la Universidad del Cauca a traves del Grupo de Investigacion GIT.

G. E. Chanchi, es Ingeniero en Electronica y Telecomunicaciones de la Universidad del Cauca, actualmente es docente de la Universidad del Cauca, (correo e.: gabrielc@unicauca.edu.co).

J. L. Arciniegas, es Ingeniero en Electronica y Telecomunicaciones de la Universidad del Cauca, actualmente es docente de la Universidad del Cauca, (correo e.: jlarci@unicauca.edu.co).

W. Y. Campo, es Ingeniero en Electronica y Telecomunicaciones de la Universidad del Cauca, actualmente es docente de la Universidad del Quindio. Armenia, Colombia, (correo e.: wycampo@uniquindio.edu.co).

Gabriel Elias Chanchi Golondrino nacio en Popayan, Cauca, Colombia, el 4 de Febrero de 1984. Ingeniero en Electronica y Telecomunicaciones de la Universidad del Cauca. Magister en Ingenieria Telematica de la Universidad del Cauca. Candidato a Doctor en Ingenieria Telematica de la Universidad del Cauca.

Ha trabajado como docente universitario en cursos de Programacion, Estructuras de Datos, Desarrollo de aplicaciones moviles y desarrollo de aplicaciones web. Entre sus campos de interes se encuentran los sistemas de recomendaciones, los sistemas adaptativos y el desarrollo de servicios interactivos en escenarios de television digital.

Jose Luis Arciniegas Herrera. Ha recibido los titulos de Ingeniero en Electronica y Telecomunicaciones y Especialista en Redes y Servicios Telematicos de la Universidad del Cauca; y Doctor en Ingenieria de Sistemas Telematicos de la Universidad Politecnica de Madrid. Se desempena como docente adscrito al Departamento de Telematica de la Universidad del Cauca.

Entre sus campos de interes estan el Desarrollo del Software Evolutivo, Arquitectura del Software, Sistemas de Tiempo Real y la Television Digital Interactiva .El Ingeniero Arciniegas forma parte del Grupo GIT de la Universidad del Cauca donde ha liderado varios proyectos de television Digital interactiva, EDiTV, MT2TDi y ST_CAV.

Wilmar Yesid Campo Munoz nacio en Popayan, Cauca, Colombia, el 6 de mayo de 1975. Ha recibido los titulos de Doctor en Ingenieria Telematica, Magister en Ingenieria, Area Telematica e Ingeniero en Electronica y Telecomunicaciones de la Universidad del Cauca. Ha Ejercido profesionalmente como investigador en diferentes proyectos en el ITEC Telecom, en la Universidad del Cauca y en la Universidad del Quindio donde se encuentra actualmente vinculado como docente de planta.

El Ingeniero Campo forma parte del grupo GITUQ de la Universidad del Quindio. Entre sus campos de interes se encuentran: IPTV, sistemas de teletrafico, redes de telecomunicaciones avanzadas y television digital Interactiva y la Telemedicina.
TABLA I

Ejemplo clasificador naive bayes

Muestra   Genero    Ano    Valoracion

1         Accion    2001       1
2          Drama    2005       2
3         Accion    2002       1
4         Comedia   2012       3
5         Comedia   2002       2

TABLA II

Cardinalidad bases de datos ST-CAV

No.   Relacion de Cardinalidad

1     Existen una o mas comunidades en el sistema de
      television.
2     Un usuario puede ser miembro de una o muchas
      comunidades.
3     Cada comunidad trata una tematica en especifico.
4     Una comunidad puede tener uno o muchos programas
      asociados.
5     Cada programa cuenta con uno o mas eventos.
6     Cada evento cuenta con una o mas valoraciones.
7     Cada valoracion cuenta con una o mas votaciones.
COPYRIGHT 2015 Universidad Catolica de Pereira
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2015 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Title Annotation:television digital interactiva
Author:Chanchi, G.E.; Arciniegas, J.L.; Campo, W.Y.
Publication:Entre Ciencia e Ingenieria
Date:Jun 1, 2015
Words:6305
Previous Article:Simulacion de un proceso de inyeccion de carbon pulverizado con mejoras tecnicas, caso de estudio "Ladrillera La Sultana".
Next Article:Seis sigma en una empresa de servicios de informatica.
Topics:

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters