Upload
vophuc
View
226
Download
0
Embed Size (px)
Citation preview
RadarWeb: Navegación Predictiva en Internet en base a las preferencias de usuario
Roberto F. Arroyo, Moisés Fernández, Miguel GeaGEDES – Departamento de Lenguajes y Sistemas Informáticos
E.T.S. de Ingeniería Informática y T., Periodista Daniel Sucedo Aranda s/nUniversidad de Granada
18071 [email protected], [email protected], [email protected]
Resumen
Internet se ha convertido en un medio de publicación, comercio y difusión muy importante aunque con la dificultad que supone encontrar la información que se desea. En este artículo se analizan las técnicas más usuales para la búsqueda y presentación de la información, estudiando sus ventajas e inconvenientes como tareas de usuario. Finalmente se propone una nueva técnica de navegación basada en las preferencias del usuario que permite orientar al usuario en la elección del siguiente enlace. Esta propuesta se desarrolla como una extensión que se integra en la parte del cliente de navegación y que se usa como radar sensible al contexto.
1. Introducción
Internet supone una gran fuente de información, accesible de forma sencilla a través de hiperenlaces. Sin embargo, un problema que nos encontramos es el poder buscar entre millones de páginas webs las cosas que realmente nos interesan. En este sentido, se debe cuidar la ubicación de los elementos, la navegación, su rotulación, la facilidad de búsqueda, etc. en lo que se denomina como arquitectura de la información [27]. Estas técnicas basadas en aspectos usabilidad permiten detectar problemas en el diseño y concepción de un sitio Web a través de pruebas heurísticas y evaluación con usuarios [16].
Sin embargo, este problema es inherente a la propia estructura Web, ya que para seleccionar el
sitio adecuado, el usuario debe escoger entre miles de páginas con características similares.
Los mecanismos más usuales para orientarse en Internet y obtener la información deseada son los buscadores (como el caso de Google, Yahoo, etc.), las clasificaciones por categorías [10], los sistemas basados en agentes [4,15], y más recientemente, mecanismos de sindicación com RSS y herramientas para la gestión social como las nubes de etiquetas [20]. Estos métodos se engloban dentro de la minería de datos, y se basan en la creación de algoritmos eficientes para el filtrado de la información, agrupamiento (clustering) y representación (browsing) [11].
En las siguientes secciones analizaremos la
problemática de las técnicas de búsqueda y visualización como tareas de usuario. A continuación, propondremos una alternativa de navegación denominada navegación predictiva que permite conocer el lugar y la distancia a los resultados esperados en la página actual según las preferencias actuales del usuario. A partir de ese modelo de representación de los datos, desarrollaremos un algoritmo de exploración predictiva que incluiremos como extensión en el cliente de navegación y que actúa como un radar que facilita la elección del siguiente enlace en base a las preferencias del usuario. Concluiremos con diferentes campos de aplicación y líneas de trabajo futuro.
2. Búsqueda
Existen estudios donde estiman que más del 85%
de los usuarios de Internet usan los buscadores para algún propósito, e incluso se pueden realizar consultas por los términos de búsqueda más usados [14]. La tarea de búsqueda es muy sencilla e intuitiva para el usuario y se basa en dos procesos bien diferenciados: especificación del término a buscar y exploración de los resultados.
La descripción del término a buscar se realiza generalmente introduciendo una serie de palabras clave en una entrada de texto. La precisión de la búsqueda está condicionada por una buena selección de los términos de búsqueda y generalmente se permite la introducción de criterios en la búsqueda (búsqueda avanzada) para delimitar el dominio de búsqueda con expresiones complejas. Por ejemplo, se puede indicar que sólo busque en un determinado idioma, determinar el grado de coincidencia de las palabras, dominio, etc. En la Figura 1 se muestra la pantalla de búsqueda avanzada de Google [8, 13]
Figura 1. Mecanismos de búsqueda avanzada
Google proporciona un API [12, 19] para personalizar búsquedas en webs. Como resultado, se obtiene una lista de páginas en las que se utiliza como criterio de ordenación el grado de afinidad con la consulta realizada y su relevancia social. La técnica PageRank [7] evalua la relevancia de los resultados con los términos encontrados. Este método se basa en propagar la importancia de una página a las que enlaza. Al diferencia de otros métodos, además de contar el número de enlaces que posee la página, también considera la importancia de quién la enlaza. La relevancia social de este modo viene dada por el prestigio de quien la enlaza y por los votos que le dan los usuarios.
Este modo de búsqueda, si bien tiene grandes ventajas como pudiera ser una mayor precisión a la hora de discernir el espacio de resultados, o la
rapidez tanto de la obtención de los mismos como del acceso a las páginas objetivo, también posee los siguientes problemas desde el punto de vista del usuario:
1) Pérdida del contexto actual de navegación. Cuando un usuario está visitando una determinada web y hace uso de este tipo de buscadores, los resultados a los que se tiene acceso pueden formar parte de otro contexto totalmente distinto. Para evitarlo, hay que indicar explícitamente en la interfaz que la búsqueda se debe realizar sobre el dominio en el que se encuentra el usuario. A menudo esta opción no está habilitada en la página o no la percibe el usuario, lo que puede dar lugar a confusión. En el caso de la UGR, se posee una opción excluyente para restringir la búsqueda (por defecto está activada, como se puede ver en la Figura 2a). Si estamos usando Google, se puede restringir el dominio de búsqueda incluyendo en las palabras clave de búsqueda la directiva :inurl, que tampoco es intuitivo para un usuario no experimentado con este tipo de sistemas. Otra alternativa sería usar siempre el mecanismo de búsqueda avanzada delimitando el dominio de búsqueda, lo que tampoco resulta útil para un manejo cotidiano.
Figura 2. Búsqueda usando Google dentro de la UGR (con motor de Google), y la misma búsqueda en Google.
2) Pérdida de la orientación. Si bien con la búsqueda restringida a un determinado dominio podemos solventar el caso anterior, a la hora de devolver la página, no sabemos a qué distancia (recorrido) se encuentra desde la posición en la que nos encontramos en la red hipermedia. Obtenemos el nodo final resultantes pero perdemos la información relativa del camino que debemos seguir para alcanzarlo. En muchas ocasiones, principalmente cuando se está navegando por portales de contenido como los relativos a instituciones, lo importante no es tanto
el encontrar un determinado nodo de información puntual, sino el conocer cómo acceder hasta dicho nodo, ya que te permite conocer, por ejemplo, de qué organismo universitario depende la tramitación de becas Erasmus. Esta información no se puede proporcionar mediante los métodos de búsqueda expuesto, o bien es difícil de expresar.
3. Visualización de la información
En la exploración de la información nos encontramos a menudo con sobrecarga de información y ansiedad [26]. En este sentido, los mecanismos de visualización están pensados para ayudar al usuario a comprender la estructura de un sitio Web y sus relaciones visualmente [14].
La dificultad en la exploración aumenta conforme crece el volumen y la diversidad de la información. Existen varias propuestas para la representación visual de la información según el tipo de dato que se utilice [22]. Destacamos las representaciones lineares 1D (Document Lens, SeeSoft, Information Mural), mapas 2D (GIS, Arcinfo, ThemeMap, LyberWorld), mundo 3D (Escritorios, WebBook, VRML), temporal (Perspective Wall, ESDA, LifeLines), multidimensionales (Coordenadas paralelas, Starfield, Visage Influence Explorer, TableLens), árbol (Outliners, Superbook, FileManager, Hyperbolic, TreeBrowser, Treemaps) o redes (Netmap, SemNet, SeeNet, Butterfly). En [25] encontramos una gran variedad de mecanismos de visualización adaptados a diferentes propósitos.
Independientemente del método de visualización empleado se necesita un conjunto básico de manipulación de dicha visualización. Las operaciones básicas son una vista general (overview) del conjunto completo, zoom en los elementos de interés, filtrado, petición de detalles bajo demanda, ver las relaciones entre los elementos, mantener un histórico de las acciones, y extraer subcolecciones y parámetros de la búsqueda usada.
Dada la extensión de la estructura
hipermedia, la representación en grafos guiados por nodos es sumamente compleja (por el volumen que se debe visualizar). Aún cuando se maneja de forma local y parcial, muchas páginas contienen decenas de enlaces a otras páginas, y representar una profundidad sencilla como tres o cuatro niveles ya genera un número muy considerable de nodos.
Otra forma de mostrar y filtrar la información es atendiendo al concepto que representa. Un ejemplo de esto son las nubes de etiquetas, figura 3, que emplean variaciones en la tipografía (tamaño y color) para enfatizar dicho elemento (denotando su relevancia), mientras se muestra la lista de términos en orden alfabético.
Figura 3. Nube de etiquetado de IBM [17]
Otros mecanismos de representación de conceptos son los grafos circulares [3] o de asociaciones simples de conceptos [11], aunque todos ellos están basados en representar una serie de palabras claves indicando visualmente su importancia y el grado de afinidad con otros conceptos.
Se pueden combinar varias representaciones para visualizar el contenido de diferentes modos siguiendo una representación estructural. Un ejemplo de esta fusión es TouchGraph [23]. TouchGraph proporciona una manera sencilla de visualizar redes de información interrelacionada. Las redes se representan como grafos interactivos, que permiten una variedad de transformaciones. Un ejemplo de ello es la Figura 4 que representa el mapa conceptual de la Universidad de Granada con los enlaces a otras Universidades.
Figura 4. Representación de la Universidad de Granada usando TouchGraph
Si bien este tipo de representaciones consigue representar una gran cantidad de información estructural o conceptual, y establecer relaciones entre las mismas, presenta una serie de inconvenientes de navegación desde el punto de vista de la tareas a realizar por el usuario:1) Estructura frente a Contenido. La representación se centra casi exclusivamente en la organización estructural de la información (nodos y enlaces) mostrando el grafo de relaciones, y prestando poca atención al contenido. De este modo, el foco de atención del usuario (la organización) es diferente a lo que realmente busca (el contenido). Se podría minimizar este efecto usando varios paneles, en el cual uno de ellos muestra la estructura visual. Este tipo de representación induce un comportamiento de navegación orientado por palabras clave en lugar de por contenido de la página. El usuario tiende a navegar entre los nodos atendiendo únicamente a las palabras clave que quedan resaltadas por el mecanismo de representación visual, dejando de revisar el contenido explícito de dicha página.
2) Estructura frente a Preferencias (objetivos). La estructura no está adaptada a las preferencias del usuario. Las representaciones persiguen una estructuración y valoración lo más objetiva posible del dominio del búsqueda en base a un conjunto de palabras más o menos relevantes (clustering). Sin embargo, esas palabras puede que directamente no sean lo que realmente busca el usuario (no coincide con sus preferencias), por lo que se obliga a redefinir sus objetivos en base al conjunto actual de palabras y relaciones.
Por ejemplo, usando TouchGraph para buscar «estudiantes de la Universidad de Granada» nos muestra una visualización que aparece en la Figura 4, en la que se muestran enlaces propios de centros y sedes de la universidad, pero se muestran información no relevante para el usuario (enlaces a otras universidades) e iconos duplicados que no dan información suficiente para distinguir uno de otro.
Como conclusión, las técnicas de visualización y búsqueda son dos métodos muy interesantes desde el punto de vista del usuario para ayudar a encontrar la información en un espacio de búsqueda muy complejo, si bien cada uno de ellos tiene inconvenientes que dificultan el uso por parte del usuario. En la siguiente sección presentaremos una propuesta sobre un sistema de ayuda a la navegación que pretende aunar las características de estos métodos usando un mecanismo más intuitivo y menos intrusivo para el usuario, basado en sus preferencias.
4. Exploración predictiva
Las páginas web se encuentran enlazadas entre sí, formando un grafo hipermedia. Cuando un usuario visita una de ellas, es muy probable que visite un nodo enlazado desde dicha página. Usando esta premisa, se pueden evaluar los gustos e intereses del usuario para predecir las páginas más relevantes desde la ubicación actual en la que se encuentra [1]. Nuestro interés es mejorar la interfaz para adecuar la visualización, cuando explora grandes volúmenes de información, en base a las preferencias del usuario. Para ello, utilizaremos la metáfora de radar como mecanismo de orientación dentro de un espacio de información multidimensional. Vamos a desarrollar una ayuda a la navegación partiendo de las siguientes premisas:
1) El usuario conoce a priori sus preferencias. Estas preferencias o gustos establecen el conjunto de páginas objetivo potenciales en las que está interesado el usuario. El usuario es responsable de definir en qué está interesado al inicio de su navegación, de forma que el sistema ya conoce
desde el principio las distintas temáticas en las que el usuario solicita información. Pueden existir distintos puntos de interés en un momento dado, ya sean estos disjuntos o no. Durante la navegación, el usuario puede añadir o eliminar los distintos elementos en los que se encuentra interesado, regenerando un nuevo panorama de interés desde el nodo en el que se encuentra.
2) La navegación es dirigida, el usuario realiza una exploración sobre un sitio en profundidad, y está interesado en encontrar tanto la información como el mecanismo para llegar a la misma. No nos basta con ser capaces de acceder al contenido buscado. El objetivo es guiar al usuario a través de la web con una búsqueda dirigida. El sistema de navegación pretende servir de guía en una navegación tradicional, y no convertirse en un conjunto de «enlaces rápidos» para saltar a sitios concretos.
Estas dos premisas no suponen ninguna restricción fuerte, sino que representan una navegación habitual del usuario. De hecho, cuando una página es de interés, se almacena en el bookmark, y generalmente se hace una indagación exploratoria sobre un sitio en internet. A continuación veremos mediante dos técnicas diferentes cómo la navegación predictiva puede ser útil para encontrar la información que es relevante para el usuario.
4.1. Búsqueda predictiva
Una búsqueda mediante buscador (por ejemplo, Google) proporciona una serie de resultados ordenados por orden de relevancia objetiva, en formato de lista. Se puede restringir el espacio de búsqueda a un dominio determinado, para acotar la localización de los resultados obtenidos. Nuestra propuesta consiste en representar sobre la página actual la distancia que existe en los enlaces a la información deseada. Como primer experimento, compararemos los resultados obtenidos por este motor de búsqueda (empleando becas erasmus inurl:ugr.es como cadena de búsqueda), y una ayuda de navegación consistente en contar las ocurrencias de un conjunto de palabras de interés en los nodos
accesibles desde cada enlace de la página actual. La Figura 5 muestra el resultado obtenido. Google devuelve 433 entradas ordenadas por el orden de importancia, mientras que nuestro sistema rotula cada enlace de la página actual con un número indicativo de la relevancia del enlace con respecto a nuestras preferencias activas.
Figura 5. Resultados de la búsqueda sobre «becas erasmus» en el motor Google (a), y la ayuda a la navegación obtenida in situ (b)
Podemos observar que el primer resultado de Google hace referencia a la Oficina de Relaciones Internacionales de la Facultad de Ciencias (http://erasmus.ugr.es), y no a la ORI de la Universidad de Granada, el organismo oficial (http://www.ugr.es/~ofirint/erasmus/), que recibe 2 puntos favorables en el sistema de ayuda a la navegación.
4.2. Visualización basada en mapa de navegación
El mapa de navegación es otro mecanismo que proporciona visualmente el conjunto de nodos accesibles desde la posición actual mediante un árbol jerárquico, con una función de relevancia de cada nodo según su afinidad con las preferencias del usuario. La figura 6 muestra en el marco de la derecha el grafo desplegado para una distancia de dos niveles desde la posición actual del usuario y mostrando en color rojo los nodos más afines a los criterios de preferencias.
Figura 6. Representación conjunta del mapa de navegación (derecha) y la representaciópn predictiva de la distancia de los nodos a las preferencias de usuario.
El mapa permite desplazarse por la estructura para conocer la afinidad de páginas futuras enlazadas a una distancia de (en este caso) 2 niveles de la actual sin necesidad de moverse. Los índice que aparecen en cada nodo refleja el grado de relevancia de esa página respecto a las preferencias de usuario.
Como la exploración, por el volumen de información y número de enlaces, puede ser difícil de manejar de forma interactiva, se plantean mecanismos eficientes y personalizables para podar nodos que no aporten información suficiente por encima de un umbral de interés. Se pueden usar otros mecanismos de representación visual de la importancia relativa de un nodo en base a su tamaño y opacidad. Esto es, los nodos más interesantes serán de mayor tamaño y pigmentación, mientras que los menos interesantes tenderán a desaparecer tanto en tamaño como en color.
Adicionalmente, hay que tener en cuenta que el interés de un nodo se mide según la adecuación de sus contenidos a las preferencias del usuario activas. La forma de estimar el grado de interés de cada nodo puede venir dado por expresiones todo lo complejas que se quiera y que puedan sere evaluadas numéricamente.
Hay que tener en cuenta que en todo momento los mecanismos que se ofrecen se pueden enmarcar como ayudas a la navegación (basado en
la metáfora de radar). El objetivo no consiste tanto en lograr mecanismos automáticos de busqueda y selección de información al estilo de un agente software [4,15], sino la de mostrar y ayudar (visualmente) al usuario a tomar decisiones de la mejor ruta desde su actual ubicación. En la siguiente sección analizaremos el mecanismo seguido para obtener una implementación eficiente y que pueda usarse de modo interactivo en la navegación por páginas Web con gran volumen de información.
5. Implementación sobre un navegador
Partiendo del concepto de navegación predictiva y en las dos propuestas de búsqueda (búsqueda predictiva) y visualización (mapa de navegación), vamos a desarrollar un prototipo de este sistema sobre un cliente de navegación en Internet para comprobar el grado de utilidad que pueda tener de cara al usuario. Estos mecanismos se van a integrar en el navegador usando para ello la tecnología de extensiones de Firefox [6]. A continuación revisaremos las características más relevantes de la programación en Firefox, e incluiremos el algoritmo para realizar la navegación predictiva. Fnalmente, analizaremos la funcionalidad que poseen los paneles que se han añadido.
5.1. Extensiones de los navegadores
Mozilla es una plataforma Open Source [18], que facilita la programación de alto nivel, lo que facilita el desarrollo de aplicaciones visuales e interactivas mediante XUL, JavaScript, RDF y XPCOM. XUL está basado en XML y se utiliza para la construcción de interfaces de usuario. RDF se emplea para el almacenamiento de datos y XPCOM (Cross Platform Component Object Model) es un sistema de descubrimiento y administración de objetos. JavaScript permite el desarrollo de comportamientos dinámicos.
La propuesta se plantea integrada dentro de la propia interfaz de Mozilla, por lo que usaremos la
tecnología de extensiones XPI, que almacenan el contenido (en XUL), hojas de estilos e internacionalización (etiquetado adaptado a cada idioma). La ventaja de esta aproximación reside en aplicar la lógica de navegación en el cliente (navegador) en lugar de obligar al usuario a conectarse a algun servidor proxy para canalizar las peticiones. Las preferencias y resultados se almacenan localmente, e incluso se da la posibilidad de tener una caché de búsquedas previas precalculadas para el conjunto de preferencias activo.
5.2. Algoritmo de búsqueda
El algorimto de búsqueda predictiva se basa en un conjunto de conceptos que en un momento dado el usuario tiene activos (de un conjunto posiblemente mayor) y de una URL que es la localización actual del usuario. Normalmente, este subconjunto de conceptos se puede definir como parte de sus perfil de usuario, determinar a partir de palabras clave del bookmark, nube de etiquetas asociadas, etc. El objetivo del algoritmo es recorrer los enlaces para determinar si existe algún grado de afinidad en el contenido de esas páginas con respecto a las preferencias del usuario. El mecanismo de búsqueda empleado sigue un procedimiento recursivo multinivel de exploración que presenta el pseudocódigo del Algoritmo 1.
función puntúa(Z, prof): valor < interés de Z V < lista vacía si prof > 0: A < lista de enlaces desde Z para cada nodo Y de la lista A: si Y <> Z: V[] < puntúa(Y, prof 1) resultado = valora(valor, V) devolver resultado función valora(valor, V): si V no es vacío: maxV = max(V) si no: maxV = 0 devolver maxV + valor
Algoritmo 1. Pseudocódigo que implementa la búsqueda multinivel
Partiendo del nodo actual visitado y fijada
previamente una profundidad máxima a explorar hacia delante, se procede a visitar el conjunto de nodos directamente enlazados desde él. Para uno de esos nodos se calcula su valor de interés. La ramificación máxima se controla atendiendo a una profundidad máxima fijada en la variable prof, que indica la distancia máxima a la que se explorará en el mejor de los casos.
Hay que tener en cuenta que, si se incrementa el nivel de profundidad, el volumen de páginas posibles a explorar crece de manera exponencial. A partir de dos o tres niveles, el tamaño del árbol se hace difícil de manejar, pudiendo constar de cientos de nodos. Existe la posibilidad de hacer que el usuario se restringa a una búsqueda sea local (es decir, sin tener en cuenta los enlaces a otros dominios) ya que con bastante frecuencia, sobre todo en sitios institucionales como una universidad, la información que se busca es local.
Por otra parte, debe evaluarse el grado de interés que presenta una página explorada según el contexto de interés del usuario. Para ello, se ha usado como primera aproximación el enfoque más sencillo. Cada vez que una página presenta un término sintáctico asociado a las categorías de interés activas en el contexto, se incrementa el interés de dicha página en una unidad. Así, el interés de una página viene determinado únicamente por el número de apariciones de las palabras que pertenecen a las categorías del contexto. Se ha empleado este método sencillo y simple para hacer las pruebas iniciales de ayuda a la navegación. Adicionalmente, se considera como interés de una página la suma del valor de dicha página con el mayor valor de sus hijos hasta una profundidad determinada.
5.3. Interfaz
En la Figura 8 podemos ver el resultado del interfaz, donde aparecen dos paneles. El inferior es el contexto y en la derecha el denominado radar. En la barra de marcadores se encuentran los enlaces para activar/desactivar estos paneles así como para activar/desactivar la navegación predictiva en la página visitada.
Figura 8. Apariencia de la interfaz de usuario en el navegador con los paneles de radar y contexto abiertos.
RadarEl radar es panel derecho emergente y que
permite controlar las preferencias del usuario para la navegación. Desde este panel podemos gestionar las categorías, el mapa de navegación y las opciones de navegación.
Las categorías representan las preferencias del usuario. Para activar la ayuda en la navegación, lo primero que se debe hacer es definir los temas de interés del usuario. El interés puede ser tanto positivo (el usuario desea que las páginas contengan la mayor cantidad de dichos términos) o negativo (el usuario no desea que aparezcan dichos términos bien en la medida de lo posible, bien de manera tajante). Estas categorías se definen mediante la intervención del usuario, responsable de definirlas mediante palabras clave.
Desde este mismo panel podemos acceder al mapa de navegación, que consiste en un esquema visual representando el camino seguido por el usuario a través de la estructura del sitio Web, y explicado en la Sección 4.2.
ContextoEl contexto, mostrado como el panel inferior
de la ventana, establece el conjunto de categorías en las que, en un instante dado, el usuario se encuentra interesado y actúa como información de feedback al usuario para saber sobre qué está restringiendo la consulta. Esta expresión puede contener elementos tanto positivos (que se buscan) como negativos (que se evitan). Cada categorías
se evalúa atendiendo a la frecuencia de aparición de dicha categoría en la página a la que apunta un nodo enlace, y se aplica el nivel de profundidad y umbral que estén definidos por el usuario.
6. Campos de aplicación
Una vez establecidas las bases del método de navegación predicitva y explicado parte de su implementación sobre un navegador, nos planteamos algunos de campo de aplicación en los que vamos a usar este método por ser de especial relevancia.
Ayuda a la navegaciónUna de las primeras aplicaciones de este
sistema es su uso como radar para señalar el camino óptimo (mediante la función de interés) indicando la distancia a una página relevante en función de las categorías. De esta forma podemos conocer hacia dónde conduce un enlace antes de visitarlo, según las categorías activas en ese momento. De este modo, usuarios con diferentes preferencias tendrán diferentes recomendaciones sobre un mismo sitio. Esto lo aplicaremos para el análisis de sitios basados en comercio electrónico como por ejemplo, banca electrónica o tiendas.
Herramienta de evaluación de sitios webOtra aplicación inmediata será su uso para
evaluar la usabilidad de un sitio en desarrollo. Los usuarios pueden navegar sobre las páginas con o sin ayuda, y se puede estimar el número de veces que el usuario necesita ayuda para encontrar un objetivo. Este tipo de técnica puede ser complementaria a la utilizada para la evaluación usando pruebas de usuario remotas [5] y a las pruebas en laboratorio. Una de las ventajas como método de evaluación es que se puede tener precalculadas todas las funciones de interés a priori, por lo que se puede analizar la navegación del usuario sobre la estimación real. Esto permite evaluar si la sucesión de enlaces para navegar por un determinado fragmento de información es correcto.
Interacción en contextoOtro campo que es de indudable interés es la
interacción situada en un contexto [9]. En el proyecto UCAT [24] planteamos un mecanismo de representación del contexto (localización, identidad, actividades) sobre un entorno inteligente. Este mecanismo puede ser útil para recuperar en las «categorías» actuales el contexto actual del usuario, como por ejemplo, la tarea que actualmente está realizando, y las personas con las que está colaborando. En este caso, la información por la que se navega consiste en la información y actividades relacionadas con la situación actual en la que se encuentra el usuario. Actualmente se está aplicando a entornos colaborativos para la educación usando un mecanismos hipermedia para representar la información [2].
7. Conclusiones y Trabajos Futuros
En este artículo hemos analizado diferentes mecanismos de búsqueda y clasificación de la información que se usan en Internet, considerando sus ventajas e inconvenientes de cara a la búsqueda de información por parte del usuario.
Hemos presentado nuestra propuesta que consiste en una herramienta que se incorpora al navegador Firefox como extensión, y que permite gestionar la navegación predictiva del usuario. Esta forma de navegación tiene como objetivo ayudar al usuario a encontrar de forma sistemática páginas de su preferencia en el contexto de su ubicación sin necesidad de estar continuamente usando mecanismos de búsquedas (Google, Yahoo…). Las aportaciones de esta investigación se centran en las posibilidades que ofrece este mecanismo para su uso como mecanismo de radar, guiando los pasos del usuario y permitiendo una personalización de las páginas. Algunas limitaciones que nos hemos encontrado a la hora de implementar el algoritmo son las siguientes:
• Tiempo de respuesta en la exploración. La exploración predictiva necesita estimar la distancias desde la página actual a las categorías seleccionadas, lo cual consume tiempo, por lo que el algoritmo se ejecuta de modo asíncrono y bajo demanda (sólo
cuando sea necesario). También se puede controlar por el usuario el nivel de profundidad a estimar.
• Afinidad del contenido con la categoría. Actualmente realizamos una búsqueda sintáctica. Existen distintos trabajos que permiten generar una red semántica de términos dado un vocablo, así como su distancia semántica al mismo. La generación de categorías se puede extender integrando estos generadores semánticos [21].
Como trabajos futuros nos planteamos continuar con la mejoras de del mapa de navegación (actualmente representa un árbol de distancias) incluyendo más información visual y el análisis de los perfiles de usuario (se almacena la ruta de navegación para su análisis offline). Uno de los primeros estudios se centrará en evaluar la usabilidad de la Web de la Universidad de Granada (http://www.ugr.es/) estimando el grado de ayuda necesario para encontrar información concreta conociendo el interés del usuario en ella. También se encuentra en estado avanzado la conexión con información contextual.
AgradecimientosEsta investigación está parcialmente subvencionada por el Proyecto Español I+D TIN200403140, Ubiquitous Collaborative Adaptive Trainig (UCAT).
Referencias
[1] Agichtein, E., Brill, E., Dumais, S., Ragno, R.; Learning user interaction models for predicting web search result preferences. 29th ACM Conference on Research and Development in Information Retrieval (SIGIR) (2006)
[2] Arroyo R.F., Gea M., Garrido, J.L. Haya, P.A., Carro, R.M. Smart GroupAware Navigation for Active Spaces. A3H: Fifth International Workshop on Authoring of Adaptive and Adaptable Hypermedia at the 11th International Conference on User Modeling. Press (2007)
[3] Aumann,Y., Feldman, R.: Circle Graphs: New Visualization Tools for TextMining. Lecture Notes In Computer Science; Vol. 1704. Proceedings of the Third European Conference on Principles of Data Mining and Knowledge Discovery
[4] Bauer, M., Dengler, D., PaulInstructible, G.: Information Agents for Web Mining. in proc. Intelligent User Interfaces, p2128. 2000.
[5] Biosca, E., Gea, M.: Usabilidad en Internet. Las pruebas de usuario remotas. VI Congreso de IPO (INTERACCIÓN’2005) en Cedi05, ed. Thomson (2005) 315322
[6] Boswell,D.; King, B.; Oeschger, I.: Creating Applications with Mozilla. O'Reilly & Ass (2002)
[7] Brin, S.; Page, L.: The Anatomy of a LargeScale Hypertextual Web Search Engine. Proceedings of the seventh international conference on WWW vol 30, (1998), 107117,
[8] Calishain, T; Dornfest, R.: Google, los mejores trucos. O'Reilly (2004)
[9] Ceri, S.; Daniel, F.; Matera, M; Facca, F.: ModelDriven Development of ContextAware Web Applications. ACM Transactions on Internet Technology, Vol. 7, No. 1, (2007)
[10] Di Giacomo, E. Didimo, W. Grilli, L. Liotta, G. Graph Visualization Techniques for Web Clustering Engines
[11] Feldman, R., James Sanger: The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge Univ. Press, (2007)
[12] Google, AJAX Search API http://code.google.com/apis/ajaxsearch/documentation/reference.html
[13] Google, Búsqueda Avanzada. http://www.google.es/advanced_search
[14] Kobayashi, M., Koichi Takeda. Information retrieval on the web, ACM Computing Surveys (CSUR) vol 32, No 2, (2000)
[15] Krulwich, B.: Automating the Internet. Agents as User Surrogates. IEEE Internet Computing, Vol 1, nº4, 1997.
[16] Lorés, J.; Granollers, T. La Ingeniería de la Usabilidad i de la Accesibilidad aplicda al
diseño i desarrollo de sitios web. Edicions de la Universitat de Lleida (2004)
[17] ManyEyes http://services.alphaworks.ibm.com/manyeyes/page/Tag_Cloud.html
[18] Mozilla http://www.mozilla.org/[19] Mueller, J.P.: Mining Google web services :
building applications with the Google API. SYBEX (2004)
[20] Murison J: Messageboard topic tagging: user tagging of collectively owned community content
[21] RDF Graph Visualization Tool. http://semweb.salzburgresearch.at/apps/rdfgravity/index.html
[22] Shneiderman, Ben. Tree visualization with treemaps: 2d spacefilling approach. ACM Trans. Graph. vol 1 No 11, (1992), 9299
[23] TouchGraph http://www.touchgraph.com/[24] UCAT http://orestes.ii.uam.es/ucat/[25] VisualComplexity
http://www.visualcomplexity.com/vc/[26] Wurman, R.S., Information Anxiety,
Doubleday New York (1989)[27] Wurman, R.S.; Bradford, P.; eds.
Information Architects. Zurich, Switzerland: Graphis Press (1996)