Magísteres

Los servicios basados en la ubicación (conocidos como LBS) son utilizados por usuarios de redesmóviles inalámbricas y les dan a conocer, por ejemplo, detalles de los puntos de interés turísticos cercanos a la posición de un visitante, o bien para dar a conocer si en la vecindad de una persona existe algún hospital. El problema es que la ubicación se transforma en un pseudo-identificador cuando es relacionada con datos públicos ya que permite individualizar o crear un perfil del usuario. Hoy en día, la técnica más popular propuesta para proteger la privacidad de ubicación de una persona que accede a un LBS, consiste en que el usuario le envía una consulta con posición encubierta (CUE). Una CUE consiste de una consulta de rango tradicional pero asociada no solo a una sino que a k posiciones distintas (k-anonimato) y posibles de ser la verdadera posición del usuario (de hecho una de ellas es la real). El desafío por parte del LBS es cómo procesar eficientemente una cantidad masiva de consultas con posición encubierta sin que esto le signifique una mayor carga de trabajo, una mayor latencia y una mayor pérdida de la privacidad de ubicación de sus usuarios. Para enfrentar estos desafíos, nuestra idea es que el LBS procese en batch todas las consultas recibidas en un periodo de tiempo y ordene las respuestas apropiadamente para luego enviarlas en un broadcast público que sea escuchado por todos los usuarios, es decir, tanto por aquellos que solicitaron algún servicio como por aquellos que pretenden solicitarlo. De esta forma, el LBS proactivamente busca reducir la latencia, proteger la privacidad de ubicación de sus usuarios y reducir su carga de trabajo sirviendo a los usuarios antes que estos le envíen sus consultas. En este informe de tesis se proponen tres diferentes algoritmos de scheduling para ordenar los datos a transmitir en un broadcast: algoritmos de envergadura, algoritmo de popularidad, algoritmo de relevancia y otras tres variantes que incorporan la latencia. Se realizaron extensas simulaciones para evaluar la efectividad de estas técnicas en términos del rendimiento del LBS y la calidad de las respuestas transmitidas. Este trabajo también propone una métrica para evaluar el grado de pérdida de privacidad de ubicación cuando un usuario no encuentra respuesta en el broadcast y debe, por lo tanto, enviar su consulta al LBS.

Los sistemas de recomendación (RS) entregan mejores sugerencias a sus usuarios cuando se procesa información. Actualmente, existen RS que incorporan información de contexto en las sugerencias. Contexto es todo aquel dato, excepto usuario e ítem, que condicione la elección del usuario sobre un ítem. Una interesante fuente de información contextual son los comentarios realizados por los usuarios al calificar un ítem. Usando métodos estándar del área de Extracción de Información para aumentar la información disponible, es posible extraer esta información de manera automática, aunque con diversos grados de calidad. Por esto resulta interesante considerar la confianza que se puede tener en la información obtenida. En este trabajo, se presenta una estrategia de Extracción de Información basada en una taxonomía de información contextual que permite extraer información de contexto desde fuentes textuales (reviews) de manera automática. Se ha considerado el análisis de literatura referente a modelado de contexto en sistemas ubicuos, pervasivos, y de recomendación, y se ha generado una taxonomía que describe conceptos de información de contexto. En conjunto con ello, se ha desarrollado un algoritmo para pre-filtrar la información obtenida, en base a un indicador de confianza en la información detectada. Finalmente, se realiza un detallado análisis del impacto del uso de la información de contexto obtenida en base a la taxonomía desarrollada. Además, se considera el efecto de diferentes estrategias para medir la confianza en la información, en los resultados del proceso de recomendación consciente del contexto.