<?xml version="1.0" encoding="UTF-8"?>
<collection>
<dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:invenio="http://invenio-software.org/elements/1.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><dc:language>spa</dc:language><dc:creator>Karafy Mohib, Ahmed</dc:creator><dc:creator>Ilarri Artigas, Sergio</dc:creator><dc:title>Técnicas de gestión de datos para sistemas de recomendación en entornos distribuidos y dispositivos móviles</dc:title><dc:identifier>TAZ-TFG-2025-4808</dc:identifier><dc:description>El presente Trabajo Fin de Grado estudia diferentes técnicas de gestión de datos aplicadas al desarrollo de sistemas de recomendación en entornos distribuidos y dispositivos móviles. El objetivo principal es explorar soluciones que permitan desplegar recomendadores embebidos en dispositivos móviles, sin depender de servidores externos, evaluando su viabilidad en términos de privacidad, autonomía y eficiencia. Para ello, se han analizado dos aplicaciones representativas. En primer lugar, R-Rules, un prototipo de motor basado en reglas y activación sensible al contexto, en el que la parte de recomendación se limita a funcionalidades sencillas. El objetivo principal en este trabajo ha sido modernizar su base tecnológica. Esto implicó garantizar la compatibilidad con versiones recientes de Android, mejorar la mantenibilidad del código y sustituir bibliotecas descontinuadas por alternativas activamente mantenidas, facilitando así una mejor experiencia de desarrollo y usuario. Además, se incorporó un módulo de comunicación peer-to-peer (P2P) para el intercambio directo de reglas y datos entre dispositivos. En segundo lugar, se exploró PASEO, una aplicación móvil para turismo inteligente que proporciona recomendaciones contextuales y personalizadas. Mientras que su arquitectura original seguía un enfoque cliente-servidor, en este trabajo se investigó la viabilidad de migrar la lógica del sistema al propio dispositivo móvil, complementándola con un módulo P2P que permite compartir valoraciones y elementos favoritos entre usuarios, con el fin de mejorar la colaboración y enriquecer las recomendaciones locales. Este trabajo se enmarca en el proyecto de investigación NEAT-AMBIENCE, contribuyendo al avance hacia sistemas de recomendación móviles más autónomos, colaborativos, privados y eficientes.&lt;br /&gt;</dc:description><dc:publisher>Universidad de Zaragoza</dc:publisher><dc:date>2025</dc:date><dc:source>http://zaguan.unizar.es/record/170738</dc:source><dc:identifier>http://zaguan.unizar.es/record/170738</dc:identifier><dc:identifier>oai:zaguan.unizar.es:170738</dc:identifier></dc:dc>

</collection>