Técnicas de gestión de datos para sistemas de recomendación en entornos distribuidos y dispositivos móviles

Karafy Mohib, Ahmed
Ilarri Artigas, Sergio (dir.)

Universidad de Zaragoza, EINA, 2025
Departamento de Informática e Ingeniería de Sistemas, Área de Lenguajes y Sistemas Informáticos

Graduado en Ingeniería Informática

Resumen: 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.

Tipo de Trabajo Académico: Trabajo Fin de Grado