La cantidad de información disponible en la Red aumenta de forma exponencial, creando nuevos retos para una búsqueda más efectiva [Liu04]. Cuándo se envía la misma consulta  a un motor de búsqueda que no admite personalización, devuelve los mismos resultados sea cuál sea el usuario que ha realizado la consulta. Sin embargo, las necesidades de información de los distintos usuarios no son las mismas, ni sus gustos, preferencias ni cultura. Por ejemplo, para la consulta “apple”, algunos usuarios estarán buscando información sobre manzanas, mientras que otros estarán buscando información sobre la compañía Apple Inc. Una opción para desambiguar las consultas es el restringirlas al ámbito de una categoría temática jerárquica (como las existentes en DMOZ  o Yahoo! ), sin embargo existe una gran oportunidad de desambiguación utilizando el conocimiento que los buscadores tienen sobre el usuario.

Los buscadores como Yahoo! y Google almacenan todos los días Terabytes de información acerca de los usuarios de sus sistemas [BaezaYates06]. Además, gracias a la gran integración de nuevos servicios, los datos disponibles son de muy diversa índole (correos electrónicos, búsquedas realizadas, páginas visitadas, fotografías, noticias, etc.) lo cuál ofrece una gran cantidad de información de gran calidad, que permite obtener una visión general del usuario bastante acorde con sus gustos e intereses (perfil). De esta manera, a un usuario que recientemente ha buscado términos como “iPhone”, “MacBook” y ha estado viendo fotografías de un monitor de Apple, y habitualmente consulta noticias tecnológicas relacionadas con la empresa Apple Inc, cuándo busque “apple” en el buscador, se le devolverán los documentos que tengan que ver con la empresa Apple Inc. Sin embargo, a una persona que habitualmente busca información acerca de frutas, se le devolverá información sobre manzanas y no sobre la compañía de ordenadores.

La personalización no solo se basa en el historial de navegación del usuario (sus gustos), también puede tener en cuenta otros aspectos importantes como los dispositivos utilizados para navegar. Si el usuario realiza una consulta a un buscador desde su teléfono móvil, es preferible devolverle aquellas webs que están especialmente diseñadas para visionarse con dispositivos móviles, de forma que se mejore su experiencia en la Red.



La localización también es relativa a la personalización pero se queda a un nivel más general que el usuario, pues no tiene en cuenta los gustos concretos de éste, si no que trata de adaptar los contenidos a la ubicación física de los usuarios. Para el caso de un usuario que busque “tienda de mascotas” y realice una consulta desde Madrid, la localización premia aquellos resultados que tengan una vinculación con la localización física del usuario, Madrid. Así pues, las páginas web de aquellas tiendas de animales que estén en Madrid, deben salir antes que otras pues son de mayor interés para el usuario que las que estén en otras ubicaciones. Este aspecto es todavía más importante cuándo la búsqueda se realiza desde un dispositivo móvil, ya que si un usuario busca un restaurante desde su móvil, agradecerá que la primera información que se le ofrezca sea la de aquellos restaurantes que estén más cerca de su ubicación actual. En la Figura 1 se muestran los resultados de una búsqueda por “tiendas de mascotas” estando el usuario en la Gran Vía de Madrid. En los resultados se puede apreciar como las primeras entradas son aquellas que más cerca se encuentran de la ubicación del usuario.

Tanto la personalización como la localización son tecnologías bastante cercanas y en creciente uso, sobre todo por la gran variedad de dispositivos con los que podemos conectarnos, la siempre presente ubicuidad y la gran cantidad de información existente que hace que cualquier manera de restringirla, sin perder información de interés, sea de gran beneficio para el usuario.

A su vez, además de beneficiar al usuario, la personalización y localización permiten mejorar el modelo de negocio de los buscadores, ya que permite que estos muestren publicidad más efectiva al usuario, bien sea por proximidad geográfica o bien por afinidad en cuánto a gustos y costumbres.

Las técnicas utilizadas para la localización y personalización de las búsquedas van desde el aprendizaje por refuerzo [Sutton98], agrupamiento [Ferragina07], categorización automática [Gomez05] y generación automática de perfiles [Sugiyama04]. Además de estas técnicas de aprendizaje, es muy importante contar con una buena organización de los datos y una gran capacidad de almacenamiento y computo, ya que debido al gran número de usuarios de Internet, se manejan Terabytes de información a diario, por lo que si no se hace de una forma óptima, se corre el riesgo de no ser capaces de explotar los datos al ritmo al que se producen.

Ahora bien, tanto la personalización como la localización tienen el riesgo añadido de poder invadir la privacidad del usuario [Sullivan03]. ¿Dónde se puede poner el listón de lo que es tolerable o no por parte del usuario en cuánto a la utilización de sus datos? Los buscadores corren el riesgo de convertirse en el “Gran Hermano” de Orwell si no son capaces de imponerse límites a la hora de aprovechar la información personal de los usuarios.


Referencias

• [BaezaYates06] Baeza-Yates, R., “Queries and Clicks as a Source of Knowledge” I Jornadas MAVIR; Tecnologías de la Lengua en la WWW: retos y mercados potenciales.
• [Ferragina07] Ferragina, P., Gulli, A., “Snaket: A Personalizad Search-result Clustering Engine”, UPGRADE: European Journal for the Informatics Professional, Vol. VIII, No. 1, February 2007.
• [Gomez05] Gomez-Hidalgo, J.M., Buenaga, M., Cortizo-Pérez, J.C., “The Role of Word Sense Disambiguation in Automated Text Categorization”. Proceedings of the 10th International Conference on Applications of Natural Language to Information Systems, NLDB 2005. Pp. 298-309, 2005.
• [Liu04] Liu, F., Yu, C., Meng, W., “Personalizad Web Search for Improving Retrieval Effectiveness”, IEEE Transactions on Knowledge and Data Engineering, Vol. 16, No 1, 28-40, January 2004.
• [Sugiyama04] Sugiyama, K., Hatano, K., Yoshikawa, M., “Adaptive Web Search Based on User Profile Constructed without Any Effort from Users”. Proceedings of the 13th International Conference on World Wide Web. Pp. 675-684.
• [Sullivan03] Sullivan, D., “Search Privacy at Google & Other Search Engines” de Danny Sullivan. Search Engine Watch, April 2003.
• [Sutton98] Sutton, R., Barto, A., “Reinforcement Learning: An Introduction”, MIT Press, Cambridge, 1998.

[José Carlos Cortizo Pérez]