La limitación anteriormente mencionada, nos permite pensar en la posibilidad de hacer una mejora en el sistema de transformación de datos. Como trabajo futuro, se puede realizar una herramienta más flexible, que permita al usuario definir cómo será la comunicación entre la fuente de datos y la estructura resultante del DTS. Imaginamos esta herramienta como un sistema en donde a través de una interfaz de usuario, se pueda realizar un mapeo de qué campo del dataset será el equivalente en la estructura de tablas del DTS. El siguiente paso a esta configuración, será la de correr el algoritmo de transformación, para finalmente poder realizar la recomendación con la nueva fuente de datos.
Otra mejora evidente que se puede realizar en el sistema, es la estructura de los perfiles. El hecho de que cada posible configuración esté representada por un perfil, hace totalmente estático el manejo de las configuraciones. Para poder evaluar el recomendador bajo una nueva configuración, es necesario que el desarrollador implemente un nuevo perfil. Si bien esto no es una tarea complicada, quita la posibilidad de que el usuario pueda crear una nueva configuración para evaluar el algoritmo. Como trabajo futuro sería de gran utilidad la implementación de perfiles dinámicos, que permitan el agregado de una nueva configuración a través de un archivos JSON o XML. Con este futuro enfoque, crear un perfil se reduciría a un archivo como el siguiente
Si bien la idea principal de este trabajo no fue la de crear una herramienta, sino más un trabajo de investigación, el mismo incluye las herramientas y arquitectura para crear una sistema para usuarios reales de twitter. Junto a la mejora anteriormente descrita, se puede pensar en el uso de la API de Twitter, permitiendo al usuario final configurar el algoritmo mediante una interfaz de usuario y mostrando los resultados mediante
gráficos y métricas. De esta manera, no solo se tendría una herramienta útil al usuario, sino que también se evaluará el algoritmo quitandolo de cualquier marco de simulación.
Bibliografia
1. F. Meunier Rosas, El uso de la red social Twitter como herramienta para la difusión de información pública, Razón y Palabra, Primera revista electrónica en América Latina especializada en Comunicación 81, 2013.
2. S. Mañe Vernia, Twitter como herramienta de trabajo: 5 usos alternativos ,
http://www.iebschool.com/blog/twitter-herramienta-trabajo-redes-sociales/,2016 3. J. Sutton, L. Palen, I. Shlovski, Back-Channels on the Front Lines: Emerging Use
of Social Media in the 2007 Southern California Wildfires , 2008 ISCRAM Conference, Washington, DC.
4. Twitter, Who to follow , http://twitter.com/who_to_follow . 5. Twitter, Discovering Who To Follow , 2010,
http://blog.twitter.com/2010/07/discovering-who-to-follow.html .
6. J. Weng, E.-P. Lim, J. Jiang, Q. He, TwitterRank: finding topic-sensitive influential twitterers, en Proceedings of the 3rd. ACM International Conference on Web Search and Data Mining (WSDM'10), New York, NY, USA, 2010, 261-270.
7. M.G. Armentano, D. Godoy, A. Amandi, Followee recommendation based on text analysis of micro-blogging activity, Information systems 38 (8) 2013, 1116-1127. 8. J. Hannon, M Bennett, B. Smyth, Recommending Twitter users to follow using
content and collaborative filtering approaches , en Proceedings of the 4th. ACM Conference on Recommender Systems (Rec Sys ’10),2010, 199-206.
9. Twitter, About Twitter, Inc. , 2016, https://about.twitter.com/company .
10. Introducción a Twitter: pequeños pasos para conocer la red social, Asociación de Consumidores de Medios de la Comunidad Valenciana,
http://atrcv.org/actividades/informacion-divulgativa/redes-sociales/ 11. Twitter, Jack Dorsey, 2006, https://twitter.com/jack/status/20?lang=en 12.A. Castelló Martínez, El uso de Twitter como canal de información y
conversación por parte de los medios convencionales, Universidad de Alicante,
Prospectivas y tendencias para la comunicación en el siglo XXI, p 243-262, (2013).
13.R. Yager, Fuzzy Logic Methods in Recommender Systems. Fuzzy Sets and Systems Volume 136, Issue 2, 1, p 133-149, (2003).
14.M. Seguido Font, Sistema de recomendación para webs de información sobre la
salud , Universitat Politècnica de Catalunya, (2009).
15.R. Burke, Hybrid recommender systems: Survey and experiments , Kluwer Academic,Publishers Hingham,User Modeling and User-Adapted Interaction. Número 4. 331-370. 2002.
16.H. Ahn, A new similarity measure for collaborative filtering to alleviate the new
user cold-starting problem , Information Sciences, 178, p 37-51, (2008).
17.Wikipedia, Arranque en frío ,
https://es.wikipedia.org/wiki/Arranque_en_fr%C3%ADo .
18. J. de Wit, Evaluating Recommender Systems. An evaluation framework to
predict user satisfaction for recommender systems in an electronic programme guide context , University of Twente, The Netherlands (2008).
19. R. Baeza-Yates, B. Ribeiro-Neto, Modern Information Retrieval - the concepts
and technology behind search , 2nd Edition. Pearson Education Ltd., (2011).
20. K. Järvelin, J. Kekäläinen. IR evaluation methods for retrieving highly relevant documents. 23rd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2000). Athens, Greece, p. 41-48, (2000).
21. R. Tinati, L. Carr, W. Hall, Identifying communicator roles in Twitter , Proceeding WWW '12 Companion Proceedings of the 21st International Conference on World Wide Web, Lyon, France,, p 1161-1168, (2012).
22. J. Hargreaves, L. Davies, New Influentials, Collective Emotional Intelligence &
‘The Topology of Influence’ , (2011) .
23. M. Armentano, D. Godoy, A. Amandi, Topology-based recommendation of users
in micro-blogging communities , Journal of Computer Science and Technology 27
(3), p 624-634 (2012).
24. Y. Yamaguchi, T. Takahashi,T. Amagasa, H. Kitagawa. TU-Rank: Twitter user
ranking based on user-tweet graph analy-sis , en Proc. the 11th Int. Conf. Web
Information Systems Engineering, p 240-253, (2010).
25. A. Lamorte, A. Toyos, Buscador de Recomendaciones en Twitter mediante