Arquitectura de Big Data para el análisis de sentimientos multimodales en el sector turístico del Departamento de Boyacá,Colombia.

dc.contributorMonsalve Pulido, Julián Alberto
dc.contributorUniversidad Santo Tomas
dc.contributorUniversidad Santo Tomás
dc.creatorAlgecira Arbelaez, Cristian David
dc.date.accessioned2021-07-26T22:03:36Z
dc.date.available2021-07-26T22:03:36Z
dc.date.created2021-07-26T22:03:36Z
dc.date.issued2021-07-13
dc.identifierAlgecira Arbelaez, C. D. (2021). Arquitectura de big data para el análisis de sentimientos multimodales en el sector turístico del departamento de Boyacá, Colombia [Tesis de grado, pregrado en Ingeniería de Sistemas]. Universidad Santo Tomás, Tunja
dc.identifierhttp://hdl.handle.net/11634/35065
dc.identifierreponame:Repositorio Institucional Universidad Santo Tomás
dc.identifierinstname:Universidad Santo Tomás
dc.identifierrepourl:https://repository.usta.edu.co
dc.description.abstractThis project proposes the development of a Big data architecture that allows evaluating the satisfaction of users of the tourism sector in the department of Boyacá Colombia through the analysis of multimodal sentiments, through a series of parameters in the extraction of data to tools such as Booking, TripAdvisor and twitter, facilitating the analysis of user sentiment through polarity variables, this in order to know the opinion of users regarding the tourism sector of the department of Boyacá. The project addresses three fundamental points within the development of the architecture: data extraction, data analysis and visualization. These points establish a starting point within the development of architecture; since the sub-points of the three initial parameters seek the proper functioning and development of the architecture. The extraction includes the use of the web scraper tool in charge of extracting data from the aforementioned tools for later use in the second parameter, the analysis; At this point, it is intended that the data obtained from the extraction be subjected to the polarity process that allows determining the emotions and opinions of the users regarding their visits; this for finally in the visualization process the data obtained as results can be captured in graphs that allow their understanding and comprehension. Finally, the project presents a series of conclusions regarding the results obtained with architecture based on its objective.
dc.languagespa
dc.publisherUniversidad Santo Tomás
dc.publisherIngeniería Informática
dc.publisherFacultad de Ingeniería de Sistemas
dc.relationIngenioVirtual. (s.f.). IngenioVirtual. Obtenido de https://www.ingeniovirtual.com/tipos-de-graficos-y-diagramas-para-la-visualizacion-de-datos/
dc.relation3.0, E. (30 de Septiembre de 2020). Obtenido de https://www.educaciontrespuntocero.com/recursos/crear-una-nube-tags-las-palabras-mas-usadas-texto/
dc.relation300/1996, L. (1996).
dc.relationAhmed, I. (27 de Noviembre de 2020). Astera. Obtenido de https://www.astera.com/es/type/blog/automated-data-extraction-tools-for-faster-insights/
dc.relationAkram Hernandez Vásquez, H. C. (2019). MANIPULACIÓN, ANÁLISIS Y VISUALIZACIÓN DE DATOS DE. Obtenido de MANIPULACIÓN, ANÁLISIS Y VISUALIZACIÓN DE DATOS DE: https://www.scielosp.org/pdf/rpmesp/2019.v36n1/128-133/es
dc.relationAntonio Manuel Rodriguez Garcia, F. R. (2019). Píxel-BIT Revista de Medios y Educación. Obtenido de Píxel-BIT Revista de Medios y Educación: https://idus.us.es/bitstream/handle/11441/93761/Rodriguez-Garcia%20-%20competencia%20digital_removed.pdf?sequence=1&isAllowed=y
dc.relationBBVA API_Market. (11 de Enero de 2016). Obtenido de https://www.bbvaapimarket.com/es/mundo-api/herramientas-de-extraccion-de-datos-para-principiantes-y-profesionales/
dc.relationBordignon, G. H. (s.f.). Introducción a la Recuperación de Información. Obtenido de http://eprints.rclis.org/12243/1/Introduccion-RI-v9f.pdf
dc.relationBoyacá Visión 2019. (2019).
dc.relationCarina Sofía Andrade and Maribel Yasmina Santos. (2017).
dc.relationCesteros, A. F.-P. (2018). La eficacia del análisis de sentimientos para la empresa: el caso de estudio Dell Technologies Inc. MADRID. Obtenido de https://www.ucm.es/data/cont/docs/758-2019-01-04-TFG_Panico_Chiara_TFG.pdf
dc.relationclicdata. (s.f.). clicdata. Obtenido de https://www.clicdata.com/es/ejemplos/project-management/
dc.relationconceptodefinicion. (s.f.). conceptodefinicion. Obtenido de https://conceptodefinicion.de/histograma/
dc.relationdatavizcatalogue. (s.f.). datavizcatalogue. Obtenido de https://datavizcatalogue.com/ES/metodos/grafica_de_area.html
dc.relationDe Rojas y Camarero, 2008; Rivera,2013. (2013). Visitors experience, mood and satisfaction in A heritage context: Evidence from an interpretation center. Tourism Management, 525-537.
dc.relationDepartamento Administrativo Nacional de Estadistica. (s.f.).
dc.relationDivakar Mysore. (2013).
dc.relationDivakar Mysore, S. K. (17 de Septiembre de 2013). IBM. Obtenido de https://developer.ibm.com/es/technologies/analytics/articles/bd-archpatterns1/
dc.relationDlib. (2020). Dlib. Obtenido de Dlib: http://dlib.net/
dc.relationEarl, M. (28 de Julio de 2015). Obtenido de https://matthewearl.github.io/2015/07/28/switching-eds-with-python/
dc.relationecured. (s.f.). ecured. Obtenido de https://www.ecured.cu/Cartograma
dc.relationErik Cambria, A. H. (2012). Sentic Album: Content-, Concept-, and Context-Based Online. Science+Business Media, LLC 2012. Obtenido de https://sentic.net/sentic-album.pdf
dc.relationEstadística, P. y. (27 de Mayo de 2012). Probabilidad y Estadística. Obtenido de http://probabilidadyestadisticaitsav.blogspot.com/2012/05/16-diagrama-de-arbol.html
dc.relationFacultad de Estudios Estadisticos, Universidad Complutense de Madrid. (2020). Obtenido de https://www.masterBigdataucm.com/que-es-Big-data/
dc.relationfreepik. (2018). freepik. Obtenido de https://www.freepik.es/vector-gratis/ilustracion-burbujas-discurso-nube_2904317.htm
dc.relationgamavision. (01 de Julio de 2020). gamavision. Obtenido de https://www.gamavision.com.ec/pros-y-contras-del-reconocimiento-facial/
dc.relationGarcía, S. M. (1997). Psicosociología del ocio y el turismo. Málaga: Algibe.
dc.relationgeeksforgeeks. (24 de Mayo de 2020). geeksforgeeks. Obtenido de https://www.geeksforgeeks.org/opencv-facial-landmarks-and-face-detection-using-dlib-and-opencv/
dc.relationgisandbeers. (17 de Marzo de 2019). gisandbeers. Obtenido de http://www.gisandbeers.com/crear-mapas-calor-heatmaps/
dc.relationGómez, J. C. (10 de Enero de 2020). Obtenido de https://josecantero.com/uncategorized/tendencias-en-turismo-experiencial-en-2020-bienvenidos-a-la-decada/
dc.relationHAA DnL. (s.f.). HAA DnL. Obtenido de https://sites.google.com/site/haadnl/home/diagrama-radial
dc.relationHong, M. K. (2017). Unstructured Social Media Data Mining System Based on Emotional Database and Unstructured Information Management Architecture Framework. ASP.
dc.relationJacinto, G. (1995). Psicología social del turismo. Psicología Social de la Educación y de la Cultura, Ocio, Deporte y Turismo. Salamanca, 245-272.
dc.relationJosé Augusto Cadena Moreano, R. H. (2017). RECONOCIMIENTO FACIAL CON BASE EN IMÁGENES. B O L E T Í N V I R T U A L - M A Y O - V O L 6 - 5 I S N N 2 2 6 6 - 1 5 3 6. Obtenido de file:///C:/Users/Usuario/Downloads/Dialnet-ReconocimientoFacialConBaseEnImagenes-6145639.pdf
dc.relationJosé Luis García Cué, J. A. (Octubre de 2008). Revista Estilos de Aprendizaje. Obtenido de Revista Estilos de Aprendizaje: http://revistaestilosdeaprendizaje.com/article/view/852/1540
dc.relationKanuk y Schiffman . (s.f.).
dc.relationLa Vanguardia. (11 de enero de 2020). Obtenido de https://www.vanguardia.com/economia/nacional/turismo-hara-importante-aporte-en-el-pib-del-pais-XM1860653
dc.relationlucidchart. (s.f.). lucidchart. Obtenido de https://www.lucidchart.com/pages/es/que-es-un-diagrama-de-flujo
dc.relationMartín, S. (1997).
dc.relationMartinez, J. L. (08 de Junio de 2014). slideshare. Obtenido de https://es.slideshare.net/joseluis199222/tabla-de-resultados-obtenidos-mecanismos-1
dc.relationMcCannell. (1976). The Tourist. New York.
dc.relationMckercher. (1999).
dc.relationMcKercher, B. (1999). A chaos approach to tourism. Tourism Management, 425- 434.
dc.relationMérida, C. (2014). Modelo arquitectónico de información para una plataforma de Big Data para el Sector Turístico. Lima, Perú.
dc.relationmicrosoft. (15 de Junio de 2016). microsoft. Obtenido de https://docs.microsoft.com/es-es/sql/reporting-services/tutorial-add-a-pie-chart-to-your-report-report-builder?view=sql-server-ver15
dc.relationMolina et al. 2007; Troitiño, 1991. (1991). Segmentación de la demanda turística: Un análisis aplicado a un destino cultural. Revista de análisis turístico n° 4, 36-48.
dc.relationMontaner, J. (1996). Psicosociología del turismo. Barcelona: Sintesis.
dc.relationNodeJS. (2020). NodeJS. Obtenido de NodeJS: https://nodejs.org/es/docs/
dc.relationnpm ejs. (2020). npm ejs. Obtenido de npm ejs: https://www.npmjs.com/package/ejs
dc.relationnpm express. (2020). npm express. Obtenido de npm express: https://www.npmjs.com/package/express
dc.relationnpm mongoose. (2020). npm mongoose. Obtenido de npm mongoose: https://www.npmjs.com/package/mongoose
dc.relationnpm morgan. (2020). npm morgan. Obtenido de npm morgan: https://www.npmjs.com/package/morgan
dc.relationnpm nodemon. (2020). npm nodemon. Obtenido de npm nodemon: https://www.npmjs.com/package/nodemon
dc.relationNumpy. (2020). Numpy. Obtenido de Numpy: https://numpy.org/doc/
dc.relationPandas. (2019). Pandas. Obtenido de Pandas: https://pandas.pydata.org/docs/
dc.relationPaul Viola, M. J. (2001). Rapid Object Detection using a Boosted Cascade of Simple Features. Obtenido de https://web.iitd.ac.in/~sumeet/viola-cvpr-01.pdf
dc.relationPauli, P. A. (2019). Análisis de sentimiento. Comparación de algoritmos predictivos y métodos utilizando un lexicon español. BUENOS AIRES: INSTITUTO TECNOLÓGICO DE BUENOS AIRES – ITBA. Obtenido de https://ri.itba.edu.ar/bitstream/handle/123456789/1782/Proyecto%20Final.pdf?sequence=1&isAllowed=y
dc.relationPearce, P. (1993). Fundamentals of Tourist Motivation. Tourism Research: Critiques and Challenges.
dc.relationPine & Gilmore. (1998). The experience economy: Work is Theater& Every Business a Stage. Harvard Business School Press.
dc.relationpracticobaul. (s.f.). practicobaul. Obtenido de https://sites.google.com/site/unpracticobaul/tablas-en-un-texto
dc.relationQuestionPro. (2020). QuestionPro. Obtenido de QuestionPro: https://www.questionpro.com/es/analisis-de-datos.html#:~:text=El%20an%C3%A1lisis%20de%20datos%20es%20la%20ciencia%20que%20se%20encarga,los%20conocimientos%20sobre%20diversos%20temas.
dc.relationRedacción España. (18 de Noviembre de 2019). B12. Obtenido de https://agenciab12.mx/noticia/diferencia-datos-estructurados-y-datos-no-estructurados
dc.relationRevuelta-Domínguez, F. I. (Diciembre de 2012). researchgate.net. Obtenido de https://www.researchgate.net/figure/Figura-4-Representacion-grafica-de-la-red-segun-el-grado_fig1_266025222
dc.relationRICHARDS. (2004). Diputació de Barcelona. Obtenido de www.diba.es/cerc/arxinterac04/arcem1/richards/dipbarcelona
dc.relationRober Morales Chaparro, J. C. (2012). Desarrollo dirigido por modelos de visualización. Obtenido de Desarrollo dirigido por modelos de visualización: https://biblioteca.sistedes.es/wp-content/uploads/2016/05/JISBD-2012-565-Desarrollo-dirigido-por-modelos-de-visualizaci%C3%B3n-de-datos-para-la-Web.pdfRober Morales Chaparro, J. C. (2012). Desarrollo dirigido por modelos de visualización. Obtenido de Desarrollo dirigido por modelos de visualización: https://biblioteca.sistedes.es/wp-content/uploads/2016/05/JISBD-2012-565-Desarrollo-dirigido-por-modelos-de-visualizaci%C3%B3n-de-datos-para-la-Web.pdf
dc.relationSande, J. C. (2018). Análisis de sentimientos en Twitter. UOC, Universitat Oberta de Catalunya, 99. Obtenido de http://openaccess.uoc.edu/webapps/o2/bitstream/10609/81435/6/jsobrinosTFM0618memoria.pdf
dc.relationSchiffman, L. &. (1983). Consumer behavior. Englewood Cliffs: Prentice Hall.
dc.relationScikit-Learn. (2019). Scikit-Learn. Obtenido de Scikit-Learn: https://scikit-learn.org/0.21/documentation.html
dc.relationSenticNet. (2018). SenticNet. Obtenido de SenticNet: https://sentic.net/
dc.relationsupport.minitab. (2020). /support.minitab. Obtenido de https://support.minitab.com/es-mx/minitab/19/help-and-how-to/graphs/matrix-plot/before-you-start/overview/
dc.relationthemexpert. (s.f.). themexpert. Obtenido de https://www.themexpert.com/docs/quix/elements/polar-area-chart
dc.relationTIBCO. (s.f.). TIBCO. Obtenido de https://docs.tibco.com/pub/spotfire_web_player/6.0.0-november-2013/es-ES/WebHelp/GUID-6023CECC-E502-4AE1-B5C5-FFE5DAF6FAE2.html
dc.relationTremolosa. (2002). ACTIVIDAD DE OCIO-TURÍSTICO.
dc.relationUniversidad Alcala. (s.f.).
dc.relationUniversidad de Alcalá. (2020). Obtenido de https://www.master-Bigdata.com/Big-data-actualmente-tan-importante/
dc.relationVasavi Gajarla, A. G. (s.f.). Emotion Detection and Sentiment Analysis of Images. Obtenido de https://www.cc.gatech.edu/~hays/7476/projects/Aditi_Vasavi.pdf
dc.relationVieira, D. (06 de Mayo de 2019). rockcontent. Obtenido de https://rockcontent.com/es/blog/que-es-diagrama-de-gantt/
dc.relationZambrano, D. M. (2017). Innovación para el Análisis de Sentimientos en Texto, una revisión de la técnica actual aplicando metodologías de crowdsourcing. researchgate. Obtenido de file:///C:/Users/Usuario/Downloads/340-940-1-PB.pdf
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rightsAbierto (Texto Completo)
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.titleArquitectura de Big Data para el análisis de sentimientos multimodales en el sector turístico del Departamento de Boyacá,Colombia.


Este ítem pertenece a la siguiente institución