Estudo de Caso de Recomendação Semântica de Referências em uma Disciplina de Mestrado

Transcrição

1 Estudo de Caso de Recomendação Semântica de Referências em uma Disciplina de Mestrado Fernando Pinhati 1, Gustavo Fernandes 1, Ronaldo Goldbach 1, Sean Siqueira 1 1 Departamento de Informática Aplicada - Universidade Federal do Estado do Rio de Janeiro Avenida Pasteur Urca, Rio de Janeiro - RJ, fernando.junior,gustavo.fernandes,ronaldo.goldbach,sean}@uniriotec.br Abstract. This paper describes the use of Recommendation Systems for bibliographical references by Masters graduates. Logical inference is used, based on a built ontology, considering data extracted from the student s profile, selecting according material, aggregating or retrieving recommendations based on its good or bad evaluation by students with profile similar to the consultant s. Specific search information provided is also considered, as restrictions to the results gathered. Conclusions seem to show that Recommendation Systems can save Masters students time helping them to retrieve relevant material for their purpose. Resumo. Este artigo aborda o uso de Sistemas de Recomendação de referências bibliográficas por alunos em nível de Mestrado. Usa-se inferência lógica sobre um modelo ontológico construído e também sobre os indivíduos nele contidos. A inferência é feita em cima dos dados do perfil do aluno que faz a consulta, através da seleção dos materiais recomendados ao seu perfil, adicionando ou excluindo recomendações em função da boa ou má avaliação realizada por alunos com perfil similar ao seu. Considera-se, ainda, as informações da busca específica fornecidas pelo aluno, como restrições na consulta aos resultados até então capturados. As conclusões parecem indicar que Sistemas de Recomendação podem poupar tempo dos estudantes de Mestrado ao ajudá-los a obter materiais relevantes ao seu propósito. 1. Introdução De acordo com (REZENDE et al., 2006), atualmente pessoas necessitam obter novos conhecimentos de maneira mais rápida e em muito maior volume do que no passado, em especial alunos fazendo pesquisa, conforme (ZHOU et al., 2010). A quantidade de material online e offline produzida diariamente é muito grande, o que torna difícil localizar conteúdo adequado à necessidade específica do interessado. Isso torna a busca por material relevante, por parte de alunos, um processo muito ineficiente. Sistemas de recomendação podem ajudar na obtenção de informações relevantes de forma mais ágil (REZENDE et al., 2006; SHISHEHCHI et al., 2010; SHISHEHCHI et al., 2011; ZHOU et al., 2010). As áreas da ciência têm se entrelaçado cada vez mais, sendo comum a aplicação e o desenvolvimento de sistemas de informação em pesquisas nas disciplinas humanísticas como a linguística, de saúde como a medicina e o estudo de epidemias, e exatas como matemática e física, ao mesmo tempo em que é frequente o estudo conjunto e o uso de conceitos de biologia como redes neurais e modelos genéticos para a pesquisa de heurísticas e de inteligência artificial em sistemas de computação. Em ISSN:

2 grande parte das pesquisas de mestrado, o aluno tem que conjugar uma visão detalhada e profunda de seu tema com outro olhar, este mais amplo, varrendo múltiplas tecnologias, áreas de aplicação e de pesquisa. Diante da necessidade de tal abrangência de aquisição de conhecimento, e do pouco tempo disponível (os cursos de Mestrado têm em média a duração de dois anos), a questão que se coloca é: como ser eficiente na busca por artigos relevantes à pesquisa? O presente artigo apresenta o uso de Sistemas de Recomendação para guiar a leitura de alunos de Mestrado. A recomendação considera o perfil do aluno e o propósito de seu estudo. Este trabalho está organizado da seguinte forma: a Seção 2 apresenta conceitos de Sistemas de Recomendação. A Seção 3 descreve a solução proposta, enquanto a Seção 4 especifica os métodos de coleta de dados para as análises e a avaliação dos resultados. A Seção 5 descreve os trabalhos relacionados. Finalmente, na Seção 6 estão as conclusões do trabalho a os próximos passos da pesquisa. 2. Sistemas de Recomendação Sistemas de Recomendação têm o objetivo de oferecer a cada usuário itens que provavelmente lhe interessam, filtrados entre um conjunto maior de itens (sejam tais itens de qualquer natureza). A recomendação é uma função de mapeamento de interesses do cliente para obtenção de um ou mais produtos de maior relevância para o caso (da MOTTA et al., 2011). Há várias formas de classificar Sistemas de Recomendação. O método de recuperação direta indica ao usuário itens (cujos dados estejam em um Banco de Dados) que satisfazem à sua consulta. Note-se que a qualidade da recomendação está atrelada à precisão da consulta definida pelo cliente, mas depende ainda da granularidade de detalhamento da hierarquia de itens. A filtragem colaborativa é outro método para recomendações, que são geradas considerando a similaridade de perfil do usuário com outros usuários e dos itens sendo bem aceitos por estes. A recomendação é feita com base na alta probabilidade de que uma pessoa que vem apresentando necessidade ou gosto semelhante a certo grupo continue se comportando da mesma maneira em novas interações. As pré-condições para uma boa performance aqui são a montagem dos dados de similaridade (que exige tempo e volume de transações) e poder computacional. A limitação é o cold start produtos novos não têm avaliação e, portanto, não vão aparecer em uma recomendação. O terceiro método é a filtragem por conteúdo, que usa aprendizagem de máquina para recomendar itens (classificados de acordo com seu conteúdo) em função de preferências expressas pelo usuário no momento da consulta e de exemplos anteriores. 3. Solução Proposta O foco do presente trabalho é a recomendação de referências bibliográficas para alunos de uma disciplina específica em nível de Mestrado, com base em seu perfil e no propósito de seu estudo. O material a ser recomendado é inicialmente aquele cadastrado pelo professor para a disciplina. A partir do começo de uso do sistema, avaliações dos alunos poderão ser consideradas. São informados os dados da referência (título, autor, ano de publicação, periódico etc.) e também sua classificação de acordo com os 2325

3 parâmetros: área de pesquisa, nível de conhecimento exigido em programação e o tipo de publicação (artigo de evento, periódico, capítulo de livro etc.). Há várias formas possíveis de captura de dados do perfil do usuário, como por exemplo: mecanismos de busca, redes sociais, grupos de interesse etc. Como o objetivo do presente estudo não é a forma de captar informações automaticamente, mas sim o uso de tais dados por um sistema de recomendação, optou-se por um enfoque direto que consiste no preenchimento de um questionário simples pelo aluno interessado na recomendação de referências. O resultado da análise das respostas monta seu perfil e parâmetros adicionais que serão considerados para a realização da busca no catálogo de referências cadastrado pelo professor. Uma vez preenchido seu perfil, bastará ao aluno informar os parâmetros de indicação do propósito a cada vez que quiser uma nova recomendação. O mecanismo inicial de recomendação, que considera apenas o perfil do aluno e os parâmetros de busca, é realizado para evitar o conhecido problema do cold start. A partir das primeiras recomendações e das consequentes avaliações dos materiais por parte dos alunos, o sistema passa a contar com informações que permitem um maior refinamento da busca por materiais a serem recomendados. A figura 1 representa o modelo proposto neste trabalho. Figura 1 - Modelo geral do sistema de recomendação de referências 2326

4 A infraestrutura do modelo é baseada no uso de ontologias. As ontologias foram utilizadas aqui justamente por permitirem que regras de equivalência e raciocínio fossem alocadas no próprio modelo de dados, possibilitando a inferência semântica de relacionamento entre perfis similares e entre perfis e materiais recomendados. A ontologia construída para a utilização da aplicação é composta por 15 classes e 17 propriedades. A figura 2 ilustra todas as classes e subclasses da ontologia, juntamente com suas associações. Figura 2 Diagrama da ontologia de recomendação contendo todas as classes e subclasses A recomendação é baseada na inferência sobre o modelo ontológico construído e sobre os indivíduos nele contidos, através de consultas SPARQL, uma linguagem orientada a dados (recupera dados armazenados em arquivos RDF). SPARQL é uma recomendação do W3C (World Wide Web Consortium, organização que fomenta e direciona o desenvolvimento da WWW) e seu propósito é permitir que arquivos RDF sejam consultados através de uma linguagem similar ao SQL, provendo ao usuário a possibilidade de combinar dados de arquivos RDF provenientes de diferentes fontes. RDF (Resource Description Framework, em tradução livre Modelo para Descrição de Recursos ) representa dados sobre os recursos na WWW e é uma das tecnologias usadas para se construir a ligação entre os dados. Primeiramente, uma associação entre o perfil do aluno e possíveis referências indicadas é realizada através de uma consulta, selecionando os materiais que são mais recomendados ao perfil. Depois, as informações extras da busca, preenchidas pelo aluno, são consideradas e entram como restrições na consulta às referências até então capturadas. 2327

5 Um exemplo de query SPARQL executada pelo modelo proposto é o seguinte: SELECT DISTINCT?referencias?titulo?ano WHERE #Seleção do perfil da pessoa?pessoa hasnome "NOME"^^xsd:string.?perfil isperfilof?pessoa.?perfil hasresposta?resposta. #Filtro por similaridade de Área de Pesquisa entre a referência e a busca.?areadepesquisa a AreaDePesquisa.?resposta hasitemresposta?areadepesquisa.?classificacao hasitemclassificacao?areadepesquisa. #Filtro por similaridade de Idioma entre a referência e a busca.?idioma a Idioma.?resposta hasitemresposta?idioma.?classificacao hasitemclassificacao?idioma #Filtro por similaridade de conhecimento de programação entre a referência e #a busca. Neste caso, conhecimento baixo.?classificacao hasitemclassificacao ConhecimentoProgramacaoBaixo. #Recuperação dos dados das referências que atendem aos filtros?referencias hasclassificacao?classificacao.?referencias hastitulo?titulo.?referencias hasanopublicacao?ano. #Filtro das referências encontradas, selecionando apenas aquelas que possuam #autor com "Aurona" no nome.?referencias hasautor?autores.?autores hasnome?nome. FILTER regex (?nome, "Aurona"). }. 4. Protótipo e Avaliação Para avaliação do modelo proposto, um protótipo simplificado foi construído. O ambiente de avaliação contém todos os parâmetros especificados no modelo (incluindo o perfil do aluno e os parâmetros de uma busca específica). O protótipo não inclui uma busca por recomendações similares nem a avaliação das referências recebidas por parte dos alunos, ambas funcionalidades deixadas para uma próxima etapa da pesquisa. Foram catalogadas manualmente todas as referências bibliográficas disponibilizadas pelo professor da disciplina através de uma interface web desenvolvida para este objetivo. Estes materiais foram então classificados pelos autores desta pesquisa. 2328

6 O protótipo consiste em uma interface HTML onde os alunos devem preencher as informações de seu perfil e de sua busca. As respostas são repassadas a um servidor Java EE (Java Platform Enterprise Edition é uma plataforma para desenvolvimento de sistemas web em JAVA) que, através do framework JENA 1 (API JAVA para construção de aplicações web semânticas, o qual provê um ambiente de programação que trabalha com RDF, RDFS, OWL, SPARQL e também inclui um motor de inferência baseado em regras), comunica-se com a ontologia criada especificamente para este projeto com o auxílio do Protégé 2, e a alimenta com as informações do perfil do aluno. Após a atualização dos dados do aluno, a consulta SPARQL de recomendação é montada e executada também através do JENA. A figura 3 ilustra a tela de entrada do sistema de recomendação proposto. Além das ferramentas citadas, também foi utilizada a IDE Eclipse 3 (ambiente de desenvolvimento de software integrado que suporta uma grande gama de linguagens de programação, entre elas o JAVA, e é extensível por meio de plug-ins) que auxiliou tanto no desenvolvimento dos protótipos, quanto no desenvolvimento do back-end. Figura 3 Interface do sistema de recomendação 1 Disponível em: 2 Editor de ontologias. Disponível em: 3 Disponível em:

7 O resultado da recomendação é exibido na tela para o aluno após a execução do SPARQL. A figura 4 ilustra o resultado da recomendação. Figura 4 Exemplo de recomendação A unidade de análise do estudo de caso proposto foi uma sessão de uso do sistema. Cada participante utilizou o sistema individualmente e classificou os resultados da recomendação através do sistema de avaliação. Com isto, foram obtidas diferentes sessões de análise do uso do modelo proposto. Sem a ativação do mecanismo de recomendação de materiais avaliados por similaridade de perfil, cada sessão de uso pode ser isolada e a avaliação individual realizada. Os resultados da avaliação dos alunos podem ser observados nas figuras 5 e 6. A partir dos resultados, foi possível perceber que as recomendações foram bem avaliadas (57%) e condizem com o perfil do aluno que efetuou a busca. Além disso, é possível também perceber que todos os alunos consideram recomendação de materiais didáticos algo útil ou extremamente útil (100%). Ainda em relação à avaliação dos resultados, alguns alunos sugeriram alguns campos que poderiam ser incluídos no formulário de recomendação e apontaram outros que não julgaram tão úteis nesta busca por materiais didáticos. Tais sugestões devem ser consideradas em uma próxima versão da ferramenta. Figura 5 Classificação dos alunos quanto à qualidade da recomendação recebida 2330

8 Figura 6 Classificação dos alunos quanto à utilidade de aplicações de recomendação 5. Trabalhos Relacionados MALMSTEN (2008), que em seu trabalho integrou catálogos bibliográficos de forma semântica, utilizou algumas das técnicas empregadas neste trabalho com sucesso. Entre elas, pode-se citar o uso do framework JENA para tratamento de triplas, o que possibilitou, com um esforço mínimo, buscar os dados dos indivíduos da ontologia utilizando SPARQL. BOWNIK, Ł. et al. (2007) citam em seu trabalho uma forma de auxiliar usuários no preenchimento de todos os tipos de e-forms através de tecnologias semânticas. Os autores também utilizam o framework JENA para servir de base no acesso aos dados de indivíduos da ontologia por eles desenvolvida. GARCIA et al. (2009) desenvolveram um ambiente web para publicação científica, indexada e recuperada por ontologias. Utilizando recursos da web semântica e o Protégé para a montagem da ontologia em formato OWL, usaram o Reasoner RACER para validar automaticamente a ontologia. Além disso, o framework JENA também foi utilizado para inclusão e recuperação de documentos nas ontologias, juntamente com o uso do SPARQL. Embora nenhum de tais trabalhos siga exatamente a linha da presente proposta, encontra-se no uso dos conceitos e ferramentas semelhanças que indicam a possível adequação ao propósito deste estudo. 6. Conclusões e Trabalhos Futuros Uma das conclusões após a avaliação dos resultados é a percepção de utilidade, por parte dos alunos que participarem do Estudo de Caso, do processo de sugestão de referências, no que se refere a auxiliá-los no estudo da disciplina. Assim, se verifica a probabilidade de que um Sistema de Recomendação, além da utilidade percebida hoje, muito ligada a entretenimento como músicas e livros, possa ser usado para ajudar alunos em nível de Mestrado a serem mais eficientes na obtenção de materiais para leitura. Trabalhos futuros podem incluir o alinhamento de classes utilizadas focando na reutilização de propriedades do Dublin Core (como dc:title, por exemplo) e em ontologias como FOAF (este último podendo inclusive ser usado para a recomendação por similaridade de perfil). A recomendação por similaridade é outra opção que agregaria bastante, pois poderá melhorar o nível de precisão das recomendações, assim como a aplicação do conceito de filtros colaborativos com base na recomendação de usuários pode ser incluído na lógica de recomendação. 2331

9 Testes mais abrangentes podem incluir públicos maiores; públicos de outras disciplinas e de outras áreas, além do considerado no presente Estudo. Além disso, a possibilidade de que Sistemas de Recomendação prestem apoio similar a alunos de nível de Doutorado, Pós-Doutorado e a pesquisadores, poderá ser avaliada. Referências Bownik, Ł. et al. Automatic Form Filling Based on Ontology-Controlled Dialogue With the User, Centrum Elektryfikacji i Automatyzacji Górnictwa EMAG, Proceedings of the International Multiconference on Computer Science and Information Technology, pp , 2007 Celma, Ò. Foafing the Music: Bridging the Semantic Gap in Music Recommendation Music Technology Group, Universitat Pompeu Fabra, Barcelona, Spain Cruz, I. et al. (Eds.): ISWC 2006, LNCS 4273, pp Springer-Verlag Berlin Heidelberg, 2006 da Motta, C. L. R.; Garcia, A. C. B.; Vivacqua, A. S.; Santoro, F. M.; Sampaio, J. O. Sistemas de Recomendação. Sistemas Colaborativos, pp Rio de Janeiro: Elsevier, 2011 Garcia, L. M. L. da S.; *Antunes, F.; *Santos, M. E. da S. Utilização de Recursos da Web Semântica na Construção de um Ambiente Web para Publicação Científica Indexada e Recuperada por Ontologias, Universidade Estadual Paulista Julio de Mesquita Filho ; (*) Universidade Estadual do Ceará, 2009 Liu, F. Design of Self-directed e-learning Material Recommendation System with Online Evaluation Department of Digital Arts and Multimedia Design, TAJEN University, Taiwan in: International Conference on Convergence and Hybrid Information Technology, 2008 Malmsten, M. Making a Library Catalogue Part of the Semantic Web, National Library of Sweden, LIBRIS department, Proc. Int l Conf. on Dublin Core and Metadata Applications, pp , 2008 Rezende, J. L. et al. Building a Personal Knowledge Recommendation System using Agents, Learning Ontologies and Web Mining COPPE/UFRJ Graduate School of Computer Science, Rio de Janeiro In: Proceedings of the 10th International Conference on Computer Supported Cooperative Work in Design, 2006 Rho, S. et al. COMUS: Ontological and Rule-Based Reasoning for Music Recommendation System School of Computer Science, Carnegie Mellon Univeristy, Pittsburgh, PA, USA Graduate School of Information and Communication, Ajou University, Suwon, , South Korea School of Electrical Engineering, Korea University, Seoul, , South Korea Shishehchi, S.; Banihashem, S. Y.; Mat Zin, N. A. A Proposed Semantic Recommendation System for E-Learning (A Rule and Ontology Based E-learning Recommendation System) Department of Information Science Faculty of Science and Information Technology University Kebangsaan Malaysia Selangor, Malaysia /10/ 2010 IEEE 2332

10 Shishehchi, S. et al. Review of Personalized Recommendation Techniques for Learners in elearning Systems Noah Knowledge Technology Research Group Faculty of Science and Information Technology University Kebangsaan Malaysia Selangor, Malaysia In: 2011 International Conference on Semantic Technology and Information Retrieval, Putrajaya, Malaysia Theeramunkong, T. et al. (Eds.): PAKDD 2009, LNAI 5476, pp , Springer- Verlag Berlin Heidelberg, 2009 Zhou, J.; Luo, T.; *Lin, H. A Novel Recommendation System With Collective Intelligence. School of Information Science and Engineering Graduate University of Chinese Academy of Sciences, Beijing, China; (*) Delft University of Technology, the Netherlands /10/ 2010 IEEE 2333