Extração de Informação de Mídias Sociais na Web

Transcrição

1 Extração de Informação de Mídias Sociais na Web Fernando Alberto Zambelan Bossarino Engenharia de Computação CEATEC Resumo: Este resumo apresenta os resultados do trabalho de Iniciação Cientifica denominado Extração de Informações de Mídias Sociais na Web, cujo objetivo é aplicar idéias, técnicas e ferramentas, que permitam a extração de informações de interesse, obtidas através de extração de Feed RSS, transmitido por ferramentas de blogs, na forma de um software extrator. Extrator capaz de receber endereços de Feeds RSS e palavras chaves para pesquisar e recuperar, de maneira inteligente, o conteúdo relevante. Software este que se torna interessante no domínio educacional e cientifico a partir do instante que integra sistemas semânticos e processamento de dados inteligentes. Palavras-chave: Web-Semântica, Extração de informação, Mídias Sociais, Blogs, Feed RSS, JDOM. Área do Conhecimento: Ciências Exatas e da Terra / Ciência da Computação / Sistemas de Computação / Software. 1. INTRODUÇÃO Enquanto semântica compreende o estudo do sentido das palavras de uma língua, Web semântica, basicamente, permite que os dados existentes na Web, com representação baseada em linguagem humana, possam ser processados por computadores. A Web semântica vem para solucionar os problemas decorrentes da grande quantidade de informações que existe na Web, do grande número de sites, blogs e outras mídias sociais em geral. As mídias sociais são ferramentas on-line criadas para permitir a interação social, a partir do compartilhamento e da criação colaborativa de informação, nos mais diversos formatos, integrando tecnologia e meio social em apenas um local. Qualquer um pode-se expressar através de vídeos, textos, fotos ou qualquer outro formato existente. As mídias sociais podem ser divididas em quatro setores: colaboração, percebível em enciclopédias digitais como a famosa Wikipedia; multimídia, como, por exemplo, o site de exibição de vídeos YouTube; entretenimento, como o Carlos Miguel Tobar Toledo Grupo de Pesquisa em Sistemas Inteligentes CEATEC tobar@puc-campinas.edu.br famoso jogo virtual Second Life; e comunicação, como a mídia social Blog, foco de estudo no trabalho de IC aqui relatado. Blogs são espécies de diários on-line, com os últimos registros apresentados primeiro, em ordem cronológica. Sempre apresenta as informações registradas pelo autor separadas pelo dia e hora de sua publicação. Cada publicação pode receber dos leitores do blog comentários sobre o conteúdo. No conteúdo do blog, é possível incluir fotos, vídeos, músicas, arquivos para download, etc. Em geral, o sistema de edição de um blog, disponibiliza um módulo, chamado Feed RSS (formato de dados usado em formas de comunicação com conteúdo atualizado frequentemente), através do qual pessoas podem se cadastrar e receber um feed sempre que o blog for atualizado, com, as informações da atualização. O formato RSS é uma linguagem de marcação XML, recomendação da W3C, que serve para agregar conteúdo. O RSS possui três versões, cada versão com sua estrutura característica: Rich Site Summary (RSS 0.91) RDF Site Summary (RSS 0.9 e 1.0) Really Simple Syndication (RSS 2.0) O RSS é baseado na linguagem RDF (Resource Description Framework) usada também para representar objetos de informação na Internet. Os conteúdos do RSS, emitidos pelos blogs, contêm links e resumos dos artigos publicados recentemente. Na Web semântica, em geral, utiliza-se de rotulações do tipo encontrado no Feed RSS para que programas possam processar texto. 2. OBJETIVO A idéia básica do trabalho de Iniciação Científica (IC) aqui relatada é a aplicação de técnicas de extração de informação [5] relevante em listas de discussão, que oferecem uma única forma para a inserção de texto. O objetivo é o do desenvolvimento de uma ferramenta que permita tal extração de informação.

2 3. METODOLOGIA Conforme definido nas atividades planejadas para o trabalho aqui relatado, o método utilizado foi o de levantamento bibliográfico, seguido do desenvolvimento de um artefato computacional e de sua avaliação. 4. CONCEITOS Nos sub-tópicos seguintes são apresentados os conceitos necessários para o entendimento, a elaboração e a evolução do trabalho. 4.1 Web Semântica A Web Semântica é um conceito idealizado para permitir o tratamento do grande número de informação na Web. Semântica é uma palavra que vem do grego, semantiké, e pode ser traduzida por arte da significação. Em 2001 surgiu a idéia de Web Semântica, por Tim Berners-Lee, James Hendler e Ora Lassila, com a publicação do artigo The Semantic Web na revista Scientific American [1]. A Web Semântica corresponde à expansão do conceito da Web atual. É uma maneira encontrada para realizar uma comunicação de dados perceptível tanto pelo ser humano como pelo computador. Atribuem-se significados às palavras publicadas nos sites, de maneira a permitir levar informações de maneira legível para uma máquina. 4.2 A Informação na Web Semântica A Web Semântica depende da integração das linguagens ou tecnologias: extensible Markup Language (XML) [2], Resource Description Framework (RDF) [3], metadados, ontologias, agentes computacionais, entre outras. O novo movimento depende, basicamente, das informações da Web serem rotuladas pelos programadores responsáveis pelos novos Web sites. Em algumas mídias sociais, por exemplo, existem sistemas chamados Feed RSS [4]. Quando um Web site tem atualizado seu conteúdo, o sistema gera arquivos em formato RSS, que corresponde a um subconjunto da linguagem de marcação XML, o que torna o Feed RSS interpretável tanto por um ser humano como por uma máquina, facilitando assim pesquisas de maneira eficiente. O RSS possui três versões [5], cada versão com sua estrutura característica: Rich Site Summary (RSS 0.91), RDF Site Summary (RSS 0.9 e 1.0), Really Simple Syndication (RSS 2.0). O RSS descende da linguagem RDF (Resource Description Framework) [6] usada também para caracterizar objetos de informação na Web, também uma informação interpretável, por seres humanos e máquinas. 4.3 Midias Sociais A Web 2.0 (termo criado em 2004 pela empresa estadunidense O'Reilly Media [7]) é considerada como uma segunda geração da Web, onde, além de dados estáticos, encontram-se as mídias sociais, que permitem a formação de comunidades, e serviços, tendo a tecnologia da Web como plataforma. Todo tipo de mídia social contém formas para compartilhar conteúdos e maneira colaborativa e interfaces diferenciadas. O You tube [8], a Wikipédia [9] e o Meio bit (blog de tecnologia) [10] são alguns exemplos de mídias sociais que estão em constante evolução. 4.4 Blogs como Fonte de Informação O Blog é a mídia social utilizada no trabalho objeto deste artigo. É uma espécie de diário online, com os últimos registros (posts) apresentados primeiro, em ordem cronológica. Sempre apresenta as informações registradas pelo autor separadas pelo dia e hora de sua publicação. Cada publicação pode receber dos leitores do blog comentários sobre o conteúdo. No conteúdo do blog, pode-se incluir fotos, vídeos, músicas, arquivos para download, etc. Em alguns blogs, sempre que atualizados, Feed RSS são disponibilizados para os usuários ficarem informados das atualizações. 5. RESULTADOS Os resultados obtidos foram importantes para a compreensão do trabalho de iniciação cientifica e para o desenvolvimento realizado. A seguir, temse um resumo dos principais resultados obtidos. Projetou-se o sotware extrator. Após ter sido elaborada a especificação, iniciou-se o projeto de um diagrama UML, que permitiu a identificação da entrada, funcionamento, processamento e saída dos dados no software. O usuário deverá cadastrar o link do blog que contenha o Feed RSS. Depois, o software, de acordo com as regras de uma ontologia, retornaria o resultado mais apropriado do Feed RSS. Uma das partes fundamentais do software é o parser, que tem como objetivo interpretar a linguagem de marcação XML para permitir que o conteúdo seja interpretado pelo software. O bolsista, após pesquisas com auxilio de seu orientador, encontrou a API JDOM, que, além de parser, pode ler e criar arquivos XML. Outra parte fundamental do software é o leitor, interpretador e criador de ontologias. Após pesquisas com auxilio de seu orientador, encontrou-se o Framework Jena para efetuar as atividades com ontologias cadastradas no software.

3 Após ter sido projetado o software, passou-se para o processo de implementação do extrator em linguagem orientada a objetos Java. Foram criadas cinco classes para gerar a interface de comunicação com usuário: InterfacePrincipal.java - essa classe estende a classe genérica JFrame e gera uma interface agradável com menus, onde cada botão refere-se a outras interfaces de comunicação com o usuário. Abaixo do menu criado na interface principal, foi criada uma árvore de arquivos Feeds RSS cadastrados. Para a criação da árvore, foi implementada a classe Tree.java. Essa classe estende a classe JPanel e implementa a classe TreeSelectionListener. Na classe Tree, é gerada a árvore de arquivos Feed RSS após o download do extrator. Cada elemento da árvore, ao se clicar, abre o conteúdo deste no JEditorPane ao lado. A classe InterfaceCadastrar.java estende a classe genérica Jframe e possui dois campos para preenchimentos: nome da mídia e endereço Web por meio da classe JeditorPane. A classe InterfaceFuncionamento.java estende a classe genérica JFrame, gerando uma janela informativa, sobre o funcionamento do software por meio das classes Jlabel. A classe InterfaceSobre.java estende a classe genérica JFrame gerando uma janela informativa sobre o criador do software e sua versão, por meio das classes JLabel. Para análise de ontologias, foi criada a classe Ontologia.java onde-se efetua a análise da ontologia escolhida pelo usuário. Para realizar a leitura de Feeds RSS, foi criada a classe LeitorXMLDOM.java, utilizando a API DOM, essa classe efetua a leitura de todo o conteúdo do Feed RSS. Para construir a base de dados do extrator foram criadas cinco classes: VerificaFeed.java, que verifica se o blog (endereço Web cadastrado) possui o Feed RSS para efetuar o download. CriacaoXML.java, que aloca e organiza os arquivos Feed RSS depois do download em suas pastas utilizando TransformerFactory. FeedRSS.java, que é utilizada para definir o nome e o conteúdo do Feed RSS através de variáveis do tipo String. Download.java, que efetua o download dos arquivos Feed RSS da Web utilizando a FileOutputStream. DataBase.java, que efetua a cópia de todas as informações e configurações do extrator em um arquivo de texto utilizando a classe FileWriter. O software trabalha com três versões de Feed RSS: Rich Site Summary (RSS 0.91), RDF Site Summary (RSS 0.9 e 1.0), Really Simple Syndication (RSS 2.0). Foi utilizado o software protégé-owl para a criação da estrutura da ontologia utilizada no software Foram geradas classes da seguinte forma: A classe Conceito da ontologia possui duas sub classes DefinidoConceito e RelaçãoConceito. DefinidoConceito possui uma sub classe Educacional Conceito. A sub classe de Conceito chamada RelacaoConceito possui três sub classes: FamiliaConceito, Ligado Conceito e FilhoConceito. A FamiliaConceito possui duas sub classes: ComposiçãoConceito e FragmentoConceito. LigadoConceito possui três sub classes: ResultadoConceito AlternativoConceito e PrerequisitoConceito. Todas as classes da ontologia possuem a propriedade é-um para identificar se a classe pertence a outra classe. A classe LigaConceito possui a propriedade éligadoconceito para identificar se determinada extensão da classe é ligada a outro conceito. AlternativoConceito possui a propriedade temalternativoconceito que define se possui conceito alternativo para determinada classe. PrerequisitoConceito possui a propriedade temprerequisitoconceito que define se possui algum pré requisito para descrever determinado conceito. A classe FamiliaConceito possui a propriedade temfilhoconceito que gera um ligação entre a classe pai e filha de um determinado conceito. Para analisar a ontologia foi utilizado o Framework Jena. Foi implementada a classe OntoPer em java, esta classe percorre a ontologia e analisa as classes existentes na ontologia gravando-as em uma lista ligada, podendo procurar algumas classes da ontologia na lista pelo método BuscClass. O teste do extrator não apresentou resultado. O plano de avaliação não apresentou resultado. Foram elaborados o relatório parcial e o final do trabalho. Também foi elaborado um resumo expandido divulgado no XV Encontro de Iniciação Cientifica da Universidade. Ocorreram reuniões de orientação, bastante proveitosas. Em toda reunião houve debates

4 sobre o que foi feito, o que deveria ser feito, problemas encontrados, dúvidas sobre o trabalho, possíveis soluções e dificuldades. Houve a participação da Mostra de Pôsteres no dia 29 de setembro de 2009, das 09:40 às 12:00 O levantamento de listas de discussão para avaliação do extrator não apresentou resultado. A avaliação do extrator (com possíveis acertos) não apresentou resultado. 6. ANÁLISE DE RESULTADOS O Software desenvolvido até o momento, por razões já explicadas, não se encontra inteiramente implementado. Mas, toda a parte de coleta de dados on-line, interpretação, leitura de Feed RSS, interface de comunicação com usuário funciona. O processo de análise dos Feed RSS junto com ontologias não foi terminado. Foi possível com o projeto entender mais profundamente estruturas de ontologias e a maneira que possivelmente o computador possa compreender o contexto das palavras e efetuar buscas mais eficientes. De forma geral, os resultados foram satisfatórios, assim como a qualidade do aprendizado durante o período de trabalho. 7. TRABALHOS RELACIONADOS A seguir, são apresentados alguns dos sistemas e serviços mais avançados disponíveis durante o desenvolvimento do trabalho. Orglex [13] é um serviço de busca associado ao relacionamento social. Possui um conjunto de categorias pré-definidas que abrange de farmacêuticas a telecomunicação onde cada categoria possui uma ontologia especifica definida pelos criadores do serviço, utilizada na filtragem e organização automatizada de noticias e post. Semantic Web Search Engine, conhecida pela sigla, SWSE [14], é um serviço de busca que leva em consideração a parte textual das paginas, oferecendo também um tratamento especial para as marcações semânticas existentes nela. Semelhante ao SWSE, o Falcon Search [15] permite uma depuração mais aprofundada dos resultados. Ao efetuar uma busca utilizando palavras-chave, o sistema identifica classes semânticas comuns encontradas nos resultados. 8. CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS Este artigo trata de uma apresentação do trabalho de IC, Extração de Informações de Mídias Sociais na Web. Apresentam-se conceitos e aplicações novas para a Web, na forma de um extrator de informações da mídia social blog. A implementação do extrator não se encontra totalmente concluída. O extrator possui entrada de um link e palavras chave, já efetua a extração de informação de Feed RSS, cujo conteúdo contenha uma das palavras chave cadastradas. Sua parte gráfica ainda está incompleta, mas está adequada às primeiras especificações geradas. Os trabalhos futuros seriam: inclusão de algoritmos de análise e pontuação encontrado no livro Modern Information Retrieval [16]; estudo mais apurado sobre ontologias, uso da ferramenta Protege, para gerenciamento das ontologias; e implementar uma interface com o usuário mais agradável do que a até então desenvolvida. 9. REFERENCIAS [1] Berners-Lee, T., Hendler, J., Lassila, O. (2001), The Semantic Web, Scientific American, capturado online em 15/03/2009 de < [2] Bray, T., Paoli, J., Sperberg-McQueen, C. M., Maler, E. Eds. (2000) Extensible Markup Language (XML) 1.0 (Second Edition). W3C Recommendation 6 October [3] Klyne, G., Carroll, J.J., McBride, B. Eds. (2003) Resource Description Framework (RDF) Concepts and Abstract Syntax. W3C Working Draft 10 October [4] W3C RSS, capturado em 15/04/2009 de < [5] RSS 2.0 Specification, capturado em 13/03/2009 de < [6] Especificações da W3C sobre RDF, capturado em 13/04/2009 de < [7] O'Reilly, T. What is Web 2.0? capturado em 13/04/2009 de < ws/2005/09/30/what-is-web-20.html>. [8] You Tube, capturado em 14/03/2009 de < [9] Wikipédia, capturado em 14/03/2009 de < [10] Meio bit, capturado em 14/03/2009 de < [11] API JDOM, capturado em 25/03/2009 de < [12] API JOptionPane, capturado em 15/04/2009 de < javax/swing/joptionpane.html>. [13] Orglex, capturado em 10/07/09 de < [14] SWSE, capturado em 12/06/2009 de <

5 [15] Falcon Search, capturado em 11/07/2009 de < home.htm>. [16] Baeza-Yates, R. and B. Ribeiro-Neto (2001). Modern Information Retrieval. New York: ACM Press. Berry, M. W. (Ed.).