SWEETS: um Sistema de Recomendação de Especialistas aplicado a uma plataforma de Gestão de Conhecimento a

Documentos relacionados
3 Modelos de Markov Ocultos

3 Metodologia do Estudo 3.1. Tipo de Pesquisa

MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA

Capítulo 2: Proposta de um Novo Retificador Trifásico

4 O Papel das Reservas no Custo da Crise

Exercícios sobre o Modelo Logístico Discreto

AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM

4 Filtro de Kalman. 4.1 Introdução

Universidade Federal do Rio de Janeiro

4 Modelagem e metodologia de pesquisa

3 Uma metodologia para validação estatística da análise técnica: a busca pela homogeneidade

5.3 Escalonamento FCFS (First-Come, First Served)

Aplicações à Teoria da Confiabilidade

Função Exponencial 2013

CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA

*UiILFRGH&RQWUROH(:0$

4 O modelo econométrico

3 O Modelo SAGA de Gestão de Estoques

4 CER Compensador Estático de Potência Reativa

4 Metodologia Proposta para o Cálculo do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos.

Problema de controle ótimo com equações de estado P-fuzzy: Programação dinâmica

Informativo Labor. Encontro de Pesquisa Labor Responsabilidade Social e Ambiental Corporativa e Gestão Ambiental em Empresas

Séries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial

5 Metodologia Probabilística de Estimativa de Reservas Considerando o Efeito-Preço

3 Retorno, Marcação a Mercado e Estimadores de Volatilidade

4 Análise de Sensibilidade

5 Método dos Mínimos Quadrados de Monte Carlo (LSM)

MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel

O cliente é a razão do nosso trabalho, a fim de inseri-lo em um novo contexto social de competitividade e empregabilidade.

Função de risco, h(t) 3. Função de risco ou taxa de falha. Como obter a função de risco. Condições para uma função ser função de risco

2 Reforma Previdenciária e Impactos sobre a Poupança dos Funcionários Públicos

Respondidos (parte 13)

MODELOS USADOS EM QUÍMICA: CINÉTICA NO NÍVEL SUPERIOR. Palavras-chave: Modelos; Cinética Química; Compostos de Coordenação.

3 LTC Load Tap Change

Contabilometria. Séries Temporais

NOTA TÉCNICA. Nota Sobre Evolução da Produtividade no Brasil. Fernando de Holanda Barbosa Filho

Exercícios Sobre Oscilações, Bifurcações e Caos

Circuitos Elétricos I EEL420

3 Modelo Teórico e Especificação Econométrica

INFLUÊNCIA DO FLUIDO NA CALIBRAÇÃO DE UMA BALANÇA DE PRESSÃO

F B d E) F A. Considere:

DISCIPLINA SÉRIE CAMPO CONCEITO

Uma comparação entre métodos de segmentação automática de tomadas em vídeos

Índice de Avaliação de Obras - 15

REDES DE PETRI EXEMPLOS E METODOLOGIA DE UTILIZAÇÃO

Motivação. Prof. Lorí Viali, Dr.

Instituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara

4 O Fenômeno da Estabilidade de Tensão [6]

A CONTABILIZAÇÃO DOS LUCROS DO MANIPULADOR 1

MODELIZAÇÃO DE SISTEMAS INDUSTRIAIS Redes de PETRI

CADEIAS DE MARKOV: UM TEMA COM APLICAÇÕES INTERESSANTES E POSSIBILIDADES INTERDISCIPLINARES NA EDUCAÇÃO BÁSICA

Experiência IV (aulas 06 e 07) Queda livre

4 Método de geração de cenários em árvore

Primeira Lista de Exercícios

Utilização de modelos de holt-winters para a previsão de séries temporais de consumo de refrigerantes no Brasil

Capítulo 11. Corrente alternada

TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON)

Lista de Exercícios nº 3 - Parte IV

ANÁLISE DE SÉRIES TEMPORAIS NA PREVISÃO DA RECEITA DE UMA MERCEARIA LOCALIZADA EM BELÉM-PA USANDO O MODELO HOLT- WINTERS PADRÃO

FONTES DE CRESCIMENTO DA PRODUÇÃO DE MILHO SAFRINHA NOS PRINCIPAIS ESTADOS PRODUTORES, BRASIL,

Controle estatístico de processo: soluções de um estudo de caso usando procedimentos estatísticos

Análise de séries de tempo: modelos de decomposição

Introdução às Medidas em Física

5 Erro de Apreçamento: Custo de Transação versus Convenience Yield

3 A Função de Reação do Banco Central do Brasil

Introdução ao Controle Ótimo: Otimização de funções e funcionais. Otimização paramétrica. Problema de controle ótimo com tempo final fixo.

3 Metodologia 3.1. O modelo

Um modelo matemático para o ciclo de vida do mosquito Aedes aegypti e controle de epidemias

Gráfico 1 Nível do PIB: série antiga e série revista. Série antiga Série nova. através do site

Prof. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística

Grupo I (Cotação: 0 a 3.6 valores: uma resposta certa vale 1.2 valores e uma errada valores)

GERAÇÃO DE PREÇOS DE ATIVOS FINANCEIROS E SUA UTILIZAÇÃO PELO MODELO DE BLACK AND SCHOLES

Introdução aos multivibradores e circuito integrado 555

Calcule a área e o perímetro da superfície S. Calcule o volume do tronco de cone indicado na figura 1.

Cálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH

APLICAÇÃO DA ANÁLISE DE COMPONENTES PRINCIPAIS NO CONTROLE DA POLUIÇÃO PROVOCADA PELO TRÁFEGO DE VEÍCULOS MOTORIZADOS

5.1. Filtragem dos Estados de um Sistema Não-Linear Unidimensional. Considere-se o seguinte MEE [20] expresso por: t t

Conceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.

Política fiscal: Um resumo CAPÍTULO 26. Olivier Blanchard Pearson Education Pearson Education Macroeconomia, 4/e Olivier Blanchard

Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais

Tópicos Especiais em Energia Elétrica (Projeto de Inversores e Conversores CC-CC)

3 Estudo da Barra de Geração [1]

O gráfico que é uma reta

Modelos Não-Lineares

III Congresso da Sociedade Portuguesa de Estatística Guimarães, 26 a 28 Junho 1995

INTRODUÇÃO TEÓRICA - EXPERIÊNCIA 3. Comportamento de Componentes Passivos

Universidade Federal de Lavras

AULA 8 CONDUÇÃO DE CALOR EM REGIME TRANSITÓRIO SISTEMA CONCENTRADO

Escola de Pós-Graduação em Economia da Fundação Getulio Vargas (EPGE/FGV) Macroeconomia I / Professor: Rubens Penha Cysne

Desempenho do Algoritmo Genético Guiado por Código em Funções de Difícil

Séries de Tempo. José Fajardo. Agosto EBAPE- Fundação Getulio Vargas

Voo Nivelado - Avião a Hélice

Escola Secundária da Sé-Lamego Ficha de Trabalho de Matemática Ano Lectivo de 2003/04 Funções exponencial e logarítmica

4 Modelo teórico Avaliação tradicional

Fundamentos de Computação Gráfica Prova Aluna: Patrícia Cordeiro Pereira Pampanelli

A aplicação de Programação por Metas para a geração de horários de exames para o Colégio de Aplicação da Universidade Federal de Viçosa - COLUNI

CINÉTICA RADIOATIVA. Introdução. Tempo de meia-vida (t 1/2 ou P) Atividade Radioativa

Capítulo 2: Conceitos Fundamentais sobre Circuitos Elétricos

4 Análise Empírica. 4.1 Definição da amostra de cada país

Teoremas Básicos de Equações a Diferenças Lineares

Transcrição:

SWEETS: um Sisema de Recomendação de Especialisas aplicado a uma plaaforma de Gesão de a Edeilson M. Silva 1 Ricardo A. Cosa 1 2 Lucas R. B. Schmiz 2 Silvio R. L. Meira 1 2 Resumo: As organizações, com o inuio de aumenarem o seu grau de compeiividade no mercado, vêm a cada insane buscando novas formas de evoluir a produividade e a qualidade dos produos desenvolvidos, além da diminuição de cusos. Para que ais objeivos possam ser alcançados é primordial explorar ao máximo o poencial de seus colaboradores e os possíveis relacionamenos que esses colaboradores êm uns com os ouros, ou seja, enconrar e parilhar conhecimeno ácio. Como o conhecimeno áico esá na mene das pessoas, é difícil de ser formalizado e documenado, por isso, o ideal seria idenificar e recomendar a pessoa que deém o conhecimeno. Diane disso, o presene arigo apresena o Sisema de Recomendação de Especialisas SWEETS e a sua implanação no ambiene a.m.i.g.o.s., uma plaaforma de gesão de conhecimeno baseada em conceios volados às redes sociais. O SWEETS foi desenvolvido em duas versões, 1.0 e 2.0. A versão 1.0, de forma pró-aiva, aproxima pessoas com especialidades em comum, ora pelos seus conhecimenos (perfil de escria), ora pelos seus ineresses (perfil de leiura). Já a versão 2.0 do SWEETS não aua de forma pró-aiva, ou seja, é necessário que haja a requisição de um usuário especialisa em deerminada área, e é baseada em folksonomia para exração de uma onologia, fundamenal para idenificar as especialidades das pessoas de forma mais eficaz. Esa onologia é refleida pela co-ocorrência das ags (conceios) em relação aos iens (insâncias) e é independene de domínio, sendo a principal conribuição desse rabalho. A implanação do SWEETS no a.m.i.g.o.s. visa razer benefícios como: minimizar o problema de comunicação na corporação, prover um incenivo ao conhecimeno social e parilhar conhecimeno; proporcionando, assim, à empresa, a uilização mais eficaz dos conhecimenos de seus colaboradores. a Ese rabalho foi apoiado pelo Insiuo Nacional de Ciências e Tecnologias para Engenharia de Sofware (INES www.ines.org.br), financiado pelo CNPq e FACEPE. 1 Cenro de Informáica, UFPE, Caixa Posal 7851 Recife, PE - Brasil {ems,rac,srlm@cin.ufpe.br} 2 C.E.S.A.R - Cenro de Esudos e Sisemas Avançados do Recife, Rua Bione, 220 Bairro do Recife - 50.030-390 - Recife, PE - Brasil {ricardo.araujo,lucas.schmiz,silvio@cesar.org.br}

Absrac: The organizaions aim a increasing indusrial compeiiveness. In his conex, hey have been searching for new ways o improve heir produciviy, he qualiy of heir producs, and coss reducion. To achieve hese goals, i is essenial o explore he collaboraors poenials and he relaionship among hem, hus finding and sharing aci knowledge. Since he aci knowledge is embedded in he people s mind, i is herefore hard o be formalized and documened. This way idenifying and recommending he person ha reains he menioned knowledge is he bes opion. In his conex, his work presens he Specialis Recommendaion Sysem (SWEETS) and is applicaion ino he a.m.i.g.o.s environmen, a knowledge managemen plaform based on he social nework concep. The SWEETS sysem has wo versions, 1.0 and 2.0. The 1.0 version, pus people wih specialies in common ogeher proacively, eiher by heir knowledge (according o he wriing profile), or by heir ineres (according o he reading profile). On he oher hand, he SWEETS second version does no ac in a proacive way. Thereby, i is necessary o reques for a specialis in a specific field, and i uses folksonomy o exrac an onology, which is essenial o idenify people s skills effecively. This onology is refleced by he ags (concep) cooccurrence relaing hem o iems (insances). In addiion, such onology is independen of domain, being he main conribuion of his work. Applying he SWEETS sysem ino he a.m.i.g.o.s. environmen aims a bringing some benefis, such as: minimize he communicaion problem in he corporaion, provide an encouragemen of social knowledge and knowledge sharing; Therefore, a beer usage of he collaboraors knowledge may be expeced. 1 Inrodução De acordo com esudo apurado pela IBM b, os CEOs das organizações espalhados pelo mundo esão ineressados em esabelecer um clima e culura que ofereçam supore que ajude as suas empresas a inovar, incluindo: desenvolvimeno de novos produos, serviços e mercados; a criação de novos modelos empresariais; e a melhoria de operações exisenes. Para ano, os CEOs êm que explorar ao máximo o poencial das suas empresas. Esse poencial envolve o conhecimeno inerene aos seus funcionários (colaboradores) e os relacionamenos que esses funcionários êm uns com os ouros, ou seja, a capacidade de enconrar e parilhar conhecimeno ácio. Assim, prover rápido acesso a essa classificação de conhecimeno é quesão primordial para as empresas que esão consanemene preocupadas em eviar esforços duplicados e em inovar. b IBM Global Business Services, Global CEO Sudy 2006, disponível em: <hp://www.ibm.com/bcs/ceosudy>. Acesso em 1508/2008 84 RITA Volume 18 Número 1 2011

De acordo com esimaiva feia por Duhon [7], 50 a 90% do conhecimeno corporaivo esá na mene dos seus empregados conhecimeno ácio, por isso, é difícil de ser formalizado e documenado [17]. Em decorrência de al dificuldade, uma solução apropriada seria recomendar uma pessoa que deenha o conhecimeno relacionado ao assuno. Além disso, uma práica comum e bem conhecida enre os seres-humanos é a procura por informações enre pessoas de grupos que se relacionam. Isso porque as pessoas endem a dar uma maior credibilidade às informações advindas das suas redes de conaos colegas e amigos [2], [16], [19]. Segundo a análise que consa em [11], os colaboradores de uma organização obém 50 a 75% de suas informações direamene de ouras pessoas. Embora as redes pessoais possam auar como um caminho para se ober resposas rápidas, às vezes elas não são suficienes para alcançar direamene quem em informações necessárias sobre uma deerminada área. Assim, essas redes êm como caracerísica o alcance limiado. As pessoas em uma rede pessoal podem auar como inermediadores, faciliando assim o conao com pessoas ainda desconhecidas [8], e com isso, prover uma maior ineraividade, comunicação e colaboração enre as pessoas. Em uma ferramena com conexo social, se alguém recebe uma deerminada requisição de informação, é mais provável esa pessoa responder à requisição se esa vier de uma pessoa amiga ao invés de uma pessoa desconhecida. Assim, segundo Ehrlich [8], um sisema que idenifique especialisas poderia refleir o conexo social em que as pessoas esão encaixadas. Ainda, de acordo com Ehrlich [8], há algum empo, pesquisadores da área argumenam que odo sisema de rede social deveria ser adicionado de ecnologias capazes de localizar especialisas, assim a procura por pessoas ceras para sanar um deerminado problema poderia ser bem mais eficiene. Diane dese cenário, o presene arigo em como objeivo apresenar um sisema de recomendação de especialisas e a sua implanação em uma plaaforma de gesão de conhecimeno a.m.i.g.o.s. (AMbiene para Inegração de Grupos e Organizações Sociais), aualmene em uso no C.E.S.A.R. Cenro de Esudos e Sisemas Avançados do Recife 4. Para aingir al objeivo, ese rabalho esá organizado da seguine forma: (seção 2) apresena conceios inerenes a Redes Sociais; (seção 3) apresena paricularidades da área de Gesão de ; (seção 4) apresena alguns sisemas de recomendação de especialisas disponíveis na lieraura; (seção 5) apresena o sisema de recomendação de especialisa desenvolvido em ambas as versões, 1.0 e 2.0; (seção 6) apresena o esudo de caso uilizado; (seção 7 e 8) apresena os experimenos e resulados obidos e, por fim, (seção 9) apresena as conclusões. RITA Volume 18 Número 1 2011 85

2 Redes Sociais A eoria de redes sociais aborda os relacionamenos sociais como nós e ligações enre eses nós. Cada nó represena um aor na rede social, e as ligações represenam algum ipo de ligação exisene enre eses aores. Exisem diversas formas de ligação enre os aores, cada uma represenando conexos disinos acerca da rede social [22]. Desde meados da década de 90, as redes sociais baseadas na Web vêm sendo desenvolvidas, apresenando um crescimeno rápido ano no número de redes quano em seus escopos. Segundo Golbeck [12], esas redes podem ser visas como grandes reposiórios de dados que armazenam informações sobre cada um de seus usuários. Em [12], Golbeck afirma ainda que uma comunidade online só pode ser considerada uma rede social na Web se: (1) ela é acessível na Web, sendo requerido para iso apenas um navegador; (2) usuários podem definir seus relacionamenos com os demais membros de forma explícia; (3) o sisema possui mecanismos naivos para a criação desas conexões; (4) os relacionamenos são visíveis e navegáveis. Em [9], Erickson e Kellogg começaram a rabalhar no desenvolvimeno de um ambiene muliusuário que permiiria a comunicação e colaboração em grupos, onde conhecimeno comuniário poderia ser criado. Eles afirmavam que o uso de redes sociais poderia se ornar um mecanismo eficiene para comparilhar e disseminar o conhecimeno individual, o que o credencia como uma abordagem ineressane para iniciaivas de gesão de conhecimeno (GC). De acordo com Saab [21], eses ambienes podem reer informações relevanes sobre seus usuários, bem como produzidas por eses, provendo os primeiros passos para o gerenciameno e disseminação do conhecimeno. 3 Gesão de A gesão do conhecimeno (GC) em uma empresa de sofware, de acordo com Choi e Lee [4], é uma oporunidade para criar uma linguagem comum comparilhada pelos desenvolvedores de sofware, de forma que eles possam ineragir, rabalhar e comparilhar conhecimenos e experiências. Nos úlimos empos, a área de GC vem recebendo uma aenção especial por pare de organizações em busca de diferenciais compeiivos [3]. Em [17], Nonaka caraceriza o conhecimeno em dois ipos, o ácio e o explício. O ulimo é composo basicamene pelo conhecimeno que pode ser documenado e disribuído, já o conhecimeno ácio reside na mene humana, sem seu comporameno e sua percepção, o que o orna difícil sua formalização e disribuição. GC pode ser viso como um processo para criação, colea, ransferência e aplicação do conhecimeno. 86 RITA Volume 18 Número 1 2011

Todo programa de GC precisa balancear o ipo de conhecimeno no qual esá focando. Baseado em seu foco, os programas podem ser classificados em um dos quaro esilos definidos em [4] e apresenados abaixo: Passivo: O conhecimeno não é gerenciameno de forma sisemáica. Exise pouco ineresse em GC; Orienado a sisema: Enfaiza a codificação e reuso do conhecimeno. Como consequência, aumena a capacidade de codificação aravés do uso de TI, diminuindo enão a complexidade no acesso e uso do conhecimeno; Orienado a pessoas: Enfaiza a aquisição e comparilhameno do conhecimeno ácio e a experiência inerpessoal. O conhecimeno é originado aravés de redes sociais informais e seu significado não pode ser simplesmene obido de uma base de dados ou reposiório; Dinâmico: Explora ambos os ipos de conhecimeno de forma dinâmica, similar a uma organização de comunicação inensiva. Possuem fore dependência do conhecimeno culural. A redução na perda do Capial Inelecual referene à saída de empregados das organizações, a redução do cuso para o desenvolvimeno de novos produos, e o aumeno da produividade por ornar o conhecimeno mais facilmene acessível a odos são alguns dos diversos benefícios da adoção de uma esraégia de GC. Em [4], Choi e Lee realizaram um esudo empírico com o inuio de validar os quaro esilos de GC proposos. O rabalho analisou o efeio e o cuso de cada méodo em relação à performance organizacional. Foram aplicados quesionários para 100 organizações coreanas. Os resulados dese rabalho indicaram que o esilo dinâmico, segundo os auores, é o mais efeivo, porém de longe o mais cusoso dos quaro apesar de não apresenarem valores concreos que jusifiquem al conclusão, enquano o esilo passivo resulou numa performance significaivamene mais baixa que os demais. Não foram idenificadas diferenças significaivas na performance organizacional das empresas que uilizam o esilo orienado a sisemas ou o orienado a pessoas. 4 Sisemas de Recomendação de Especialisas Um Sisema de Recomendação de Especialisas é uma alernaiva para prover acesso ao conhecimeno implício/ácio conhecimeno que esá na mene das pessoas. Nese senido, a lieraura apresena algumas iniciaivas que buscam prover acesso ao conhecimeno ácio das pessoas. Denre elas, podem ser mencionadas ReferralWeb [13], ERS [23], TABUMA [20], ICARE [18] e o SmallBlue [14]. RITA Volume 18 Número 1 2011 87

ReferralWeb [13] é um sisema de recomendação de especialisas que combina conceios inerenes a Redes Sociais e Filragem Colaboraiva para prover recomendações personalizadas, oferecendo prioridade aos especialisas que esão mais próximos do usuário, ou seja, aqueles com disância social menor. Os relacionamenos exisenes enre as pessoas foram exraídos a parir de logs de e-mails, pois acrediavam na hipóese de que os e-mails seriam uma rica fone de exração de relacionamenos sociais (rede social). Porém, al caracerísica pode ser considerada um problema, pois levanam imporanes preocupações de privacidade da informação. O ERS (Exper Recommendaion Sysem) [23] uiliza méodos de recuperação de informação para reornar pessoas e/ou organizações com fore relevância para uma palavrachave ou documeno, ou seja, uiliza base de documenos para enconrar especialisas com relevância enre o ópico consulado e a pessoa. A análise dos documenos associados aos usuários como premissa básica para inferir se um usuário é ou não especialisa em uma área pode ser um problema, pois a eficiência das recomendações esaria direamene relacionada à quanidade e à qualidade desses documenos. Da mesma forma que o ERS, o TABUMA [20] é um SRE que explora a capacidade dos documenos de exo para refleir os ineresses de um usuário. Com isso, é uilizado um conjuno de documenos de exos que são associados com o rabalho do usuário para a geração do seu perfil. O fao de essa ferramena poder receber como enrada dos usuários quaisquer ipos de documenos de exos, que indicam as habilidades e experiências dos usuários, a orna basane flexível. Tal caracerísica é um aspeco posiivo. Conudo, essa liberdade ao usuário pode ser dada como negaiva, caso esse usuário submea documenos que não refliam suas especialidades. O ICARE [18] é um Sisema de Recomendação de Especialisas Sensível a Conexo e uiliza onologia de domínio para realizar as recomendações. Assim, o ICARE, a parir da enrada de palavras-chaves pelos usuários, recomenda especialisas considerando informações ano do usuário que faz a requisição, quano dos especialisas que são recomendados. Dessa forma, promove recomendações personalizadas, pois esas mudam de acordo com o usuário e o insane de empo em que a soliciação é feia. Ou seja, são recomendados os especialisas mais adequados a oferecer ajuda em um deerminado insane de empo. Denre ouras informações, são consideradas: a disponibilidade do especialisa, o cargo que o especialisa ocupa na organização, a disância social enre o usuário alvo e o especialisa e a repuação do especialisa enre o conjuno de pessoas que se relacionam com ele. O SmallBlue [14] em como objeivo enconrar especialisas, comunidades e redes sociais em grandes companhias, aravés de écnicas de mineração de dados, recuperação de informação e análises de redes sociais. A rede social no SmallBlue é exraída a parir de mensagens de e-mails (similar ao ReferralWeb) e de mensagens insanâneas, o que implica dizer que o usuário possui conrole sobre o coneúdo uilizado. Conforme já mencionado, há 88 RITA Volume 18 Número 1 2011

um problema de privacidade das pessoas em usar essas informações. Enreano, o uso de informações desse gênero pode ser imporane se os seguines faores forem considerados: o uso de e-mails ser uma aividade comum; novos e-mails serem gerados consanemene; e haver facilidade de uso, pois as pessoas já usam e-email no seu dia-a-dia, não havendo nenhum rabalho adicional requerido para o usuário, além de dar permissão para uilizar seus dados. Conforme supraciado, um especialisa pode ser idenificado pelas mais variadas formas: auoria de arigos; coneúdos de e-mails e mensagens insanâneas, enre ouros. Além disso, as recomendações desses especialisas podem possuir vanagens significaivas se auarem de forma personalizada, como são os casos dos sisemas ReferralWeb, ICARE e SmallBlue. Um exemplo de uma recomendação personalizada é a proximidade social do usuário para com o especialisa, assim o usuário pode escolher um especialisa que eseja mais acessível a ele. Normalmene, os SREs uilizam écnicas de Recuperação da Informação aliadas a onologias para idenificar os especialisas de domínio. Essas onologias, que represenam um domínio em paricular, são pré-definidas, ou seja, a idenificação de especialisas é limiada a um domínio em resrio. Conrário a isso, a ferramena SWEETS, na versão 2.0, apresenada na seção 5, e aplicada no a.m.i.g.o.s (AMbiene para Inegração de Grupos e Organizações Sociais), idenifica especialisas de domínios nos mais variados conexos, pois a onologia uilizada na referida ferramena surge à medida que as inerações (colaboração) enre os usuários aconecem. 5 SWEETS O SWEETS é um sisema de recomendação de especialisas disponível em duas versões (1.0 e 2.0). Peculiaridades inerenes a essas versões são apresenadas respecivamene nas seções 5.1 e 5.2. 5.1 SWEETS 1.0 SWEETS 1.0 é um sisema pró-aivo para Rede Social que recomenda pessoas que possuem conhecimeno relacionando a um deerminado assuno (um especialisa). O SWEETS 1.0 uiliza filragem baseada em coneúdo para prover as recomendações. Essas recomendações visam aproximar as pessoas que possuem ineresse em comum e não são realizadas expliciamene a parir da enrada de um usuário. À medida que um usuário inerage com ouros usuários, ou seja, produzindo conhecimeno, o SWEETS 1.0 gera um perfil definido como perfil de escria. Da mesma forma, os usuários podem ler coneúdos produzidos por ouros usuários. Eses coneúdos RITA Volume 18 Número 1 2011 89

podem ser qualificados como relevanes ou não, a parir da aribuição de uma noa, que varia enre 1 e 5. Os coneúdos relevanes são aqueles classificados pelos usuários com noa maior ou igual a 4. Eses coneúdos, lidos e qualificados posiivamene pelos usuários, geram um segundo perfil, definido como perfil de leiura. Com o perfil de escria é possível aproximar usuários com especialidades em comum, enquano que com o perfil de leiura é possível aproximar pessoas que deenham conhecimeno relacionado a coneúdos que o usuário eseja ineressado. Ambas as formas de recomendações são realizadas a parir dos ineresses do usuário, ora por conhecimeno escrio, ora por conhecimeno lido. Desa forma, não é preciso que o usuário forneça expliciamene o assuno ao qual deseja enconrar um especialisa. Para represenar ambos os perfis de leiura e escria, foi uilizado o Modelo Algébrico iniulado Modelo Espaço Veorial (VSM). O VSM represena os ermos/palavras mais relevanes associados a cada coneúdo do usuário como um veor, sendo as freqüências/pesos, com que os ermos ocorrem, as coordenadas dese veor [1]. São considerados odos os ermos relevanes após a exclusão de sopwords, ou seja, ermos de caegorias gramaicais como arigos, preposições e inerjeições. De acordo com [1], eses pesos permiem o casameno parcial enre os perfis dos usuários, represenados por seus coneúdos, e são usados para calcular o grau de similaridade enre os perfis. O grau de similaridade é calculado aravés da medida do co-seno do ângulo enre os veores represenados pelo VSM, o que o faz variar enre 0 e 1. Assim, quando maior a similaridade enre perfis, menor será o ângulo enre os veores, o que implica em um maior valor do coseno [1]. O SWEETS 1.0 recomenda apenas pessoas com ineresses em comum, seja aravés da escria ou da leiura além de não oferecer liberdade ao usuário para pesquisar especialisas por um assuno qualquer. Ese problema, unido às falhas exisenes em análise pura de exos planos moivou a evolução do SWEETS 1.0 para o SWEETS 2.0. 5.2 SWEETS 2.0 SWEETS 2.0 é um sisema de recomendação de especialisas não pró-aivo que pode ser implanado em qualquer ambiene compuacional que possua informações associadas aos usuários e que uilize os conceios inerenes a folksnomia. Folksonomia, segundo Mika [15] é uma renovação lingüísica para a caegorização colaboraiva, a parir do uso livre de palavras-chaves. Ou seja, é um mecanismo de agging social em que as pessoas colaboram para a sua criação. Esa colaboração é possível a parir de livres descrições de objeos comparilhados realizadas pelos usuários. Para Mika [15], folksonomia aparece como uma boa alernaiva para o surgimeno de onologias simples (lighweigh onology) e criação de meadados. Uma das vanagens do uso de folksonomia para a exração de simples onologias é que esa pode abranger vários 90 RITA Volume 18 Número 1 2011

domínios, diferenemene de uma onologia de domínio que represena conhecimeno relacionado a um domínio fechado. Assim, o uso de onologias simples surgidas a parir de uma folksonomia pode ser aplicado em vários conexos. Da mesma forma que em [15], para fazer modelos de redes de folksonomia em um nível absrao, pode ser uilizado um sisema de grafo riparido (rês pares), em que o conjuno de vérices é definido em 3 (rês) conjunos disjunos em que, cada um desses conjunos correspondem, respecivamene, aos aores (usuários), conceios (ags) e as insâncias anoadas (por exemplo, documenos, sies, imagens, ec.). Dessa forma, um sisema de agging social permie que usuários eiqueem objeos com conceio, criando assim associações ernárias enre usuário, o conceio e o objeo. Assim, uma folksonomia (T) é definida por um conjuno de anoações. A parir disso, segundo Mika [15], é possível uilizar o radicional modelo biparido de onologia (conceios e insâncias), fundamenal para a consrução do SWEETS. A Figura 1 apresena a arquieura do SWEETS. RITA Volume 18 Número 1 2011 91

Figura 1. Arquieura do SWEETS A arquieura do SWEETS esá dividida em rês camadas. A primeira (1) cria uma simples onologia O ci, que é refleida pela co-ocorrência das ags (conceios) em relação aos iens (insâncias). Os relacionamenos enre os ermos/conceios da onologia O ci, são ponderados pela quanidade de insâncias (I) que são eiqueadas (agged) com ambos os ermos, ou seja, o número de vezes que os ermos co-ocorrem em insâncias diferenes. Ese é um méodo básico de mineração de exo, em que os ermos são geralmene associados pela sua co-ocorrência em documenos [6], [10], [15]. Uma vez que a onologia O ci, foi criada, na segunda camada (2), é realizada a exração de cada conceio que possuem relacionamenos maior que 1, seus relacionamenos e respecivos pesos. Sabe-se que essa quanidade mínima deve ser maior que 1, porém, não há uma definição exaa do valor ideal. Nesa versão inicial do projeo, é adoado o mínimo de 4 relacionamenos isso será explicado com mais dealhes na seção 6. É imporane ressalar 92 RITA Volume 18 Número 1 2011

que ese número mínimo de relacionamenos é configurável e, por isso, pode ser modificado a qualquer insane. Após isso, ais informações são represenadas em um Modelo Espaço Veorial Wo = [ Wo ] i, Wo,..., Wo, Wo 1 2 n 1, em que Wo n represena o veor de pesos do conceio chave e seus relacionamenos. O peso do conceio chave possui maior relevância que qualquer ouro peso do relacionameno, por isso, ese peso é deerminado por ( Wo ) 1 max +. Com isso, para cada conceio e seus relacionamenos, haverá uma represenação veorial, formando assim um conjuno de veores. Após esse processo, é realizada a indexação da base de conhecimeno de cada usuário. Essa indexação é execuada uilizando odo o conhecimeno produzido pelos usuários no ambiene ao qual o SWEETS esá sendo implanado. Com isso, para cada veor Wo haverá um veor Fu [ Fu Fu,... Fu, Fu ] i = equivalene, com a diferença que, 1 2 m 1 represena a freqüência de cada ermo em relação ao usuário e Wo represena os pesos dos ermos na O ci. É imporane ressalar que n, o amanho do veorwo e m, amanho do veor Fu são iguais, sendo Fu 0 e m Wo 0. m E, por fim, na erceira camada da Figura 1 é realizado o cálculo do grau de especialidade dos usuários em relação aos conceios. Para isso, são uilizadas as Fu e represenações veoriais de Wo. O cálculo das especialidades pode ser realizado por algorimos de análise de similaridade, por exemplo, co-seno, coeficiene de Pearson e Jaccard [1]. O presene rabalho adoou o algorimo do co-seno, conforme mosra a Equação 1. GEuc = m ( Wo Fu ) n n 2 ( Wo ) ( Fu ) i i i= 1 n i= 1 i i= 1 i 2 (1) Fu A função GEuc represena o grau de especialidade do usuário em relação a um conceio e seu valor, variando enre 0 e 1. O valor 0 represena a não especialidade enre o RITA Volume 18 Número 1 2011 93

usuário e o conceio, enquano o 1 represena a oal especialidade do usuário em relação ao conceio. De acordo com Baeza [1], esa função é inversamene relacionada ao ângulo enre Fu e Wo, pois quano menor é o ângulo enre Wo, maior o valor do co- seno, e maior é a correlação enre do veor. Fu e Fu e Wo, sendo que esse valor independe do amanho 6 Esudo de Caso Acrônimo de Ambiene Mulimídia para Inegração de Grupos e Organizações Sociais, o a.m.i.g.o.s [5] em por objeivo prover a infra-esruura necessária para a criação de redes sociais viruais para os mais diversos fins. Denre eses fins, pode-se desacar o seu uso para esimular a criação e o comparilhameno do conhecimeno pelos seus membros, podendo eses esarem relacionados a uma organização social. O a.m.i.g.o.s. foi consruído com base nas definições de redes sociais na Web apresenadas na seção 2, em que é permiida a criação explícia das redes sociais aravés dos usuários e seus conaos. Cada conao é expliciamene adicionado por cada usuário, mesmo que denro de uma mesma organização, e ese relacionameno é navegável por qualquer ouro membro da rede social. Nas próximas seções são apresenadas algumas das principais funcionalidades com suas caracerísicas e possíveis usos. Essas funcionalidades principais são aquelas que permiem a consrução do conhecimeno perinene a cada usuário, além das que oferecem subsídios para a criação da folksonomia premissas básicas para implanar a ferramena SWEETS 2.0. 6.1 Perfis Cada usuário possui um perfil no a.m.i.g.o.s. Ese perfil consise de um conjuno de dados preenchidos na forma de cadasro, que definem algumas propriedades simples do usuário, como local de residência, idiomas que possui conhecimeno, endereço de e-mail, idenificadores de aplicações de mensagem insanânea (Windows Live Messenger, Skype, Google Talk, denre ouros), e uma descrição de suas áreas de ineresse. Porém a pare mais relevane do perfil não é preenchida pelo usuário, e sim inferida pelo sisema. Iso inclui o índice de aividade do usuário denro do ambiene, que é calculado à medida que o mesmo paricipa de aividades de produção ou consumo do conhecimeno exisene na rede social; o conjuno de assunos sobre os quais o usuário possui conhecimeno, que foi inferido aravés da idenificação dos ermos de maior relevância 94 RITA Volume 18 Número 1 2011

posados pelo usuário nas diversas aividades realizadas denro do ambiene; e o conjuno de resposas às pergunas lançadas aos usuários. Esa abordagem preende cobrir uma ampla gama de possibilidades de idenificação do usuário no sisema, paricularmene em ermos de práicas emergenes e disribuídas ao longo do empo. 6.2 Hisórias Hisórias são desinadas ao regisro, compilação e apresenação de conhecimenos emergenes enre os paricipanes da rede. Consruídas de forma gradual, aravés de conribuições esponâneas ou induzidas, qualquer usuário do sisema pode inserir no ambiene suas próprias hisórias de sucesso ou dilemas, à medida que as considere relevanes para o objeivo da rede social. Cada hisória pode incluir objeos dos mais diversos ipos (arquivos exo, apresenações, arquivos de áudio, arquivos de vídeo), de forma que o conhecimeno deposiado possa ser enriquecido por ouros recursos. De modo similar, uma hisória ambém pode esar relacionada a ouras hisórias, permiindo que os usuários criem hisórias maiores, composas por várias pequenas hisórias. Adicionalmene as hisórias podem esar associadas a uma ou mais comunidades, o que indica que, apesar do auor ser um usuário em específico, o conhecimeno consruído enconra-se de alguma forma relacionado a esas comunidades. Cada usuário do sisema poderá, adicionalmene, auar como um revisor do coneúdo inserido por seus pares, avaliando qualiaivamene as conribuições disponibilizadas nese ambiene. Esa avaliação pode ser realizada de uma das duas formas: Adição de comenários que conribuam para a evolução da hisória, criando-se assim uma hisória mais rica, com mais paricipanes e novos conhecimenos. À medida que a hisória for acrescida de comenários, é criado um diálogo associado ao conhecimeno em consrução; Aribuição de uma noa, variando de uma (1) a cinco (5) esrelas, às hisórias que lê. Permiindo que ese conhecimeno, expresso aravés de hisórias, possa ser apresenado aravés de um ranking que indique as mais relevanes para os membros daquela rede social. 6.3 Relacionamenos O a.m.i.g.o.s dá supore a praicamene odos os mecanismos de relacionamenos exisenes nas auais redes sociais. Nele cada usuário pode adicionar a sua lisa de conaos RITA Volume 18 Número 1 2011 95

qualquer ouro usuário ambém membro da rede social. Esa lisa de conaos pode ser agrupada em grupos, faciliando a organização dos conaos pelo seu usuário. 6.4 Comunidades Viruais Comunidades podem ser visas como agregações de pessoas com objeivos em comum. O a.m.i.g.o.s dá supore à criação de manuenção de comunidades (Figura 2) por pare de seus usuários, podendo eses convidarem membros de sua lisa de conaos a paricipar das discussões ou aividades a serem realizadas no âmbio da comunidade. Cada comunidade possui uma série de mecanismos para a criação e comparilhameno do conhecimeno. O principal mecanismo de criação e comparilhameno do conhecimeno é o fórum de discussão, onde os membros da comunidade podem iniciar discussões sobre os mais diversos assunos. E nesas discussões, odos os ouros mecanismos de criação e comparilhameno de conhecimeno podem ser uilizados (ex: as hisórias, os objeos, a folksonomia). Figura 2. Comunidade no a.m.i.g.o.s. Um segundo mecanismo de comparilhameno do conhecimeno é a associação de hisórias à comunidade. Esa associação pode ser realizada por qualquer membro da comunidade ao criar uma hisória no sisema. Caso deseje-se, é possível aé mesmo que a hisória seja visível apenas pelos membros das comunidades relacionadas. Um erceiro mecanismo é a associação de objeos à comunidade, que, assim como as hisórias, podem ser 96 RITA Volume 18 Número 1 2011

associados pelo proprieário do objeo a qualquer uma das comunidades às quais ese perence. Adicionalmene, uma comunidade pode possuir uma série de ouras comunidades relacionadas ou afins, permiindo que comunidades que possuam focos semelhanes ou alguma inersecção de ineresses possam facilmene navegar enre si. 6.5 Objeos O a.m.i.g.o.s permie a adição de conhecimeno aravés do conceio de objeos. Um objeo pode ser viso como qualquer meio elerônico pelo qual o conhecimeno pode esar formalizado, ou que pode ser uilizado para a consrução de novos conhecimenos. Desa forma, qualquer arquivo pode ser armazenado e disponibilizado no sisema, como, por exemplo, documenos, arigos, apresenações, planilhas, vídeos, áudios e URLs exernas. Todos os objeos possuem conrole básico de versões, a ser definido pelo usuário, e permissões de acesso. Para permiir uma maior colaboração por pare dos usuários sobre um deerminado objeo, odo e qualquer objeo pode receber comenários dos usuários, adicionando a possibilidade do surgimeno de diálogos acerca do conhecimeno exisene em um objeo. 6.6 Folksonomia Para permiir uma classificação do conhecimeno armazenado em seu ambiene, faciliando assim a descobera de informações por pare de seus membros, o a.m.i.g.o.s possui um mecanismo de folksonomia [15]. Aravés de folksonomia os usuários podem classificar, de forma social e colaboraiva, o coneúdo disponível no ambiene, como, por exemplo, comunidades, hisórias, objeos, comenários e discussões em fóruns. Para iso precisam apenas adicionar palavras-chave que idenifiquem o assuno sendo raado pelo coneúdo classificado. Adicionalmene, o sisema permie a visualização de odos os marcadores criados pelos usuários aravés de uma agcloud. Desa forma, o usuário pode acessar rapidamene odo e qualquer coneúdo associado a um deerminado marcador. 7 Experimeno Preliminar Anes que o SWEETS fosse implemenado e implanado no ambiene do a.m.i.g.o.s., foi realizada uma pesquisa juno a seus usuários cadasrados que faziam pare do c.e.s.a.r.. O principal objeivo dessa pesquisa era verificar/consaar a real necessidade de implanação de um Sisema de Recomendação de Especialisas de Domínio nesse ambiene. RITA Volume 18 Número 1 2011 97

O quesionário foi disponibilizado no a.m.i.g.o.s. e recomendado expliciamene a 100 usuários, disribuídos da seguine forma: 40% eram Programadores, 40% Analisas de Sisemas e 20% Gerene de Projeos. Dese grupo, apenas 30 responderam pronamene o quesionário, dos quais 50% eram programadores, 43,33% eram Analisas de Sisemas e somene 6,66% eram Gerenes de Projeos. Não há uma razão que jusifique ese percenual, já que ese era um quesionário oalmene abero, ou seja, não direcionado a um grupo em específico. Um dos objeivos da aplicação do quesionário foi levanar, quaniaivamene, informações de quais posuras os usuários cosumam er para a resolução de um deerminado problema e como essas pessoas mosram-se ineressadas em ajudar um colega na resolução de um problema. Para enender como os usuários se poram diane de um problema, foi feia a seguine perguna: Quando você se depara com uma dificuldade/dúvida sobre algo relacionado ao seu rabalho, que posura oma para resolver o problema?. A Figura 3 mosra os resulados obidos. Dos resulados obidos, 26,67% pessoas responderam que procuram conao direo com ouras pessoas na enaiva de sanar seu problema, sejam essas pessoas amigas ou seu chefe, enquano 56,67% enariam resolver o problema aravés de pesquisas pela web. 20,00% 6,67% 16,67% 56,67% uso alguma ferramena de busca na w eb uso documenação, ou manual, ou algum livro perguno para um amigo perguno para meu chefe Figura 3. Posura dos usuários para resolver um problema. Além desse quesionameno, foi levanada uma quesão com o objeivo de idenificar a disponibilidade/ineresse das pessoas em ajudar uns aos ouros. Com isso, consaou-se que 53,33% das pessoas sempre ajudaram seus colegas nas úlimas 5 vezes em que foram 98 RITA Volume 18 Número 1 2011

procurados e apenas 10% dos enrevisados não ajudaram de forma alguma, ou porque esavam ocupados ou porque não inham um conao prévio com a pessoa que deinha a dúvida. Diane do levanameno dos dados previamene apresenados, pode-se chegar a conclusão de que seria ineressane disponibilizar um ambiene em que as pessoas pudessem colaborar enre si. Um incenivo para que essa colaboração surgisse seria a idenificação de especialidades enre os usuários e serviria para oferecer subsídios para solução de um deerminado problema. Eses foram alguns dos moivos que jusificaram a implanação de um sisema que permia a idenificação de especialisas no a.m.i.g.o.s. A idenificação de especialisas no a.m.i.g.o.s. possui dependência direa com a produção de conhecimeno por pare dos usuários e, por isso, essa foi uma das quesões abordadas no quesionário. Como resulado dessa quesão consaou-se que apenas 20% dos usuários produzem conhecimeno consanemene, 33,3% produzem conhecimeno enre 1 a 3 vezes por semana e a maioria das pessoas, represenando 46,66% das pessoas raramene produziam conhecimeno no a.m.i.g.o.s., pois, de uma forma geral, acham que mecanismo como lisa de discussão resolvem muio bem o problema de comunicação que eles êm. Como forma de sanar ese problema, ou seja, proporcionar um incenivo às pessoas produzirem conhecimeno no a.m.i.g.o.s. foi levanada a seguine quesão: Caso houvesse um Sisema de Recomendação de Especialisas de Domínio implanado no a.m.i.g.o.s., você se seniria mais moivado a produzir conhecimeno com uma maior freqüência no ambiene? 53,33% das pessoas responderam que sim, 36,67% responderam que alvez, pois primeiro deveriam uilizar a ferramena para dar sua opinião e somene 10% das pessoas responderam que não. A grande maioria dos usuários que afirmaram que se seniriam mais moivados a produzir conhecimeno no a.m.i.g.o.s. alega que, com a implanação de um Sisema de Recomendação de Especialisas, uma maior geração de conhecimeno seria inuiiva e naural, pois os colaboradores eriam ineresse em crescer na empresa e, esa, com cereza, seria uma excelene oporunidade para os colaboradores projearem suas especialidades. Essa possibilidade de promover uma maior colaboração enre as pessoas é imporane ano para os colaboradores quano para a própria empresa, no caso o c.e.s.a.r., pois as habilidades dos colaboradores poderiam ser melhor exploradas, aumenando assim a eficiência e eficácia no nível de produção. RITA Volume 18 Número 1 2011 99

8 Experimeno e Resulado da Implanação do SWEETS no a.m.i.g.o.s. O sisema de Recomendação de Especialisa SWEETS, em ambas as versões 1.0 e 2.0, foi desenvolvido e inegrado no ambiene a.m.i.g.o.s., uma plaaforma de Gesão de uilizada no C.E.S.A.R.. Esa inegração juno ao a.m.i.g.o.s. inha os seguines objeivos: 1. uilizar paricularidades de Redes Sociais em um sisema que idenifique especialisas de domínio; 2. idenificar especialisas de domínio; 3. promover melhorias na colaboração enre os usuários da plaaforma a.m.i.g.o.s.; 4. incenivar uma maior produção de conhecimeno dos usuários do a.m.i,g.o.s.; 5. agilizar o processo de resolução de um deerminado problema; 6. e alocar ou re-alocar pessoas em projeos com uma maior eficácia. A grande maioria desses objeivos, com exceção dos objeivos 1 e 2, só poderão ser alcançados com a análise dos resulados gerados pelo SWEETS durane um período de empo mais longo, por exemplo, 4, 5 ou 6 meses. De posse das informações produzidas nese período, poderão ser realizadas análises mais concreas a parir da comparação dessas informações com informações geradas em períodos aneriores. A análise da qualidade das recomendações geradas pelo SWEETS foi realizada de duas maneiras disinas. A primeira forma de análise foi aplicada em ambas as versões, 1.0 e 2.0, a parir da uilização de um conjuno resrio de 18 pessoas (colaboradores do C.E.S.A.R.). Ese conjuno resrio de pessoas se deve à dificuldade de enconrar pessoas disponíveis para realizar al análise, porém, acredia-se que ese número seja o suficiene para analisar o nível de saisfação das recomendações geradas. Enquano a segunda análise foi aplicada somene na versão 2.0, pois nesa versão há como idenificar expliciamene as especialidades dos usuários. O objeivo de al análise era verificar o nível de conhecimeno ou ineresse dos usuários em assunos dos quais eles inham sido deecados como especialisas. 8.1 Resulados do SWEETS 1.0 Em um primeiro momeno foi implanada no a.m.i.g.o.s. a versão 1.0 do SWEETS, que não usa uma enrada explícia do usuário para gerar as recomendações. Ou seja, as recomendações são geradas de acordo com o conhecimeno produzido (escria) e conhecimeno adquirido (leiura). A consrução de conhecimeno do usuário é possível a parir da criação de hisórias, comunidades ou ópicos de comunidades, objeos ou 100 RITA Volume 18 Número 1 2011

comenários sobre qualquer um desses íens. A forma como esse conhecimeno é produzido, deerminando assim as especialidades dos usuários e como as recomendações funcionam são mosrados na Figura 4. De acordo com a pesquisa qualiaiva realizada enre os usuários do a.m.i.g.o.s., denre os 83,33% dos usuários que receberam recomendações, 86,67% desses usuários ficaram insaisfeios. Provavelmene, o universo de usuários que receberam recomendações foi limiado a 83,33%, pois o resane, 16,67%, não produziu conhecimeno no a.m.i.g.o.s. o suficiene para receberem as recomendações. Figura 4. Deerminação de especialidades no a.m.i.g.o.s. para serem usados no SWEETS 1.0. Na grande maioria dos casos, as insaisfações eram por dois moivos: não permiir a enrada do usuário para soliciar um especialisa de domínio e os especialisas recomendados eram sempre aqueles que deinham conhecimeno similares ao próprio usuário. A não possibilidade ao usuário de enrar expliciamene com uma soliciação de especialisas de domínio força a aplicação a recomendar de forma pró-aiva, assim as recomendações são geradas a qualquer insane de empo. Dessa forma, o sisema de recomendação aua da seguine maneira: um usuário X recebe recomendações de ouros usuários que possuem ineresses comuns aos seus. Assim, são aproximadas pessoas que deenham conhecimenos similares (Figura 4). Tal caracerísica proporcionou uma grande insaisfação pelos usuários, pois foi gerado um número demasiado de recomendações desnecessárias. RITA Volume 18 Número 1 2011 101

Para minimizar a limiação das recomendações de especialisas que deinham conhecimenos similares, foi inserida uma nova caegoria de deerminação de conhecimeno. Com esa nova caegoria, os usuários poderiam classificar posiivamene coneúdos que leram e gosaram, assim, um novo conhecimeno é consruído: o conhecimeno do ineresse dos usuários. A Figura 5 mosra o funcionameno das recomendações com base na leiura dos usuários. Figura 5. Recomendações de especialisas com base em coneúdos de ineresses do usuário. Uma vez que os usuários classificam os coneúdos de seus ineresses, um novo perfil para cada usuário é consruído: o de leiura. A parir da consrução desse novo conhecimeno, são recomendados especialisas que possuem conhecimeno relacionado aos coneúdos de ineresse desses usuários. Os coneúdos que os usuários podem classificar posiivamene no a.m.i.g.o.s são: uma hisória, uma comunidade, ou um ópico de uma comunidade. De acordo com o que foi apresenado na seção 5.1, a classificação desses conhecimenos é realizada a parir da aribuição de uma noa, que varia de 1 a 5. Sendo que, somene coneúdos avaliados com noas 4 e 5 são considerados para consrução do perfil de leiura do usuário. Com a adoção dessa nova práica, as recomendações passaram a coner usuários com conhecimenos disinos aos dos usuários que recebem as recomendações. Como conseqüência, o nível de insaisfação dos usuários com as recomendações sofreu uma suil 102 RITA Volume 18 Número 1 2011

modificação, diminuindo para 77,78%. A insaisfação ainda coninua ala, pois o problema que os usuários êm de não poderem requerer um especialisa quando realmene necessiam, ainda persise. 8.2 Resulados do SWEETS 2.0 Para resolver os problemas levanados pelos usuários enconrados no SWEETS 1.0, foi implanada no a.m.i.g.o.s. a versão 2.0. Nesa nova versão os usuários podem enrar expliciamene com uma requisição de especialisa, a parir de uma palavra-chave. Tal paricularidade resolve o problema das recomendações geradas desnecessariamene, ou seja, sem a prévia necessidade do usuário. Na versão 2.0 do SWEETS é uilizada folksonomia para a criação de uma onologia O ci, que em o objeivo de ornar as recomendações mais eficazes. A folksonomia, no a.m.i.g.o.s., surge à medida em que os usuários associam ags aos íens (agged). Esses iens são: um objeo (um documeno ou sie exerno ao a.m.i.g.o.s.); uma hisória e comenários sobre esa hisória; uma comunidade, ópicos e comenários sobre esses ópicos. A onologia O ci é composa por relacionamenos enre conceios (ags) associados a um deerminado peso. Ambos são deerminados pela co-ocorrência dos conceios nos elemenos uilizados para a criação da folksonomia. Quano maior o peso enre os conceios, maior a frequência que eles co-ocorrem, e maior a relação semânica enre eles. A principal vanagem desse mecanismo é a não pré-deerminação da onologia, pois ela surge à medida que os usuários ineragem no a.m.i.g.o.s.. Dessa forma, a onologia não esá limiada a um domínio em paricular. A criação/aualização dessa onologia exige um alo cuso compuacional, especialmene, se a folksonomia for exensa. É o caso da folksonomia do a.m.i.g.o.s. que possui em orno de 450 ags. Por isso, esse processo é realizado periodicamene no momeno em que o a.m.i.g.o.s. não esiver ou esiver sendo pouco uilizado. Essa periodicidade é a cada 15 dias, e pode ser deerminada pelo adminisrador do ambiene. A Figura 6 mosra o resulado da onologia gerada a parir folksonomia do a.m.i.g.o.s.. RITA Volume 18 Número 1 2011 103

Figura 6. Onologia O ci que surgiu no a.m.i.g.o.s. A onologia O ci, emergene do a.m.i.g.o.s., possui um oal de 901 relacionamenos, por isso, o emaranhado de informações mosrado na Figura 6 não esá claro. Apesar disso, é possível noar, na pare desacada com uma elipse, evidências semânicas na onologia O ci enfaizadas pelos relacionamenos dos ermos sbvd, ineraividade, ginga-j e openv ao ermo v digial. Surgiram na onologia conceios que êm significados idênicos represenados em relacionamenos disinos, por exemplo, redes sociais e rede social. Tal problema era esperado, já que os conceios (ags) associados aos iens são descrios livremene pelos usuários. Além disso, pode haver erros de digiação. A livre descrição é uma caracerísica de folksonomia. Esses problemas compromeem o enriquecimeno da onologia, logo, orna a idenificação dos especialisas menos eficaz. Um dos caminhos para minimizar esses problemas é realizar um rabalho de conscienização dos usuários no enriquecimeno da onologia, ou seja, fazer com que os usuários se compromeam a alimenar a folksonomia adequadamene (de forma coerene). Esse rabalho de conscienização pode ser feio se for passada aos usuários a idéia de que esse enriquecimeno é fundamenal ano para eles, quano para a empresa. Pois, se o sisema 104 RITA Volume 18 Número 1 2011

puder deecar correamene as suas habilidades, seus poenciais poderão ser melhor explorados, logo, os seus níveis de saisfação e produividade na empresa endem a aumenar. Com isso, ganha ano o colaborador quano a empresa. O passo seguine para inferir as especialidades dos usuários foi indexar a base de conhecimeno perinene a cada usuário. Para isso, são uilizadas as informações exuais associadas aos usuários, ou as informações pré-processadas dos perfis desses usuários, que coném os ermos mais relevanes e a frequência com que eles ocorrem. A diferença das informações exuais dos usuários e dos seus perfis é que os perfis coném informações adicionais dos coneúdos dos objeos (.doc ou.rf, por exemplo), enquano as informações exuais possuem somene o conhecimeno posado pelo usuário. Conforme apresenado na seção 5, para esa indexação, são considerados os conceios/ermos da onologia O ci e seus respecivos relacionamenos. É imporane ressalar que não são considerados odos os conceios da onologia, pois, a uilização desses conceios esá limiada à quanidade de relacionamenos que possuem. A quanidade mínima de relacionamenos deve ser maior que 1, Para ese experimeno foram considerados os conceios que possuem no mínimo 4 relacionamenos. A jusificaiva para al escolha é: quando o experimeno foi execuado com um mínimo de 3 relacionamenos foram idenificados 387 especialisas, de um oal de 916 usuários - uma quanidade irreal, já que aproximadamene 50% desses usuários são usuários assíduos do a.m.i.g.o.s.. Em um segundo insane, o experimeno foi execuado considerando os conceios que possuem no mínimo 5 relacionamenos e, como resulado, obeve-se pouco mais de 60 especialisas, ou seja, especialisas em diversas áreas não foram englobados no resulado final. Com isso, chegouse a um valor inermediário, 4. A parir da análise da onologia e de seus relacionamenos, acredia-se que o mínimo ideal de relacionamenos para cada conceio a ser considerado seja 4. Com o uso do sisema, pode-se chegar a um valor mais adequado, por isso, al valor é configurável. Para cada conceio considerado, se o mesmo for simples, é uilizado o seu peso no perfil pré-processado. Conrário a isso, se o ermo for composo, al como Redes Sociais, são consideradas obrigaoriamene as informações exuais dos usuários para o cálculo da relevância do ermo, já que os perfis dos usuários não fazem referência aos ermos composos. O grau de especialidade varia enre 0 e 1. Para que uma pessoa possa ser considerada especialisa é preciso que ese grau de especialidade eseja acima de um limiar. O limiar adoado para o presene experimeno foi 0.8. Não há uma jusificaiva para a escolha dese limiar, poderia ser adoado um limiar 0.7 ou 0.6, conudo, definiu-se 0.8 para aumenar o nível de precisão de aplicação, já que é um número que se aproxima de 1 (valor máximo permiido). A Figura 7 mosra um exemplo de pesquisa na inerface do SWEETS 2.0 no a.m.i.g.o.s.. RITA Volume 18 Número 1 2011 105

Figura 7. Inerface do SWEETS 2.0 no a.m.i.g.o.s. Na Figura 7 é mosrado um exemplo de pesquisa de especialisas em requisios e a lisa de especialisas reornada. Os nomes dos especialisas esão borrados, pois essas são informações confidenciais do C.E.S.A.R.. A lisa de especialisas recomendada, por padrão, é ordenada de forma decrescene de acordo com o grau de especialidade. Além disso, apesar de ainda não esar disponível na inerface, os especialisas podem ser ordenados por sua disponibilidade (online ou ocupado) ou pela disância social em relação ao usuário que soliciou a recomendação. Para cada especialisa recomendado, é possível visualizar o número de pessoas inermediárias enre o usuário e o referido especialisa. Além do número, é possível visualizar o caminho compleo da rede social de uma pessoa a oura. Cada nome que compõe o caminho social pode ser um link para o perfil de cada usuário. 8.2.1 Análise da qualidade das recomendações do SWEETS 2.0 O SWEETS 2.0 idenificou 121 especialisas em variados assunos. Diane da idenificação dessas especialidades, foi elaborado e aplicado um quesionário personalizado para aproximadamene 50% desses usuários com o objeivo de avaliar o nível de conhecimeno ou ineresse dos usuários nos assunos aos quais foram idenificados como especialisas. Desse universo de 50% de pessoas, aproximadamene 75% delas responderam o quesionário. As informações adquiridas com a aplicação desse quesionário foram primordiais para avaliar o nível de qualidade das recomendações geradas pelo SWEETS 2.0. É imporane ressalar que, para eviar uma avaliação endenciosa, não foi informado aos usuários que 106 RITA Volume 18 Número 1 2011