1. Tag suggestion using multiple sources of knowledge Ícaro Medeiros Fred Freitas H. Sofia Pinto 19/07/2010

2. Roteiro Introdução Sistemas de tagging social e folksonomias Motivação Trabalho relacionado Sugestão de tags ANTaReS Implementação Resultados Discussão Conclusão

3. Introdução

4. Sistemas de tagging social Usuários atribuem tags (palavras-chave) a recursos Páginas Web, fotos, vídeos Delicious: 150.000 bookmarks/dia

5. Youtube – vídeos + tags 52 milhões de visitantes/mês

6. Tagging social: atributos Tags são palavras-chave escolhidas livremente NÃO HÁ vocabulário pré-definido (Mathes, 2004) Encoraja a atribuição de tags Atribuição é geralmente colaborativa São também redes sociais e/ou agregadores de conteúdo publicado por usuários Organização de conteúdo aumenta a popularidade dos STS

7. Navegação por tags

8. Folksonomias Resultado de usuáriosinteragindo com o STS aoatribuirtags a recursos Tags Colaborativas+ Semântica emergindo da comunidade = Classificação baixo-cima conhecida como folksonomia(Mathes, 2004)

9. Desvantagens de STS Vocabulário livre leva à ambiguidade Polissemia: whistle (instrumento) e whistle (som) Homonímia: Java (linguagem) e Java (café) Sinônimos: Buy/purchase Palavras ligadas: webdev, semweb, semantic_web Tags populares no Delicious 25-10-09

10. Atribuição incorreta de tags

11. tags? tags! Processo de sugestão de tags STS “pede” TAGS! usa upload analiza Recurso Sistema de Sugestão Folksonomia gosta de analiza prediz são sugeridas tag1 tag2 tags

12. Sugestão no Delicious Tags mais usadas para um recurso Intersecção com folksonomia pessoal

13. Vantagens da sugestão(Heymannet al.,2008b) Convergência de vocabulário Cobertura maior para consultas por tags Concordância entre usuários Desambiguação de tags Bootstrapping

14. Trabalho Relacionado

15. Filtragem colaborativa Dados os recursos A com tags {x,y} B com tags {z,w} E um novo documento C Sugerir ao recurso C tags do documento mais similar (A)(Jäschkeet al., 2007) Só sugere termos que já estão na folksonomia

16. Aprendizagem de Máquina Aprenderpadrões para “saber” quando um termo pode ser usado como tag Página Web Corpus Página Web Classificador Recursos Treinamento Classificador Novo recurso tag1, tag2 tag1, tag2 tag1, tag2 tag3, tag4

17. Sugestão de Tag com AM Termos - conjunto de atributos (features) Um classificador é construído por padrões desses atributos Ex: Um termo no títulopode ser uma boa tag Métodos Máquinas de Vetor Suporte (Wang and Davison, 2008)

18. ANTaReS A Novel TAgREcommendation System

19. Objetivos Sugerir tags a páginas Web Especialmente (novas) palavras-chave não presentes na folksonomia O método deve ser capaz de se adaptar à dinâmicas de vocabulário Aprendizagem de Máquina

21. Recuperação de informação (TF,IDF)

23. Contexto do link

24. Texto da páginaInbound link Delicious (website) - Wikipedia Delicious is a social bookmarking web service

25. Bases de conhecimento Termos Relacionados del.icio.us Wordnet <description> leading social bookmarking service </> The tastiest bookmarks on the web. consultas Ex: Sinônimos de termos relevantes de páginas Web

26. Metodologia Um classificador (SVM) para cada fonte Resultados combinados são usados para predizer se um termo é uma tag ou não Análises Fonte x Tags Comparação com tags do Delicious Comparação com trabalhos relacionados Avaliação dos por usuários

27. Experimentos e Resultados

28. Extração do dataset Tags maispopulares no Delicious (199) Para cada top tag, páginaspopularesusando-as foramrecuperadas(~ 7 págs/tag) Para cadapágina, as tags maisusadasparaelaforamextraídas(~ 9.8 tags/pág) Resultado: 1394páginas 13667 tags (2201 únicas)

29. Fontes x Tags Das tags do Delicious, quantas são encontradas No texto Nas páginas Inbound Nos termos relacionados do Wordnet

30. Fontes x Tags : resultados

31. Impacto dos atributos Conhecer sua natureza Medidas padrão (%): Precisão, Cobertura (recall), F-1 Cobertura calculada usando apenas tags encontradas na fonte testada Experimentos Cada atributo isoladamente Removendo um atributo do conjunto total Adicionando atributos ao conjunto um por um

32. Atributos de páginas Web isolados

33. Atributos do Wordnet isolados

34. Removendo um atributo do conjunto total (atributos de páginas Web)

35. Removendo atributo de páginas inbound

36. Removendo atributos Wordnet

37. Adicionando atributos de páginas Web um a um

38. Melhores resultados para cada fonte Recall “real”

39. Classificador combinado Usando os melhores resultados de cada fonte (e regra do produto) Pouca diferença entre métodos de combinação

40. Diferentes métodos de classificação Resultadocombinado

41. Comparação com outros trabalhos

42. Avaliação baseada em usuários Usuários: Lêema página Atribuem 3 a 5 tags a ela Marcam como boa/ruim tags sugeridas 44 docs, 12 usuários, 11 docs/usuárioe 3 usuários/doc Medidas: Precisão1+, precisão2+ e precisão3 “Cobertura” Novidade

43. Resultados (média) Precisão1+: ~94% Precisão2+: ~77% Precisão3: ~44% Cobertura: ~20% Novidade: ~20%

44. Discussão

45. Resultados Satisfatórios em relação a Tags do Delicious Trabalhos estado da arte em sugestão de tags Avaliação de usuários reais

46. Conclusão

47. Conclusão Sugestão de tags com vários atributos de múltiplas fontes de informação Tagsnovas e interessantes Objetivos cumpridos A solução pode ser usada em cenários reais

48. Trabalhos futuros Ajustar parâmetros dos métodos de AM Melhorar com o uso Ranking vs. Classificação Abordagem híbrida Melhorar resultado pra páginas com pouco texto Avaliação de usuários maior

49. Referências P. Heymann, D. Ramage, and H. Garcia-Molina (2008). Social tag prediction. International SIGIR Conference on Research and Development in Information Retrieval (SIGIR), pages 531-538. ACM. R. Jäschke, L. Marinho, A. Hotho, L. Schmidt-Thieme, and G. Stumme (2007). Tag recommendations in folksonomies. EuropeanConference on Principles and Practice of Knowledge Discovery in Databases, pages 506-514. Springer-Verlag. A. Mathes (2004). Folksonomiescooperativeclassicationand communication through shared metadata. http://www.adammathes.com/academic/computer-mediated-communication/folksonomies.pdf.

50. Referências II Y. Song, L. Zhuang , H. Li, Q. Zhao, J. Li,W.-C Lee, and C.L. Giles (2008a). Real-time automatic tag recommendation. In International Conference on Research and Development in Information Retrieval (SIGIR), pages 515–522. ACM. Y. Song, L. Zhang, and C. L. Giles (2008b). A sparse gaussian processes classification framework for fast tag suggestions. In Proceeding of the ACM conference on Information and Knowledge Management (CIKM), pages 93-102. ACM. J. Wang and B. D. Davison (2008). Explorations in tag suggestion and query expansion. In SSM '08: Proceeding of the 2008 ACM Workshop on Search in Social Media, pages 43-50. ACM.