Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/SLSC-BBZN36
Type: | Dissertação de Mestrado |
Title: | Hierarchical Categorization of Research Expertise in the Presence of Scarce Information |
Authors: | Gustavo Oliveira de Siqueira |
First Advisor: | Alberto Henrique Frade Laender |
First Referee: | Marcos Andre Goncalves |
Second Referee: | Nivio Ziviani |
Third Referee: | Leonardo Chaves Dutra da Rocha |
Abstract: | Ao longo da história da ciência, diferentes áreas do conhecimento têm colaborado para resolver os principais desafios em pesquisa. A tarefa de associar um pesquisador a tais áreas viabiliza uma série de tarefas, como a organização de repositórios digitais, recomendação de especialistas e a formação de grupos de pesquisa para problemas complexos. Nesta dissertação é proposto um modelo automático de classificação simples, mas ainda eficaz, capaz de categorizar especialistas de acordo com um esquema de classificação hierárquico para áreas do conhecimento. Esta abordagem baseia-se em evidências discriminatórias fornecidas pelo título de trabalhos acadêmicos, que é a informação mínima capaz de relacionar um pesquisador à sua área de conhecimento. Os experimentos realizados mostram que usando métodos de aprendizado de máquina supervisionados, treinados com informações rotuladas manualmente, é possível produzir modelos de classificação eficazes. |
Abstract: | Throughout the history of science, different knowledge areas have collaborated to overcome major research challenges. The task of associating a researcher with such areas makes a series of tasks feasible such as the organization of digital repositories, expertise recommendation and the formation of research groups for complex problems. In this dissertation, we propose a simple yet effective automatic classification model that is capable of categorizing research expertise according to a hierarchical knowledge area classification scheme. Our proposal relies on discriminatory evidence provided by the title of academic works, which is the minimum information capable of relating a researcher to its knowledge area. Our experiments show that using supervised machine learning methods, trained with manually labeled information, it is possible to produce effective classification models. |
Subject: | Aprendizado de Máquina Computação Recuperação de informação |
language: | Português |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
Rights: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/SLSC-BBZN36 |
Issue Date: | 31-Jul-2018 |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
gustavooliveiradesiqueira.pdf | 4.2 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.