Modelos de autoria não-booleanas para busca de especialistas na academia

Página do item simplificado
dc.creatorVítor Mangaravite
dc.date.accessioned2019-08-14T00:25:44Z
dc.date.accessioned2025-09-09T00:28:10Z
dc.date.available2019-08-14T00:25:44Z
dc.date.issued2016-06-01
dc.description.abstract.
dc.identifier.urihttps://hdl.handle.net/1843/ESBF-AKUMJ6
dc.languagePortuguês
dc.publisherUniversidade Federal de Minas Gerais
dc.rightsAcesso Aberto
dc.subjectComputação
dc.subjectBanco de dados Busca
dc.subjectSistemas de recuperação da informação
dc.subjectMineração de dados (Computação)
dc.subject.otherRecuperação de Informação
dc.subject.otherBusca de Especialistas
dc.titleModelos de autoria não-booleanas para busca de especialistas na academia
dc.typeDissertação de mestrado
local.contributor.advisor1Rodrygo Luis Teodoro Santos
local.contributor.referee1Alberto Henrique Frade Laender
local.contributor.referee1Leandro Balby Marinho
local.contributor.referee1Mario Sergio Ferreira Alvim Junior
local.contributor.referee1Marcos Andre Goncalves
local.description.resumoAs abordagens do estado-da-arte para busca de especialistas dependem de associações documento-candidato para inferir a expertise de uma pessoa para uma determinada consulta. Essas associações têm sido tradicionalmente modeladas como variáveis booleanas, indicando se um candidato é ou não autor de um determinado documento, sendo o peso dessa associação normalizado para penalizar candidatos prolíficos. Nesta dissertação, abordamos o problema de busca de especialistas em um ambiente acadêmico, onde a autoria de um documento pode ser determinada com razoável confiança. Assim, em contraste às abordagens tradicionais, propomos modelar associações como variáveis não-booleanas, refletindo a probabilidade de um documento ser informativo para a especialidade de um candidato. Além disso, introduzimos um esquema de normalização alternativo que mede o quão discriminativa uma associação documento-candidato é à luz de todas as associações que envolvem o documento ou o candidato. Através de um estudo de grande escala com acadêmicos especialistas de diversas áreas do conhecimento, demonstramos o desempenho das funções de associação e de normalização propostas para melhorar a eficácia de uma abordagem do estado-da-arte para busca de especialistas.
local.publisher.initialsUFMG

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
vitormangaravite.pdf
Tamanho:
3.02 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

Pós-Graduação em Ciência da Computação - Dissertações

Logo UFMG