Agentes em Recuperação da Informação

1. Agentes em Recuperação da Informação

2. Equipe • Daniel Penaforte (dap4) • Daniel Julião (dvsj) • Davi Pires (dpr) • Ernani Azevedo (ema3) • Everton Marques (egm2) • Farley Millano (XXXXXXXXXX) • Guilherme Carvalho (ggc) • Guilherme Moura (gsm) • Nitai Bezerra (nbs) • Pedro Montenegro (pmr)

3. Roteiro • Introdução a RI • Papel dos Agentes em RI • Agentes na WEB • Recomendação • Filtragem • Notificadores • E-commerce • Chatterbots

4. Recuperação de Informação Motivação Usuário Web Pages 1870 found. “Morrendo ignorante num mar de informações” - Dificuldade de localizar documentos relevantes !! Como funciona? Necessidade de Informação Representação Consulta Documentos Indexação Formulação Casamento

5. Tarefa típica de Recuperação de Informação (RI) • Dados • Um corpus de documentos (itens de dados) & • Uma consulta do usuário (representada por palavras-chave) • Encontrar • Um conjunto ordenados de documentos que são relevantes para a consulta

6. Usuário Consulta 1. Doc1 2. Doc2 3. Doc3 . . Documentos ordenados Sistemas de RI Corpus de documentos Sistema de RI

7. Recuperação de InformaçãoDefinição • Área de pesquisa e desenvolvimento que • investiga métodos e técnicas • para a representação, a organização, o armazenamento, a busca e a recuperação de itens de informação • Objetivo principal • facilitar o acesso a documentos (itens de informação) relevantes à necessidade de informação do usuário • Geralmente representada através de consultas baseadas em palavras-chaves

8. Papel dos Agentes em RI(A Internet) • Informações diversificadas • Usuários diversificados • Desafios • informação aos usuários não-técnicos; • libertar os usuários das tarefas repetitivas da WEB; • envio de informações relevantes aos usuários. • Formato, Conteúdo.

9. Papel dos Agentes em RI(Motivação) • Rápido crescimento do volume de informações disponível na Internet • Velocidade em encontrar informação é diferencial competitivo • Dificuldade em localizar documentos relevantes • Alto consumo de tempo • Síndrome da Nau perdida TOO MUCH INFORMATION = NO INFORMATION

10. Agentes na Web • Objetivos: • Obter uma quantidade de informações razoável ao usuário. • Trazer as informações que correspondam ao perfil e necessidade do usuário. • Fazer com que estas informações sejam de qualidade.

11. Agentes em Sistemas de Recomendação • Recomendam itens de informação ao usuário de acordo com o seu perfil • Exemplos • WebMate • Letizia • InfoAgent

12. WebMate 1/5 • Agente de busca pessoal (assistente digital). • Acompanha o usuário enquanto ele navega na Internet: • Recomenda novas URLs; • Oferece os documentos web mais relevantes; • Responde ao feedback do usuário; • Compila um jornal pessoal diário com links para documentos de interesse do usuário.

13. WebMate 2/5 • A arquitetura do WebMate consiste em: • um proxy autônomo que monitora as ações do usuário; • um controlador applet que interage com o usuário.

14. WebMate 3/5

15. WebMate 4/5

16. WebMate 5/5

17. Letizia 1/3 • H.Lieberman-MIT. • Imita o comportamento do usuário, baseado em preferência, não em relevância. • Segue o usuário e tenta antecipar o que é de interesse, com heurísticas simples e metas. • HP dinâmica e acessível, com sugestões. • Aproveita o tempo inútil e é ético.

18. Letizia 2/3 • Behavior-BR - justificativas • Interesse: seguir um link ou revisitá-lo, ou acessar muitas páginas sobre um assunto. • Desinteresse: desprezar um link ou retornar. • Persistência de interesse e “esquecimento”. • Achados ao acaso: tenta descobrir interesses não-óbvios.

19. Letizia 3/3

20. Info Agent 1/4 • Info Agent é composto de 3 componentes principais: • Webwatcher • SearchEngine UI • Bookmark Manager

21. Info Agent 2/4 • Webwatcher • Procura por alterações em páginas web • Avisa ao usuário sobre tais alterações • Pode ser configurado da maneira desejada.

22. Info Agent 3/4 • SearchEngine UI • SearchEngine Dmoz searchAndBrowse: 'Squeak‘ • SearchEngine Dmoz searchAndManage: 'Squeak‘ • Varre os resultados da Busca por URLs e insere no Bookmark Manager

23. Info Agent 4/4 • Bookmark Manager • Documentos do WebWatcher: “Webwatched Documents” • Documentos resultantes de buscas: “Search Results”

24. Agentes em Sistemas de Filtragem Motivações • Crescimento do volume de informações em ambientes distribuídos • Dificuldade em localizar documentos relevantes • Consumo de tempo Ferramentas que automatizam a recuperação de informações

25. Mail News BIndex ... Filtragem Introdução • Definição Agentes que filtram colhem informações de várias fontes e selecionam documentos baseados em determinados critérios • Existem vários exemplos de filtragem de informações Foco em Informações na Internet

26. Técnica de Representação de Textos • Extração de conceitos importantes em documentos • Heurística de frequência de palavras • EX: Term Frequency-Inverse Document Frequency (TFIDF) • Fórmula: • TFIDF(W) = TF(W) * log |D|/ DF(W) • onde |D| é o número total de documentos do conjunto • Maior frequência no documento e rara presença nos outros indica maior relevância • Palavras com maiores pesos são selecionadas formando um vetor de representação do documento

27. EXEMPLOS • BORGES ( A . F. SMEATON , 1996 ) • Usuário especifica palavras ou frases • Destaca palavras polisemânticas, mostrando significados alternativos, para que o usuário escolha • O sistema expande o perfil do usuário, incluindo termos relacionados

28. EXEMPLOS • WebWatcher (http://cs.cmu.edu/afs/Web/People/webwatcher) • Usuário especifica palavras-chaves • Duas páginas estão relacionadas, se alguma terceira página apontar para ambas • O algoritmo usa “informação mútua” como uma medida de similaridade para comparar links

29. EXEMPLOS • LAW (D. Bayer, 1995) • Monitora ações do usuário (bookmarking, impressão de páginas, etc...) • Características dos documentos Modelar o perfil do usuário • Um robô autônomo busca páginas relevantes, de acordo com este perfil

30. EXEMPLOS • SAMURAI (H. Leong, S. Kapur, O de Vel, 1997) • É composto de 5 módulos: • Sumarização do texto • Monitoração e modelagem do usuário • Máquina de busca • Filtragem de links • Compilação dos resultados • WEBSOM (http://websom.hut.fi/websom/) • SYSKILL (http://www.ics.uci.edu/pazzani/Syskill.html)

31. EXEMPLOS • Bullseye • Desktop software • Utiliza cerca de 600 search engines • NewsHound • Busca notícias de diversos jornais a partir do perfil do usuário. • Envia estas informações através de e-mail ou páginas html. • Utiliza critérios de relevância.

32. EXEMPLOS • NewsWeeder (uso experimental Carnegie Mellon University) • Usuário visita cada NewsGroup e avalia artigos com notas de 1 a 5 • Perfil do usuário a partir das notas • 50 melhores artigos selecionados de acordo com seu perfil • A classificação Técnicas de medidas de similaridade

33. EXEMPLOS • Pefna (Universidade de Estocolmo - Kilander) • Categorias em ordem de importância • Bom exemplo da categoria é assinalado para seu treinamento • Categoria pode conter um ou mais exemplos • Comparação Medidas de similaridade com categorias existentes

34. Notificadores WEB • Serviço automático ativado por algum evento ocorrido dentro de um critério; • Critérios são geralmente definidos por termos; • Agentes enviam mensagens (e-mail, SMS...) para usuários registrados;

35. Como funcionam? • Trabalham em conjunto com outro serviço de informação • Acionado quando o critério é atingido • Exemplos: • Google Alert • ChangeDetect

36. Google Alert 1/2 • Cadastra termos de busca no google • Classificação: • News (Artigos) • Web (Internet “top20”) • News and Web (Artigos e Internet “top20”) • Groups (Google Groups) • Envia e-mail quando o termo combina com novos resultados

37. Google Alert 2/2 • Forma ‘Google’ de criar e gerenciar as entradas • Simples • Intuitivo

38. ChangeDetect 1/3 • Notifica sobre modificações em páginas cadastradas para usuários; • Destaca as modificações nas páginas por códigos de cor; • Muito “completo”: • detecções constantes ou programadas • filtragem extra • categorias personalizadas • várias formas de notificação • detecta modificações em vários formatos de arquivo

39. ChangeDetect 2/3 • É extremamente configurável • pode ser um problema...

40. ChangeDetect 3/3

41. Agentes em Sistemas de E-Commerce • Automatizar parte do processo -> economia • Comparar produtos de diferentes vendedores • Quão fácil é expressar suas preferências para a tarefa? • Comprar um presente • Decisões sub-ótimas -> riscos • Comprar um carro, vender e comprar ações

42. Consumer Buying Behaviour • Identificação da necessidade • Busca pelo produto • Busca pelo vendedor • Negociação • Compra e entrega • Avaliação Estágios “agent-centric”!

43. Tecnologias • Sistemas de recomendação • Filtragem baseada em conteúdo • Filtragem colaborativa • Filtragem baseada em restrições • Negociação • Constraint Satisfaction Problem • Teoria da utilidade multi-atributo

44. Identificação da Necessidade • Fornecer nova informação que possa motivar o usuário a comprar algo. • Filtragem • Resolução de constraints • Filtragem colaborativa • Agentes monitores

45. Escolha do produto • Definir "o que" comprar • "Serendipity“ • Estratégia • Resolução de constraints • Filtragem colaborativa • Função de utilidade multi-atributo

46. Escolha do Vendedor • Definir "de quem" comprar • Consultar vários sites de vendas on-line • Dificuldade: criar "wrappers" para cada site • Solução: Web Semântica = XML + RDF + OWL • Exemplo • BargainFinder • Jango • Tete-a-tete

47. Negociação • Tecnologias • Constraint Satisfaction Problem • Teoria da utilidade multi-atributo • Leilões • Exemplos: • Kasbah • AuctionBot • Tete-a-tete

48. Chatterbots • Sistemas capazes de dialogar com os usuários em linguagem natural restrita • Agentes inteligentes • Simular uma conversa • Troca de mensagens de texto • Tornar mais familiar a interação entre o homem e a máquina • Impressão de que o computador possui uma personalidade

49. Exemplos de Aplicações • Uma “recepcionista” em um site comercial • Responder a FAQs (Frequently Asked Questions) • Atuar na área educacional dando suporte ao estudo e pesquisa • Entretenimento

50. Exemplo de Diálogo Vendedor: “Olá! O que você está procurando?” Usuário: “Um notebook para meu negócio de consultoria.” Vendedor: “Por favor descreva se você tem alguma restrição de preços.” Usuário: “Não é muito importante. Estou interessado em alta performance.” Vendedor: “Você está procurando algum notebook topo-de-linha?” Usuário: “Sim, exatamente!” Vendedor: “Acredito que temos o produto certo para você. Clique aqui para ver o MacBook Pro 2.16Ghz”