A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Agentes na Internet Patrícia Nunes Pereira Professor: Geber Ramalho.

Apresentações semelhantes


Apresentação em tema: "Agentes na Internet Patrícia Nunes Pereira Professor: Geber Ramalho."— Transcrição da apresentação:

1

2 Agentes na Internet Patrícia Nunes Pereira Professor: Geber Ramalho

3 Tópicos u Motivação u Introdução u Categorias de Agentes u Foco: Filtragem de Informação v IR - Recuperação de Informação v Categorização de Textos v Exemplos u Discussão u Referências e Links

4 Motivação u Rápido crescimento do volume de informações disponível na Internet u Dificuldade em localizar documentos relevantes v Alto consumo de tempo v Síndrome da Nau perdida TOO MUCH INFORMATION = NO INFORMATION

5 Introdução u Bum da Internet: Grande volume de informação, diversificada, não estruturada, multilíngue,... Grande volume de informação, diversificada, não estruturada, multilíngue,... u Agentes inteligentes na Internet: Automatizar a busca e recuperação de informações Automatizar a busca e recuperação de informações

6 Categorias de Agentes u Agentes de Busca u Agentes que Filtram Informação u Agentes de Entrega Off-line u Agentes de Notificadores u Agentes de Comércio na Web u Chatterbots u...

7 Agentes de Busca Servidor de Consultas )--( Base de Índices Robô Browser Consulta Resposta Search Engine Usuário Indexing Engine Busca Web

8 Agentes de Busca u Atributos: Precisão X Recall u Características: v Esforço consciente para encontrar informação v Entrada: palavras chave v Descarta links menos relevantes v Não há garantia da qualidade da informação u Vários exemplos (robot-based): u WebCrawler, Lycos, Altavista,...

9 Agentes que Filtram Informação Servidor News Artigos Indexados Browser Agente de Filtragem Perfil do usuário Indexing Engine Internet

10 Filtragem de Informação u RI + Interesses do usuário = Informação Relevante u Perfil do usuário: Estático ou Dinâmico u Problemas: v Indexação; v Linguagem Natural: resolução de fenômenos lingüísticos u Sinonímia (R=Gerador de sinônimos) u Polisemia (R=Indexação por significado) Objetivo: Evitar a perda de documentos relevantes e a recuperação de documentos irrelevantes!

11 Filtragem de Informação u Tentativa de resolver parcialmente os problemas associados à recuperação de informação dos keyword-based systems. u Características: v Extração dos conceitos salientes do conjunto de documentos v Aprendizado do perfil do usuário

12 Filtragem de Informação (Extração de Conceitos salientes em Documentos) u Abordagem PLN: Sumarização de Documentos Formato particular é Self-Consuming Formato particular é Self-Consuming v Heurísticas de freqüência das palavras: u TFIDF - Associa pesos às palavras Associa pesos às palavras TFIDF(w) = TF(w) * (LOG(|D|) - LOG(DF(W))) u HT Paradigm Sumarização Hierárquica é Solução para Polisemia Sumarização Hierárquica é Solução para Polisemia

13 Categorização de Textos u Tarefa bastante custosa, se manual u Aplicação do domínio de ML u Categorias pré-definidas u Suporte à IR Rápido crescimento de informações textuais na Web í Necessidade de processamento Rápido crescimento de informações textuais na Web í Necessidade de processamento u Abordagem ML para classificação: å Usa indução sobre amostras pré-classificadas

14 Categorização de Textos u Visão unificada: v Categ. Textos = ML + IR + Conhec. Adicional Texto inicial CategorizaçãoIndução Conhecimento Adicional Representação Inicial Redutor de Dimensão ou Seleção de Características Representação Final

15 Categorização de Textos Construção indutiva de categorizadores Textos é Exemplos para aprendizagem Textos é Exemplos para aprendizagem u Aprendizado: v Numérico (maioria)- u Ex.: Redes Neurais, Classificadores Probabilísticos, Regressão Linear,... v Simbólico - ID3, Espaço de Versões,... u Características a serem consideradas: modularidade, inteligibilidade, resistência a ruídos,...

16 Categorização de Textos Impacto do conhecimento u Três faces: v IR e Aprendizagem Numérica: extraído dos dados v Conhecimento do Domínio: aplicação específica v Raciocínio Indutivo: fonte de conhecimento u Conhecimento para: v Gerar indexação v Agrupar categorias v Discriminar candidatas a palavras-chave

17 Filtragem de Informação Exemplos u BORGES (A. F. SMEATON, 1996) v Usuário precisa especificar palavras ou frases descrevendo suas necessidades de informação v Oferece solução para Polisemia - WordNet v Extensão do perfil do usuário com os termos relacionados ao significado sem ambigüidade

18 Filtragem de informação Exemplos u WebWatcher (WebWatcher 1996) v Usuário identifica palavras-chave v Duas páginas estão relacionadas se há uma terceira página que aponta para elas v Medida de similaridade: mutual information

19 Filtragem de informação Exemplos u LAW (Bayer 1995) v Monitora ações do usuário para distinguir documentos relevantes v Monta o perfil do usuário Robô autônomo busca por documentos relevantes þ Sugere links interativamente Robô autônomo busca por documentos relevantes þ Sugere links interativamente

20 Filtragem de Informação Exemplos - Crítica u Focam no aprendizado do perfil do usuário u Baseados no modelo espaço-vetorial u Não há muitas considerações sobre técnicas de PLN extensivas u Virtualmente impossível isolar informações relevantes

21 Filtragem de Informação Exemplo u SAMURAI (H. Leong, S. Kapur, O de Vel, 1997) v Módulos: u Sumarização de Texto u Monitoração e Modelagem do usuário u Search Engine = Web Search + Perfil do Usuário u Filtragem de links irrelevantes u Compilação dos resultados

22 Discussão u O que é um Agente inteligente? u Qual o futuro dos Agentes no mundo real?

23 Links u articles.html u u u u resources.html u u ir.html

24 Referências u [1] Gleaning Information from the Web: Using Syntax to Filter out Irrelevant Information, R.Chandrasekar e B. Srinivas, University of Pennsylvania, Philadelphia, PA 19104, 1997; u [2] Text Summarisation for Knowledge Filtering Agents in Distributed Heterogenous Enviroments, H. Leong, S. Kapur, O de Vel, James Cook, University of North Queensaland, Austrália, 1997; u [3]A Framework for Comparing Text categorization Approaches, Isabelle Moulinier, LAFORIA-IBP- CNRS, Université Paris VI, France, 1997

25 Referências u [4]Agent Sourcebook, Alper K., Cagland e colin G. harrison; u [5] Internet Agents, Fah-Chun Cheong, MIT Media- Laboratory, Cambridge, MA, 1994; u [6]Learning and revision User Profiles: u The Identification of Interesting Web Sites, Michael, Pazzani, Daniel Billsus, University of California, Irvine, Irvine, CA 92697, 1997 u [7] Learning Information Retrieval Agents: Experiments with Automated web Browsing, Marko balabanovic e Yoav Sholan, Stanford University, 1995


Carregar ppt "Agentes na Internet Patrícia Nunes Pereira Professor: Geber Ramalho."

Apresentações semelhantes


Anúncios Google