A exploração de contexto no SWEETS é proveniente das relações sociais entre os indivíduos que oferecem sustentação para a descoberta de relacionamentos ocultos de confiança. Desta forma, é possível recomendar os possíveis especialistas mais confiáveis para um determinado indivíduo. Muitas vezes, o usuário que possui o maior nível de conhecimento em um assunto
h pode não ser o mais disposto a colaborar com um usuário u, por diferentes motivos, por
exemplo, o especialista pode estar ocupado, pode não ser propenso à colaboração, ou pode não haver um relacionamento prévio entre eles (usuário e especialista), seja este relaciona- mento de confiança ou não..
A Figura 5.4 apresenta um exemplo em que um conjunto de especialistas em uma área h é recomendado para um usuário (Usource). Além do grau de especialidade de cada espe- cialista na área h, denotado por (GE(u, h)), é apresentado também o grau de confiança do usuário que recebe a recomendação (Usource) em relação ao usuário recomendado (Usink_n), que é denotado por T(Usource, Usink_n). Ambos os graus, GE(u, h) e T(Usource, Usink_n) estão em uma escala de 0 a 1. No cenário apresentado (Figura 5.4), os especialistas Usink_1 e Usink_2 são aque-
les que possuem maior nível de conhecimento na área h, porém, o nível de confiança entre o usuário que recebeu a recomendação (Usource) e eles é menor, o que pode ser um empecilho à colaboração. Já os especialistas Usink_3, Usink_4 e Usink_5 possuem um nível de especialidade menor, porém, o usuário Usource tem maior nível de confiança neles, logo, há uma tendência natural que haja uma facilidade na colaboração entre eles. Destes, provavelmente, os mais indicados para serem recomendados seriam os especialistas Usink_4 e Usink_3, nesta ordem de prioridade, pois são eles que possuem o maior nível de confiança do usuário Usource e maior nível de conhecimento em h.
Figura 5.4: Exemplo de recomendação de especialistas em uma área h para um usuário Usource
Outros elementos contextuais, adotados na abordagem do SWEETS, foram usados para mensurar as habilidades nas categorias Sugerida e Refutada. Ambas as categorias basei- am-me no Nível de Maturidade e Reputação dos indivíduos em relação aos demais usuários no ambiente. O Nível de Maturidade de um indivíduo é determinado de acordo com a rele- vância dos conteúdos produzidos por ele no ambiente. Esta relevância é determinada pelas avaliações dos demais usuários aos conteúdos produzidos por ele. E a Reputação determina a visão geral que os indivíduos da rede têm em relação a um determinado usuário. Para isso, são utilizadas as avaliações diretas de confiança atribuídas às relações sociais dos indivíduos. Com a exploração destes dois elementos, o cálculo das habilidades nestas duas categorias (Sugerida e Refutada) baseia-se no contexto das relações sociais das pessoas que fazem parte do ambiente.
Além disso, a identificação destes relacionamentos de confiança também é baseada em contexto computacional, pois é fundamentada em características como: pessoas que com- partilham (possuem) opiniões e conhecimentos similares, relacionamentos diretos e indiretos entre as pessoas, e a visão que um grupo de pessoas tem em relação à outra. Estas característi- cas forneceram sustentação para a definição dos 4 elementos definidos: Similaridade entre Perfis, Nível de Maturidade, Relacionamentos de Confiança e Reputação.
Para determinar a semelhança entre os perfis das pessoas, são consideradas as opiniões e os conhecimentos semelhantes entre as pessoas. Assim, tanto as opiniões quanto
os conhecimentos similares são os elementos contextuais que os unem, conforme pode ser visualizado na Figura 5.5.
Figura 5.5: Análise de Opiniões similares entre pessoas (A)
Análise dos conhecimentos similares entre pessoas (B)
O Nível de Maturidade de uma pessoa é determinado pela visão que um grupo de pessoas tem em relação ao conhecimento que é produzido por ela. Neste cenário, o contexto é considerado como sendo a visão comum e compartilhada que um grupo de pessoas tem sobre as produções de conhecimento dos membros no ambiente (Figura 5.6) - a partir das avaliações dadas aos conteúdos, E(a).
Figura 5.6: Cenário para análise do nível de maturidade de um usuário.
O contexto das relações sociais é utilizado para determinar o grau do elemento Rela- cionamento de Confiança e Reputação (Figura 5.7). Enquanto o grau dos Relacionamentos de Confiança entre pessoas é atribuído explicitamente por eles ou inferido a partir de um cami- nho de confiança que os une, a Reputação é determinada por uma visão que um grupo de pes-
soas tem em relação a outra. Assim, ambos os elementos são estabelecidos pelo contexto das relações de confiança que unem os membros da rede.
Figura 5.7: (A) Grafo de Confiança entre os membros de uma rede social.
(B) Visão que um grupo de pessoas tem em relação a outra.
Ainda há outros elementos contextuais que podem ser explorados no SWEETS, tais como, distância social entre os indivíduos, mensurável em ambientes virtuais sociais; disponi- bilidade, que determina se o especialista está ou não disponível em um determinado instante de tempo t; e pré-disposição à colaboração, um indicador que qualifica o nível de pré- disposição à colaboração de um especialista, e.g., através de ações passadas. A adoção destes elementos é condicionada às características do ambiente em que o SWEETS for implantado.
5.9 Considerações Finais
SWEETS é uma abordagem que permite a identificação e recomendação de especialistas. Esta abordagem pode ser implantada em qualquer ambiente computacional que possua conheci- mentos associados aos usuários e que seja baseado na teoria de redes sociais. Apesar disso, há parte da abordagem que pode ser explorada em ambientes não sociais, que é a inferência de habilidades nas categorias Demonstrada e Informada, pois os usuários não precisam de inte- ração entre eles para fornecer subsídios necessários para os seus cálculos.
As demais categorias de habilidades adotadas no SWEETS foram: Sugerida, Refu-
tada e Calculada. As habilidades Sugeridas e Refutadas precisam explicitamente das intera-
ções dos usuários no ambiente. As Sugeridas são aquelas em que os próprios usuários suge- rem que o possível especialista possui. Da mesma forma, as Refutadas são as que os próprios usuários sugerem que um indivíduo não tem. Como ambas dependem da intervenção explíci-
ta dos usuários, é importante considerar a reputação e a maturidade dos usuários que sugerem ou refutam habilidades para um determinado indivíduo. Embora esta estratégia tenha sido adotada na abordagem do SWEETS, ainda há algumas falhas. O grau final de especialidade de um usuário u em um assunto h pode ser prejudicado se este possuir alto nível de colabora- ção no ambiente.
O grau final de especialidade de um indivíduo é determinado pelas 4 categorias de habilidades supracitadas, porém, ainda foi adotado no SWEETS uma quinta categoria de habi- lidade, a Calculada. Esta categoria de habilidade é baseada em folksonomia e ontologia (lightweight) para o seu cálculo. Habilidades inferidas nesta categoria podem também ser usadas no cálculo final de especialidade de um candidato a especialista em um assunto h. É necessário apenas que, uma vez que esta habilidade tenha sido calculada, os usuários sugiram ou refutem que um possível especialista a tenha ou não.
Outra importante estratégia adotada no SWEETS é a possibilidade de utilização do conhecimento dos usuários produzidos em ambientes externos ao que o SWEETS estiver im- plantado. O conhecimento produzido no ambiente em que SWEETS estiver implantado pode ser limitado e, com isso, a inferência das especialidades pode ser ineficiente. Quanto maior for o volume de conhecimento dos usuários disponível, maior a eficiência na inferência das es- pecialidades destes indivíduos.
Em decorrência do SWEETS ser projetado para ser implantado em plataformas vir- tuais sociais, as relações sociais destes indivíduos podem ser exploradas para recomendar o especialista mais adequado para um determinado usuário. Vários elementos podem ser consi- derados, tais como, distância social dos usuários ou disponibilidades destes. Inicialmente, foi considerado no presente trabalho o nível das relações de confiança entre os indivíduos para prover o especialista mais adequado a um determinado usuário. O nível das relações de confi- ança entre os indivíduos é calculado a partir da abordagem proposta do T-SWEETS apresen- tada no Capítulo 4.
6 Estudo de Caso Konnen
O presente capítulo apresenta o estudo de caso Konnen, que é uma plataforma de redes sociais que possui as características exigidas para a implantação das abordagens propostas neste trabalho: T-SWEETS, para recomendar relacionamentos ocultos de confiança entre os usuários da rede; e SWEETS, para recomendar especialistas em determinados assuntos. O capítulo está organizado da seguinte forma: Seção 6.1 apresenta a estrutura básica e necessá- ria do Konnen para o trabalho; Seção 6.2 apresenta o processo de implantação do T-SWEETS na plataforma e a Seção 6.3 apresenta o processo de implantação do SWEETS no Konneni.