Juntamente com o SCI (Science Citation Index) da ISI, o Citeseer6 é um dos maiores siste-
mas de análise de desempenho de citações. Desenvolvido pelo Instituto de Pesquisa da NEC, o Citeseer, também conhecido como ResearchIndex, é um sistema gratuito que constrói automati- camente uma biblioteca digital utilizando agentes inteligentes (Lawrence et al., 1999a; Lawrence, 2001; Bollacker et al., 1999; Goodrum et al., 1999). O Citeseer baseia-se também no Fator de Impacto ISI e contém citações e links para textos completos de artigos de revistas, conferências e relatórios técnicos em computação e ciências relacionadas. O material armazenado em seu re- positório é recuperado por um sistema que procura por artigos na Web. Existe também a opção da submissão manual que utiliza o conceito de self-archiving systems, onde os próprios autores incluem seus materiais no repositório.
O Citeseer é muito citado devido a grande automação existente em seu sistema. Ao serem re- cuperados, os documentos são “desmontados” e então são extraídas e indexadas informações como o nome do artigo, autor, além das referências bibliográficas (Lawrence et al., 1999b; Bollacker et al., 2000). No projeto da ferramenta FIP foi desenvolvido um trabalho semelhante para a extra- ção e estruturação de referências bibliográficas. Foi utilizada uma técnica baseada em regras para identificar registros duplicados mesmo quando grafadas distintamente em artigos diferentes (Melo e Lopes, 2005). Bons resultados foram obtidos em relação à complexidade de tempo O(nlog(n)) e à acurácia no processo de identificação (97%).
Utilizando as informações extraídas dos documentos, o Citeseer utiliza o conceito de grafos de citação onde cada nó representa um artigo e as arestas representam os links para outros artigos. Esses links permitem que o usuário navegue entre artigos que referenciam e que são referenciados por outros, gerando o contexto da busca. É possível obter a fonte (outros artigos em que o artigo se baseou) ou os resultados e conseqüências de determinado artigo (os artigos citados). Através do grafo de citação podem ser obtidas informações estatísticas úteis para criar rankings e avaliar autores, publicações, conferências e jornais científicos, além de permitir a ordenação nas respostas das consultas.
Os grafos podem ainda ser utilizados em técnicas de data mining. Por exemplo, um conjunto de coleções científicas como livros, conferências, jornais ou relatórios técnicos poderiam ser agru- pados utilizando técnicas de clustering. Da mesma forma, clusters de autores poderiam sugerir comunidades de cooperação ou citação, ou ainda encontrar clusters de autoridades, ou seja, os autores mais citados. O sistema AuthorLink, que será apresentado posteriormente, utiliza autores para análises deste tipo.
A Figura 3.1 mostra o gráfico de um artigo do Citeseer. São apresentados os números de citações feitas ao artigo em diversos períodos.
Figura 3.1: Gráfico do número de citações
3.4.2 DBLP
O sistema DBLP7 (Data Base and Logic Programming), desenvolvido pela Universidade de
Trier, possui informações sobre importantes revistas e eventos de Ciência da Computação (Ley, 2002). Sua base de dados armazena dados bibliográficos de autores, conferências, revistas, artigos ou livros de ciências da computação principalmente na área de banco de dados e programação lógica desde 1993. Desde de que iniciou a expansão gradual do seu material para outras áreas, passou a ser chamado de Digital Bibliography and Library Project.
Mais do que um repositório de documentos, o DBLP é considerado um sistema de busca e indexação. É definido na página informativa do site do DBLP como um servidor bibliográfico. Ele oferece “rankings” dos artigos mais citados além de links para páginas pessoais e grupos de
CAPÍTULO 3. REPOSITÓRIOS DE ARTIGOS CIENTÍFICOS 35 pesquisa. Grande parte das publicações indexadas fornece recuperação para textos na íntegra. O DBLP dispõe seus registros na forma XML (DBLP XML8) para ser feito download, facilitando
a utilização de seus dados por outros repositórios. Tal base foi utilizada no protótipo do data warehouse da ferramenta FIP desenvolvido neste projeto de mestrado. Mais detalhes sobre a base de dados XML do sistema DBLP serão apresentados no Capítulo 4.
3.4.3 AuthorLink
O AuthorLink9 é um sistema de visualização de materiais da área de humanas e artes. Possui
acesso restrito ao seu material composto de 1.26 milhões de registros de publicações científicas fornecidos pelo ISI. Realiza uma busca por autor otimizada por mapas interativos que utiliza as informações de co-citações entre autores (Buzydlowski et al., 2002). Nos mapas são mostrados inicialmente os 24 principais autores. Ao selecionar um dos autores, outro mapa é construído e são expandidos outros autores ao redor do autor selecionado (Figura 3.2).
Figura 3.2: Grafo interativo de 24 autores do sistema Authorlink (Buzydlowski et al., 2002)
3.4.4 PubSearch
Desenvolvido na Nanyang Technological University (Singapura) por Yulan He e Siu Cheung Hui, utiliza dados do ISI Social Science Citation Index (SSCI). São realizadas técnicas de minera- ção de dados sobre dados de autores de um data warehouse (He e Hui, 2002, 2001). Na mineração de dados, aplicam-se técnicas de Clustering Hierárquico Aglomerativo (Jain et al., 1999) para cons-
8dblp.uni-trier.de/xml
truir mapas de autores mostrando aqueles com interesses similares. O sistema possui um crawler para coleta dos dados bibliográficos que utiliza técnicas semelhantes às do Citeseer.
3.4.5 SCEAS
O SCEAS10(Scientific Collection Evaluator by using Advanced Scoring), foi desenvolvido na
Aristotle University (Grécia) (Sidiropoulos e Manolopoulos, 2003). O SCEAS é um sistema dis- ponível na Web construído com dados obtidos a partir do site do DBLP. Apresenta uma nova forma para utilização de rankings de conferências. Na Figura 3.3 o conceito de grafos de conferências é ilustrado, no qual os nós são as conferências e o peso das arestas representa a quantidade de refe- rências dos artigos de uma conferência feitas a outra. Por exemplo, artigos da conferência Sigmod fez 497 referências a artigos da conferência Lcde.
Figura 3.3: Grafo de conferências (Sidiropoulos e Manolopoulos, 2003)