Utilização de semântica das relações para recomendar colaborações em redes sociais acadêmicas

• Main Author: Michele Amaral Brand?o
• Other Authors: Mirella Moura Moro
• Format: Others
• Language: Portuguese
• Published: Universidade Federal de Minas Gerais 2013
• Online Access: http://hdl.handle.net/1843/ESBF-97GP4X

=== Social network analysis (SNA) has been explored in many contexts with different goals. Here, we use concepts from SNA for recommending collaborations in academic networks. As a recent work shows that research groups with well connected academic networks tend to be more prolific, recommending collaborations is essential for increasing a group's connections, then boosting the group research as a collateral advantage. Therefore, we propose two metrics for recommending new collaborations or intensification of existing ones. Each metric considers a social principle (homophily and proximity) that is relevant within the academic context. Another relevant problem is how to analyze the quality of the resulting recommendations. Hence, we also propose new algorithms for evaluating the recommendations based on social concepts (novelty, diversity and coverage) that have never been used for such a goal. Overall, our experimental evaluation on real datasets shows that using our new metrics improves the quality of the recommendations when compared to the state-of-the-art. Finally, we analyze the properties of the academic networks used in the experimentation. It contributes to understand the results of the recommendations metrics. === Análise de redes sociais (ARS) tem sido realizada em muitos contextos com diferentes objetivos. Neste trabalho, usamos conceitos de ARS para recomendar colaborações em redes sociais acadêmicas. Como um trabalho recente mostra que grupos de pesquisa com uma rede acadêmica bem conectada tendem a ser mais produtivos, recomendar colaborações é essencial para aumentar as conexões em um grupo, e como consequência, aumentar a produtividade do grupo de pesquisa. Assim, nós propomos duas métricas para recomendar novas colaborações ou intensificação das já existentes. Outro problema relevante é como analisar a qualidade das recomendações. Dessa forma, propomos novos algoritmos para avaliar as recomendações baseando-se em conceitos sociais (novidade, diversidade e cobertura) que nunca foram utilizados para tal objetivo. Nossa avaliação experimental em bancos de dados reais mostra que nossas novas métricas melhoram a qualidade das recomendações quando comparadas ao estado-da-arte.