=Paper=
{{Paper
|id=None
|storemode=property
|title=Uma Proposta para o Uso de Folksonomias como Conceitualizações Compartilhadas na Especificação de Modelos Conceituais
|pdfUrl=https://ceur-ws.org/Vol-938/ontobras-most2012_paper24.pdf
|volume=Vol-938
|dblpUrl=https://dblp.org/rec/conf/ontobras/FerreiraTS12
}}
==Uma Proposta para o Uso de Folksonomias como Conceitualizações Compartilhadas na Especificação de Modelos Conceituais==
https://ceur-ws.org/Vol-938/ontobras-most2012_paper24.pdf
Uma Proposta para o Uso de Folksonomias como
Conceitualizações Compartilhadas na Especificação de
Modelos Conceituais
Josiane M. P. Ferreira1,2, Cesar Augusto Tacla1, Sérgio R. P. da Silva2
1
CPGEI – Universidade Tecnológica Federal do Paraná (UTFPR)
Av. Sete de setembro 3165, CEP 80230-901, Curitiba-PR
2
Departamento de Informática – Universidade Estadual de Maringá
Av. Colombo 5.790, CEP 87020-900, Maringá-PR
josiane@gmail.com, tacla@utfpr.edu.br, sergio.r.dasilva@gmail.com
Abstract. This work purposes to use data of collaborative tagging as shared
conceptualization that can be useful to build conceptual models. The
hypothesis assumes that the folksonomy induced from the collaborative
tagging’s data based on parameters of authorship and motivation of
categorization can represent a shared conceptualization of a domain. Thus, it
is expected that the utilization of this folksonomies generate the decrease of
the divergences in the terms elicitation that will be part of the conceptual
model when compared with algorithms of folksonomy induction that don’t use
this parameters.
Resumo. Este trabalho propõe utilizar os dados de tagging colaborativo como
conceitualizações compartilhadas que possam ser úteis na construção de
modelos conceituais. A hipótese adotada é a de que a folksonomia induzida
dos dados de tagging colaborativo com base nos parâmetros de autoria das
tags e motivação das categorizações represente uma conceitualização
compartilhada de domínio. Desta forma, espera-se que a utilização destas
folksonomias provoque a diminuição de divergências na elicitação de termos
que farão parte do modelo conceitual em comparação com algoritmos de
indução de folksonomias que não utilizam estes parâmetros.
1. Introdução
Guizzardi (2005, p. 2) adota o nome conceitualização para designar o conjunto de
conceitos utilizados para articular abstrações do estado das coisas em um domínio.
Modelo é uma abstração de uma porção da realidade articulada segundo uma
conceitualização de um domínio. Ainda, para Guizzardi (2005), tanto conceitualizações
como modelos existem somente nas mentes das pessoas. O que há de concreto são
especificações de modelos conceituais feitas em uma linguagem de modelagem que
permitem expressar (representar) conceitualizações. Desta forma, a especificação do
modelo conceitual – denominada de modelo conceitual, é um artefato concreto que
permite aos atores envolvidos no processo de construção do modelo compreender o
domínio, atingir consenso sobre o significado das entidades representadas e se
comunicar. Deste modo, uma ontologia, do ponto de vista de artefato, é um caso
particular de modelo concreto.
230
Na passagem das conceitualizações e modelos abstratos para modelos concretos
ocorre o problema descrito por Feigeinbaum (1984) denominado de gargalo de
aquisição de conhecimentos que diz respeito à dificuldade que os engenheiros de
conhecimentos têm em capturar e representar conhecimentos a partir de interações com
especialistas. As ontologias, modelos concretos destinados a comunidades de usuários,
foco particular deste artigo, necessitam de uma aquisição de conhecimentos que
envolvem também um grande número de atores, além de outras fontes de informação.
Realizar aquisição de conhecimentos em larga escala é demorado e custoso.
Atingir consenso com um número elevado de atores torna-se difícil, pois aumentam as
divergências, assim como o número de interações para resolvê-las. Há abordagens de
aprendizado de ontologias que se utilizam de métodos e técnicas de processamento de
linguagem natural, aprendizado de máquina e mineração de textos para extrair
conceitos, relações e instâncias de fontes de informação processáveis (ex. schemas de
bancos de dados, textos) [Maedche e Staab 2001]. Algumas destas abordagens têm
utilizado dados dos sistemas baseados em tagging colaborativo como fonte de
informação para estes algoritmos.
Sistemas de tagging colaborativo são aplicações ditas sociais que permitem aos
seus usuários atribuírem etiquetas (tags) a recursos da Web. Um recurso pode ser
etiquetado por vários usuários com as tags que acharem convenientes. O fato
interessante é que, apesar de não existir um vocabulário controlado, depois de certo
tempo as tags utilizadas pelos usuários para etiquetar um recurso parecem se estabilizar
[Robu, Halpin e Shepherd 2009]. Este trabalho pretende utilizar os dados do tagging
colaborativo para induzir estruturas, denominadas de folksonomias, que possam ser
consideradas como representativas de conceitualizações compartilhadas de um domínio.
A hipótese adotada é a de que estruturas que emergem da dimensão social do tagging
atenuam o gargalo de aquisição que ocorre na especificação de modelos conceituais de
domínios, por representarem uma conceitualização compartilhada em uma comunidade
de usuários.
Sendo assim, o objetivo deste trabalho é determinar se as folksonomias que
emergem dos dados do tagging colaborativo são úteis na construção de modelos
conceituais. Especificamente, pretende-se construir um algoritmo que leve em conta
informações de autoria das tags e de motivação de etiquetagem, e avaliar se as
folksonomias produzidas com base nestes parâmetros realmente auxiliam a atenuar o
gargalo da aquisição de conhecimento na construção de modelos conceituais. Espera-se
que a utilização destas folksonomias provoque a diminuição de divergências na
elicitação de termos que farão parte de um modelo conceitual em comparação com
algoritmos de indução de folksonomias que não utilizam estes parâmetros.
A seção 2 justifica o uso dos dados de tagging colaborativo e comenta sobre
outras abordagens neste sentido. A seção 3 discute como este trabalho pretende induzir
folksonomias como conceitualizações compartilhadas dos dados de tagging
colaborativo. A seção 4 descreve a metodologia e a seção 6 comenta as contribuições
desta proposta.
2. Abordagens que utilizam dados de tagging colaborativo
Em sistemas baseados em tagging os usuários podem associar quantas e quais tags
quiserem para um recurso. Ao associarem as mesmas tags aos mesmos recursos, os
231
usuários constroem um “vocabulário consensual” para um determinado conjunto de
recursos que pode ser representativo da conceitualização de um domínio. Este fato é
mencionado por vários autores, tais como, Robu, Halpin e Shepherd (2009), Angeletou
et al. (2007), Jäschke et al. (2008), Mika (2007), entre outros.
Alguns autores chamam os dados do tagging colaborativo de folksonomia. Neste
artigo, o termo folksonomia designa a estrutura coletiva (lista de termos, taxonomia,
categorização) que emerge do tagging colaborativo por meio de um algoritmo de
indução de folksonomias [Strohmaier et al. 2012].
Os termos resultantes do tagging colaborativo carregam uma dimensão social de
uso. Por isso, várias abordagens de aprendizado de ontologias, ou que simplesmente
objetivam derivar alguma taxonomia ou conjunto de conceitos, utilizam estes dados
para construir algum tipo de estrutura “consensual” a partir destes dados. As tags
derivadas do tagging colaborativo apresentam uma estrutura plana, ou seja, a única
relação explícita entre duas tags é a relação de coocorrência – duas tags coocorrem se
elas fazem parte de uma mesma etiquetagem. Como esta é a única relação entre duas
tags várias abordagens que identificam alguma estrutura coletiva das tags a utilizam
como ponto de partida. Entre estas abordagens encontram-se: Begelman, Keller e
Smadja (2006), X. Wu, Zhang e Yu (2006), Jäschke et al. (2008), Schmitz (2006),
Mika (2007), Cattuto et al. (2008), Specia e Motta (2007), Angeletou et al. (2007) e
Hamasaki et al. (2007).
O fato é que várias destas abordagens pressupõem que as folksonomias ajudam
no desenvolvimento de modelos consensuais pelo fato de resultarem de um processo
humano e coletivo sem, no entanto, verificar com profundidade a natureza do
conhecimento existente no tagging (quem o fez, ou por qual motivo, por exemplo). A
maioria das abordagens citadas procura avaliar o algoritmo utilizado que induz a
estrutura coletiva dos dados de tagging, sem, no entanto, avaliar a utilidade da estrutura
derivada, ou a origem dos dados de entrada.
3. Folksonomias como conceitualizações compartilhadas
Praticamente nenhuma das abordagens de indução de folksonomias citadas avalia a
origem dos dados do tagging, como, por exemplo, qual o conhecimento/especialidade
do usuário que fez a etiquetagem e o motivo que o levou a etiquetar.
A motivação do usuário ao realizar uma etiquetagem pode ser reveladora do
significado pretendido para a tag, o que é importante no momento de se construir um
modelo conceitual. Neste trabalho, defende-se a ideia de que a motivação para criar uma
tag tem influência no seu uso (ou não) durante a criação de um modelo conceitual.
Körner et al. (2010) abordam a motivação dos usuários durante a etiquetagem e tentam
identificá-la automaticamente separando-as em dois grandes grupos: tags de
categorização e tags de descrição de recursos. Quando as tags são utilizadas para
categorizar, há pouco uso de sinônimos (o que deve facilitar o consenso entre os atores
envolvidos na especificação do modelo conceitual) e a estrutura induzida dos dados de
tagging se aproxima de uma taxonomia. Quando as tags são utilizadas para descrever
recursos, então há uso mais proeminente de sinônimos e o vocabulário é, portanto,
frequentemente maior, dificultando o consenso na especificação do modelo conceitual.
Outro ponto importante a ser considerado é saber quem realizou a etiquetagem.
Segundo Wilson (1983), entidades consideradas autoridades em determinado assunto
232
tendem a organizar melhor suas informações, possuírem conteúdos de qualidade e
manterem contato com pessoas que entendam ou tenham interesse no mesmo assunto. O
autor define o conceito de autoridade cognitiva – uma autoridade fundamentada na
competência e nas capacidades intelectuais de quem a recebe e cuja concessão é
compreendida como o reconhecimento e o mérito por estas capacidades – uma
autoridade que define “quem sabe o quê sobre o quê”. Desta forma, acredita-se que os
dados de tagging elaborados por usuários que são considerados autoridade cognitiva
sobre o domínio de interesse tendem a ser mais informativos sobre o domínio do que os
dados de tagging elaborados por um usuário leigo.
As abordagens de X. Wu, Zhang e Yu (2006), Jäschke et al. (2008), Schmitz
(2006), Mika (2007) e Hamasaki et al. (2007) para derivar estruturas dos dados de
tagging colaborativo utilizam informações sobre a autoria das tags (em termos de qual
usuário utilizou qual tag para etiquetar qual recurso) para extrair a relação de
coocorrência entre as tags, mas sem avaliar o conhecimento do usuário sobre o recurso
que está sendo categorizado.
Portanto, propõe-se levar em consideração a autoria das tags (em termos de
autoridade cognitiva) e a motivação na criação das mesmas para melhor utilizar as
folksonomias como fonte de informação na construção de modelos conceituais.
4. Metodologia proposta
Um algoritmo para induzir folksonomias que considere a autoria e a motivação das
etiquetagens a serem utilizadas na modelagem conceitual está sendo construído. O
algoritmo deve selecionar tags sobre o domínio para o qual se pretende construir o
modelo conceitual. Estas tags devem ter sido criadas por usuários categorizadores e
considerados autoridades no domínio em questão. Para fins de comparação, um
algoritmo de indução de folksonomias que não utiliza as informações de autoria e de
motivação, servirá de referência na avaliação (em princípio, será implementado o
algoritmo de [Hamasaki et al. 2007]), bem como, um segundo algoritmo de controle
fundamentado na técnica TF-IDF.
Pretende-se realizar experimentos com três grupos: o grupo de teste, que utiliza
a folksonomia produzida pelo algoritmo proposto neste trabalho; o grupo de controle I,
que utiliza a folksonomia produzida pelo algoritmo de Hamasaki; e o grupo de controle
II, que utiliza o conjunto de termos obtidos por TF-IDF a partir de um corpus. Cada
grupo deve ser formado por pelo menos 10 pessoas. Os grupos de teste e de controle I e
II utilizarão um conjunto de termos/tags como ponto de partida para modelagens
conceituais de domínios variados. No caso do grupo de teste e do grupo de controle I,
estes conjuntos de tags representam uma folksonomia em uma estrutura plana. Os
algoritmos de teste e controle (I e II) utilizarão o mesmo conjunto de anotações como
entrada. Os algoritmos de teste e controle I geram folksonomias por meio de suas
heurísticas, enquanto que o algoritmo de controle II gera um conjunto de termos
utilizando como corpus as URLs encontradas nas mesmas anotações. Os dados para
induzir as folksonomias/gerar o conjunto de termos serão extraídos de aplicações
sociais, tais como, Delicious® e Bibsonomy©.
Espera-se que o grupo de teste se depare com um número menor de divergências
durante os experimentos de modelagem em relação aos grupos de controle. Portanto,
pretende-se utilizar como métrica para efeito de comparação o número de divergências
233
geradas por cada grupo durante os experimentos. Para controlar as divergências geradas
será utilizado o método CoFolkconcept [Hauagge et al. 2011]. O processo de
modelagem no CoFolkoncept é colaborativo e se desenvolve da seguinte maneira: i)
cada usuário constrói um modelo conceitual individualmente utilizando-se de um
conjunto de tags/termos, produzindo, desta forma, um modelo conceitual particular; ii)
os diferentes modelos conceituais de cada usuário são comparados a fim de se detectar
divergências nas tags/termos escolhidos por cada usuário quanto ao tipo (conceito,
instância ou relação) e à posição taxonômica (quando forem conceito ou instância); iii)
resolvem-se as divergências por meio de discussões estruturadas de acordo com a
metodologia DILIGENT [Tempich et al. 2005]; iv) gera-se uma nova versão do modelo
conceitual que é consensual e repete-se o processo modificando-se individualmente o
modelo consensual.
Serão realizados experimentos com diferentes parâmetros de geração das
folksonomias a fim de determinar em quais condições o algoritmo de teste produz
folksonomias que podem ser consideradas como conceitualizações compartilhadas em
função do tipo de modelo conceitual almejado (se mais especializado ou menos
especializado).
5. Contribuições da proposta
As contribuições desta proposta interessam aos pesquisadores que lidam com
modelagem conceitual, em particular, com a atenuação do gargalo de aquisição de
conhecimentos na modelagem conceitual, bem como no entendimento da utilização e
dos limites de uso das folksonomias como fonte de informação na modelagem
conceitual. Particularmente, propõe-se melhorar os algoritmos de indução de
folksonomias pelo uso de autoria (autoridade cognitiva) e motivação das etiquetagens.
6. Agradecimentos
Agradecemos à Fundação Araucária pela bolsa de doutorado concedida a Josiane M. P.
Ferreira durante o seu doutorado, no qual esta proposta será desenvolvida, e ao
financiamento firmado no convênio 10/2011-FUP18520.
Referências
Angeletou, S., Sabou, M., Specia, L., Motta, E. (2007). “Bridging the Gap between
Folksonomies and the Semantic Web: An Experience Report”. In: Proceedings of
Bridging the Gap between Semantic Web and Web 2.0 Worshop, European Semantic
Web Conference.
Begelman, G., Keller, P., Smadja, F. (2006). “Automated Tag Clustering: Improving
search and exploration in the tag space”. In: Proceedings of Collaborative Web
Tagging Workshop at WWW’06. Edinburgh, Scotland.
Cattuto, C., Benz, D., Hotho, A., Stumme, G. (2008). “Semantic Analysis of Tag
Similarity Measures in Collaborative Systems”. In: Proceedings of 3rd Workshop on
Ontology Learning and Population OLP3, (pp. 39-43). Patras, Greece.
Feigenbaum, E. A. (1984). “Knowledge Engineering”. Annals of the New York Academy
of Sciences, 426: 91–107. doi: 10.1111/j.1749-6632.1984.tb16513.x
234
Guizzardi, G. (2005). “Ontological Foundations for Structural Conceptual Models”.
Telematica Instituut Fundamental Research Series no. 15, Universal Press, The
Netherlands, 2005, ISBN 90-75176-81-3.
Hamasaki, M., Matsuo, Y., Nishimura, T., Takeda, H. (2007). “Ontology Extraction
using Social Network”, In Proceeding of International Workshop on Semantic Web
for Collaborative Knowledge Acquisition, vol. 18700163, no. 18700163.
Hauagge, J. M., Tacla, C. A., Freddo, A. R., Molinari, A. H., Paraiso, E.C. (2011). “The
Use of Well-founded Argumentation on the Conceptual Modeling of Collaborative
Ontology Development”. In: International Conference on Computer Supported
Cooperative Work in Design (CSCWD), 2011, Lausanne. Proceedings of the 2011
15th CSCWD. Piscataway: IEEE, 2011. v. 1. p. 113-119.
Jäschke, R., Hotho, A., Schmitz, C., Ganter, B., Stumme, G. (2008). “Discovering
shared conceptualizations in folksonomias”. In: Web Semantics: Science, Services
and Agents on the World Wide Web, vol. 6, Issue 1, February 2008, p. 38-53.
Körner, C., Kern, R., Grahsl, H., Strohmaier, M. (2010). “Of Categorizers and
Describers: An Evaluation of Quantitative Measures for Tagging Motivation”, In:
Proceedings of the 21st ACM conference on Hypertext and hypermedia, pp. 157-166.
Maedche, A., Staab, S. (2001). “Ontology Learning for the Semantic Web”. IEEE
Intelligent Systems, 16(2), 1-18. doi: 10.1109/5254.920602.
Mika, P. (2007). “Ontologies are us: A unified model of social networks and
semantics”. In: Web Semantics: Science, Services and Agents on the World Wide
Web, 5(1), 1-15. Springer. doi:10.1016/j.websem.2006.11.002
Robu, V., Halpin, H., Shepherd, H. (2009). “Emergence of consensus and shared
vocabularies in collaborative tagging systems”. ACM Transactions on the Web, 3(4),
1-34. doi:10.1145/1594173.1594176
Schmitz, P. (2006). “Inducing ontology from Flickr tags”. In: Proceedings of
Collaborative Web Tagging Workshop, 15th WWW Conference, Edinburgh.
Specia, L., Motta, E. (2007). “Integrating Folksonomies with the Semantic Web”. In:
4th European Semantic Web Conference (Vol. 4519, pp. 624-639). Berlin
Heidelberg, Germany: Springer-Verlag.
Strohmaier, M., Helic, D., Benz, D., Orner, C. K., and Kern, R. (2012). “Evaluation of
Folksonomy Induction Algorithms”. To appear. Transactions on Intelligent
Systems and Technology.
Tempich, C., Pinto, H. S., Sure, Y., Staab, S. (2005). “An argumentation Ontology for
DIstributed, Loosely-controlled and evolvInG Engineering processes of oNTologies
(DILIGENT)”. The Semantic Web: Research and Applications – Lecture Notes in
Computer Science (pp. 241-256). Springer.
Wilson P. (1983) Second-hand knowledge: An Inquiry into Cognitive Authority.
WestPort: Greenwood Press.
Xu, X., Zhang, L., & Yu, Y. (2006). “Exploring social annotations for the semantic
web”. In: Proceedings of the 15th international conference on World Wide Web, 417.
New York, New York, USA: ACM Press. doi:10.1145/1135777.1135839
235