Programa de Pós Graduação em Automação e Sistemas - PPGAS

URI Permanente desta comunidade

https://repositorio.cefetmg.br//handle/123456789/620

Navegar

Navegando Programa de Pós Graduação em Automação e Sistemas - PPGAS por Assunto "Arquivamento e recuperação de informação"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Modelo neural fracamente supervisionado de busca de especialistas em repositório de dados científicos
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2021-08-31) Sousa, Sérgio José de; Dias, Thiago Magela Rodrigues; Pinto, Adilson Luiz; http://lattes.cnpq.br/4767432940301118; http://lattes.cnpq.br/4687858846001290; http://lattes.cnpq.br/1639967799540564; Dias, Thiago Magela Rodrigues; Pinto, Adilson Luiz; Carvalho Segundo, Washington Luis Roberto de; Rodrigues, Thiago de Souza
    Com o crescente volume de dados produzidos nos dias atuais, percebe-se cada vez mais usuários utilizando de diversos tipos de sistemas, como, por exemplo, sistemas de armazenamento de dados profissionais e acadêmicos. Dada a grande quantidade de dados armazenados, é notável a dificuldade de se encontrar candidatos com perfis apropriados a uma determinada atividade. Neste contexto, para tentar solucionar esse problema surge a recuperação ou busca de especialistas, um ramo da recuperação de informações, que consiste em, dada uma consulta, documentos são recuperados e são relacionados como unidades indiretas de informações das especialidades dos candidatos, com isso, alguma técnica é usada para agregar esses documentos gerando um escore. Possuindo um número menor de pesquisas relacionadas, a busca de especialistas na área acadêmica com modelos neurais se mostra um desafio ainda maior devido à complexidade desses modelos e à necessidade de grandes volumes de dados com julgamentos de relevância ou rótulos para seu treinamento. Diante disso, este trabalho propõe uma técnica de expansão e geração de dados fracamente supervisionados onde os julgamentos de relevância são criados com técnicas heurísticas, tornando possível utilizar modelos que exigem grandes volumes de dados. Além disso, é proposto uma técnica utilizando autoencoder profundo para selecionar documentos negativos ou julgamentos de irrelevância e por fim um modelo de ranqueamento baseado em redes recorrentes denominado Dual Embedding LSTM que foi capaz de superar todos os baselines comparados.