A identificação de especialistas consiste na análise automática de informações sobre um conjunto de indivíduos para a localização daqueles com maior conhecimento em determinado tópico. Seus conhecimentos podem ser aplicados para a melhoria da produtividade em projetos de trabalho ou pesquisa e na localização de pesquisadores capacitados para avaliarem trabalhos de pesquisa ou para compor bancas de mestrado e doutorado. Para isso é interessante uma boa fonte de informações sobre os candidatos, de forma a otimizar o processo de identificação. No Brasil existe uma base de currículos que centraliza as informações sobre os pesquisadores brasileiros, a Plataforma Lattes. Os dados dessa plataforma são utilizados nesse trabalho para a realização da identificação de especialistas de acordo com suas áreas de atuação. São coletados dados da Plataforma e realizadas três etapas para compor uma lista ordenada dos principais especialistas de determinada área identificados pelo algoritmo proposto. A primeira etapa é a utilização da métrica TF-IDF, de modo que seus resultados são combinados com os estratos Qualis das publicações de cada autor, para finalmente ser aplicado um algoritmo de propagação para a geração da lista de especialistas. Após uma extensiva otimização dos parâmetros envolvidos no algoritmo, os resultados foram comparados com outra técnica existente que foi utilizada como base para esse projeto. Os resultados foram validados a partir de três conjuntos de pesquisadores coletados para esse projeto. O primeiro deles envolveu os pesquisadores contemplados com a Bolsa Produtividade em Pesquisa CNPq. Os resultados de dois questionários envolvendo pesquisadores das áreas de Inteligência Artificial e Nanotecnologia também foram utilizados. A partir dos resultados obtidos, foi possível notar que a técnica proposta aprimora significativamente os resultados do conjunto de Bolsistas Produtividade. Por outro lado, os resultados obtidos para os conjuntos de pesquisadores de Inteligência Artificial e Nanotecnologia foram ligeiramente melhores para a abordagem base. Os dados, algoritmos e resultados obtidos nesse trabalho poderão ser utilizados futuramente para aprimorar a identificação de especialistas / Expert finding consists in the automatic analysis of informations about a set of people with the objective of finding those with greater knowledge on a particular topic. His knowledge can be applied to improve the productivity in research and work projects and to locate researchers who are capable of evaluating research papers or for masters and doctoral degrees. For this objective it\'s interesting a good source of information about the candidates, in order to optimize the process of identification. In Brazil there\'s a curriculum base that centralizes the information about Brazilian researchers, the Lattes Plataform. It\'s data is used in this work to perform the expert finding according to the candidate\'s areas of activity. Data are collected from the Platform and three steps performed to generate a ordered list of the main specialists of a given area identified by the proposed algorithm. The first step is to use the TF-IDF metric, so that its results are combined with the Qualis strata from the publications of each author, to finally be applied a propagation algorithm for the generation of the specialists list. After an extensive optimization of the parameters involved in the algorithm, the results were compared with another technique that was used as the basis for this project. The results were validated from three sets of researchers collected for this project. The first one involved the researchers contemplated with the CNPq Productivity Grant. The results of two questionnaires involving researchers from the areas of Artificial Intelligence and Nanotechnology were also used. From the results obtained, it was noticeable that the proposed technique significantly improves the results of the Productivity Grant set. On the other hand, the results obtained for the Artificial Intelligence and Nanotechnology research groups were slightly better for the base approach. The data, algorithms and results obtained in this work may be used in the future to improve the expert finding

A identificação de especialistas consiste na análise automática de informações sobre um conjunto de indivíduos para a localização daqueles com maior conhecimento em determinado tópico. Seus conhecimentos podem ser aplicados para a melhoria da produtividade em projetos de trabalho ou pesquisa e na localização de pesquisadores capacitados para avaliarem trabalhos de pesquisa ou para compor bancas de mestrado e doutorado. Para isso é interessante uma boa fonte de informações sobre os candidatos, de forma a otimizar o processo de identificação. No Brasil existe uma base de currículos que centraliza as informações sobre os pesquisadores brasileiros, a Plataforma Lattes. Os dados dessa plataforma são utilizados nesse trabalho para a realização da identificação de especialistas de acordo com suas áreas de atuação. São coletados dados da Plataforma e realizadas três etapas para compor uma lista ordenada dos principais especialistas de determinada área identificados pelo algoritmo proposto. A primeira etapa é a utilização da métrica TF-IDF, de modo que seus resultados são combinados com os estratos Qualis das publicações de cada autor, para finalmente ser aplicado um algoritmo de propagação para a geração da lista de especialistas. Após uma extensiva otimização dos parâmetros envolvidos no algoritmo, os resultados foram comparados com outra técnica existente que foi utilizada como base para esse projeto. Os resultados foram validados a partir de três conjuntos de pesquisadores coletados para esse projeto. O primeiro deles envolveu os pesquisadores contemplados com a Bolsa Produtividade em Pesquisa CNPq. Os resultados de dois questionários envolvendo pesquisadores das áreas de Inteligência Artificial e Nanotecnologia também foram utilizados. A partir dos resultados obtidos, foi possível notar que a técnica proposta aprimora significativamente os resultados do conjunto de Bolsistas Produtividade. Por outro lado, os resultados obtidos para os conjuntos de pesquisadores de Inteligência Artificial e Nanotecnologia foram ligeiramente melhores para a abordagem base. Os dados, algoritmos e resultados obtidos nesse trabalho poderão ser utilizados futuramente para aprimorar a identificação de especialistas / Expert finding consists in the automatic analysis of informations about a set of people with the objective of finding those with greater knowledge on a particular topic. His knowledge can be applied to improve the productivity in research and work projects and to locate researchers who are capable of evaluating research papers or for masters and doctoral degrees. For this objective it\'s interesting a good source of information about the candidates, in order to optimize the process of identification. In Brazil there\'s a curriculum base that centralizes the information about Brazilian researchers, the Lattes Plataform. It\'s data is used in this work to perform the expert finding according to the candidate\'s areas of activity. Data are collected from the Platform and three steps performed to generate a ordered list of the main specialists of a given area identified by the proposed algorithm. The first step is to use the TF-IDF metric, so that its results are combined with the Qualis strata from the publications of each author, to finally be applied a propagation algorithm for the generation of the specialists list. After an extensive optimization of the parameters involved in the algorithm, the results were compared with another technique that was used as the basis for this project. The results were validated from three sets of researchers collected for this project. The first one involved the researchers contemplated with the CNPq Productivity Grant. The results of two questionnaires involving researchers from the areas of Artificial Intelligence and Nanotechnology were also used. From the results obtained, it was noticeable that the proposed technique significantly improves the results of the Productivity Grant set. On the other hand, the results obtained for the Artificial Intelligence and Nanotechnology research groups were slightly better for the base approach. The data, algorithms and results obtained in this work may be used in the future to improve the expert finding

Expert finding is an Information Retrieval (IR) task that is used to find the needed experts. To find the needed experts is a noticeable problem in many commercial, educational or governmental organizations. It is highly crucial to find the appropriate experts, when seeking referees for a paper submitted to a conference or when looking for a consultant for a software project. It is also important to find the similar experts in case of the absence or the inability of the selected expert. Traditional expert finding methods are modeled based on three components which are a supporting document collection, a list of candidate experts and a set of pre-defined topics. In reality, most of the time pre-defined topics are not available. In this study, we propose an expert finding system which generates a semantic layer between domains and experts using Latent Dirichlet Allocation (LDA). A traditional expert finding method (voting approach) is used in order to match the domains and the experts as the baseline method. In case similar experts are needed, the system recommends experts matching the qualities of the selected experts. The proposed model is applied to a semi-synthetic data set to prove the concept and it performs better than the baseline method. The proposed model is also applied to the projects of the Technology and Innovation Funding Programs Directorate (TEYDEB) of The Scientific and Technological Research Council of Turkey (T&Uuml / B

As Internet communities such as question-answer (Q&A) forums and online social networks (OSNs) grow in prominence as knowledge sources, traditional editorial filters are unable to scale to their size and pace. This absence hinders the exchange of knowledge online, by creating an understandable lack of trust in information. This mistrust can be partially overcome by a forum by consistently providing reliable information, thus establishing itself as a reliable source. This work investigates how algorithmic approaches can contribute to building such a community of voluntary experts willing to contribute authoritative information. This work identifies two approaches: a) reducing the cost of participation for experts via matching user queries to experts (question recommendation), and b) identifying authoritative contributors for incentivization (authority estimation). The question recommendation problem is addressed by extending existing approaches via a new generative model that augments textual data with expert preference information among different questions. Another contribution to this domain is the introduction of a set of formalized metrics to include the expert's experience besides the questioner's. This is essential for expert retention in a voluntary community, and has not been addressed by previous work. The authority estimation problem is addressed by observing that the global graph structure of user interactions, results from two factors: a user's performance in local one-to-one interactions, and their activity levels. By positing an intrinsic authority 'strength' for each user node in the graph that governs the outcome of individual interactions via the Bradley-Terry model for pairwise comparison, this research establishes a relationship between intrinsic user authority, and global measures of influence. This approach overcomes many drawbacks of current measures of node importance in OSNs by naturally correcting for user activity levels, and providing an explanation for the frequent disconnect between real world reputation and online influence. Also, while existing research has been restricted to node ranking on a single OSN graph, this work demonstrates that co-ranking across multiple endorsement graphs drawn from the same OSN is a highly effective approach for aggregating complementary graph information. A new scalable co-ranking framework is introduced for this task. The resulting algorithms are evaluated on data from various online communities, and empirically shown to outperform existing approaches by a large margin. / text

No description available.

[pt] A revisão da literatura científica é um relato crítico dos principais trabalhos em uma área ou tópico específico. Dessa forma, os autores buscam a literatura e apresentam os artigos relevantes de forma organizada por data de publicação e evolução de um tema de pesquisa. Revisões da literatura fornecem uma fotografia do estado da arte de um tópico de pesquisa. Através da seleção dos trabalhos mais importantes de uma certa área é possível identificar os autores mais especializados na área ou em determinados artigos, proporcionando assim uma solução para o problema de encontrar potenciais candidatos especialistas. Nesta tese estudaremos o problema de selecionar e visualizar os artigos mais relevantes que refletem a evolução de um tópico de pesquisa. Para isso, propomos uma abordagem visual colaborativa baseada em grafos para recomendar referências importantes. Apresentamos também a tarefa de encontrar e classificar os autores dado um artigo científico usando caminhos de citações relevantes. A partir de um ranking de referências, o valor da expertise dos autores é calculado. Uma metodologia é proposta para construir e atualizar o grafo de citações de forma colaborativa com os votos dos especialistas. / [en] The scientific literature review is a critical account of the main papers in a particular subject area or topic. In this way, the authors surveys the literature and present the relevant articles in an organized way by publication date and evolution of the research topic, which gives an overview of the state of the art in a subject. Through these relevant papers it is also possible to identify the most expert authors in the area or in certain papers, thus providing a solution to the problem of finding potential expert candidates. The main challenge of making a literature review is to identify the most relevant articles that reflect the evolution of the different research topics. In this thesis, we propose a visual collaborative approach that uses graphs to recommend important references. In addition, we introduce the task of searching and ranking authors given a target paper using relevant citation paths. From a ranking of references, the value of the author s expertise is calculated. A methodology is proposed in order to build and update the citation graph in a collaborative way with the expert s votes.