Este trabalho descreve a especificação e implementação do protótipo Assistente de Feedback que ajuda os usuários a ajustarem os parâmetros do serviço de filtragem de mensagens vindas do correio eletrônico de sistemas como o Direto. O Assistente de Feedback é instalado no computador do usuário do Direto para monitorar suas preferências representadas pelas ações aplicadas nas mensagens do correio eletrônico. O trabalho apresenta, ainda, uma revisão bibliográfica sobre os conceitos gerais de probabilidades, redes Bayesianas e classificadores. Procura-se descrever as características gerais dos classificadores, em especial o Naive Bayes, sua lógica e seu desempenho comparado a outros classificadores. São abordados, também, conceitos relacionados ao modelo de perfil de usuário e o ambiente Direto. O Naive Bayes torna-se atraente para ser utilizado no Assistente de Feedback por apresentar bom desempenho sobre os demais classificadores e por ser eficiente na predição, quando os atributos são independentes entre si. O Assistente de Feedback utiliza um classificador Naive Bayes para predizer as preferências por intermédio das ações do usuário. Utiliza, também, pesos que representarão a satisfação do usuário para os termos extraídos do corpo da mensagem. Esses pesos são associados às ações do usuário para estimar os termos mais interessantes e menos interessantes, pelo valor de suas médias finais. Quando o usuário desejar alterar os filtros de mensagens do Direto, ele solicita ao Assistente de Feedback sugestões para possíveis exclusões dos termos menos interessantes e as possíveis inclusões dos termos mais interessantes. O protótipo é testado utilizando dois métodos de avaliação para medir o grau de precisão e o desempenho do Assistente de Feedback. Os resultados obtidos na avaliação de precisão apresentam valores satisfatórios, considerando o uso de cinco classes pelo classificador do Assistente de Feedback. Os resultados dos testes de desempenho permitem observar que, se forem utilizadas máquinas com configurações mais atualizadas, os usuários conseguirão receber sugestões com tempo de respostas mais toleráveis.

O mundo moderno vem exigindo cada vez mais das pessoas no aspecto profissional. A exigência de capacitação profissional é uma realidade que obriga as pessoas a uma constante atualização. Neste contexto, a educação a distancia se mostra uma importante via de disseminação de conhecimento. Este trabalho apresenta um agente de Perfil do Usuário inserido no contexto do projeto PortEdu – Portal de Educação, projeto que visa abrigar ambientes de ensino na Web. Um dos objetivos do projeto PortEdu é fornecer um serviço de recuperação de informação aos ambientes ancorados, guiado pelo Agente Perfil do Usuário, tendo como finalidade oferecer informações contextualizadas a um problema específico do usuário (aluno), com a intenção de auxiliá-lo em seu aprendizado. Durante a utilização de ambientes de educação a distância, os alunos utilizam ferramentas de recuperação de informação na busca de soluções para as suas dúvidas. Mas, a busca de informação na Internet, utilizando as ferramentas existentes, nem sempre é uma tarefa simples, pois exige esforço na construção de termos de busca eficientes ou mantém o usuário percorrendo longas listas de resultados. No desenvolvimento deste serviço, no PortEdu, procuramos minimizar este tipo de esforço. Neste trabalho são descritas, primeiramente, as áreas envolvidas na pesquisa, mostrando como elas foram utilizadas na construção do Agente de Perfil do Usuário. Também é realizada uma descrição da área de inteligência artificial, dos conceitos de agente e Educação a Distancia. Pretende-se mostrar aqui as propriedades que o Agente de Perfil do Usuário possui Na seqüência, são apresentadas as soluções tecnológicas utilizadas no projeto, tais como: AMPLIA (ambiente de ensino ancorado no PortEdu), PMA3, FIPA e a API Fácil. É descrito o modo como estas tecnologias interagem no âmbito do PortEdu. O problema da recuperação de informação na Web é discutido nesta pesquisa e são apresentados três trabalhos relacionados que abordam este problema. Também é realizada uma comparação entre estes trabalhos e o PortEdu. Por fim, este trabalho apresenta uma solução encontrada para resolver o problema de recuperação de informação na Web utilizando um protótipo do PortEdu. Esta pesquisa está inserida na área de Informática na Educação.

Este trabalho descreve a especificação e implementação do protótipo Assistente de Feedback que ajuda os usuários a ajustarem os parâmetros do serviço de filtragem de mensagens vindas do correio eletrônico de sistemas como o Direto. O Assistente de Feedback é instalado no computador do usuário do Direto para monitorar suas preferências representadas pelas ações aplicadas nas mensagens do correio eletrônico. O trabalho apresenta, ainda, uma revisão bibliográfica sobre os conceitos gerais de probabilidades, redes Bayesianas e classificadores. Procura-se descrever as características gerais dos classificadores, em especial o Naive Bayes, sua lógica e seu desempenho comparado a outros classificadores. São abordados, também, conceitos relacionados ao modelo de perfil de usuário e o ambiente Direto. O Naive Bayes torna-se atraente para ser utilizado no Assistente de Feedback por apresentar bom desempenho sobre os demais classificadores e por ser eficiente na predição, quando os atributos são independentes entre si. O Assistente de Feedback utiliza um classificador Naive Bayes para predizer as preferências por intermédio das ações do usuário. Utiliza, também, pesos que representarão a satisfação do usuário para os termos extraídos do corpo da mensagem. Esses pesos são associados às ações do usuário para estimar os termos mais interessantes e menos interessantes, pelo valor de suas médias finais. Quando o usuário desejar alterar os filtros de mensagens do Direto, ele solicita ao Assistente de Feedback sugestões para possíveis exclusões dos termos menos interessantes e as possíveis inclusões dos termos mais interessantes. O protótipo é testado utilizando dois métodos de avaliação para medir o grau de precisão e o desempenho do Assistente de Feedback. Os resultados obtidos na avaliação de precisão apresentam valores satisfatórios, considerando o uso de cinco classes pelo classificador do Assistente de Feedback. Os resultados dos testes de desempenho permitem observar que, se forem utilizadas máquinas com configurações mais atualizadas, os usuários conseguirão receber sugestões com tempo de respostas mais toleráveis.

Este trabalho descreve a especificação e implementação do protótipo Assistente de Feedback que ajuda os usuários a ajustarem os parâmetros do serviço de filtragem de mensagens vindas do correio eletrônico de sistemas como o Direto. O Assistente de Feedback é instalado no computador do usuário do Direto para monitorar suas preferências representadas pelas ações aplicadas nas mensagens do correio eletrônico. O trabalho apresenta, ainda, uma revisão bibliográfica sobre os conceitos gerais de probabilidades, redes Bayesianas e classificadores. Procura-se descrever as características gerais dos classificadores, em especial o Naive Bayes, sua lógica e seu desempenho comparado a outros classificadores. São abordados, também, conceitos relacionados ao modelo de perfil de usuário e o ambiente Direto. O Naive Bayes torna-se atraente para ser utilizado no Assistente de Feedback por apresentar bom desempenho sobre os demais classificadores e por ser eficiente na predição, quando os atributos são independentes entre si. O Assistente de Feedback utiliza um classificador Naive Bayes para predizer as preferências por intermédio das ações do usuário. Utiliza, também, pesos que representarão a satisfação do usuário para os termos extraídos do corpo da mensagem. Esses pesos são associados às ações do usuário para estimar os termos mais interessantes e menos interessantes, pelo valor de suas médias finais. Quando o usuário desejar alterar os filtros de mensagens do Direto, ele solicita ao Assistente de Feedback sugestões para possíveis exclusões dos termos menos interessantes e as possíveis inclusões dos termos mais interessantes. O protótipo é testado utilizando dois métodos de avaliação para medir o grau de precisão e o desempenho do Assistente de Feedback. Os resultados obtidos na avaliação de precisão apresentam valores satisfatórios, considerando o uso de cinco classes pelo classificador do Assistente de Feedback. Os resultados dos testes de desempenho permitem observar que, se forem utilizadas máquinas com configurações mais atualizadas, os usuários conseguirão receber sugestões com tempo de respostas mais toleráveis.

O mundo moderno vem exigindo cada vez mais das pessoas no aspecto profissional. A exigência de capacitação profissional é uma realidade que obriga as pessoas a uma constante atualização. Neste contexto, a educação a distancia se mostra uma importante via de disseminação de conhecimento. Este trabalho apresenta um agente de Perfil do Usuário inserido no contexto do projeto PortEdu – Portal de Educação, projeto que visa abrigar ambientes de ensino na Web. Um dos objetivos do projeto PortEdu é fornecer um serviço de recuperação de informação aos ambientes ancorados, guiado pelo Agente Perfil do Usuário, tendo como finalidade oferecer informações contextualizadas a um problema específico do usuário (aluno), com a intenção de auxiliá-lo em seu aprendizado. Durante a utilização de ambientes de educação a distância, os alunos utilizam ferramentas de recuperação de informação na busca de soluções para as suas dúvidas. Mas, a busca de informação na Internet, utilizando as ferramentas existentes, nem sempre é uma tarefa simples, pois exige esforço na construção de termos de busca eficientes ou mantém o usuário percorrendo longas listas de resultados. No desenvolvimento deste serviço, no PortEdu, procuramos minimizar este tipo de esforço. Neste trabalho são descritas, primeiramente, as áreas envolvidas na pesquisa, mostrando como elas foram utilizadas na construção do Agente de Perfil do Usuário. Também é realizada uma descrição da área de inteligência artificial, dos conceitos de agente e Educação a Distancia. Pretende-se mostrar aqui as propriedades que o Agente de Perfil do Usuário possui Na seqüência, são apresentadas as soluções tecnológicas utilizadas no projeto, tais como: AMPLIA (ambiente de ensino ancorado no PortEdu), PMA3, FIPA e a API Fácil. É descrito o modo como estas tecnologias interagem no âmbito do PortEdu. O problema da recuperação de informação na Web é discutido nesta pesquisa e são apresentados três trabalhos relacionados que abordam este problema. Também é realizada uma comparação entre estes trabalhos e o PortEdu. Por fim, este trabalho apresenta uma solução encontrada para resolver o problema de recuperação de informação na Web utilizando um protótipo do PortEdu. Esta pesquisa está inserida na área de Informática na Educação.

O mundo moderno vem exigindo cada vez mais das pessoas no aspecto profissional. A exigência de capacitação profissional é uma realidade que obriga as pessoas a uma constante atualização. Neste contexto, a educação a distancia se mostra uma importante via de disseminação de conhecimento. Este trabalho apresenta um agente de Perfil do Usuário inserido no contexto do projeto PortEdu – Portal de Educação, projeto que visa abrigar ambientes de ensino na Web. Um dos objetivos do projeto PortEdu é fornecer um serviço de recuperação de informação aos ambientes ancorados, guiado pelo Agente Perfil do Usuário, tendo como finalidade oferecer informações contextualizadas a um problema específico do usuário (aluno), com a intenção de auxiliá-lo em seu aprendizado. Durante a utilização de ambientes de educação a distância, os alunos utilizam ferramentas de recuperação de informação na busca de soluções para as suas dúvidas. Mas, a busca de informação na Internet, utilizando as ferramentas existentes, nem sempre é uma tarefa simples, pois exige esforço na construção de termos de busca eficientes ou mantém o usuário percorrendo longas listas de resultados. No desenvolvimento deste serviço, no PortEdu, procuramos minimizar este tipo de esforço. Neste trabalho são descritas, primeiramente, as áreas envolvidas na pesquisa, mostrando como elas foram utilizadas na construção do Agente de Perfil do Usuário. Também é realizada uma descrição da área de inteligência artificial, dos conceitos de agente e Educação a Distancia. Pretende-se mostrar aqui as propriedades que o Agente de Perfil do Usuário possui Na seqüência, são apresentadas as soluções tecnológicas utilizadas no projeto, tais como: AMPLIA (ambiente de ensino ancorado no PortEdu), PMA3, FIPA e a API Fácil. É descrito o modo como estas tecnologias interagem no âmbito do PortEdu. O problema da recuperação de informação na Web é discutido nesta pesquisa e são apresentados três trabalhos relacionados que abordam este problema. Também é realizada uma comparação entre estes trabalhos e o PortEdu. Por fim, este trabalho apresenta uma solução encontrada para resolver o problema de recuperação de informação na Web utilizando um protótipo do PortEdu. Esta pesquisa está inserida na área de Informática na Educação.

As pessoas têm acesso a uma vasta gama de informações devido a grande oferta e aos recursos da Internet, porém despendem muito tempo na busca do que realmente é interessante ou útil para elas. A dificuldade de encontrar a informação correta é aumentada quando a informação disputa a atenção de uma pessoa com uma série de outras informações não tão relevantes. Procurando minimizar esta dificuldade e auxiliar no acesso a informação interessante, são aplicados desde sistemas de recuperação de informação até sistemas de filtragem de informação. Os sistemas de recuperação são amplamente difundidos na Internet através dos motores de busca (por exemplo, google.com, av.com, citeseer.ist.psu.edu), porém um problema neste tipo de aplicação constitui-se na necessidade do usuário apresentar os termos (palavras-chave) que são relevantes para a consulta. filtragem de informação, tendo como representante os Sistemas de Recomendação, surge como uma nova abordagem que procura liberar o usuário da exigência de criar consultas com palavras-chave, ou seja, a filtragem baseada em conteúdo procura casar o perfil do usuário e o conteúdo dos itens a serem recomendados, e então, oferecer alguns destes itens aos usuários. Por fim, surgiram sistemas que não se baseavam na análise do conteúdo dos itens, mas sim na reputação de um item junto aos outros usuários, ou seja, o usuário recebe a recomendação de um item que pode ser do seu interesse frente à colaboração de outros usuários que avaliaram o item. A questão maior nesta abordagem está no quanto a opinião de um usuário que avaliou um item é relevante para servir como colaboração na elaboração da recomendação para outro usuário. Esta tese constitui-se em uma proposta para modelar e incluir a relevância da opinião do usuário no processo de recomendação colaborativa, ou seja, apresenta uma abordagem de Sistemas de Recomendação para recomendar itens baseando-se em informação adicional − definida como relevância da opinião do usuário − além das típicas informações utilizadas na grande maioria dos Sistemas de Recomendação. Esta inclusão da relevância da opinião constitui-se em uma alternativa para que o usuário alvo da recomendação consiga identificar qual a importância de um determinado item recomendado frente à relevância de opinião dos recomendadores. A idéia apresentada é a de que pessoas com maior relevância de opinião poderiam melhor avaliar e recomendar itens. / Nowadays, people have access to a huge amount of information due to the Internet's resources. However they spend too much time searching for interesting, adequate or useful information. The difficulty to find worthwhile information increases when interesting things dispute the user's attention. Information retrieval and information filtering systems are applicable in order to minimize search difficulties, aiming to aid the user in the search for worthwhile information. Information retrieval systems are widely spread in the Internet through search engines (e.g., google.com, av.com, citeseer.ist.psu.edu). However there is a problem in this kind of application, which consists in compelling the user to know the terms (keywords) that are relevant for the search. Recommender Systems are an information filtering solution. They present a different approach that frees the user from creating queries with keywords. It means that the system tries to match the user's profile (historical interests) with the content of items to be recommended, and then offers these items to the user (recommendee). In parallel, an alternative approach to item recommendation was proposed, this one based on the offering of items based on other users’ opinion, i.e. the user receives an item recommendation based on the evaluation of other users (collaborative filtering or social filtering). However, a different question is raised here − how much the opinion of a user who evaluated an item is relevant to be employed in the recommendation process applying a collaborative method? This thesis presents a new approach to model and include in the collaborative recommendation process additional information named Recommender's Rank, which represents the relevance of the user's opinion and complements the typical information used in the large majority of Recommender Systems. This approach is an alternative to aid the user to identify the importance of a recommended item based on other users' opinions, as people with higher relevance of opinion are more likely to better evaluate and recommend items.

As pessoas têm acesso a uma vasta gama de informações devido a grande oferta e aos recursos da Internet, porém despendem muito tempo na busca do que realmente é interessante ou útil para elas. A dificuldade de encontrar a informação correta é aumentada quando a informação disputa a atenção de uma pessoa com uma série de outras informações não tão relevantes. Procurando minimizar esta dificuldade e auxiliar no acesso a informação interessante, são aplicados desde sistemas de recuperação de informação até sistemas de filtragem de informação. Os sistemas de recuperação são amplamente difundidos na Internet através dos motores de busca (por exemplo, google.com, av.com, citeseer.ist.psu.edu), porém um problema neste tipo de aplicação constitui-se na necessidade do usuário apresentar os termos (palavras-chave) que são relevantes para a consulta. filtragem de informação, tendo como representante os Sistemas de Recomendação, surge como uma nova abordagem que procura liberar o usuário da exigência de criar consultas com palavras-chave, ou seja, a filtragem baseada em conteúdo procura casar o perfil do usuário e o conteúdo dos itens a serem recomendados, e então, oferecer alguns destes itens aos usuários. Por fim, surgiram sistemas que não se baseavam na análise do conteúdo dos itens, mas sim na reputação de um item junto aos outros usuários, ou seja, o usuário recebe a recomendação de um item que pode ser do seu interesse frente à colaboração de outros usuários que avaliaram o item. A questão maior nesta abordagem está no quanto a opinião de um usuário que avaliou um item é relevante para servir como colaboração na elaboração da recomendação para outro usuário. Esta tese constitui-se em uma proposta para modelar e incluir a relevância da opinião do usuário no processo de recomendação colaborativa, ou seja, apresenta uma abordagem de Sistemas de Recomendação para recomendar itens baseando-se em informação adicional − definida como relevância da opinião do usuário − além das típicas informações utilizadas na grande maioria dos Sistemas de Recomendação. Esta inclusão da relevância da opinião constitui-se em uma alternativa para que o usuário alvo da recomendação consiga identificar qual a importância de um determinado item recomendado frente à relevância de opinião dos recomendadores. A idéia apresentada é a de que pessoas com maior relevância de opinião poderiam melhor avaliar e recomendar itens. / Nowadays, people have access to a huge amount of information due to the Internet's resources. However they spend too much time searching for interesting, adequate or useful information. The difficulty to find worthwhile information increases when interesting things dispute the user's attention. Information retrieval and information filtering systems are applicable in order to minimize search difficulties, aiming to aid the user in the search for worthwhile information. Information retrieval systems are widely spread in the Internet through search engines (e.g., google.com, av.com, citeseer.ist.psu.edu). However there is a problem in this kind of application, which consists in compelling the user to know the terms (keywords) that are relevant for the search. Recommender Systems are an information filtering solution. They present a different approach that frees the user from creating queries with keywords. It means that the system tries to match the user's profile (historical interests) with the content of items to be recommended, and then offers these items to the user (recommendee). In parallel, an alternative approach to item recommendation was proposed, this one based on the offering of items based on other users’ opinion, i.e. the user receives an item recommendation based on the evaluation of other users (collaborative filtering or social filtering). However, a different question is raised here − how much the opinion of a user who evaluated an item is relevant to be employed in the recommendation process applying a collaborative method? This thesis presents a new approach to model and include in the collaborative recommendation process additional information named Recommender's Rank, which represents the relevance of the user's opinion and complements the typical information used in the large majority of Recommender Systems. This approach is an alternative to aid the user to identify the importance of a recommended item based on other users' opinions, as people with higher relevance of opinion are more likely to better evaluate and recommend items.

As pessoas têm acesso a uma vasta gama de informações devido a grande oferta e aos recursos da Internet, porém despendem muito tempo na busca do que realmente é interessante ou útil para elas. A dificuldade de encontrar a informação correta é aumentada quando a informação disputa a atenção de uma pessoa com uma série de outras informações não tão relevantes. Procurando minimizar esta dificuldade e auxiliar no acesso a informação interessante, são aplicados desde sistemas de recuperação de informação até sistemas de filtragem de informação. Os sistemas de recuperação são amplamente difundidos na Internet através dos motores de busca (por exemplo, google.com, av.com, citeseer.ist.psu.edu), porém um problema neste tipo de aplicação constitui-se na necessidade do usuário apresentar os termos (palavras-chave) que são relevantes para a consulta. filtragem de informação, tendo como representante os Sistemas de Recomendação, surge como uma nova abordagem que procura liberar o usuário da exigência de criar consultas com palavras-chave, ou seja, a filtragem baseada em conteúdo procura casar o perfil do usuário e o conteúdo dos itens a serem recomendados, e então, oferecer alguns destes itens aos usuários. Por fim, surgiram sistemas que não se baseavam na análise do conteúdo dos itens, mas sim na reputação de um item junto aos outros usuários, ou seja, o usuário recebe a recomendação de um item que pode ser do seu interesse frente à colaboração de outros usuários que avaliaram o item. A questão maior nesta abordagem está no quanto a opinião de um usuário que avaliou um item é relevante para servir como colaboração na elaboração da recomendação para outro usuário. Esta tese constitui-se em uma proposta para modelar e incluir a relevância da opinião do usuário no processo de recomendação colaborativa, ou seja, apresenta uma abordagem de Sistemas de Recomendação para recomendar itens baseando-se em informação adicional − definida como relevância da opinião do usuário − além das típicas informações utilizadas na grande maioria dos Sistemas de Recomendação. Esta inclusão da relevância da opinião constitui-se em uma alternativa para que o usuário alvo da recomendação consiga identificar qual a importância de um determinado item recomendado frente à relevância de opinião dos recomendadores. A idéia apresentada é a de que pessoas com maior relevância de opinião poderiam melhor avaliar e recomendar itens. / Nowadays, people have access to a huge amount of information due to the Internet's resources. However they spend too much time searching for interesting, adequate or useful information. The difficulty to find worthwhile information increases when interesting things dispute the user's attention. Information retrieval and information filtering systems are applicable in order to minimize search difficulties, aiming to aid the user in the search for worthwhile information. Information retrieval systems are widely spread in the Internet through search engines (e.g., google.com, av.com, citeseer.ist.psu.edu). However there is a problem in this kind of application, which consists in compelling the user to know the terms (keywords) that are relevant for the search. Recommender Systems are an information filtering solution. They present a different approach that frees the user from creating queries with keywords. It means that the system tries to match the user's profile (historical interests) with the content of items to be recommended, and then offers these items to the user (recommendee). In parallel, an alternative approach to item recommendation was proposed, this one based on the offering of items based on other users’ opinion, i.e. the user receives an item recommendation based on the evaluation of other users (collaborative filtering or social filtering). However, a different question is raised here − how much the opinion of a user who evaluated an item is relevant to be employed in the recommendation process applying a collaborative method? This thesis presents a new approach to model and include in the collaborative recommendation process additional information named Recommender's Rank, which represents the relevance of the user's opinion and complements the typical information used in the large majority of Recommender Systems. This approach is an alternative to aid the user to identify the importance of a recommended item based on other users' opinions, as people with higher relevance of opinion are more likely to better evaluate and recommend items.