1. ΑΥΤΟΜΑΤΟΠΟΙΗΜΕΝΗ ΑΝΑΚΑΛΥΨΗ
ΟΜΑΔΑΣ ΕΙΔΙΚΩΝ ΓΙΑ ΤΗΝ ΚΑΛΥΨΗ
ΣΥΝΟΛΟΥ ΤΟΜΕΩΝ
ΕΝΔΙΑΦΕΡΟΝΤΟΣ
Τμήμα Ψηφιακών Συστημάτων
Π.Μ.Σ. Ψηφιακά Συστήματα Υπηρεσίες
ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
Φράγκος Νικόλαος
Επιβλέπων: Χρήστος Δουλκερίδης

2. Περιεχόμενα
• Το πρόβλημα
• Μέθοδος Επίλυσης
• Μετρήσεις
• Συμπεράσματα
• Μελλοντική Εργασία

3. Το πρόβλημα (1)
• O τεράστιος όγκος δεδομένων και η ανάγκη για
αξιοποίηση της πληροφορίας αυτής κάνουν
ιδιαίτερα χρήσιμη την δυνατότητα
αυτοματοποιημένης αναζήτησης ειδικών
• Δύο από τα πολλά παραδείγματα:
– Η συγκρότηση επιτροπών για αξιολόγηση
δημοσιεύσεων
– Η επιλογή κατάλληλων υπαλλήλων για πρόσληψη

4. Το πρόβλημα (2)
• Αυτοματοποιημένη αναζήτηση ειδικών
– Οι κλασικές μηχανές αναζήτησης δεν επαρκούν
καθώς επιστρέφουν κείμενα και όχι άτομα
• Εύρεση ενός εξειδικευμένου ατόμου
– Εκτενώς μελετημένο στην βιβλιογραφία
• Σημασιολογία (Semantics)
• Μη τοπικά στοιχεία (Non Local Evidence)
• Μπορεί να βρεθεί ένα σύνολο ειδικών R με Κ
στοιχεία των οποίων η εξειδίκευση καλύπτει ένα
σύνολο λέξεων Q; Και εάν ναι ποιο είναι αυτό;

5. Μοντελοποίηση

6. Μέθοδος Επίλυσης
• Η μέθοδος αναλύεται σε τρία διακριτά στάδια.
Ευρετήριο
Δημιουργία
προφίλ
Εφαρμογή
αλγορίθμου

7. Ψευδοκείμενο
• Το ψευδοκείμενο αποτελεί την συνένωση όλων
των πληροφοριών που περιγράφουν έναν ειδικό.
• Ο τρόπος δημιουργίας του ψευδοκειμένου είναι
ορθογώνιος στην προσέγγισή μας
• Χρησιμοποιήθηκαν τίτλοι άρθρων από συνέδρια
και περιοδικά
• Διαισθητικά στο ψευδοκείμενο περιέχονται όροι
που αντικατοπτρίζουν τους τομείς έρευνας ενός
ειδικού

8. Ευρετήριο
…
Κλειδί: Όνομα
Συγγραφέα
Περιεχόμενα
Ερευνητής 1 Άρθρο Α d1
Ερευνητής 1 Άρθρο Β
Ερευνητής 1 Άρθρο Γ
Ερευνητής 2 Άρθρο Δ d2
Ερευνητής 2 Άρθρο Ε
Ερευνητής 4 Άρθρο ΣΤ …
… …

9. Δημιουργία προφίλ (1)

10. Δημιουργία προφίλ (2)

11. Συνολική Βαθμολόγηση
• Επίλυση ‘ισοπαλίας’ μεταξύ συγγραφέων με ίδιο
πλήθος τομέων εξειδίκευσης
• Έστω ο συγγραφέας Alexandros G. Dimakis και
οι όροι αναζήτησης
– index, storage, network.
Όρος αναζήτησης Βαθμολογία
Πλήθος σχετικών
άρθρων
index 3 3
storage 29 29
network 12 12

12. Μέγιστη Κάλυψη Συνόλου (Max-Cover)
• Έστω ένα πλήθος συνόλων 𝑆 = 𝑆1, 𝑆2, … , 𝑆 𝑚
• Να επιλεχθούν το πολύ Κ υποσύνολα
• Η ένωση των υποσυνόλων έχει τον μέγιστο
δυνατό αριθμό διαφορετικών στοιχείων.
• Λύση: Άπληστος αλγόριθμος
– Greedy Set Cover (GSC)
• Επιλέγει το υποσύνολο που καλύπτει τα
περισσότερα μη επιλεγμένα στοιχεία.

13. Παράδειγμα

14. Αξιολόγηση (1)
• Δεδομένα: Τίτλοι δημοσιεύσεων από το
DBLP.XML (1.2GB)
• Διαδικασία επεξεργασίας αρχείου:
– XML Parsing
– Εισαγωγή σε σχεσιακή βάση
– Ομαδοποίηση πληροφορίας ανά ειδικό
– Ευρετηριοποίηση
• Στατιστικά
– 6.498.625 Τίτλοι
– 1.314.915 Ειδικοί => 1.314.915 Ψευδοκείμενα

15. Αξιολόγηση (2)
• Κάθε διαδικασία αξιολόγησης απαιτεί
τουλάχιστον ένα μέτρο σύγκρισης
• Goodness: το πλήθος των άρθρων που έχει
γράψει κάποιος σε συναφή συνέδρια και
περιοδικά
• Το Goodness ορίζεται από τον χρήστη και
αφορά μόνο την διαδικασία της αξιολόγησης
• Όσα περισσότερα άρθρα έχει κάποιος τόσο
καλύτερος είναι

16. Αξιολόγηση (3)
• Επίσημες λίστες συνεδρίων
• ICDE 13’
• SIGMOD 13’
• VLDB 13’
– Σύγκριση λίστας συνεδρίου με αυτήν της εφαρμογής.
– Όροι αναζήτησης είναι οι τομείς ενδιαφέροντος του
εκάστοτε συνεδρίου (50 λέξεις)
• Τυχαίες λέξεις
– Επιλέχθηκαν τυχαία 15 λέξεις από το σύνολο των
τομέων ενδιαφέροντος κάθε συνεδρίου
• Όροι με αύξουσα σειρά (από 5 έως 30)
• Π.χ. Q = {index, storage, network…}

17. Αλγόριθμος βάσης
• Cosine Similarity (CS)
• Συγκρίνει δύο διανύσματα μετρώντας το
συνημίτονο της γωνίας μεταξύ τους
• cos 𝑑1, 𝑑2 = 𝑑𝑜𝑡 𝑑1, 𝑑2 / 𝑑1 𝑑2
• 𝑑𝑜𝑡 𝑑1, 𝑑2 = 𝑑1 0 ∗ 𝑑2 0 + 𝑑1 1 ∗ 𝑑2 1 …
• 𝑑1 = 𝑑1
2
0 + 𝑑1
2
[1]
• Όπου
– 𝑑1 = Σύνολο όρων αναζήτησης
– 𝑑2 = Ψευδοκείμενο

18. Μετρήσεις (1) Συνέδρια
0
100
200
300
400
500
600
700
CS GSC
Goodness
Αλγόριθμοι
ICDE SIGMOD VLDB

19. Μετρήσεις (2) Τυχαίες Λέξεις
0
50
100
150
200
250
300
350
400
CS GSC
Goodness
Αλγόριθμοι
ICDE SIGMOD VLDB

20. Μετρήσεις (3) Όροι με αύξουσα σειρά
0
500
1000
1500
2000
2500
5 10 15 20 25 30
Goodness
Πλήθος όρων αναζήτησης
CS GSC

21. Συμπεράσματα
• Ο GSC διατηρεί καλή βαθμολογία κάτω από
όλες τις συνθήκες και παραμένει ψηλά
ανεξάρτητα της εισόδου
• Μεγάλο προβάδισμα στις δοκιμές με πλήθος
λέξεων μικρότερο των 20
• Τα αποτέλεσμα τον καθιστούν με διαφορά
σαφώς πιο αξιόπιστο από τον βασικό αλγόριθμο
CS

22. Μελλοντικές Επεκτάσεις
• Δυναμικά δεδομένα
• Εμπλουτισμένα προφίλ
– Πρόλογοι αντί τίτλων
– Βιογραφικά
• Σύνδεση με το TREC
• Σημασιολογία Semantics (Wordnet)
• Αξιολόγηση με βάση το πού έχει δημοσιευτεί,
από ποιόν έχει γραφτεί και πόσες παραπομπές
έχει μία δημοσίευση