ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ. του Γεράσιμου Τουλιάτου ΑΜ: 697

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΣΤΑ ΠΛΑΙΣΙΑ ΤΟΥ ΜΕΤΑΠΤΥΧΙΑΚΟΥ ΔΙΠΛΩΜΑΤΟΣ ΕΙΔΙΚΕΥΣΗΣ ΕΠΙΣΤΗΜΗ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ του Γεράσιμου Τουλιάτου ΑΜ: 697 Τίτλος ΑΝΑΠΤΥΞΗ ΣΥΣΤΗΜΑΤΟΣ ΠΑΡΟΧΗΣ ΣΥΣΤΑΣΕΩΝ ΜΕ ΧΡΗΣΗ ΤΕΧΝΙΚΩΝ ΣΗΜΑΣΙΟΛΟΓΙΚΗΣ ΑΝΑΛΥΣΗΣ Επιβλέπων Καθηγητής Γαροφαλάκης Ιωάννης Τριμελής Επιτροπή: Καθηγητής Γαροφαλάκης Ιωάννης Επ.Καθηγητής Μακρής Χρήστος Επ.Καθηγητής Χατζηλυγερούδης Ιωάννης Πάτρα, Ιούνιος 2012

2

3 Ευχαριστίες Θα ήθελα να ευχαριστήσω θερμά τον Κύριο Γαροφαλάκη Ιωάννη, καθηγητή του τμήματος Μηχανικων Η/Υ και Πληροφορικής του Πανεπιστημίου Πατρών, για την εμπιστοσύνη που μου έδειξε, καθώς και για τη στήριξη και τη καθοδήγηση που μου παρείχε ώστε να ολοκληρωθεί η παρούσα εργασία. Επιπλέον, θα ήθελα να ευχαριστήσω τον επίκουρο καθηγητή, Κύριο Μακρή Χρήστο καθώς επίσης και τον επίκουρο καθηγητή, Κύριο Χατζηλυγερούδη Ιωάννη για την προθυμία τους αλλά και τη συμμετοχή τους στην επιτροπή αξιολόγησης. i

4 ii

5 Περίληψη Εξαιτίας του μεγάλου όγκου δεδομένων που υπάρχουν στον Παγκόσμιο Ιστό, η ανεύρεση της επιθυμητής πληροφορίας από ένα χρήστη μπορεί να αποδειχθεί χρονοβόρα. Διάφορα συστήματα προσωποποιημένης αναζήτησης έχουν προταθεί κατά καιρούς για να διευκολύνουν την επίλυση του συγκεκριμένου προβλήματος. Στόχος της παρούσας εργασίας ήταν η μελέτη διάφορων τεχνικών βελτίωσης των αποτελεσμάτων μιας αναζήτησης και η ανάπτυξη ενός συστήματος που θα προβλέπει την πληροφοριακή ανάγκη ενός χρήστη και θα του προτείνει ένα σύνολο από σελίδες που πιθανόν να τον ικανοποιούν. Επειδή το Web αποτελεί ένα πολύ μεγάλο σύστημα, η μελέτη μας ξεκινάει από το επίπεδο ιστοτόπου. Για την ανάπτυξη του συστήματός μας θα κάνουμε χρήση σημασιολογικών τεχνικών ανάλυσης. Πιο συγκεκριμένα, με χρήση μιας οντολογίας θα χαρακτηρίσουμε εννοιολογικά τις σελίδες ενός ιστοτόπου και επιπλέον θα χρησιμοποιήσουμε την οντολογία για να εκφράσουμε την πληροφοριακή ανάγκη του χρήστη. Κατά την περιήγησή του στον ιστότοπο ο χρήστης επιλέγει εκείνους τους συνδέσμους που θεωρεί ότι το φέρνουν πιο κοντά στο στόχο του. Εμείς, χαρακτηρίζουμε κάθε υπερσύνδεσμο με έννοιες που συνδέονται με το περιεχόμενο της σελίδας στην οποία αυτός δείχνει. Επειδή, ο κάθε χρήστης αναπαριστά την πληροφορία με ένα δικό του δίκτυο εννοιών, υιοθετήσαμε μια οντολογία που συγκεντρώνει αυτό που ονομάζουμε κοινή γνώση για ένα θέμα. Χρησιμοποιώντας, τις έννοιες από τους υπερσυνδέσμους που επέλεξε ο χρήστης, τις σχέσεις μεταξύ των εννοιών της οντολογίας εκτιμούμε τις πιθανές έννοιες στόχους του χρήστη και προσδιορίζουμε με αυτόν τον τρόπο την πληροφοριακή του ανάγκη. Τέλος, κατατάσσουμε τις σελίδες ως προς τη εννοιολογική τους συσχέτιση με τα ενδιαφέροντα του χρήστη και δημιουργούμε τις προτάσεις μας. iii

6 iv

7 Summary Due to the large volume of data available on the Web, finding the desired information can be time consuming. Various personalized search systems have been proposed to help resolve this problem. The aim of this work was to study various techniques used to deal with the problem and also, develop a system that will predict a user's information need and propose a set of pages that might satisfy him. Because the Web is a very large system, our study starts at the level of a site. In developing our system we will make use of semantic analysis techniques. Specifically, we will use an ontology to describe the contents of the pages of a website and we will also use the ontology to express the information need of the user. While browsing, the user selects those links, that considers they will bring him closer to his goal. We characterize each link with concepts associated with the content of the page they point to. Because each user represents the information in his own concept network, we adopted an ontology to express what is said to be 'common knowledge' on a topic. Using the concepts of the hyperlinks that the user selected and the relations between the concepts of the ontology, we choose the possible concept that user has in mind, and thus determine his information needs. Finally, we rank the pages of the website against the estimated informational needs of the user, creating so our proposals. v

8 vi

9 Περιεχόμενα Κεφάλαιο 1: Εισαγωγή...9 Κεφάλαιο 2: Αναζήτηση και Περιήγηση Google και το PageRank Προσωποποιημένη Αναζήτηση Προσωποποιημένο PageRank Επέκταση Ερωτημάτων Ανάλυση των Ερωτημάτων Συστήματα Παροχής Συστάσεων Μελέτη Συστήματος Παροχής Συστάσεων Μοντελοποίηση Αναζήτησης και Περιήγησης Rule of Surfing Το κυνήγι της πληροφορίας (Foraging Theory)...23 Κεφάλαιο 3: Σημασιολογικός Ιστός Περιγραφή Σημασιολογικού Ιστού, Τεχνολογίες, Όραμα Μετάβαση στο Σημασιολογικό Ιστό Επεξεργασία Φυσικής Γλώσσας Επεξεργασία φυσικής γλώσσας και Εξαγωγή Πληροφορίας Το πρόβλημα της αμφισημίας των λέξεων (WSD) Η μορφή του σημασιολογικού Ιστού Εφαρμογές με χρήση του Σημασιολογικού Ιστού Το σύστημα Thesus Σύστημα παροχής Συστάσεων βασισμένο σε Οντολογία...39 Κεφάλαιο 4: Περιγραφή, Λειτουργία και Αξιολόγηση του Συστήματος Το Σύστημα Αναφοράς Αρχιτεκτονική Προτεινόμενου Συστήματος Λειτουργία Προτεινόμενου Συστήματος Πηγές Σημασιολογίας του Συστήματος Οντολογία, δημιουργία και ανάθεση βαρών Απεικόνιση Εννοιών σε synsets Περιγραφή Ανάθεσης Εννοιών σε Υπερσυνδέσμους Περιγραφή Αλγορίθμου Επέκτασης Ερωτημάτων Επεξεργασία και χρήση περιεχομένων σελίδας Η εξαγωγή των λέξεων κλειδιών...59 vii

10 Αντιστοίχηση λέξεων σε έννοιες Υπολογισμός των βαρών Ανάκτηση Περιεχομένου Υλοποίηση Συστήματος Το κυρίως σύστημα Ο crawler Η γραφική διεπαφή Μετρήσεις και Προσδιορισμός Βέλτιστων τιμών Παραμέτρων Αξιολόγηση της απεικόνισης σελίδων σε έννοιες Αξιολόγηση Συστήματος Ανάκτησης Σελίδων Αξιολόγησης των προβλεπόμενων εννοιών Αξιολόγηση Χρήσης Συστήματος Αυτόματη Ανάθεση Εννοιών της Οντολογίας σε Synsets Βασικός Αλγόριθμος Η περίπτωση της ταξινομίας...78 Κεφάλαιο 5: Συμπεράσματα και Μελλοντικές Κατευθύνσεις Συμπεράσματα Μελλοντικές Κατευθύνσεις...83 Παράρτημα Α: Περιγραφή του WordNet...87 Παράρτημα Β...89 Βιβλιογραφία...95 viii

11 Κεφάλαιο 1: Εισαγωγή Ο όγκος της πληροφορίας που υπάρχει στον Παγκόσμιο Ιστό άρχισε να πολλαπλασιάζεται γρήγορα από τα πρώτα κιόλας χρόνια της ύπαρξης του. Σήμερα ο Παγκόσμιος Ιστός περιέχει πλήθος πληροφοριών που καλύπτουν όλα τα θέματα της ανθρώπινης γνώσης. Ξεκινώντας από την έμπνευση του φυσικού του CERN Tim Berners Lee, ο Ιστός έγινε τόσο δημοφιλής που σύντομα η εύρεση πληροφορίας σε αυτόν έγινε δύσκολη. Αρχικά η αναζήτηση γινόταν μέσω browsing ενώ στη συνέχεια με λίστες με ενδιαφέροντες συνδέσμους που δημοσίευαν οι χρήστες. Σύντομα όμως ο Ιστός μεγάλωσε τόσο που η πρακτική αυτή δεν απέδιδε. Τότε οι πρώτες μηχανές αναζήτησης εμφανίστηκαν με τις τεχνικές της ανάκτησης πληροφορίας να παίζουν ζωτικό ρόλο. Ο αλγόριθμος PageRank του Google έφερε μια πρώτη επανάσταση στον τρόπο με τον οποίο γινόταν η αναζήτηση στο διαδίκτυο. Η ποιότητα των επιστρεφόμενων αποτελεσμάτων αυξήθηκε και ένα διαρκές ράλι ξεκίνησε με σκοπό την περαιτέρω βελτίωση. Γρήγορα φάνηκε η ανάγκη για προσωποποίηση των αποτελεσμάτων. Ως προσωποποίηση θεωρείται οποιαδήποτε ενέργεια γίνεται για να βελτιώσει τα αποτελέσματα μιας αναζήτησης και η οποία είναι προσαρμοσμένη σε ένα χρήστη. Τέτοιοι αλγόριθμοι εμφανίστηκαν με μορφές όπως εκείνη του προσωποποιημένου PageRank αλλά και των συστημάτων παροχής συστάσεων. Τα συστήματα αυτά δεδομένου του προφίλ ενός χρήστη, χρησιμοποιούνται για να προτείνουν άλλα αντικείμενα που ίσως τον ενδιαφέρουν. Τα αντικείμενα μπορεί να είναι είτε σελίδες ενός ιστοτόπου, είτε άρθρα ειδήσεων, ακόμα και προϊόντα όπως ταινίες ή τραγούδια που το σύστημα εκτιμάει ότι ίσως ενδιαφέρουν το χρήστη. Παράλληλα όμως με τα παραπάνω, άρχισε να ξεπροβάλλει το όραμα του Σημασιολογικού Ιστού. Εν συντομία, ο Σημασιολογικός Ιστός αποτελεί ένα υπερσύνολο του σημερινού Ιστού, στο οποίο όμως οι πληροφορίες είναι εμπλουτισμένες με σημασιολογία και περιγράφονται με τρόπο που να μπορεί να κατανοηθεί από προγράμματα ή πιο συγκεκριμένα πράκτορες λογισμικού. Ο Σημασιολογικός Ιστός υπόσχεται να αλλάξει ριζικά το τοπίο στην αναζήτηση πληροφορίας. Επιπλέον η προσθήκη σημασιολογίας θα αναβαθμίσει τον τρόπο αναπαράστασης του περιεχόμενου της πληροφορίας στον Ιστό και υπόσχεται να ενοποιήσει τα κατά τα άλλα ανομοιογενή δεδομένα. Φυσικά, αυτό θα έχει αντίκτυπο και στα συστήματα παροχής εξατομικευμένων αποτελεσμάτων. Στη μετάβαση από τον συμβατικό στο Σημασιολογικό Ιστό, η επεξεργασία φυσικής γλώσσας καθώς και οι Οντολογίες θα παίξουν κυρίαρχο ρόλο. Ιδιαίτερα, στον εμπλουτισμό με σημασιολογική πληροφορία των τεράστιων ποσοτήτων δεδομένων που υπάρχουν στο διαδίκτυο. Στην παρούσα εργασία θίγουμε αρκετά από τα ζητήματα που αναφέραμε παραπάνω. Στόχος μας είναι να κατανοήσουμε πως οι Οντολογίες και ο σημασιολογικός ιστός μπορούν να λειτουργήσουν στα πλαίσια της ήδη υπάρχουσας πληροφορίας. Επιπλέον θέλουμε να εξερευνήσουμε τρόπους με τους οποίους η σημασιολογία των δεδομένων θα μπορούσε να ευεργετήσει τα συστήματα αναζήτησης. Για το σκοπό αυτό, δημιουργούμε ένα σύστημα παροχής συστάσεων για το site ενός πανεπιστημίου. Κατά την κατασκευή του συστήματος αυτού λάβαμε υπόψη μας αρκετά από τα αποτελέσματα άλλων ερευνητών καθώς και τεχνικών σημασιολογικής ανάλυσης. 9

12 10

13 Κεφάλαιο 2: Αναζήτηση και Περιήγηση Η αναζήτηση πληροφορίας στο διαδίκτυο, αποτελεί ένα πολύ σημαντικό ζήτημα. Εξαιτίας του μεγάλου όγκου της διαθέσιμης πληροφορίας οι προσπάθειες αναζήτησης πληροφορίας μπορεί να είναι χρονοβόρες. Ως εκ τούτου ένας μεγάλος αριθμός ερευνών και εφαρμογών έχουν προκύψει για την επίλυση του συγκεκριμένου προβλήματος. Στο κεφάλαιο αυτό, αναφερόμαστε σε διάφορες προσεγγίσεις που επιχειρούν να λύσουν το παραπάνω πρόβλημα, αλλά και σε εργασίες που έχουν ως στόχο την μοντελοποίηση της παραπάνω διαδικασίας. 2.1 Google και το PageRank Στην ενότητα αυτή περιγράφουμε συνοπτικά τη λειτουργία του Google. Το διαδίκτυο μεγαλώνει εκθετικά. Κάθε μέρα, πολλές νέες σελίδες εμφανίζονται, ενώ άλλες παύουν να υπάρχουν. Σε αυτό το συνεχώς μεταβαλλόμενο περιβάλλον, η αναζήτηση πληροφορίας αποτελούσε και αποτελεί ένα σημαντικό πρόβλημα. Τόσο από την πλευρά του όγκου της πληροφορίας που πρέπει κάποιος να διαχειριστεί όσο και από τον αριθμό των χρηστών του διαδικτύου που αυξάνει συνεχώς. Μια από τις πρώτες προσπάθειες οργάνωσης του περιεχομένου του Ιστού έγινε από τη Yahoo!. Θεματικά οργανωμένες λίστες δημιουργήθηκαν με την κάθε λίστα να περιέχει ένα σύνολο ιστοτόπων. Ο χρήστης, ακολουθώντας την ιεραρχία της λίστας επέλεγε κάποια από τις ιστοσελίδες του κόμβου που τον ικανοποιούσε και συνέχιζε την αναζήτησή του ακολουθώντας υπερσυνδέσμους. Ωστόσο η διατήρηση και ο εμπλουτισμός των υπαρχόντων λιστών ήταν μια χρονοβόρα και ακριβή διαδικασία. Η άλλη εναλλακτική ήταν η χρήση λέξεων κλειδιών. Ο χρήστης επέλεγε τις λέξεις που θεωρούσε πιο σημαντικές για να εκφράσει την ανάγκη του και υπέβαλλε το ερώτημα του σε κάποια από τις μηχανές αναζήτησης. Ωστόσο και αυτή η πρακτική επέστρεφε αποτελέσματα χαμηλής ποιότητας. Το Google αποτελεί σήμερα την πιο επιτυχημένη μηχανή αναζήτησης. Στην επιτυχία του, εκτός από την ποιότητα των επιστρεφόμενων αποτελεσμάτων, συνέβαλαν τόσο η φιλική προς το χρήστη διεπαφή, όσο και η γρήγορη απόκριση στα διάφορα ερωτήματα. Στην καρδιά της μηχανής αυτής, κρύβεται ο αλγόριθμος PageRank. Κατά τη δημιουργία του Google, όπως αναφέρεται και στην εργασία [1] πολλά ήταν τα τεχνικά προβλήματα που έπρεπε να ξεπεραστούν, όπως το να διατηρείται πάντα μια περιγραφή για το περιεχόμενο των σελίδων του ιστού. Αυτό ήταν ένα δύσκολο εγχείρημα τόσο λόγω του μεγάλου αριθμού σελίδων όσο και της συχνότητας με την οποία άλλαζε το περιεχόμενο τους. Βασικός στόχος του εγχειρήματος ήταν η βελτίωση της ποιότητας των παρεχόμενων αποτελεσμάτων. Φυσικά ένας δείκτης ποιότητας είναι αν ο χρήστης βρίσκει αυτό που αναζητά, και επομένως αυτό επηρεάζεται και από την ίδια τη συμπεριφορά του χρήστη. Ενδεικτικά οι χρήστες κατά μέσο όρο, δεν εξετάζουν περισσότερα από τα 10 ή 20 11

14 πρώτα αποτελέσματα που επιστρέφει μια μηχανή αναζήτησης. Συνεπώς το πρόβλημα ανάγεται όχι μόνο στην εύρεση των σχετικών εγγράφων αλλά και στην διάταξή τους κατά σειρά σχετικότητας. Βασικό σημείο στην επίτευξη του συγκεκριμένου στόχου ήταν η εκμετάλλευση της δομής του Ιστού. Δηλαδή των υπερσυνδέσμων καθώς και του κειμένου που αυτοί περιέχουν. Η αξιοποίηση αυτής της πληροφορίας είχε προταθεί και νωρίτερα αλλά με διαφορετικούς τρόπους, με πιο γνωστή την προσέγγιση του Kleinberg και του αλγορίθμου HITS [2]. Διαισθητικά ο τρόπος που δουλεύει ο αλγόριθμος του Google, γνωστός ως PageRank, αντιμετωπίζει τους υπερσυνδέσμους προς και από κάποια σελίδα ως συστάσεις. Πιο συγκεκριμένα, αν σε μια σελίδα Α υπάρχει ένας υπερσύνδεσμος προς μια σελίδα Β τότε αυτό ερμηνεύεται ως μια σύσταση του συγγραφέα της σελίδας Α για την σελίδα Β. Δε μετράνε όμως όλες οι γνώμες το ίδιο. Γενικά, η βαρύτητα των συστάσεων μιας σελίδας είναι ανάλογη του αριθμού των συστάσεων προς αυτήν και αντιστρόφως ανάλογη του πλήθους των συστάσεων από αυτή. Μια άλλη καινοτομία που εισήχθη ήταν η χρήση του κειμένου των υπερσυνδέσμων για το χαρακτηρισμό του περιεχομένου των σελίδων στις οποίες αυτός δείχνει. Αυτό μπορεί να αποδειχτεί πολύ χρήσιμο καθώς, συχνά το κείμενο των υπερσυνδέσμων περιγράφει με μεγαλύτερη ακρίβεια το περιεχόμενο μιας σελίδας, από ότι αν βασιζόμασταν στο περιεχόμενο της ίδιας της σελίδας για το χαρακτηρισμό της. Στο σημείο αυτό φαίνεται η τάση να επιστρέψουμε από εκεί που αρχίσαμε. Ο ίδιος ο ιδρυτής του ιστού είχε ορίσει ότι οι υπερσύνδεσμοι θα μεταφέρουν μετα-δεδομένα που θα περιγράφουν τη σχέση της σελίδας αφετηρίας με τη σελίδα προορισμού αυτό εγκαταλείφθηκε σταδιακά προς χάριν της ευκολίας δημοσίευσης πληροφορίας στον ιστό και τώρα είναι κάτι που γίνονται προσπάθειες να επανέλθει είτε με την παραπάνω ή παρόμοιες μορφές και τέλος με την έλευση του σημασιολογικού ιστού. Τόσο η δημιουργία του Google όσο και η επέκταση του ίδιου του ιστού έφεραν τους ειδικούς της ανάκτησης πληροφορίας αντιμέτωπους με νέα προβλήματα. Πλέον, θα έπρεπε να αναπτύξουν μεθόδους αποτελεσματικές σε ένα σύνολο από μη ομοιογενή έγγραφα, τόσο από την άποψη της μορφής όσο και από αυτήν του περιεχομένου. Η τελική διάταξη των αποτελεσμάτων ενός ερωτήματος προκύπτει ως συνδυασμός κάποιου μέτρου σχετικότητας που προέρχεται από την περιοχή της Ανάκτησης Πληροφορίας και του σκορ της κάθε σελίδας όπως προκύπτει από τον PageRank. Η απόδοση του συστήματος, σε σχέση με τις προηγούμενες μηχανές αναζήτησης ήταν πολύ καλύτερη, όχι μόνο από άποψη ποιότητας αποτελεσμάτων αλλά και από την άποψη του χρόνου απόκρισης. Πέραν των σημαντικών αλλαγών που έγιναν ως προς την κατασκευή αυτής της μηχανής αναζήτησης, η αλληλεπίδραση με το χρήστη παρέμεινε η ίδια. Δηλαδή ακόμα ο χρήστης πρέπει να επιλέξει τις κατάλληλες λέξεις κλειδιά για να σχηματίσει το ερώτημά του και στη συνέχεια να το υποβάλλει στη μηχανή αναζήτησης. Από αυτό το σημείο και μετά διάφορες προσπάθειες έχουν γίνει για να βελτιώσουν την απόδοση των μηχανών αναζήτησης. 2.2 Προσωποποιημένη Αναζήτηση Μια μέθοδος, που έχει κερδίσει έδαφος τα τελευταία χρόνια και αποσκοπεί στην βελτίωση 12

15 της ποιότητας των παρεχόμενων προς τον χρήστη αποτελεσμάτων κατά τη διάρκεια μιας αναζήτησης, είναι η προσωποποίηση. Οι χρήστες του Παγκόσμιου Ιστού έχουν διαφορετικό υπόβαθρο, διαφορετικές ανάγκες και διαφορετικούς στόχους ακόμα και όταν υποβάλλουν το ίδιο ερώτημα σε μια μηχανή αναζήτησης. Η μετάφραση της πληροφοριακής ανάγκης του χρήστη σε έναν μικρό αριθμό από λέξεις κλειδιά μπορεί να θεωρηθεί ως μια προβολή από ένα χώρο πολλών διαστάσεων σε ένα χώρο λιγότερων διαστάσεων και ως εκ τούτου υπάρχει απώλεια πληροφορίας. Πιθανότατα δύο χρήστες με διαφορετικές ανάγκες να καταλήξουν στο ίδιο σύνολο λέξεων κλειδιών. Στόχος της προσωποποιημένης προσέγγισης είναι η μηχανή αναζήτησης να μπορεί να διακρίνει τη διαφορά και να συμπεριφέρεται στον κάθε χρήστη ανάλογα με τις πραγματικές του ανάγκες. Για παράδειγμα η λέξη 'ποντίκι' που έχει διαφορετική σημασία στη Βιολογία από ότι στη Πληροφορική (ambiguous queries). Επιπλέον οι πληροφοριακές ανάγκες των χρηστών μεταβάλλονται με το χρόνο. Αυτό μπορεί να προκύπτει ως αποτέλεσμα της νέας γνώσης που αποκτούν οι χρήστες με το πέρασμα του χρόνου. Ή μπορεί απλά να οφείλεται στις διαφορετικές περιστάσεις υπό τις οποίες ο χρήστης υποβάλλει το ερώτημά του, για παράδειγμα ο ίδιος χρήστης μπορεί να χρησιμοποιήσει τη λέξη ποντίκι με διαφορετική έννοια σε διαφορετικές χρονικές στιγμές. Είναι σαφές ότι για να αντιμετωπίσουμε τον κάθε χρήστη ξεχωριστά, πρέπει να έχουμε περισσότερες πληροφορίες τόσο για τον ίδιο όσο και για το πλαίσιο μέσα στο οποίο διεξάγει την αναζήτησή του. Το πλαίσιο αυτό μπορεί να αποδειχθεί πολύ σύνθετο και η επαρκής περιγραφή του δύσκολη. Τέτοιες πληροφορίες μπορεί να είναι χρονικά αμετάβλητες όπως για παράδειγμα το επάγγελμα του αλλά και χρονικά μεταβαλλόμενες όπως για παράδειγμα τα πιο πρόσφατα ερωτήματα που υπέβαλλε. Γενικότερα ως παράγοντες που διαφοροποιούν τους χρήστες και τους σκοπούς της αναζήτησής τους είναι τα ενδιαφέροντα τους, οι προτιμήσεις τους, οι πληροφοριακές τους ανάγκες κ.α Η καθιερωμένης προσέγγιση του προβλήματος ξεκινάει με τη δημιουργία ενός προφίλ για κάθε χρήστη. Το προφίλ προσπαθεί να προσεγγίσει τις προτιμήσεις, τα ενδιαφέροντα και τις προτιμήσεις του χρήστη και αφού δημιουργηθεί ανανεώνεται συνεχώς, ενσωματώνοντας πληροφορίες που σχετίζονται με το χρήστη. Στις πληροφορίες που μπορούν να χρησιμοποιηθούν για την δημιουργία του προφίλ του χρήστη περιλαμβάνονται: Δημογραφικές πληροφορίες, ( ηλικία, φύλο, εκπαίδευση, γλώσσα, χώρα, διεύθυνση, ειδικά ενδιαφέροντα και παρόμοιες) Ιστορικό αναζήτησης ( συμπεριλαμβανομένων προηγούμενων ερωτήσεων, επιλεγμένα έγγραφα καθώς επίσης και στοιχεία που σχετίζονται με την συμπεριφορά του χρήστη κατά την περιήγηση, όπως χρόνος παραμονής ανά σελίδα, οι επιλογές του ποντικιού, οι κινήσεις του ποντικιού, το scrolling, οι εκτυπώσεις καθώς και το bookmarking ) Εξωτερικές πηγές όπως άλλα έγγραφα, το κείμενο των και άλλες πηγές, που μπορούν να βοηθήσουν στην προσωποποίηση περιεχομένου. Η έρευνα αυτή τη στιγμή δεν επικεντρώνεται μόνο στο να βρούμε τα χαρακτηριστικά που πρέπει να περιέχονται στο προφίλ του χρήστη αλλά και πως το προφίλ αυτό μπορεί να δημιουργηθεί με έμμεσο τρόπο. Συνήθως τα προφίλ που δημιουργούνται περιγράφουν το χρήστη γενικά, καλύπτοντας δηλαδή τα μακροχρόνια ενδιαφέροντά του. Αυτή η προσέγγιση 13

16 μπορεί όμως να μην είναι αποτελεσματική καθώς οι πληροφοριακές ανάγκες του χρήστη αλλάζουν με το χρόνο αλλά και με την περίσταση. Είναι λοιπόν πιο χρήσιμο εκτός από ένα μακροχρόνιο προφίλ, να ασχοληθούμε και με ένα προφίλ που θα ακολουθεί τις βραχυχρόνιες προτιμήσεις του χρήστη, αυτές δηλαδή που οφείλονται στις περιστάσεις. Εντοπίζοντας τα ενδιαφέροντα του χρήστη Η εργασία της αναφοράς [3], ερευνά ποια στοιχεία σχετικά με το χρήστη προσδιορίζουν καλύτερα τα ενδιαφέροντά του. Όπως αναφέρουν οι συγγραφείς, τόσο οι μηχανές αναζήτησης όσο και τα συστήματα παροχής συστάσεων πρέπει να λαμβάνουν υπόψη την πληροφορία σχετικά με το εννοιολογικό και όχι μόνο, πλαίσιο μέσα στο οποίο αλληλεπιδρά με το διαδίκτυο ένας χρήστης, αν θέλουν να είναι αποτελεσματικά. Η μοντελοποίηση των ενδιαφερόντων του χρήστη είναι σημαντική τόσο για την προσωποποίηση όσο και για την χρήση στα συστήματα παροχής συστάσεων. Και στις δύο περιπτώσεις, απαιτείται η αναγνώριση των αναγκών του χρήστη είτε άμεσα, όπως για παράδειγμα κατά την υποβολή ερωτημάτων, είτε έμμεσα δηλαδή μέσω της αλληλεπίδρασης του χρήστη. Σε αυτή την αναγνώριση - πρόγνωση, μπορεί να βοηθήσει το γεγονός ότι υπάρχει πάντα ένα πλαίσιο που χαρακτηρίζει και επηρεάζει τον τρόπο που οι χρήστες αλληλεπιδρούν με το διαδίκτυο Η μοντελοποίηση του χρήστη, λαμβάνει υπόψη της παρελθοντική συμπεριφορά ενός χρήστη έτσι ώστε να δημιουργήσει ένα προφίλ για αυτόν. Το σενάριο βάσει του οποίου εργάστηκαν οι συγγραφείς ήταν το εξής: Έστω ότι ο χρήστης έχει φτάσει σε έναν ιστότοπο, είτε από τα αποτελέσματα μιας μηχανής αναζήτησης είτε με browsing, αυτό που πρέπει να κάνουν είναι να χρησιμοποιήσουν το πλαίσιο στο οποίο αυτό συνέβη αυτό, για να προβλέψουν τα μελλοντικά του ενδιαφέροντα και επομένως πιθανές μελλοντικές τους ενέργειες. Στην εργασία τους, μελετούν την επίδρασης πέντε διαφορετικών πηγών σχετικής πληροφορίας ως προς τη μοντελοποίηση των ενδιαφερόντων των χρηστών. Επιγραμματικά οι κατηγορίες, οι οποίες επεξηγούνται παρακάτω, είναι: Κοινωνικές (social), Ιστορικές (historic), Διεργασίας (task), Συλλογής (collection) και Αλληλεπίδρασης (interaction). Τα αποτελέσματα της έρευνάς τους, δείχνουν ότι κάθε μια από τις παραπάνω πηγές, είναι κατάλληλη για την πρόβλεψη των ενδιαφερόντων ενός χρήστης σε διαφορετικό βάθος χρόνου. Ωστόσο οι συγγραφείς, δεν σταματούν εκεί, αλλά ελέγχουν και την επίδραση των συνδυασμών των παραπάνω πηγών. Οι πέντε διαφορετικές πηγές που ήθελαν να αξιολογήσουν και έχουμε ήδη αναφέρει αναλύονται παρακάτω: Α) Αλληλεπίδραση. Εννοούν την πρόσφατη δράση του χρήστη, αμέσως πριν φτάσει στη τρέχουσα σελίδα. Πιο συγκεκριμένα οι πέντε προηγούμενες σελίδες που επισκέφθηκε, πριν τη τρέχουσα που να ανήκουν όμως στο ίδιο session, Β) Συλλογή, εννοώντας άλλες σελίδες που δείχνουν στην τρέχουσα σελίδα, Γ) Διεργασία, σελίδες που σχετίζονται με την τρέχουσα σελίδα, με το να παρουσιάζονται μαζί στα αποτελέσματα μιας μηχανής αναζήτησης, μετά την υποβολή ενός ερωτήματος, Δ) Ιστορικό, αυτό περιγράφει τα μακροχρόνια ενδιαφέροντα του τρέχοντα χρήστη τα οποία προκύπτουν από το σύνολο των σελίδων που έχει επισκεφθεί, 14

17 Ε) Κοινωνικό, τα συνδυασμένα μακροχρόνια ενδιαφέροντα άλλων χρηστών που επίσης έχουν επισκεφθεί τη συγκεκριμένη σελίδα. Τα αποτελέσματα έδειξαν ότι το περιεχόμενο από την πρόσφατη αλληλεπίδραση ήταν ικανό να προβλέψει με μεγαλύτερη ακρίβεια, τα ενδιαφέροντα του χρήστη για το άμεσο μέλλον, δηλαδή τις λίγες επιλογές που ακολούθησαν την τρέχουσα σελίδα. Αυτό εξηγείται γιατί τόσο οι προηγούμενες σελίδες όσο και οι επόμενες, συνδέονται με ένα συγκεκριμένο στόχο που έχει ο χρήστης. Από την άλλη πλευρά, το ιστορικό και το κοινωνικό πλαίσιο βοηθάνε να προβλέψουμε καλύτερα τα μακροχρόνια ενδιαφέροντα ενός χρήστη. Συμπερασματικά, το πληροφοριακό πλαίσιο (context) που χρησιμοποιείται κάθε φορά, πρέπει να σχετίζεται με τον χρονικό ορίζοντα για τον οποίο απαιτούνται προβλέψεις. Για παράδειγμα, για την παροχή συστάσεων κατά την περιήγηση σε έναν ιστότοπο θα έπρεπε να λάβουμε υπόψη μας, το ιστορικό αλληλεπίδρασης και τη διεργασία στόχο του χρήστη. Σε κάθε περίπτωση όμως, το πλαίσιο της συλλογής φάνηκε να παρουσιάζει μικρή δυνατότητα πρόγνωσης καθώς δε φαίνεται να σχετίζεται με τα ενδιαφέροντα του χρήστη Προσωποποιημένο PageRank Η μεγάλη επιτυχία του αλγορίθμου PageRank τον έθεσε ως πρώτο υποψήφιο για την εφαρμογή της τεχνικής της προσωποποίησης. Η έρευνα στράφηκε προς την αξιοποίηση του εννοιολογικού πλαισίου μέσα στο οποίο υποβάλλεται ένα ερώτημα, αλλά και σε στοιχεία που προκύπτουν από την προηγούμενη συμπεριφορά του χρήστη. Στην πρώτη περίπτωση, η υποβολή προηγούμενων ερωτημάτων μπορεί να φανεί χρήσιμη, ενώ στη δεύτερη, οι σελίδες που ο χρήστης έχει θεωρήσει σημαντικές μπορούν να ληφθούν υπόψη. Η εκτίμηση για την σημαντικότητα μιας σελίδας για ένα χρήστη, προκύπτει είτε από την επισήμανση μιας σελίδας απευθείας από το χρήστη, είτε από το αν την έχει επισκεφθεί ο χρήστης ή όχι. Το πλεονέκτημα του PageRank είναι ότι ο αρχικός υπολογισμός μπορεί να γίνει αποτελεσματικά off line και τα αποτελέσματα να χρησιμοποιηθούν σε όλα τα ερωτήματα. Συγχρόνως, ο τρόπος υπολογισμού του, καθιστά τα αποτελέσματα ανεξάρτητα από κάποιο συγκεκριμένο ερώτημα. Η εργασία του Haveliwala [4], προσπαθεί να διατηρήσει το συγκεκριμένο πλεονέκτημα προσφέροντας όμως και μια εξειδίκευση ως προς τον τύπο του ερωτήματος. Συνοπτικά, για κάθε σελίδα διατηρεί περισσότερα από ένα PageRank σκορ, κάθε ένα από τα οποία εκτιμάται σε σχέση με ένα συγκεκριμένο θέμα. Το σύνολο των θεμάτων είναι προκαθορισμένο και προκύπτει από το ODP project. Το project αυτό περιλαμβάνει πολλές ιστοσελίδες οργανωμένες σε μια μεγάλη ταξινομία που καλύπτει ένα ευρύ φάσμα εννοιών που συναντάμε στην καθημερινή μας ζωή. Το PageRank μπορεί να ερμηνευθεί με το μοντέλο του random surfer. Στο μοντέλο αυτό, ο χρήστης ακολουθώντας υπερσυνδέσμους, εξερευνεί τα έγγραφα του Ιστού. Οποιαδήποτε χρονική στιγμή όμως, μπορεί να τηλεμεταφερθεί σε κάποιο άλλο έγγραφο. Η πιθανότητα με την οποία ο χρήστης θα τηλεμεταφερθεί σε ένα έγγραφο, είναι ομοιόμορφη και ίση με 1/Ν, όπου το Ν συμβολίζει το πλήθος των εγγράφων. Στο προσωποποιημένο PageRank η πιθανότητες τηλεμεταφοράς αλλάζουν. Η νέα κατανομή ευνοεί την αυτόματη μετάβαση ενός χρήστη, σε κάποια από τις σελίδες που σχετίζονται με το εννοιολογικό πλαίσιο του ερωτήματος που υπέβαλε. Στα πειράματα της εργασίας του, ως θεματικές κατηγορίες επιλέχθηκαν οι 16 κατηγορίες υψηλότερου επιπέδου του ODP. Για κάθε κατηγορία 15

18 δημιουργείται ένα διάνυσμα με τις νέες κατανομές πιθανοτήτων. Για κάθε διάνυσμα, οι πιθανότητες μετάβασης μοιράζονται μεταξύ των URLs που βρίσκονται καταχωρημένα στην κάθε κατηγορία. Κάθε φορά που υποβάλλεται ένα ερώτημα, το ερώτημα αυτό και η πληροφορία που μπορεί να το συνοδεύει, δηλαδή το context, χρησιμοποιείται για να αναγνωριστεί η θεματική κατηγορία στην οποία ανήκει. Έχοντας προσδιορίσει την κατηγορία, χρησιμοποιούμε το διάνυσμα που της αντιστοιχεί για να κάνουμε τους αναγκαίους υπολογισμούς. Με αυτό τον τρόπο, η μεροληψία υπέρ κάποιου θέματος επηρεάζει την τελική κατάταξη των σελίδων. Η ιδέα που παρουσιάζεται ενσωματώνει την λογική του αλγορίθμου HITS, όπου μετά την επιλογή ενός συνόλου σελίδων σχετικών με ένα θέμα, το σύνολο εμπλουτίζεται με τη γειτονιά των σελίδων αυτών Επέκταση Ερωτημάτων Κατά την αλληλεπίδρασή τους με μια μηχανή αναζήτησης οι χρήστες, τροποποιούν το αρχικό τους ερώτημα ώστε να καταλήξουν σε ένα σύνολο αποτελεσμάτων που να ικανοποιεί την πληροφοριακή τους ανάγκη. Οι μηχανές αναζήτησης, υποστηρίζουν τους χρήστες σε αυτές τους τις ενέργειες, είτε προτείνοντας την υποβολή παρόμοιων ερωτημάτων, είτε προτείνοντας τροποποιήσεις ή ακόμα επεκτείνοντας το αρχικό ερώτημα ώστε να βελτιώνουν την ποιότητα των παρεχόμενων αποτελεσμάτων. Ωστόσο συχνά τα ερωτήματα που υποβάλλουν οι χρήστες σε μια μηχανή αναζήτησης δεν αποφέρουν τα επιθυμητά αποτελέσματα. Αυτό συμβαίνει επειδή τα ερωτήματα που υποβάλλουν είναι σύντομα και περιέχουν αμφισημίες. Το γεγονός ότι είναι μικρού μήκους, σημαίνει ότι δεν παρέχουν αρκετή πληροφορία ώστε η αμφισημία να αρθεί από τα συμφραζόμενα. Από την άλλη μόνο ο χρήστης έμμεσα ή άμεσα, μπορεί να μας πληροφορήσει για το πόσο σχετικά είναι τα αποτελέσματα που του επέστρεψε η μηχανή αναζήτησης. Μια λύση στο παραπάνω πρόβλημα, θα ήταν να ζητήσουμε από τον ίδιο το χρήστη να μας δώσει επιπλέον πληροφορίες έτσι ώστε να προσδιοριστεί με μεγαλύτερη ακρίβεια η πληροφοριακή του ανάγκη. Αποδεικνύεται όμως ότι τις περισσότερες φορές, οι χρήστες είναι απρόθυμοι να παρέχουν τέτοιου είδους πληροφορίες. Γενικά, η διαδικασία της επέκτασης ενός ερωτήματος (query expansion) περιλαμβάνει την πρόσθεση όρων σε ένα ερώτημα, με αυτόματο τρόπο και σκοπό τη βελτίωση της ποιότητας των αποτελεσμάτων. Δύο είναι οι γενικότερες κατηγορίες μεθόδων που χρησιμοποιούνται για την επέκταση των ερωτημάτων. Οι λεγόμενες local και αντίστοιχα οι global. Μια από τις πιο γνωστές global τεχνικές είναι αυτές που κάνουν ομαδοποίηση όρων. Στην περίπτωση αυτή, οι όροι των κειμένων ομαδοποιούνται σε συστάδες σύμφωνα με στατιστικά κοινών εμφανίσεων τους. Τα διάφορα ερωτήματα, εμπλουτίζονται με όρους που ανήκουν στην ίδια συστάδα με τους όρους του ερωτήματος. Σε γενικές γραμμές, οι global μέθοδοι, βασίζονται σε στατιστικά σχετικά με τις κοινές εμφανίσεις όρων. Από τις πιο διαδεδομένες local μεθόδους είναι αυτές του relevance feedback και του pseudo relevance feedback. Στην πρώτη περίπτωση, ο χρήστης πρέπει να αξιολογήσει κάποια από τα επιστρεφόμενα αποτελέσματα μετά την υποβολή ενός ερωτήματος. Όροι που προέρχονται από έγγραφα που θεωρούνται σχετικά, προστίθενται στο αρχικό ερώτημα και η διαδικασία επαναλαμβάνεται. Για να είναι αξιόπιστα τα αποτελέσματα η διαδικασία πρέπει 16

19 να επαναληφθεί τουλάχιστον πέντε φορές. Συχνά όμως οι χρήστες είναι απρόθυμοι να παρέχουν τέτοιου είδους πληροφορία και αυτό οδήγησε στην δημιουργία της δεύτερης μεθόδου. Σε αυτή τη μέθοδο, η αλληλεπίδραση με τον χρήστη αντικαθίσταται από την υπόθεση ότι τα κ πρώτα αποτελέσματα είναι σχετικά. Με αυτή την υπόθεση εργασίας η διαδικασία επαναλαμβάνεται κάποιες φορές. Τα αποτελέσματα έδειξαν βελτίωση αλλά όχι σε όλες τις περιπτώσεις. Συγκεκριμένα η απόδοση αυτής της μεθόδου εξαρτάται από τα αρχικά αποτελέσματα. Αν το αρχικό σύνολο περιελάμβανε πολλά αποτελέσματα που δεν ήταν σχετικά τότε οι όροι που θα προστεθούν στο αρχικό ερώτημα θα οδηγήσουν σε υποβάθμιση των νέων αποτελεσμάτων. 2.3 Ανάλυση των Ερωτημάτων Οι υπερσύνδεσμοι μεταξύ των ιστοσελίδων έχουν κατά καιρούς χρησιμοποιηθεί με διαφορετικούς τρόπους. Ωστόσο, επιτυχημένα παραδείγματα όπως ο γνωστός αλγόριθμος HITS αλλά και το ίδιο το Google, έχουν αναδείξει την σημασία που μπορούν να έχον. Στην εργασία [5], οι συγγραφείς ξεκινούν από την παρατήρηση ότι η δομή των υπερσυνδέσμων παίζει σημαντικό ρόλο στον προσδιορισμό των εγγράφων που είναι σχετικά με ένα ερώτημα που έχει υποβάλλει κάποιος χρήστης σε μια μηχανή αναζήτησης. Σκοπός τους ήταν να διερευνήσουν αν τα δομικά χαρακτηριστικά ενός συνόλου αποτελεσμάτων μπορούν και σε τι βαθμό, να μας αποκαλύψουν πληροφορίες που αφορούν στα ίδια τα ερωτήματα. Βασικά ερωτήματα και μεθοδολογία Οι συγγραφείς, μοντελοποιούν τον Παγκόσμιο Ιστό με δύο τρόπους. Ο πρώτος είναι ως ένα γράφημα του οποίου οι κόμβοι είναι ιστοσελίδες και ακμές οι μεταξύ τους υπερσύνδεσμοι. Το γράφημα αυτό το ονομάζουν URL γράφημα. Στο δεύτερο μοντέλο, οι κόμβοι είναι ιστότοποι ( domains ). Στο μοντέλο αυτό δύο κόμβοι ενώνονται με μια ακμή αν υπάρχει τουλάχιστον ένας υπερσύνδεσμος από μια σελίδα του ενός ιστοτόπου που δείχνει σε κάποια σελίδα του άλλου. Και στις δύο περιπτώσεις το γράφημα που προκύπτει είναι κατευθυνόμενο. Όπως προαναφέραμε, θέλουν να μελετήσουν δομικά χαρακτηριστικά των αποτελεσμάτων που προκύπτουν από κάποιο ερώτημα. Αν και τα πειράματα και οι μετρήσεις έγιναν και για τα δύο μοντέλα, εμείς θα αναφερθούμε στην περίπτωση του URL γραφήματος. Αρχικά κατασκευάζουν ένα αρκετά μεγάλο, αλλά όχι πλήρες, στιγμιότυπο του Παγκόσμιου Ιστού. Δηλαδή καταγράφουν ένα μεγάλο αριθμό σελίδων που υπάρχουν στο διαδίκτυο καθώς και τις μεταξύ τους συνδέσεις. Στη συνέχεια για κάθε ερώτημα που θέλουν να μελετήσουν, προβάλλουν τα αποτελέσματά του στο γράφημα που έχουν δημιουργήσει. Το γράφημα που προκύπτει περιλαμβάνει εκτός από τους κόμβους αποτελέσματα και τις μεταξύ τους ακμές και το ονομάζουν γράφημα προβολής (projection graph). Επειδή όμως τα αποτελέσματα μπορεί και να μη συνδέονται μεταξύ τους, χρησιμοποιούν και κόμβους εκτός του συνόλου των αποτελεσμάτων ώστε να το καταστήσουν συνεκτικό. Το νέο αυτό γράφημα το ονομάζουν connection graph. Από τα δύο αυτά γραφήματα επιλέγουν να καταγράφουν κάποια δομικά χαρακτηριστικά όπως αριθμός απομονωμένων κόμβων, πλήθος κόμβων που χρειάστηκαν για να γίνει το γράφημα συνεκτικό, μέγιστος βαθμός κόμβου κ.α. Μεταξύ άλλων ήθελαν να ελέγξουν τυχόν συσχετισμούς μεταξύ της ποιότητας των 17

20 αποτελεσμάτων και των ιδιοτήτων των γραφημάτων που δημιούργησαν. Μια άλλη άποψη που διερεύνησαν ήταν κατά πόσο τα δομικά χαρακτηριστικά του συνόλου των αποτελεσμάτων μπορούν να μας αποκαλύψουν αν ένας χρήστης θα επαναπροσδριορίσει το αρχικό ερώτημα και αν ναι με ποιον τρόπο. Δύο είναι τα ευρήματα που θα μας απασχολήσουν και τα οποία αναφέρουμε παρακάτω. Το πρώτο σχετίζεται με την ποιότητα των αποτελεσμάτων μετά την υποβολή ενός ερωτήματος. Αρχικά επέλεξαν ένα σύνολο ερωτημάτων. Για κάθε ερώτημα έθεσαν τα πρώτα Κ αποτελέσματα που επέστρεφε κάποια μηχανή αναζήτησης υπό την κρίση των χρηστών. Αφού επεξεργάστηκαν τις επιμέρους κρίσεις, για κάθε ερώτημα κατέληξαν σε μια διάταξη των επιστρεφόμενων αποτελεσμάτων σύμφωνα με την ανθρώπινη αξιολόγηση. Στη συνέχεια για τα πειράματά τους επεξεργάστηκαν τα πρώτα 20 αποτελέσματα και τα 20 χειρότερα. Χρησιμοποιώντας τα χαρακτηριστικά των projection graph και connection graph και εφαρμόζοντας μεθόδους μηχανικής μάθησης, κατέληξαν σε ένα μοντέλο που δεδομένου ενός συνόλου αποτελεσμάτων το κατατάσσει είτε στην κατηγορία των ποιοτικά υψηλών (top 20) είτε στην κατηγορία των ποιοτικά χαμηλών (bottom 20) αποτελεσμάτων. Για την πρώτη κατηγορία, στο domain graph οι κόμβοι ήταν στενά διασυνδεδεμένοι, με τα πιο σχετικά αποτελέσματα να κατέχουν κεντρική θέση, δηλαδή να αποτελούν κόμβους με υψηλό βαθμό. Περίπου τα ίδια συμπεράσματα έβγαλαν και για την περίπτωση του url graph. Στην περίπτωση των bottom 20, τα αποτελέσματα ήταν πιο αραιά συνδεδεμένα. Με το connection graph να έχει περισσότερους κόμβους από το projection graph και μάλιστα στο url graph, παρατήρησαν ότι αρκετές φορές ο πιο κεντρικός κόμβος ήταν κάποιος εκτός του συνόλου των αποτελεσμάτων. Από τις μετρήσεις τους προκύπτει ότι σε ποσοστό που αγγίζει το 90% οι προβλέψεις τους ήταν σωστές. Το δεύτερο εύρημα τους σχετίζεται με τη συμπεριφορά του χρήστη αφού εξετάσει ένα σύνολο αποτελεσμάτων. Δηλαδή ήθελαν να προβλέψουν αν ένας χρήστης θα επαναδιατυπώσει το ερώτημα του και αν το κάνει με ποιο σκοπό. Ως προς το σκοπό της επαναδιατύπωσης, εστίασαν στο αν θα το γενικεύσει ή αν θα το εξειδικεύσει. Τόσο η γενίκευση όσο και η εξειδίκευση είναι μέρος της διαδικασίας της αναζήτησης, όπου ο χρήστης επιλέγει κάποια από τις παραπάνω ενέργειες με σκοπό να λάβει θετική ανάδραση ενθαρρυντικά αποτελέσματα. Εξετάζουμε την πιο απλή περίπτωση, δηλαδή του αν ένας χρήστης θα επαναδιατυπώσει το ερώτημά του. Θεωρούμε ότι αν δεν πράξει κάτι τέτοιο, τότε το σύνολο των αποτελεσμάτων που έχει στη διάθεσή του, τον ικανοποιούν. Από ένα σύνολο ερωτημάτων, δημιούργησαν δύο κατηγορίες. Στην πρώτη κατέταξαν ερωτήματα που έχουν υψηλή πιθανότητα μεταβολής, ενώ στη δεύτερη ερωτήματα με αντίστοιχα χαμηλή πιθανότητα. Τα κατώφλια ως προς τις πιθανότητες επιλέχθηκαν ώστε οι δύο κατηγορίες να έχουν τον ίδιο αριθμό ερωτημάτων. Στη συνέχεια για τα αποτελέσματα των ερωτημάτων της κάθε κατηγορίας, εφάρμοσαν την ίδια με μεθοδολογία όπως και παραπάνω, ώστε να εντοπίσουν χαρακτηριστικά των γραφών που θα τους επέτρεπαν να προβλέψουν εάν ένα ερώτημα πρόκειται να μεταβληθεί ή όχι. Τα συμπεράσματά τους επαληθεύουν εκείνα της πρώτης περίπτωσης. Συγκεκριμένα, διαπίστωσαν ότι ερωτήματα των οποίων τα αποτελέσματα είναι στενά διασυνδεδεμένα, που έχουν πολλούς κόμβους υψηλού βαθμού και ο αριθμός των κόμβων των δύο γραφημάτων ( connection και projection graph ) είναι σχεδόν ίδιος, έχουν πολύ χαμηλή πιθανότητα να επαναδιατυπωθούν. Αυτή η μέτρηση μας δίνει άλλη μια ένδειξη για τα χαρακτηριστικά που έχουν τα σύνολα των αποτελεσμάτων καλής ποιότητας. Στην δεύτερη αυτή περίπτωση, οι μετρήσεις επιβεβαίωσαν την ικανότητα πρόβλεψης του μοντέλου που δημιούργησαν, σε ποσοστό 70%. 18

21 2.4 Συστήματα Παροχής Συστάσεων Τα συστήματα παροχής συστάσεων έχουν πολλές πρακτικές εφαρμογές σε διάφορους τομείς και στόχο έχουν να βοηθήσουν τους χρήστες κατά την αναζήτησή τους στο διαδίκτυο παρέχοντας προσωποποιημένες συστάσεις είτε για τη διανομή περιεχομένου είτε για την παροχή υπηρεσιών. Η ανάπτυξη των συστημάτων αυτών, αγγίζει ένα μεγάλο αριθμό ερευνητικών τομέων και πλέον αποτελούν έναν τομέα έρευνας από μόνα τους. Στην πιο απλή περίπτωση, στόχος τους είναι να διατάξουν ένα σύνολο αντικειμένων που δεν έχει ξανασυναντήσει ένας χρήστης με τρόπο που να ταιριάζει στις προτιμήσεις του. Στη συνέχεια προτείνει στο χρήστη τα αντικείμενα εκείνα που θεωρούνται πιο σχετικά με τις ανάγκες του χρήστη. Στο σημείο αυτό αξίζει να περιγράψουμε τη γενική μορφή αυτών των συστημάτων. Για κάθε χρήστη δημιουργείται ένα προφίλ, το οποίο περιλαμβάνει διάφορα χαρακτηριστικά που έχουν ως στόχο την ταυτοποίηση του χρήστη. Αντίστοιχα πρέπει να υπάρχει μια περιγραφή για κάθε στοιχείο του συνόλου των αντικειμένων. Τα συστήματα παροχής συστάσεων διαιρούνται σε τρεις κατηγορίες [ 6 ] ανάλογα με το πώς δημιουργούνται οι συστάσεις. Ι) Συστάσεις βασισμένες στο περιεχόμενο, ΙΙ) Συστάσεις βασισμένες στη συνεργασία, και ΙΙΙ) Υβριδικά σχήματα που συνδυάζουν χαρακτηριστικά των δύο προηγούμενων κατηγοριών. Η πρώτη προσέγγιση συνδέεται στενά με την θεωρία της ανάκτησης πληροφορίας και της εξόρυξης γνώσης. Εξαιτίας της μεγάλης προόδου που έχει σημειωθεί στα δύο αυτά επιστημονικά πεδία, πολλά συστήματα ασχολούνται με την παροχή συστάσεων σε αντικείμενα που περιγράφονται από κείμενο, όπως έγγραφα και ιστοσελίδες. Η βελτίωση που προσφέρουν αυτά τα συστήματα, σε σχέση με τις κλασσικές εφαρμογές της ανάκτησης πληροφορίας έγκειται στο γεγονός ότι δημιουργείται ένα προφίλ για κάθε χρήστη το οποίο περιλαμβάνει στοιχεία για τις προτιμήσεις αλλά και τις ανάγκες του. Το προφίλ αυτό μπορεί να δημιουργηθεί είτε άμεσα είτε έμμεσα μέσω της καταγραφής της αλληλεπίδρασης του χρήστη με το σύστημα. Στη συνήθη περίπτωση το πιο συνηθισμένο μοντέλο που χρησιμοποιείται είναι το VSM. Τόσο τα έγγραφα όσο και τα προφίλ των χρηστών εκφράζονται ως ένα διάνυσμα λέξεων. Τα βάρη των λέξεων στο διάνυσμα των αντικειμένων συνήθως καθορίζονται από την τεχνική tf * idf. Τα βάρη των λέξεων στο διάνυσμα του χρήστη, θα πρέπει να εκφράζουν πόσο σημαντικός είναι ο κάθε όρος για τον συγκεκριμένο χρήστη. Πλέον μένει βάσει ενός προφίλ να διατάξουμε τα έγγραφα και να επιλέξουμε τα πιο σχετικά. Μια επίσης συχνά χρησιμοποιούμενη, ευρετική μέθοδος είναι το μέτρο του συνημιτόνου. Σύμφωνα με το μέτρο αυτό, έγγραφα που έχουν υψηλότερα βάρη σε όρους που είναι σημαντικοί για το χρήστη, θα λάβουν υψηλότερο σκορ και άρα θα βρεθούν πιο ψηλά στη λίστα των υποψήφιων για σύσταση εγγράφων Εκτιμώντας την ποιότητα των συστάσεων Κάποια από τα μέτρα που έχουν υιοθετηθεί για την αξιολόγηση της ποιότητας των συστάσεων είναι το εύρος ( coverage ) και η ακρίβεια. Το εύρος μετράει το ποσοστό των 19

22 αντικειμένων για τα οποία το σύστημα μπορεί να κάνει προβλέψεις ενώ η ακρίβεια μπορεί να μετρηθεί με διάφορους τρόπους. Ένας από αυτούς είναι το precision και το recall. Τα δύο αυτά μέτρα μπορούν να συνδυαστούν σε ένα, το λεγόμενο F measure. Το μειονέκτημα αυτών των μεθόδων είναι ότι επί των πλείστων χρειάζονται την ανθρώπινη παρέμβαση. Κάποια από τα προβλήματα που εμφανίζονται κατά τη χρήση των συστημάτων αυτών είναι το λεγόμενο overpersonalization και το πρόβλημα του νέου χρήστη. Το πρώτο πρόβλημα σημαίνει ότι από τη στιγμή που δημιουργείται το προφίλ του χρήστη, το σύστημα επικεντρώνεται στη δημιουργία συστάσεων που αναφέρονται όσο πιο κοντά γίνεται σε αυτό το προφίλ, στερώντας τη δυνατότητα παροχής μικρών διαφοροποιήσεων που ίσως μπορούν να βοηθήσουν τον χρήστη. Το δεύτερο πρόβλημα είναι η έλλειψη προϋπάρχουσας πληροφορίας κάτι που αρχικά μπορεί να μειώνει την αξιοπιστία των συστάσεων Μελέτη Συστήματος Παροχής Συστάσεων Ακολουθεί η περιγραφή ενός συστήματος παροχής συστάσεων, το οποίο θα μας βοηθήσει να αναγνωρίσουμε με λεπτομέρεια τα παραπάνω σημεία. Ένα σύστημα παροχής συστάσεων, το οποίο συνδυάζει μια ευρύτερη πηγή δεδομένων για την παροχή συστάσεων παρουσιάζεται παρακάτω. Πιο συγκεκριμένα το σύστημα χρησιμοποιεί πληροφορίες που σχετίζονται με τη χρήση ενός ιστότοπου, το περιεχόμενο των σελίδων του καθώς και τη δομή του για να δημιουργήσουν προφίλ - κατηγορίες χρηστών. Στη συνέχεια χρησιμοποιούν αυτές τις κατηγορίες για την παροχή συστάσεων σε άλλους χρήστες του ιστότοπου. Περιγραφή Το σύστημα που παρουσιάζουμε και εμφανίστηκε στην εργασία [ 7 ] προσπαθεί να προβλέψει τις πληροφοριακές ανάγκες των χρηστών του και να τους παρέχει συστάσεις που χρησιμεύουν είτε ως συντομεύσεις είτε ως επιπλέον υλικό που θα έπρεπε να εξετάσουν. Η υλοποίηση τους επικεντρώθηκε στην παροχή συστάσεων στους χρήστες ενός ιστότοπου για μάθηση εξ' αποστάσεως. Το σύστημά αποτελείται από δύο τμήματα, ένα ασύγχρονο ( off -line ) που επεξεργάζεται πληροφορίες, δημιουργεί και αποθηκεύει τα διάφορα μοντέλα χρηστών και ένα που προσπαθεί να ταυτίσει κάποιο από τα μοντέλα με τον χρήστη, καθώς αυτός περιηγείται στον ιστότοπο, ώστε να του παρέχει αξιόπιστες συστάσεις. Το σύστημα τους ανήκει στην κατηγορία των υβριδικών συστημάτων παροχής συστάσεων καθώς δεν χρησιμοποιούν μόνο το περιεχόμενο των σελίδων του διαδικτυακού τόπου αλλά και τις πληροφορίες από τη χρήση του, όπως αυτές καταγράφονται από τον διακομιστή. Προβλήματα που αντιμετωπίζονται με αυτή τη προσέγγιση είναι τα παρακάτω : α) όταν ένας ιστότοπος δεν είναι σωστά δομημένος, πολλοί χρήστες θα καταλήγουν να επισκέπτονται σελίδες που δεν ανταποκρίνονται στις ανάγκες τους, β) Νέες σελίδες, δεν θα χρησιμοποιούνται για παροχή συστάσεων. Αυτό θα έχει ως αποτέλεσμα, οι παλαιότερες σελίδες να εμφανίζονται πιο συχνά ως συστάσεις. Και στις δύο περιπτώσεις η δημοτικότητα κάποιων σελίδων θα αυξάνεται. Αυτό θα εμφανίζεται στο αρχείο του διακομιστή, η επεξεργασία του οποίου θα οδηγεί στην ( λανθασμένη ) απόφαση οι σελίδες αυτές να χρησιμοποιούνται πιο συχνά για παροχή συστάσεων. 20

23 Μια ενδιαφέρουσα έννοια που εισάγουν και που περιγράφεται παρακάτω είναι αυτή της 'αποστολής'. Στη συνέχεια παρουσιάζονται τα πιο σημαντικά τμήματα του συστήματός τους. Το υποσύστημα αναγνώρισης αποστολών Το υποσύστημα αυτό ασχολείται με την εξόρυξη πληροφορίας από το αρχείο καταγραφής του διακομιστή. Αρχικά χρησιμοποιούν γνωστές τεχνικές για να προσδιορίσουν τα sessions και τους χρήστες. Στη συνέχεια ακολουθούν μια διαφορετική προσέγγιση. Θεωρούν ότι ένας χρήστης που εισέρχεται στο σύστημα μπορεί να έχει περισσότερες από μια πληροφοριακές ανάγκες τις οποίες προσπαθεί να ικανοποιήσει ταυτόγχρονα. Σύνολα σελίδων, με παρόμοιο περιεχόμενο που συναντώνται στα sessions ενός χρήστη, τα ονομάζουν 'αποστολές' (missions). Για να μπορέσουν να εξάγουν τις αποστολές από το αρχείο καταγραφής, χρησιμοποιούν έναν αλγόριθμος συσταδοποίησης σελίδων που επιτρέπει την ανάθεση ενός αντικειμένου σε περισσότερες από μια συστάδες. Αναγνώριση προτύπων περιήγησης Τα πρότυπα αυτά, αποτελούνται από ομάδες σελίδων κοινού περιεχομένου, όπου συχνά μια επίσκεψη σε κάποια σελίδα της ομάδας ακολουθείται και από άλλες επισκέψεις σε μέλη της ομάδας. Τα πρότυπα αυτά προκύπτουν μετά από συσταδοποίηση των missions που ανιχνεύθηκαν στο προηγούμενο βήμα. Ως μέτρο για τη συσταδοποίηση χρησιμοποιείται ο αριθμός των κοινών σελίδων μεταξύ δύο missions. Και πάλι ο αλγόριθμος που χρησιμοποιείται επιτρέπει σε ένα αντικείμενο να ανήκει σε περισσότερες από μια συστάδες. Στην περίπτωση αυτή τα αντικείμενα αποτελούν τα missions (δλδ ομάδες σελίδων με κοινό περιεχόμενο που τείνουν οι χρήστες να επισκέπτονται μαζί). Για την περιγραφή ενός προτύπου χρησιμοποιείται μια λίστα από, κατάλληλα ζυγισμένες, λέξεις κλειδιά οι οποίες εμφανίζονται στις σελίδες που αποτελούν τα missions που ανήκουν στο κάθε πρότυπο. Βελτίωση των προτύπων με χρήση της δομής του ιστοτόπου Τα πρότυπα που προέκυψαν, βασίστηκαν στο περιεχόμενο των σελίδων που εμφανίστηκαν στο αρχείο καταγραφής του διακομιστή. Για να λύσουν το πρόβλημα που προκύπτει όταν προστεθούν νέες σελίδες, διευρύνουν κάθε πρότυπο με τις σελίδες της άμεσης γειτονιάς τους (δλδ σελίδες που δείχνουν σε σελίδες που ανήκουν στο πρότυπο ή σελίδες στις οποίες δείχνουν σελίδες που ανήκουν στο πρότυπο). Στις σελίδες των νέων αυτών προτύπων εφαρμόζεται ο αλγόριθμος HITS και κρατάμε μόνο το hub score το οποίο θα χρησιμοποιηθεί για την διάταξη των συστάσεων που θα δώσει το σύστημα. Το τμήμα παροχής Συστάσεων Το τμήμα αυτό, αναγνωρίζει τα ενδιαφέροντα του χρήστη καταγράφοντας τις λέξεις κλειδιά που περιέχονται στους υπερσυνδέσμους που επιλέγει να ακολουθήσει αλλά και της γειτονιάς τους. Στη συνέχεια χρησιμοποιεί αυτές τις λέξεις κλειδιά για να επιλέξει την κατάλληλη θεματική ομάδα, (η οποία επίσης περιγράφεται από λέξεις κλειδιά ). Από την ομάδα αυτή επιλέγουν τις σελίδες με το υψηλότερο hub score για να τις χρησιμοποιήσουν για παροχή συστάσεων. Για να μην είναι πολύ μεγάλη η λίστα που προκύπτει προσαρμόζουν τον αριθμό των συστάσεων που παρουσιάζουν ανάλογα με τη σελίδα. Δηλαδή για μια σελίδα 21

24 με n υπερσυνδέσμους, δίνουν n συστάσεις και σε κάθε περίπτωση ο αριθμός των συστάσεων πρέπει να είναι μικρότερος του Μοντελοποίηση Αναζήτησης και Περιήγησης Στο σημείο αυτό αναφερόμαστε σε προσπάθειες που έχουν γίνει για την μοντελοποίηση του τρόπου με τον οποίο οι χρήστες αναζητούν πληροφορία στο διαδίκτυο. Έχοντας ένα μοντέλο αυτής της διαδικασίας μπορούμε να εντοπίσουμε ποια είναι οι βασικότεροι παράγοντες που επηρεάζουν την επηρεάζουν την επιτυχία ή αποτυχία μιας αναζήτησης, καθώς τα εμπόδια που συναντούν οι χρήστες κατά την προσπάθειά τους αυτή Rule of Surfing Στην ομώνυμη εργασία που παρουσιάζεται στην [ 8 ], οι συγγραφείς προσπάθησαν να κατασκευάσουν ένα μοντέλο, που να εξηγεί την κατανομή των επισκέψεων των χρηστών σε έναν ιστότοπο. Το browsing αποτελεί μια συνήθη μέθοδο κατά την αναζήτηση πληροφορίας στο διαδίκτυο. Αρκετές μελέτες έχουν αποκαλύψει κάποια κοινά χαρακτηριστικά ως προς την συμπεριφορά των χρηστών. Οι συγγραφείς προτείνουν ένα μοντέλο της συμπεριφοράς των χρηστών ως μια στοχαστική διαδικασία. Επιπλέον, χρησιμοποιούν αυτό το μοντέλο και επαληθεύουν χαρακτηριστικά χρήσης κοινά σε αρκετούς ιστοτόπους. Ακολουθούν μια προσέγγιση που βρίσκεται πιο κοντά στα μαθηματικά της οικονομίας. Θεωρούν ότι κάθε σελίδα έχει για κάποιον χρήστη μια αξία, έστω v. Έστω, ότι ο χρήστης βρίσκεται στη σελίδα Α και ότι επιλέγει να ακολουθήσει έναν υπερσύνδεσμο προς τη σελίδα Β. Για να το κάνει αυτό, σημαίνει πως εκτίμησε ότι θα έχει όφελος από αυτή την ενέργεια. Οι συγγραφείς υποθέτουν, ότι η αξία της σελίδας Β θα σχετίζεται με την αξία της σελίδας Α, καθώς μια καλή σελίδα θα συνδέεται με άλλες 'καλές' σελίδες. Αυτό το εκφράζουν με μαθηματικό τρόπο ώς: V L =V L 1 ε L, όπου το L συμβολίζει τον αριθμό του βήματος στο οποίο βρίσκεται ένας χρήστης κατά την περιήγηση του σε έναν ιστότοπο. Το ε, θεωρείται ως ένας τυχαίος όρος, που ακολουθεί κανονική κατανομή. Όλα τα ε θεωρούνται ότι ακολουθούν την ίδια Γκαουσιανή κατανομή. Σύμφωνα με την οικονομική θεωρία, ένας λογικός πράκτορας θα επιχειρήσει να κάνει ένα βήμα παραπέρα, αν το αναμενόμενο κόστος του να συνεχίσει το browsing είναι μικρότερο ή ίσο από το προεξοφλημένο κέρδος της πληροφορίας που υποθέτει ότι θα βρεθεί στο μέλλον. Με τον όρο 'προεξοφλημένο κέρδος' εννοούν, την αξία που θα είχε για το χρήστη η ζητούμενη πληροφορία, αν την έβρισκε στο βήμα αυτό. Συνήθως η απόφαση αυτή σχετίζεται με την ύπαρξη ενός κατωφλίου. Αν το VL είναι μικρότερο από το κατώφλι αυτό, τότε ο χρήστης θα εγκαταλείψει το συγκεκριμένο ιστότοπο. Ακόμα όμως και αν η αξία μιας ιστοσελίδας είναι αρνητική, μπορεί να αξίζει το ρίσκο να συνεχίσει εξαιτίας της πιθανότητας να βρεθεί ένα σύνολο από 'καλές' σελίδες. Ωστόσο αν η τρέχουσα αξία είναι πολύ αρνητική, ίσως το ρίσκο να μην αξίζει. Συγκρίνοντας το μοντέλο τους με πραγματικά δεδομένα, βρήκαν ότι το μοντέλο περιγράφει με ακρίβεια τα δεδομένα αυτά και με σχεδόν τις ίδιες παραμέτρους για διαφορετικούς ιστοτόπους. Στα συμπεράσματα τους βρήκαν ότι αν και ο μέσος όρος 22

25 βημάτων ενός χρήστη σε έναν ιστότοπο είναι 3, στην τυπική περίπτωση είναι μόλις 1! Το κυνήγι της πληροφορίας (Foraging Theory) Έχει αναπτυχθεί η θεωρία ότι οι χρήστες κατά την αναζήτηση της πληροφορίας, συμπεριφέρονται με τρόπο παρόμοιο με εκείνον που ακολουθούν άνθρωποι και ζώα κατά την αναζήτηση τροφής στη φύση. Η θεωρία αυτή συνδυάζεται με προηγούμενες πάνω στη βάση ότι οι χρήστες επιδιώκουν το μέγιστο όφελος με το λιγότερο δυνατό κόπο. Γενικά, οι χρήστες ακολουθούν τους υπερσυνδέσμους που εκτιμούν ότι θα τους φέρουν πιο γρήγορα και πιο κοντά στο στόχο τους. Σύμφωνα με τα παραπάνω αποφασίζουν πότε θα συνεχίσουν την αναζήτηση σε έναν ιστότοπο και πότε θα τον εγκαταλείψουν. Σύμφωνα με το άρθρο [ 10 ], η ύπαρξη του Google επηρέασε τη συμπεριφορά των χρηστών καθώς τους επέτρεψε να αποφασίζουν πιο εύκολα να εγκαταλείπουν έναν ιστότοπο εφ' όσον είναι πλέον εύκολο, να βρουν άλλα καλά site που θα τους οδηγήσουν ευκολότερα στο στόχο τους. Στην αναφορά [ 11 ] οι συγγραφείς προτείνουν ένα μοντέλο προκειμένου να εξηγήσουν την πραγματική συμπεριφορά των χρηστών στο διαδίκτυο. Το μοντέλο υποθέτει ότι οι χρήστες εξετάζουν ακολουθιακά τους υπερσυνδέσμους μιας ιστοσελίδας και αποφασίζουν την επόμενη ενέργειά τους βάσει μιας εκτίμησης του πόσο ισχυρή είναι η σχέσης μεταξύ του κειμένου των υπερσυνδέσμων και των πληροφοριακών τους αναγκών. Υλοποίησαν δύο εκδοχές του προτεινόμενου μοντέλου, οι οποίες διαφέρουν ως προς τον τρόπο με τον οποίο μοντελοποιείται ο τρόπος λήψης αποφάσεων. Τέλος, κλείνουν την εργασία τους παρουσιάζοντας πειραματικά αποτελέσματα που επιβεβαιώνουν ως ένα βαθμό την ακρίβεια των μοντέλων τους. Παρακάτω αναφερόμαστε εκτενώς στη συγκεκριμένη εργασία καθώς μας δίνει ισχυρές ενδείξεις για το ποιου είδους πληροφορία πρέπει να λαμβάνουμε υπόψη μας ώστε να εντοπίσουμε τα ενδιαφέροντα των χρηστών. Εισαγωγικά Στόχος των συγγραφέων είναι η κατασκευή ενός μοντέλου που θα προσομοιώνει τον τρόπο με τον οποίο οι χρήστες αναζητούν πληροφορία στο διαδίκτυο. Το μοντέλο στο οποίο καταλήγουν περιγράφει ένα μηχανισμό με τον οποίο οι άνθρωποι αξιοποιούν κομμάτια πληροφορίας ( information scent cues ), όπως πχ το κείμενο που σχετίζεται με τους υπερσυνδέσμους, για να αποφασίσουν την επόμενη ενέργειά τους. Για να αξιολογήσουν το μοντέλο, έκαναν συγκρίσεις με τη συμπεριφορά πραγματικών χρηστών, όταν αυτοί έπρεπε να ολοκληρώσουν μια αναζήτηση που δεν είχαν ξανακάνει. Τα αποτελέσματά τους ήταν ικανοποιητικά και ειδικότερα όσον αφορά στον εντοπισμό των σελίδων τις οποίες θα επισκέπτονταν οι περισσότεροι χρήστες αλλά και στον προσδιορισμό της στιγμής κατά την οποία ένας χρήστης αποφασίζει να εγκαταλείψει έναν ιστότοπο. Η έκδοση 1.0 του μοντέλου τους, υποθέτει ότι ένας χρήστης εξετάζει όλους τους υπερσυνδέσμους μιας σελίδας πριν αποφασίσει την επόμενη του κίνηση. Η έκδοση 2.0, αλλάζει αυτή την υπόθεση και θεωρεί ότι αντί ο χρήστης να αναζητά μια βέλτιστη λύση, αναζητά και επιλέγει την πρώτη λύση που είναι αρκετά καλή για αυτόν. Από προσομοιώσεις του μοντέλου 2.0 η παρατηρούμενη συμπεριφορά φαίνεται να ακολουθεί τους ίδιους στατιστικούς νόμους με τα πραγματικά δεδομένα ( Rule of Surfing ). 23

26 Η Θεωρία πίσω από το μοντέλο Information Foraging Theory Σύμφωνα με αυτή τη θεωρία, οι άνθρωποι ακολουθούν στρατηγικές που προσπαθούν να βελτιστοποιήσουν τη χρησιμότητα που παίρνουν από την ανεύρεση κάποιας πληροφορίας σε σχέση με το κόστος της αλληλεπίδρασή τους με τον ιστό. Αναλύοντας την παραπάνω θεωρία οι συγγραφείς επικεντρώθηκαν στην επίλυση δύο προβλημάτων : α) την επιλογή της πιο αποτελεσματικής λύσης βάσει της σχέσης μεταξύ της πληροφοριακής ανάγκης του χρήστη και των πληροφοριών που σχετίζονται με τους υπερσυνδέσμους, β) την απόφαση του αν ο χρήστης θα συνεχίσει την περιήγηση ή θα εγκαταλείψει τον ιστότοπο. Οι συγγραφείς για να μετρήσουν το πόσο αποτελεσματική είναι κάθε επιλογή από την πλευρά του χρήστη, υιοθετούν την χρήση ενός δικτύου. Το δίκτυο αυτό αντιπροσωπεύει την γλωσσική γνώση του κάθε χρήστη. Δηλαδή οι κόμβοι είναι λέξεις και οι ακμές υποδηλώνουν σχέσεις μεταξύ των λέξεων. Κάθε ακμή φέρει ένα βάρος. Έστω G η πληροφοριακή ανάγκη του χρήστη. Η ανάγκη αυτή περιγράφεται από ένα σύνολο λέξεων gi. Επίσης έστω ένας σύνδεσμος L, του οποίου το σχετιζόμενο κείμενο αποτελείται από ένα σύνολο λέξεων l j. Ορίζουν την αποτελεσματικότητα της επιλογής του συνδέσμου αυτού ως προς τον στόχο του χρήστη ώς : I S G, L = i G W j S j i. Όπου με S συμβολίζουμε το βάρος της ακμής μεταξύ του ji gi j L και του l j για κάθε i, j. Με W j συμβολίζουμε την βαρύτητα που δίνει ο χρήστης στο l j. Για το βάρος υπέθεσαν ότι σχετίζεται με την προσοχή που δίνει ο χρήστης σε κάθε ένα από τα τμήματα του κειμένου του υπερσυνδέσμου. Θεώρησαν ότι η τιμή του προέρχεται από μια συνάρτηση η οποία φθίνει εκθετικά με το μήκος του κειμένου. Δηλαδή, αν το κείμενο του υπερσυνδέσμου αποτελείται από πολλές λέξεις η βαρύτητα που δίνεται σε κάθε μια είναι μικρότερη από τη βαρύτητα που θα δινόταν αν το κείμενο αποτελούνταν από λιγότερες λέξεις. To S ji από την άλλη εκτιμάται στατιστικά και αντιπροσωπεύει τη συχνότητα με την οποία μια λέξη εμφανίζεται στη γλώσσα ή σε ποιο βαθμό δύο λέξεις εμφανίζονται μαζί η μία με την άλλη σε μικρή απόσταση μεταξύ τους. Επιτρεπόμενες Ενέργειες Το μοντέλο εμπεριέχει ένα σύνολο πιθανών ενεργειών κωδικοποιημένο σε κανόνες. Κάθε κανόνας αποτελείται απο δύο μέρη. Το πρώτο μέρος αντιπροσωπεύει τις συνθήκες που πρέπει να ισχύουν για να μπορεί να εφαρμοστεί η ενέργεια που περιγράφεται από το δεύτερο μέρος του κανόνα. Σε κάθε βήμα, ελέγχεται ποιοι κανόνες μπορούν να εφαρμοστούν σύμφωνα με τα τρέχοντα δεδομένα. Αν πάνω από ένας κανόνες μπορούν να εφαρμοστούν συγχρόνως, τότε επιλέγεται ένας από αυτούς με στοχαστικό τρόπο. 24

27 Η έκδοση 1.0 Το μοντέλο αυτό βασίστηκε σε πραγματικά δεδομένα για την προσαρμογή κάποιων από των παραμέτρων του. 'Οπως προαναφέραμε, υποθέτει ότι ένας χρήστης εξετάζει όλους τους συνδέσμους πριν επιλέξει μια ενέργεια. Βάσει πειραμάτων διαπιστώθηκε ότι η επιλογή ενός υπερσυνδέσμου δεν εξαρτάται μόνο από την αποτελεσματικότητα του, αλλά και από τη θέση του στην ιστοσελίδα. Ο μηχανισμός επιλογής Έχουμε ήδη εξετάσει πως το μοντέλο υπολογίζει την αποτελεσματικότητα κάθε υπερσυνδέσμου. Σε μια σελίδα υπάρχουν πολλοί υπερσύνδεσμοι που μπορούμε να πούμε ότι ανταγωνίζονται μεταξύ τους. Σε κάθε υπερσύνδεσμο ανατίθεται μια πιθανότητα, η οποία εξαρτάται από την αποτελεσματικότητα του αλλά και από μια τυχαία συνιστώσα που μοντελοποιεί φαινόμενα διαφοροποίησης των λεκτικών ικανοτήτων των χρηστών. Τέλος η πιθανότητα αυτή εξαρτάται και από την αποτελεσματικότητα των άλλων υπερσυνδέσμων. Ο υπερσύνδεσμος που θα ακολουθηθεί επιλέγεται στοχαστικά, από τα παραπάνω προκύπτει ότι πιθανότατα θα επιλεχθεί ο πιο αποτελεσματικός. Αποτελέσματα Από τα αποτελέσματα συμπέραναν ότι αν και η σχέση του κειμένου του υπερσυνδέσμου με το στόχο του χρήστη είναι ο κύριος παράγοντας που επηρεάζει την επιλογή του ή όχι, η θέση του υπερσυνδέσμου στην ιστοσελίδα παίζει κάποιο ρόλο. Τέλος κατάφεραν να προβλέψουν με κάποια ακρίβεια τη στιγμή που ο χρήστης θα επιλέξει να εγκαταλείψει τον ιστότοπο. Πιο συγκεκριμένα βρήκαν, ότι ένας χρήστης θα εγκαταλείψει ένα site όταν η μέση αποτελεσματικότητα των συνδέσμων των τελευταίων σελίδων που έχει επισκεφθεί ο χρήστης, μειώνεται. Η έκδοση 2.0 Στην έκδοση αυτή, τα συμπεράσματα από τις δοκιμές του προηγούμενου μοντέλου ενσωματώθηκαν στις εξισώσεις. Η βασική διαφοροποίηση αυτής της έκδοσης ήταν ότι χρησιμοποιεί έναν προσαρμοστικό μηχανισμό ο οποίος 'μαθαίνει' από την επαφή του χρήστη με τους υπερσυνδέσμους και τις ιστοσελίδες. Ο συγκεκριμένο μηχανισμός εκφράζεται από τη δομή των εξισώσεων. Η έκδοση αυτή ασχολείται κυρίως με την επιλογή του υπερσυνδέσμου που θα ακολουθήσει ένας χρήστης και την απόφασή του να εγκαταλείψει μια σελίδα και να μεταβεί στην προηγούμενη με χρήση του κουμπιού Back του browser. Το μοντέλο θεωρεί και πάλι ότι ο χρήστης εξετάζει τους συνδέσμους μιας σελίδας ακολουθιακά. Κάθε φορά που ένας υπερσύνδεσμος συναντάται υπάρχουν τρεις επιλογές. Η πρώτη είναι να εξακολουθήσει να ψάχνει για υπερσυνδέσμους (Attend to Link), η δεύτερη να επιλέξει το καλύτερο υπερσύνδεσμο που έχει βρεί μέχρι τώρα (Click Link) και η τελευταία είναι να επιλέξει την οπισθοδρόμηση (Backup a Page.). Κάθε φορά, εκτιμά μια τιμή για κάθε μια από τις παραπάνω ενέργειες και επιλέγει μια από αυτές. Η αξίας κάθε επιλογής υπολογίζεται σύμφωνα με τις παρακάτω εξισώσεις : Attend to Link : U n 1 = U n I S l in k 1 N n 25

28 Click Link : U n 1 = U n I S B e st l ink 1 k N n Backup a Page : U n 1 =M I S P r ev i o us P a g e s M I S l i n k s1 n G ob ack C ost Με U(n+1) συμβολίζουμε την αξία κάθε επιλογής μετά τον εντοπισμό και την εξέταση του n+1 υπερσυνδέσμου. Με link συμβολίζεται ο τρέχων υπερσύνδεσμος ενώ με Best link ο καλύτερος υπερσύνδεσμος που έχει βρεθεί μέχρι τώρα. Ν(n) = n και MIS είναι η μέση αξία των υπερσυνδέσμων όπως υπολογίζεται από την συνάρτηση IS() που χρησιμοποιήθηκε και στην έκδοση 1.0. Τα k και GoBackCost είναι παράμετροι που προσαρμόστηκαν βάσει εμπειρικών δεδομένων. Μετά τον υπολογισμό της αξίας κάθε ενέργειας, ανατίθενται πιθανότητες ανάλογα με την αξία αυτή, και η απόφαση προκύπτει στοχαστικά. Έτσι δεν επιλέγεται πάντα η πιο αποτελεσματική ενέργεια. Όπως προκύπτει από τα παραπάνω, σε αντίθεση με την έκδοση 1.0 όχι μόνο δεν επιλέγεται πάντα ο καλύτερος υπερσύνδεσμος αλλά μπορεί να μην δίνεται και καμία δυνατότητα στον καλύτερο υπερσύνδεσμο να επιλεχθεί, αφού μπορεί να βρίσκεται πολύ χαμηλά στη σελίδα. ( Με τον όρο καλύτερο εννοούμε αυτό που είναι πιο κοντά στο στόχο του χρήστη. ) Τα πειραματικά αποτελέσματα έδειξαν ότι η δεύτερη αυτή έκδοση βρίσκεται πιο κοντά στη πραγματική συμπεριφορά των χρηστών. Περιορισμοί και Μελλοντικές κατευθύνσεις. Σε άλλες εργασίες ερευνητές βρήκαν ότι σε ιστοσελίδες που χωρίζονται σε υποπεριοχές με χρήση επικεφαλίδων, οι χρήστες εξέταζαν πρώτα τις επικεφαλίδες, εντόπιζαν τις πιο σχετικές με τους στόχους τους και μετά το περιεχόμενο των υποπεριοχών που αυτές εκπροσωπούσαν. Άλλες ερωτήσεις που το μοντέλο δεν λαμβάνει υπόψη του είναι η διαφορετικότητα των χρηστών ως προς το γνωστικό υπόβαθρο, τόσο του συγκεκριμένου ιστοτόπου τον οποίο επισκέπτονται όσο και την κατανόηση της έννοιας των λέξεων. Τέλος σε όλα τα πειράματα που έγιναν, θεωρήθηκε ότι υπήρχε ένας συγκεκριμένος στόχος. Συχνά όμως αυτό δεν ισχύει. Οι στόχοι των χρηστών μπορεί να μην είναι ξεκάθαροι. Οι χρήστες μπορεί απλά να έχουν μια γενική ιδέα του τι ψάχνουν. Αυτό είναι που τους κάνει να ψάχνουν στο διαδίκτυο έτσι ώστε είτε να προσπαθούν να καταλάβουν καλύτερα ένα συγκεκριμένο θέμα, να αποκτήσουν ένα εννοιολογικό υπόβαθρο σε κάποιον τομέα ενδιαφέροντος ή απλά να μάθουν τι πιστεύουν οι άλλοι για ένα συγκεκριμένο θέμα ή πρόβλημα. 26

29 Κεφάλαιο 3: Σημασιολογικός Ιστός Ο Παγκόσμιος Ιστός αποτελεί σήμερα τη μεγαλύτερη αποθήκη γνώσης στο κόσμο, αλλά μόνο ένα μικρό μέρος της μπορεί να είναι απευθείας προσβάσιμο από έξυπνες εφαρμογές. Με τον όρο σημασιολογικό ιστό, εννοούμε ακριβώς αυτό, έναν ιστό στον οποίο οι πληροφορίες αποκτούν νόημα και εννοιολογική διασύνδεση με τρόπο κατανοητό από έξυπνα προγράμματα. Η ανομοιογένεια που επικρατεί στα σημερινά δεδομένα αποτελεί εμπόδιο για την εξαγωγή πληροφορίας από έγγραφα. Η έλευση του σημασιολογικού ιστού έρχεται να δώσει τη λύση και σε αυτό το πρόβλημα. Παρακάτω αναφερόμαστε εκτενέστερα στον Σημασιολογικό Ιστό. Περιγράφουμε τι μπορεί να επιτευχθεί αλλά εστιάζουμε στο πως θα γίνει αυτό. Πιο συγκεκριμένα, στο ποια θα είναι η μορφή του και η λειτουργία του. Επιπλέον, ήδη υπάρχει πολύ μεγάλος όγκος δεδομένων τα οποία δεν φέρουν σημασιολογική πληροφορία. Παραθέτουμε κάποιες πολλά υποσχόμενες λύσεις και κλείνουμε με την περιγραφή συστημάτων που ήδη κάνουν χρήση των σημασιολογικών τεχνικών. 3.1 Περιγραφή Σημασιολογικού Ιστού, Τεχνολογίες, Όραμα Οι πληροφορίες στον Παγκόσμιο Ιστό προορίζονται για την σημασιολογική τους επεξεργασία από ανθρώπους και όχι από προγράμματα. Η HTML δημιουργήθηκε ως μια γλώσσα παρουσίασης δεδομένων και όχι για να περιγράψει τα δεδομένα αυτά. Η μορφή αυτή περιορίζει τις δυνατότητες επεξεργασίας των δεδομένων που υπάρχουν στο διαδίκτυο και καθιστούν εξαιρετικά δύσκολη την αυτόματη επεξεργασία των δεδομένων από τις σελίδες του Ιστού. Σκοπός της δημιουργίας του Σημασιολογικού Ιστού είναι να ξεπεραστούν τα συγκεκριμένα εμπόδια, έτσι ώστε αρκετές από τις ενέργειες που περιλαμβάνουν κατανόηση δεδομένων ή προϋποθέτουν γνώση του κόσμου, να μπορούν αν εκτελεστούν από προγράμματα, ή αλλιώς πράκτορες. Ο σημασιολογικός ιστός αποτελεί μια επέκταση του σημερινού ιστού, έτσι ώστε τα δεδομένα να έχουν ένα καλώς ορισμένο νόημα, και να διευκολύνουν περισσότερο την αλληλεπίδραση ανθρώπου υπολογιστή. Βασική προϋπόθεση για τη λειτουργία του ιστού είναι σαφώς η ανάπτυξη της κατάλληλης τεχνολογίας και η παροχή πρόσβασης στην αναγκαία γνώση στα διάφορα προγράμματα. Τα προγράμματα που θα λειτουργούν στον Παγκόσμιο Ιστό θα πρέπει να έχουν πρόσβαση σε δομημένες συλλογές πληροφοριών καθώς και σε λογικούς κανόνες που θα τους επιτρέπουν να βγάζουν αυτόματα συμπεράσματα. Τα παραπάνω αγγίζουν την περιοχή της Τεχνητής Νοημοσύνης, μιας περιοχής που η σημασία των εφαρμογών της αυξάνεται ολοένα και περισσότερο. Από την περιοχή αυτή προέρχονται οι τεχνικές αναπαράστασης γνώσης που χρησιμοποιούνται στο σημασιολογικό ιστό. Ωστόσο και αυτές πρέπει να προσαρμοστούν στην κατανεμημένη φύση του Παγκόσμιου Ιστού, να επεκταθούν και να εμπλουτιστούν. Η τεχνολογία για την υλοποίηση του σημασιολογικού ιστού υπάρχει. Δύο από τους βασικούς της πυλώνες είναι η XML και το RDF. Η XML επιτρέπει στους χρήστες να 27

30 εκφράσουν κατά τρόπο ελεύθερο αλλά και συγχρόνως συνεπή τα περιεχόμενα ενός εγγράφου. Το RDF επιτρέπει τη συσχέτιση μεταξύ δεδομένων, με τη μορφή κατηγορηματικών εκφράσεων που αναπαρίστανται ως τριπλέτες. Αυτό είναι ένα πρώτο βήμα προς την ενσωμάτωση νοήματος στα δεδομένα. Το RDF χρησιμοποιεί την σύνταξη της XML, δηλαδή συμορφώνεται με τους κανόνες της γλώσσας. Το μοντέλο αυτό στις περισσότερες των περιπτώσεων είναι κατάλληλη για την έκφραση ενός πλήθους πληροφοριών σε μορφή κατανοητή από μηχανές. Όλα τα ορίσματα μιας RDF έκφρασης πρέπει να προσδιορίζονται μονοσήμαντα από ένα URI. Τα URI αντίστοιχα με τα URL είναι ακολουθίες αλφαριθμητικών που προσδιορίζουν μονοσήμαντα έναν πόρο. Αυτός ο πόρος μπορεί να είναι ένα ζώο, ένα αυτοκίνητο ή οτιδήποτε άλλο που είτε είναι είτε όχι προσβάσιμο στο διαδίκτυο. Στην πραγματικότητα, κάθε τριπλέτα αποτελείται από τρία URIs, ένα για κάθε συμμετέχοντα στη σχέση και ένα για την ίδια τη σχέση. Οι τριπλέτες σχηματίζουν δίκτυα σχετιζόμενων πληροφοριών. Βασική μονάδα αναπαράστασης της γνώσης είναι η Οντολογία. Στην επιστήμη των υπολογιστών μια οντολογία αναπαριστά τις σχέσεις μεταξύ συγκεκριμένων εννοιών. Συνήθως μια οντολογία συνοδεύεται και από ένα σύνολο κανόνων εξαγωγής συμπερασμάτων. Μια ταξινομία αποτελείται από κλάσεις αντικειμένων, με την κάθε κλάση να αναπαριστά μια έννοια, οι οποίες συνδέονται μεταξύ τους με σχέσεις γενίκευσης εξειδίκευσης. Επιπλέον κάθε κλάση- έννοια μπορεί να συνοδεύεται από κάποια χαρακτηριστικά, τα οποία πρέπει να όλα τα στιγμιότυπα της κλάσης. Όλα τα παραπάνω υπάρχουν έτσι ώστε κατάλληλα προγράμματα να μπορέσουν να εντοπίσουν και διακρίνουν τις σχέσεις που ενώνουν συγκεκριμένα δεδομένα. Αλλά ακόμα και η αναπαράσταση γνώσης υπόκειται σε μια κατανεμημένη διαδικασία ανάπτυξης. Πιθανόν δύο ή περισσότερες οντολογίες να αναφέρονται στο ίδιο εννοιολογικό πεδίο αλλά με διαφορετικό τρόπο οπότε και θα πρέπει να αναζητήσουμε την αντιστοιχία μεταξύ των δύο οντολογιών. Γενικά οι οντολογίες μπορούν να έχουν ένα πλήθος εφαρμογών. Μπορούν να βελτιώσουν την ποιότητα της αναζήτησης πληροφορίας στο διαδίκτυο, την εξαγωγή γνώσης, την απάντηση ερωτημάτων, να λειτουργήσουν ως κοινά λεξικά περιγραφής πόρων, κ.α. 3.2 Μετάβαση στο Σημασιολογικό Ιστό Για να περάσουμε από τον σημερινό Ιστό στο Σημασιολογικό, πρέπει τα δεδομένα που είτε υπάρχουν ή θα δημιουργηθούν, να εμπλουτιστούν με σημασιολογία. Ο μεγάλος όγκος των εγγράφων που υπάρχουν στο διαδίκτυο κάνει αναγκαία την ύπαρξη μεθόδων που επιτρέπουν την επεξεργασία τους με την ελάχιστη δυνατή ανθρώπινη προσπάθεια και τη μέγιστη δυνατή αξιοπιστία. Σε περιορισμένες περιπτώσεις η εξαγωγή πληροφορίας από ιστοσελίδες με χρήση κανονικών εκφράσεων μπορεί να βοηθήσει. Ωστόσο καθοριστική θα είναι η συμβολή των τεχνικών επεξεργασίας φυσικής γλώσσας καθώς και των μεθόδων εξαγωγής πληροφορίας ( information extraction ) Επεξεργασία Φυσικής Γλώσσας Η επεξεργασία φυσικής γλώσσας έχει πολλές εφαρμογές, αρκετές από τις οποίες μπορούν και αξιοποιούνται στο περιβάλλον του Σημασιολογικού Ιστού. Η περιοχή εφαρμογής της που μας ενδιαφέρει είναι αυτή της ανάκτησης πληροφορίας. Στην περίπτωση αυτή στόχος είναι 28

31 να βρεθεί και να αναπαρασταθεί η πραγματική σημασία ενός query που υποβάλλεται από κάποιον χρήστη και στη συνέχεια αυτό να χρησιμοποιηθεί για να προταθούν αποτελέσματα υψηλής ακρίβειας. Επίσης, τα περιεχόμενα ενός κειμένου πρέπει να αναπαρασταθούν σε όλες τις σημασιολογικές τους διαστάσεις έτσι ώστε να μπορεί να πραγματοποιηθεί ο ανωτέρω στόχος. Άλλες εφαρμογές της επεξεργασίας φυσικής γλώσσας είναι η πιο φυσική επικοινωνία μεταξύ ανθρώπου υπολογιστή, αλλά και η χρήση της για την αυτόματη ή έστω βοηθούμενη από υπολογιστή κατασκευή οντολογιών. Σταθμός στη εξέλιξη της επεξεργασίας φυσικής γλώσσας αποτέλεσε η δημοσίευση του Chomsky το '57 με τίτλο Syntactic Structures που εισήγαγε την έννοια μιας γραμματικής, δηλαδή ενός συνόλου από κανόνες που παράγουν την γλώσσα. Δύο προσεγγίσεις υιοθετήθηκαν, η πρώτη έκανε χρήση των γραμματικών ενώ η δεύτερη προσανατολιζόταν στην στατιστική επεξεργασία φυσικής γλώσσας. Τα τελευταία χρόνια, το πεδία κερδίζει σε δημοτικότητα και πρόοδος σημειώνεται. Οι μέθοδοι στατιστικής επεξεργασίας έχουν καταφέρει να ξεπεράσουν αρκετά προβλήματα όπως η αναγνώριση του μέρους του λόγου στο οποίο ανήκει κάθε λέξη, η επιλογή της σωστής σημασίας μιας λέξης όταν αυτή έχει πολλές κ.α (όπως ποια;) Επίπεδα επεξεργασίας Το επίπεδο αφαίρεσης στο οποίο αναλύουμε ένα κείμενο, έχει σημασία. Ένας άνθρωπος αναλύει ένα κείμενο σε όλα τα επίπεδα συγχρόνως. Αναφέρεται μάλιστα ότι αρκετές φορές, η ανάλυση ενός κειμένου σε υψηλότερο επίπεδο μπορεί να βοηθήσει στην ανάλυση ενός κειμένου σε χαμηλότερο επίπεδο. Κάποια από τα επίπεδα παρουσιάζονται παρακάτω: Το μορφολογικό Ανάλυση τμημάτων μιας λέξης, όπως το πρόθεμα ή η κατάληξη. Η βασική υπόθεση είναι ότι το νόημα των μορφομάτων παραμένει το ίδιο για όλες τις λέξεις, ένας χρήστης μπορεί να αναλύσει μια άγνωστη λέξη σε επιμέρους τμήματα για να βγάλει κάποια συμπεράσματα. Για παράδειγμα το επίθεμα -tion, αναφέρεται σε ουσιαστικό ή το επίθεμα -ed όταν εντοπίζεται στο τέλος ενός ρήματος, υπονοεί ότι η ενέργεια που δηλώνει το ρήμα συντελέστηκε στο παρελθόν. Το επίπεδο λέξεων Στην περίπτωση αυτή, οι λέξεις που αποτελούν το βασικό δομικό επίπεδο ενός κειμένου εξετάζονται. Μια λέξη μπορεί να αναλυθεί από πολλές σκοπιές, όπως το μέρος του λόγου στο οποίο ανήκει, ( μια λέξη που μπορεί να ανήκει σε περισσότερα του ενός μέρη του λόγου, μπορεί να θεωρηθεί ότι ανήκει σε κάποιο βάσει στατιστικών σε συνδυασμό με τις λέξεις του περιβάλλοντός της. ). Επιπλέον μονοσήμαντες λέξεις, μπορούν να αντικατασταθούν από την σημασιολογική αναπαράσταση του νοήματος τους. Η αναπαράσταση διαφέρει ανάλογα με σημασιολογική θεώρηση που υποστηρίζει το εκάστοτε σύστημα. Για παράδειγμα η λέξη launch στη μορφή κατηγορημάτων εκφράζεται ως : Boat, large, carry, people. Το συντακτικό Αυτό έχει ως στόχο την αναγνώριση της σχέσης μεταξύ των λέξεων. Αυτό συνεισφέρει 29

32 στην εξαγωγή συμπερασμάτων για το νόημα μιας πρότασης, καθώς η σειρά αλλά και οι αλληλοεξαρτήσεις μεταξύ των λέξεων επηρεάζουν το νόημα μιας πρότασης. Το σημασιολογικό Αυτό είναι το επίπεδο στο οποίο οι περισσότεροι άνθρωποι πιστεύουν ότι προσδιορίζεται το νόημα, ωστόσο όλα τα προηγούμενα επίπεδα συνεισφέρουν στον προσδιορισμό του νοήματος ενός κειμένου. Η σημασιολογική επεξεργασία προσδιορίζει το νόημα μιας πρότασης εστιάζοντας στις αλληλεπιδράσεις μεταξύ εννοιών που εμφανίζονται στην πρόταση. Σε περιπτώσεις όπου μια λέξη έχει πολλά νοήματα, ένα από αυτά πρέπει να επιλεχθεί και να συμπεριληφθεί στην εννοιολογική αναπαράσταση μιας πρότασης. Επίπεδο συνεκτικών τμημάτων του κειμένου (discourse) Στο επίπεδο αυτό, ερμηνεύονται σημασιολογικά προτάσεις. Ωστόσο δεν συνενώνει απλά την σημασιολογία των επιμέρους προτάσεων αλλά τις αντιμετωπίζει ως σύνολο και προσπαθεί μέσω αυτών να ανακαλύψει τη συνέχεια των εννοιών. Ένα παράδειγμα είναι η διαδικασία της ανάλυσης αναφοράς. Η ανάλυση αναφοράς προσπαθεί να αντικαταστήσει αναφορές αντωνυμιών με το ουσιαστικό στο οποίο αυτές αναφέρονται. Ένα άλλο παράδειγμα είναι η δομή του κειμένου, για άρθρα για παράδειγμα μπορεί να προσδιοριστεί η κατηγορία στην οποία ανήκει το κείμενο. Για παράδειγμα αν είναι δοκίμιο, επιστημονικό άρθρο ή άρθρο εφημερίδας. Το πραγματιστικό επίπεδο Το επίπεδο αυτό ασχολείται με το πως επιπλέον νόημα ενσωματώνεται στο κείμενο χωρίς να κωδικοποιείται άμεσα σε αυτό. Αυτή η ανάλυση προϋποθέτει γνώση για τον κόσμο, αναγνώριση προθέσεων και σχεδίων ή σκοπών. Σε μερικές περιπτώσεις προβλήματα όπως η ανάλυση αναφοράς για να επιλυθούν απαιτούν την γνώση του κόσμου ή αλλιώς κοινή γνώση. Προσεγγίσεις στην Επεξεργασία Φυσικής Γλώσσας Διάφοροι μέθοδοι ακολουθούνται για την ανάλυση των παραπάνω προβλημάτων. Οι μέθοδοι που χρησιμοποιούνται χωρίζονται στις εξής τέσσερις κατηγορίες: συμβολική, στατιστική, συνδετική και υβριδική. Συμβολική Η συμβολική προσέγγιση προϋποθέτει ανάλυση των λεξιλογικών φαινομένων. Βασίζεται στην πλούσια αναπαράσταση δεδομένων σχετικά με τη γλώσσα. Η παράθεση των επιπέδων που αναφέρθηκαν παραπάνω πηγάζουν από αυτή την προσέγγιση. Ένα παράδειγμα της συμβολικής προσέγγισης φαίνεται στα βασισμένα σε κανόνες συστήματα. Στην περίπτωση αυτή, η συμβολική δομή έχει τη μορφή λογικών προτάσεων. Τα συστήματα αυτά, αποτελούνται από ένα σύνολο κανόνων, μια μηχανή εξαγωγής συμπερασμάτων και την περιοχή προσωρινής αποθήκευσης. Η γνώση αναπαρίσταται ως σύνολο κανόνων, η μηχανή εξαγωγής συμπερασμάτων συνεχώς επιλέγει ένα κανόνα του οποίου η συνθήκη ενεργοποίησης ικανοποιείται και τον εκτελεί. 30

33 Ένα άλλο παράδειγμα της συμβολικής μεθόδου, αποτελούν τα σημασιολογικά δίκτυα. Τα δίκτυα αυτά αναπαριστούν την γνώση μέσω ενός συνόλου κόμβων (εννοιών ή αντικειμένων) και ακμές με ετικέτες που υποδηλώνουν τις σχέσεις μεταξύ τους. Τα πρότυπα συνδεσιμότητας αντικατοπτρίζουν τη σημασιολογική οργάνωση. Έννοιες που συνδέονται στενά ενώνονται απευθείας, ενώ έννοιες με λιγότερο δυνατές σχέσεις συνδέονται μέσω ενδιάμεσων κόμβων. Τα σημασιολογικά δίκτυα χρησιμοποιούνται ευρέως για την αναπαράσταση δομημένης γνώσης και έχουν την μεγαλύτερη συγγένεια με την μέθοδο συνδεσιμότητας από ότι τα υπόλοιπα μοντέλα της συμβολικής μεθόδου. Η στατιστική προσέγγιση Οι στατιστικές μέθοδοι που έχουν σημειώσει μεγάλες επιτυχίες το τελευταίο διάστημα, βασίζονται σε παρατηρήσιμα δεδομένα ως κύρια πηγή γνώσης. Πιο συγκεκριμένα χρησιμοποιούν μεγάλες συλλογές κειμένων για να δημιουργήσουν μοντέλα γλωσσικών φαινομένων. Ένα συχνά χρησιμοποιούμενο στατιστικό μοντέλο είναι τα κρυμμένα μοντέλα markov. Η προσέγγιση της συνδεσιμότητας Η προσέγγιση αυτή συνδυάζει στατιστική μάθηση με διάφορες θεωρίες αναπαράστασης. Έστω ένα δίκτυο, με κόμβους να αναπαριστούν έννοιες. Οι σχέσεις μεταξύ των εννοιών κωδικοποιούνται από βάρη πάνω στις ακμές που τις ενώνουν. Έχουν καλά αποτελέσματα σε περιπτώσεις όπως η άρση της πολυσημίας των λέξεων, η παραγωγή γλώσσας,και η περιορισμένη εξαγωγή συμπερασμάτων ( limited inference). Ένα άλλο μοντέλο της προσέγγισης αυτής είναι το κατανεμημένο μοντέλο. Μια έννοια αναπαρίσταται ως μια συγχρονισμένη ενεργοποίηση πολλών μονάδων Επεξεργασία φυσικής γλώσσας και Εξαγωγή Πληροφορίας Χρειαζόμαστε έναν έξυπνο τρόπο για να αναπαραστήσουμε το περιεχόμενο των ιστοσελίδων ως προς το σημασιολογικό τους περιεχόμενο. Ο τομέας της εξόρυξης πληροφορίας με χρήση επεξεργασίας φυσικής γλώσσας βοηθάει προς αυτή την κατεύθυνση. Ένας ορισμός της εξόρυξης πληροφορίας θα μπορούσε να είναι ο παρακάτω: Η αναγνώριση και η εξαγωγή στιγμιοτύπων μιας κλάσης γεγονότων ή σχέσεων από ένα κείμενο φυσικής γλώσσας και ο μετασχηματισμός τους σε μια δομημένη αναπαράσταση. Αποσαφηνίζουμε τον παραπάνω ορισμό, παραθέτοντας ένα παράδειγμα. Έστω μια συλλογή από έγγραφα. Το να βρούμε ποια έγγραφα αναφέρονται σε ένα τρομοκρατικό γεγονός εμπίπτει στον τομέα της Ανάκτησης Πληροφορίας. Για κάθε τέτοιο έγγραφο, το να βρούμε το είδος της επίθεσης, την ημερομηνία, την τοποθεσία καθώς και η μορφοποίηση των πληροφοριών αυτών σε δομημένη μορφή είναι το θέμα της Εξόρυξης Πληροφορίας. Σκοπός της εξόρυξης πληροφορίας δεν είναι η κατανόηση όλων των πληροφοριών ενός κειμένου. Περιορίζεται σε συγκεκριμένες πληροφορίες, σε ένα πολύ στενό πεδίο ενδιαφέροντος και σε μια αυστηρή αναπαράσταση των δεδομένων αυτών. Επιπλέον,δεν χρειάζεται να μπορούμε να απαντήσουμε σε γενικές ερωτήσεις σχετικά με το κείμενο. 31

34 Αντίθετα από ότι στην ανάκτηση πληροφορίας, ο χρήστης ορίζει το πεδίο ενδιαφέροντος και την επιθυμητή μορφή παρουσίασης των δεδομένων και το σύστημα επεξεργάζεται τα έγγραφα και παράγει ένα σύνολο από templates γεμάτα με τα δεδομένα ενδιαφέροντος. Η εξόρυξη πληροφορίας βασίζεται στην επεξεργασία φυσικής γλώσσας και συγκεκριμένα στην επεξεργασία σε συντακτικό αλλά και σημασιολογικό επίπεδο. Η σημαντική παρατήρηση στην οποία βασίζεται η εξόρυξη πληροφορίας είναι ότι χρήσιμα αποτελέσματα μπορούν να εξαχθούν από ένα κείμενο χωρίς την πλήρη κατανόησή του Το πρόβλημα της αμφισημίας των λέξεων (WSD) Όπως είδαμε παραπάνω το πρόβλημα της άρσης της πολυσημίας των λέξεων, πρέπει να μπορεί να αντιμετωπιστεί από τα συστήματα επεξεργασίας φυσικής γλώσσας. Οι διάφορες εφαρμογές της ανάκτησης πληροφορίας καθώς και της εξαγωγής πληροφορίας από το διαδίκτυο θα μπορούσαν να επωφεληθούν σε μεγάλο βαθμό από την ύπαρξη μιας αξιόπιστης λύσης στο πρόβλημα της αμφισημίας. Επιπλέον η επίλυση του προβλήματος αυτού, αυξάνει τις δυνατότητες για ακριβέστερη απεικόνιση του περιεχομένου μιας σελίδα. Η δημιουργία μιας μεθόδου για τον αυτόματο προσδιορισμό του νοήματος των λέξεων των εγγράφων θα έδινε μια μεγάλη ώθηση στην εξάπλωση του σημασιολογικού ιστού. Επιπλέον η λύση του προβλήματος θα βελτίωνε και τις εφαρμογές αυτόματης μετάφρασης.εξαιτίας της σπουδαιότητας του συγκεκριμένου ζητήματος, αφιερώνουμε τη συγκεκριμένη ενότητα στην ανάλυσή του. Η άρση της αμφισημίας των λέξεων αποτελεί ένα πολύ σημαντικό πρόβλημα της επεξεργασίας φυσικής γλώσσας και γενικότερα στην περιοχή της τεχνητής νοημοσύνης. Περιγραφικά το πρόβλημα είναι να προσδιορίσουμε αλγοριθμικά το νόημα κάθε λέξης σε σχέση με τα συμφραζόμενα της και θεωρείται τόσο δύσκολο όσο και το πιο δύσκολο πρόβλημα στην περιοχή της τεχνητής νοημοσύνης [ 12 ]. Η φυσική γλώσσα εκ κατασκευής περιέχει αμφισημίες και το πραγματικό νόημα των λέξεων συχνά προσδιορίζεται μόνο μέσω των συμφραζόμενων. Η δυσκολία του να λυθεί αυτό το πρόβλημα αλγοριθμικά οφείλεται σε πολλούς παράγοντες. Δύο από αυτούς είναι η αναπαράσταση των εννοιών των λέξεων καθώς και η διαθέσιμη στον αλγόριθμο γνώση. Ορισμός του προβλήματος Στη συνήθη περίπτωση το πρόβλημα αντιμετωπίζεται στα πλαίσια ενός ή περισσότερων κειμένων. Στόχος μας είναι ο προσδιορισμός του νοήματος όλων ή ενός υποσυνόλου των λέξεων αυτών. Σε κάθε λέξη μπορούμε να αντιστοιχίσουμε πολλά νοήματα αν και στη συνήθη περίπτωση για κάθε λέξη θεωρούμε ότι υπάρχει ένα μόνο νόημα. Πιο γενικά μπορούμε να πούμε ότι το πρόβλημα της αμφισημίας μπορεί να θεωρηθεί ως ένα πρόβλημα κατηγοριοποίησης, όπου τα διαφορετικά νοήματα αντιστοιχούν στις κατηγορίες και μια αυτόματη μέθοδος κατηγοριοποίησης χρησιμοποιείται έτσι ώστε δεδομένης μιας λέξης, των συμφραζόμενων της και κάποιων εξωτερικών πηγών γνώσης να την αναθέσει σε μία ή περισσότερες από τις κατηγορίες. Αξίζει να σημειωθεί ότι οι κατηγορίες αλλάζουν ανάλογα με την λέξη που επεξεργαζόμαστε κάθε φορά. Τέσσερα είναι τα πιο βασικά σημεία του προβλήματος, α) η αναπαράσταση των εννοιών των λέξεων, β) η εξωτερική πηγή γνώσης που χρησιμοποιείται, γ) η απεικόνιση αναπαράσταση των συμφραζομένων για την κάθε λέξη και δ) η μέθοδος που χρησιμοποιείται κάθε φορά. 32

35 Η αναπαράσταση των εννοιών Σε αυτό το κομμάτι το σύστημα απεικονίζει τις διάφορες έννοιες με έναν τυπικό τρόπο. Για παράδειγμα, ως synset του WordNet, ως ένα σύνολο από λέξεις κλειδιά ή ως ένα δίκτυο κ.α Η εξωτερική πηγή γνώσης Η παρουσία μιας εξωτερικής πηγής γνώσης είναι ζωτικής σημασίας για τη λύση του προβλήματος ανεξάρτητα από την χρησιμοποιούμενη μέθοδο. Έτσι και αλλιώς χωρίς κάποια προηγούμενη γνώση θα ήταν αδύνατο τόσο για τους υπολογιστές όσο και για τους ανθρώπους να καταφέρουν να αναγνωρίσουν το νόημα πίσω από τις λέξεις. Οι κυριότερες πηγές γνώσης που μπορούν και έχουν χρησιμοποιηθεί ανήκουν σε δύο κυρίως κατηγορίες τις δομημένες και τις μη δομημένες. Στις μη δομημένες κατατάσσουμε έγγραφα των οποίων οι λέξεις είτε έχουν χαρακτηριστεί νοηματικά είτε όχι ή πηγές που περιλαμβάνουν δεδομένα όπως λίστες με συχνότητες εμφάνισης διαφόρων λέξεων ή ετικέτες ενός συγκεκριμένου γνωσιολογικού πεδίου. Αντίθετα στις δομημένες περιλαμβάνονται θησαυροί λέξεων, οι οποίοι περιλαμβάνουν λέξεις και σχέσεις μεταξύ λέξεων, ηλεκτρονικά λεξικά αλλά και οντολογίες. Συνήθως οι τελευταίες περιλαμβάνουν μια ταξινομία εννοιών καθώς και σημασιολογικές σχέσεις μεταξύ των εννοιών αυτών. Υπό αυτό το πρίσμα και το WordNet μπορεί να θεωρηθεί ως οντολογία. Η αναπαράσταση των συμφραζομένων Στη συνήθη περίπτωση τόσο η λέξη της οποίας το νόημα θέλουμε να προσδιορίσουμε όσο και τα συμφραζόμενα βρίσκονται ενσωματωμένα σε κάποιο κείμενο. Η επιλογή των χαρακτηριστικών που θα χρησιμοποιηθούν για την αναπαράσταση των συμφραζομένων μιας λέξης αποτελεί μια κρίσιμη διαδικασία. Τα χαρακτηριστικά που χρησιμοποιούνται, μπορούν να κατηγοριοποιηθούν σε α) Τοπικά. Αυτά περιλαμβάνουν ένα μικρό αριθμό λέξεων κοντά στην λέξη στόχο, χαρακτηριστικά όπως το μέρος του λόγου στο οποίο ανήκουν οι λέξεις αυτές κ.α, β) Θεματικά χαρακτηριστικά, που περιλαμβάνουν στοιχεία για το θέμα του κειμένου στο οποίο βρίσκεται η λέξη στόχος, γ) χαρακτηριστικά σύνταξης και δ) σημασιολογικά χαρακτηριστικά, όπως το νόημα των προηγούμενων λέξεων στόχων ή στοιχεία γ για το εννοιολογικό πεδίο στο οποίο αναφέρεται το κείμενο. Η χρησιμοποιούμενη μέθοδος Οι περισσότερες μέθοδοι προέρχονται από την περιοχή της μηχανικής μάθησης, γενικά όμως μπορούμε να διαχωρίσουμε τις μεθόδους σε δύο μεγάλες κατηγορίες, αυτές της επιβλεπόμενης μάθηση και της μη επιβλεπόμενης. Η διαφορά είναι ότι οι πρώτες χρειάζονται 33

36 ένα δείγμα εκπαίδευσης το οποίο βέβαια απαιτεί την ανθρώπινη παρέμβαση για τη δημιουργία του. Μια άλλη ενδιαφέρουσα κατηγοριοποίηση είναι αυτή των μεθόδων που βασίζονται σε προϋπάρχουσα γνώση και τις υπόλοιπες που βασίζονται σε κείμενα. Η πρώτη κατηγορία στην περίπτωση αυτή χρησιμοποιούν δομημένες πηγές γνώσεις όπως ηλεκτρονικά λεξικά, θησαυρούς ή οντολογίες. Μέθοδοι βασισμένες σε δομημένη γνώση Οι αλγόριθμοι αυτοί, χρησιμοποιούν δομημένες πηγές γνώσεις όπως ηλεκτρονικά λεξικά, οντολογίες, θησαυρούς. Το πλεονέκτημα αυτών των μεθόδων είναι ότι λόγω της πηγής γνώσεις που χρησιμοποιούν μπορούν να εφαρμοστούν ανεξαρτήτως εννοιολογικού πεδίου. Και σε αυτή την περίπτωση υπάρχουν διάφορες προσεγγίσεις, μια από τις κυριότερες είναι αυτή που βασίζεται σε δεδομένα δομής της αξιοποιούμενης πηγής γνώσης. Σε αυτές τις μεθόδους το WordNet αποτελεί την κύρια πηγή γνώσης. Οι μέθοδοι αυτοί εκμεταλλεύονται το σημασιολογικό δίκτυο που περιέχει το συγκεκριμένο ηλεκτρονικό λεξικό. Οι δύο κύριες υποκατηγορίες αυτών των μεθόδων διακρίνονται σε αυτές που βασίζονται στην ομοιότητα και σε εκείνες που βασίζονται στο υποκείμενο γράφημα. 3.3 Η μορφή του σημασιολογικού Ιστού Δύο είναι οι ενδεδειγμένοι τρόποι με τους οποίους ο σημασιολογικός ιστός θα γίνει πραγματικότητα. Στην πρώτη περίπτωση, τα έγγραφα που θα απαρτίζουν τον Παγκόσμιο Ιστό θα φέρουν σημασιολογική πληροφορία με τη μορφή επισημειώσεων ή με τη μορφή ισχυρισμών, διατυπωμένων με τη βοήθεια κάποιας γλώσσας ώστε να είναι κατανοητές από ένα πρόγραμμα. Αυτή η πληροφορία θα αποτελεί τα μεταδεδομένα κάθε εγγράφου και θα εκφράζουν με φιλικό προς τα προγράμματα τρόπο, όλο ή μέρος από το νόημα του κειμένου. Στην δεύτερη περίπτωση το σημασιολογικό περιεχόμενο κάθε εγγράφου θα περιγράφεται σε ένα άλλο, ξεχωριστό έγγραφο. Με τα δύο έγγραφα να περιέχουν αναφορές από το ένα στο άλλο. Και στις δύο περιπτώσεις, τα συστήματα ανάκτησης πληροφορίας πρέπει να προσαρμοστούν ώστε να λάβουν υπόψη τους και το σημασιολογικό περιεχόμενο των εγγράφων που πλέον θα εκφράζεται ξεκάθαρα με μία συγκεκριμένη μορφή. Ο σημασιολογικός ιστός υπόσχεται να αλλάξει για μια ακόμη φορά τα δεδομένα στο πεδίο της ανάκτησης πληροφορίας. Στις μέρες μας οι μηχανές αναζήτησης βασίζονται κατά κύριο λόγο στην εύρεση λέξεων για την περιγραφή κάθε εγγράφου. Ενώ αρκετή από την πληροφορία που μπορεί να περιέχεται στις ετικέτες δόμησης κάθε εγγράφου, μπορεί να αγνοείται. Αντίθετα, όλες οι πληροφορίες στο σημασιολογικό ιστό θα περιγράφονται με τη χρήση συγκεκριμένων ετικετών.. Η παρουσία σημασιολογικής πληροφορίας είτε στο ερώτημα είτε στα έγγραφα θα ήταν χρήσιμη για την βελτίωση της αναζήτησης. Στην εργασία [ 13 ] παρουσιάζονται τρόποι που τα κλασσικά συστήματα ανάκτησης πληροφορίας θα μπορούσαν να προσαρμοστούν για να λαμβάνουν υπόψη τους και τη σημασιολογική πληροφορία που θα φέρουν τα έγγραφα Θεωρώντας ότι ο αυτόματος εμπλουτισμός με μεταδεδομένα, των ήδη υπάρχοντων εγγράφων, είναι στη καλύτερη περίπτωση δύσκολη, προτείνεται ένας τρόπος για την εκμετάλλευση του σχετικού κειμένου κατά την εξαγωγή συμπερασμάτων χωρίς να χρειαστεί σημασιολογική ανάλυση. Μια άλλη προσέγγιση παρουσιάζεται στην εργασία [ 14 ], οι συγγραφείς υλοποίησαν ένα σύστημα που βασίζεται στον υπολογισμό της σημασιολογικής ομοιότητας του ερωτήματος 34

37 του χρήστη με τα έγγραφα μιας συλλογή. Όπως αναφέρουν, η σημασιολογική ομοιότητα αφορά στον υπολογισμό της εγγύτητας μεταξύ εννοιών που δεν περιγράφονται από τις ίδιες λέξεις. Η μέθοδος που προτείνουν είναι συμπληρωματική αυτής της επέκτασης ερωτημάτων. Η επέκταση των ερωτημάτων, θεωρείται ως μια μέθοδος για άρση της αμφισημίας των όρων που χρησιμοποιούνται καθώς και για την αποκάλυψη του κρυμμένου νοήματος στα ερωτήματα των χρηστών. Όπως έχουμε ήδη δει, δεδομένου ενός ερωτήματος, ένα δίκτυο από όρους δημιουργείται για να αναπαραστήσει τις συνδέσεις μεταξύ τους ερωτήματος και πιθανόν σχετιζόμενων όρων που προέκυψαν από άλλες πηγές, όπως για παράδειγμα από κάποιο λεξικό με συνώνυμους όρους, συχνότητα συνεμφάνισης κ.α. Στην περίπτωση της επέκτασης ερωτημάτων, οι όροι του ερωτήματος χρησιμοποιούνται για να φτάσουμε σε άλλους πιθανόν σχετιζόμενους όρους με τις ετικέτες των συνδέσεων να εκφράζονται ως πιθανότητες σχετικότητας. Η εκτίμηση της σχετικότητας αυτής γίνεται είτε μέσω τυχαίων περιπάτων ή εκτιμώντας την πιθανότητα άλλων χαρακτηριστικών του ερωτήματος που μπορούν να προκύψουν τους πιθανόν σχετιζόμενους κόμβους. Στην πρόταση τους εστιάζουν στην αξιοποίηση των σχέσεων γενίκευσης - εξειδίκευσης και προτείνουν τρόπους να υπολογίσουμε νέα βάρη τόσο για τους όρους του ερωτήματος, όσο και για τους όρους των εγγράφων. Και σε αυτήν την περίπτωση, το WordNet ( το οποίο εν συντομία περιγράφεται στο παράρτημα Α ) χρησιμοποιείται ως εξωτερική πηγή γνώσης. Το παραδοσιακό μέτρο που χρησιμοποιήθηκε για τον καθορισμό της σχετικότητας ενός εγγράφου με ένα ερώτημα είναι αυτό του συνημιτόνου. Το μειονέκτημα αυτής της προσέγγισης είναι ότι βασίζεται στην παρουσία ή απουσία λέξεων, αγνοώντας τις όποιες σχέσεις μπορεί να έχουν κάποιες λέξεις μεταξύ τους. Οι συγγραφείς προτείνουν την επέκταση του ερωτήματος με άλλες λέξεις που συνδέονται σημασιολογικά με τις αρχικά παρούσες λέξεις. Η καινοτομία που εισάγουν είναι ο τρόπος με τον οποίο αναθέτουν βάρη στους όρους του ερωτήματος. Η προσέγγισή τους Αρχικά τόσο τα έγγραφα όσο και τα ερωτήματα αναλύονται και εκφράζονται ως διανύσματα όρων. Όροι που εμφανίζονται πολύ συχνά ή σπάνια, εξαιρούνται. Κάθε όρος στο διάνυσμα εκπροσωπείται από ένα βάρος. Στο κλασσικό μοντέλο το βάρος αυτό υπολογίζεται από τον τύπο της αντίστροφης συχνότητας ( tf * idf ). Η μέθοδός τους εκτελείται σε τρία βήματα Βήμα 1: Το βάρος κάθε όρου στο ερώτημα, προσαρμόζεται βάσει των σχέσεων του με άλλους σημασιολογικά σχετιζόμενους όρους στο ίδιο διάνυσμα. Το βάρος κάθε όρου αποτελείται από το βάρος του όρου και το άθροισμα του γινομένου του βάρους κάθε όρου που σχετίζεται με τον αρχικό επί την τιμή ομοιότητας, αν αυτή βέβαια υπερβαίνει ένα συγκεκριμένο κατώφλι. Βήμα 2: Επέκταση του ερωτήματος. Αρχικά το ερώτημα εμπλουτίζεται με συνώνυμους όρους. Θεωρούν ότι κάθε ένας από τους αρχικούς όρους εμφανίζεται με το πιο κοινό του νόημα. Έπειτα πιο γενικοί ή πιο ειδικοί όροι προστίθενται στους ήδη υπάρχοντες όρους. Στη συνέχεια τα βάρη των λέξεων πρέπει να επαναπροσδιοριστούν. Για κάθε όρο υπολογίζουνε μια τιμή w, ως ένα άθροισμα γινομένων. Έστω ότι ο όρος του οποίου το βάρος θέλουμε να υπολογίσουμε είναι ο k. Αρχικά 35

38 βρίσκουμε ποιοι από τους παλιούς όρους αποτελούν εξειδικεύσεις του k. Έστω j ένας από αυτούς. Σχηματίζουμε το γινόμενο w*sim(k,j), όπου με w παριστάνουμε το αρχικό βάρος τουwordnet και αν είναι κάτω από ένα συγκεκριμένο κατώφλι, θεωρείται μηδενική. Τέλος το άθροισμα διαιρείται με το πλήθος των εξειδικευμένων όρων που διαθέτει ο k. Έτσι αν ο k είναι καινούργιος όρος, το βάρος του θα ισούται με το παραπάνω αποτέλεσμα. Αν πάλι είναι παλιός τότε το παραπάνω αποτέλεσμα θα προστεθεί στο αρχικό βάρος. Τέλος, το διάνυσμα που προκύπτει κανονικοποιείται ως προς το μήκος του. Βήμα 3: Σύγκριση με τα διανύσματα των εγγράφων. Οι όροι των εγγράφων είναι ζυγισμένοι σύμφωνα με το κλασσικό μέτρο της αντίστροφης συχνότητας. Το μέτρο ομοιότητας ισούται με sim q,d = i με d το έγγραφο. j i q i d j sim i, j j q i d j, όπου με q συμβολίζουμε το ερώτημα ενώ 3.4 Εφαρμογές με χρήση του Σημασιολογικού Ιστού Αρκετά συστήματα έχουν εκμεταλλευθεί σημασιολογικές τεχνικές για να βελτιώσουν την ποιότητα των παρεχόμενων υπηρεσιών τους. Ο λόγος που τα αναφέρουμε είναι για να τονίσουμε τον τρόπο με τον οποίο αξιοποίησαν τις τεχνολογίες του Σημασιολογικού Ιστού και τον τρόπο με τον οποίο ξεπέρασαν τα διάφορα τεχνικά προβλήματα που αναμφισβήτητα κάθε σύστημα θα πρέπει να αντιμετωπίσει Το σύστημα Thesus Στόχος των συγγραφέων της εργασίας [15] είναι η κατασκευή ενός συστήματος που θα οργανώνει σελίδες σε συστάδες βάσει του περιεχόμενου τους. Για να το πετύχουν αυτό, χρησιμοποιούν μια οντολογία για να περιγράψουν σημασιολογικά πλέον το περιεχόμενο κάθε σελίδας, αξιοποιούν το κείμενο των υπερσυνδέσμων για να εμπλουτίσουν την περιγραφή του περιεχομένου των σελίδων στις οποίες αυτές δείχνουν και τέλος ορίζουν και χρησιμοποιούν ένα μέτρο που εκμεταλλεύεται τις σημασιολογικές ομοιότητες μεταξύ των εννοιών που περιγράφουν τις σελίδες ώστε να μετρήσουν την εννοιολογική τους απόσταση. Εμείς θα αναφερθούμε στα πιο σημαντικά στοιχεία της εργασίας και της μεθοδολογίας τους. Εμπλουτισμός περιεχομένου Οι συγγραφείς ξεφεύγουν από την καθιερωμένη αντίληψη ότι το περιεχόμενο μιας σελίδας περιγράφεται αποκλειστικά και μόνο από τις λέξεις κλειδιά που περιέχονται στο κείμενο της. Παρατηρώντας ότι ο ιστός είναι ένα διευθυνόμενο γράφημα του οποίου οι ακμές έχουν ετικέτες (χαρακτηρισμό), εξάγουν την πληροφορία από τις ετικέτες αυτές και την 36

39 χρησιμοποιούν για τον χαρακτηρισμό του περιεχομένου των σελίδων στις οποίες αυτές δείχνουν. Με αυτή την προσέγγιση είναι σαν να λαμβάνουν υπόψη τους το τι πιστεύουν οι άλλοι για τη σελίδα αυτή. Αυτό μπορεί να είναι πολύ χρήσιμο σε περιπτώσεις σελίδων πολυμεσικού περιεχομένου. Φυσικά η χρήσιμη πληροφορία δεν περιορίζεται μέσα στο κείμενο του υπερσυνδέσμου αλλά και στο κείμενο γύρω από τον υπερσύνδεσμο. Για την αποφυγή περιπτώσεων όπου ο χαρακτηρισμός ενός υπερσυνδέσμου είναι εσκεμμένα λανθασμένος, λαμβάνουν υπόψη τους μόνο υπερσυνδέσμους που προέρχονται από διαφορετικό ιστότοπο από ότι η σελίδα ενδιαφέροντος. Χρήση της Οντολογίας Σκοπός τους είναι περιγράψουν το περιεχόμενο μιας σελίδας ως ένα ζυγισμένο σύνολο εννοιών, παρά λέξεων. Το σύστημα τους χρησιμοποιεί μια οντολογία στην οποία περιλαμβάνονται μόνο σχέσεις γενίκευσης-εξειδίκευσης (taxonomy). Η οντολογία αυτή χρησιμοποιείται για το πέρασμα από τον χώρο των λέξεων στο χώρο των εννοιών. Η εφαρμογή τους Στο σημείο αυτό θα αναφερθούμε με μεγαλύτερη λεπτομέρεια στο πως γίνεται η παραπάνω μετάβαση καθώς και στον τρόπο που οι εννοιολογικές απεικονίσεις των σελίδων συγκρίνονται για ομοιότητα. Τέλος θέλουμε να δώσουμε και μια γενικότερη εικόνα για το πώς χρησιμοποιείται η οντολογία στο σύστημά τους. Εξαγωγή σημασιολογίας Για κάθε σελίδα, p, εντοπίζουν ένα υποσύνολο υπερσυνδέσμων από άλλες σελίδες προς αυτή. Κυρίως κρατούν υπερσυνδέσμους από σελίδες με υψηλό pagerank score. Χρησιμοποιώντας το κείμενο των υπερσυνδέσμων, καταλήγουν σε μια περιγραφή του περιεχομένου του εγγράφου, στη μορφή {( k 1,w 1 ), ( k 2,w 2 ),,( k n,w n )}, όπου με k i συμβολίζουμε τις λέξεις κλειδιά, ενώ με w i τον αριθμό των υπερσυνδέσμων που χρησιμοποίησαν τη λέξη αυτή για να περιγράψουν τη συγκεκριμένη σελίδα. Το πρώτο ζήτημα που τίθεται είναι με ποιον τρόπο οι λέξεις κλειδιά θα αντιστοιχηθούν σε έννοιες της οντολογίας. Για να τον επιτύχουν αυτό οι συγγραφείς χρησιμοποιούν το WordNet. Καταρχάς, αντιστοιχίζουν κάθε έννοια της οντολογίας σε ένα synset του WordNet. To synset αυτό, εκφράζει το νόημα με το οποίο χρησιμοποιείται η συγκεκριμένη έννοια στην οντολογία. Για κάθε λέξη κλειδί, χρησιμοποιούν έναν αλγόριθμο προκειμένου να ανακαλύψουν το synset που αντιστοιχεί στη κάθε μία. Ο αλγόριθμος, που χρησιμοποιείται για άρση της πολυσημίας, χρησιμοποιεί το context μιας λέξης για να αποφασίσει ποιο είναι το νόημα της. Προκειμένου να αντιστοιχίσουν μια λέξη σε μια έννοια της Οντολογίας, ελέγχουν την ομοιότητα της λέξης αυτής με τις έννοιες της Οντολογίας. Το μέτρο ομοιότητας που χρησιμοποιούν είναι αυτό των Wu & Palmer. Αποδίδουν σε μία λέξη την έννοια με την οποία εμφάνισε τη μεγαλύτερη ομοιότητα s i. Για να καταλήξουν σε ένα ζυγισμένο σύνολο εννοιών που θα περιγράφουν τη συγκεκριμένη σελίδα, χρησιμοποιούν και τα w. Ωστόσο, πολλές λέξεις κλειδιά θα απεικονίζονται στην ίδια έννοια. Για τον προσδιορισμό του τελικού βάρους μιας έννοιας χρησιμοποιείται ο παρακάτω τύπος: Ο τύπος αυτός στην ουσία είναι ο ζυγισμένος μέσος όρος της ομοιότητας των επιμέρους 37

40 λέξεων με τη συγκεκριμένη έννοια. Άρα το αποτέλεσμα είναι η ακρίβεια με την οποία η συγκεκριμένη έννοια χαρακτηρίζει τη συγκεκριμένη σελίδα. Πιο απλά εντοπίζει την ύπαρξη ή όχι μιας έννοιας σε μια σελίδα και όχι το πόσο σημαντική είναι η έννοια για τη σελίδα αυτή. Σύγκριση της ομοιότητας δύο σελίδων Για την ανάθεση των σελίδων σε συστάδες οι συγγραφείς έπρεπε να χρησιμοποιήσουν ένα μέτρο της ομοιότητας μεταξύ δύο σελίδων. Το μέτρο που προτείνουν, αντί του κλασσικού μέτρου του συνημιτόνου λαμβάνει υπόψη του τις σχέσεις μεταξύ των εννοιών. Με αυτό το σκεπτικό οι συγγραφείς ήθελαν να αξιοποιήσουν και το γεγονός ότι οι έννοιες που χρησιμοποιούνται για την περιγραφή του περιεχομένου των σελίδων, ανήκουν στην ίδια ιεραρχία. Επιπλέον ήθελαν να δώσουν έμφαση και στον γρήγορο υπολογισμό του. Ως μετρική ομοιότητας χρησιμοποιούν μια παραλλαγή του μέτρου των Wu & Palmer. Το μέτρο αυτό καθώς και μια παραλλαγή του περιγράφεται παρακάτω. Έστω δύο σύνολα εννοιών, με το κάθε ένα να αντιπροσωπεύει μια σελίδα. Η απλοποιημένη έκδοση του μέτρου που χρησιμοποίησαν δεν λαμβάνει υπόψη της τα βάρη που αυτές οι έννοιες μπορεί να φέρουν. Για παράδειγμα, έστω η σελίδα Α και η σελίδα Β. Το μέτρο υπολογίζεται ως ο μέσος όρος δύο αθροισμάτων. Το πρώτο επιμέρους άθροισμα, δημιουργείται ως εξής: 1. Για κάθε όρο της σελίδας Α 1.1 Βρες και τον όρο της σελίδας Β που παρουσιάζει τη μεγαλύτερη εννοιολογική ομοιότητα με αυτό του σύμφωνα με το μέτρο των Wu & Palmer. 1.2 Άθροισε την επιμέρους ομοιότητα 2. Πάρε το μέσο όρο του αθροίσματος, διαιρώντας με Α, δηλαδή τον αριθμό των όρων που περιέχει η σελίδα Α 3. Επανέλαβε την ίδια διαδικασία για τους όρους του συνόλου Β. 4. Τέλος πάρε το μέσο όρο των δύο αυτών επιμέρους αθροισμάτων. Ο τύπος που εκφράζει τα παραπάνω, είναι ο εξής: ζ Α, Β = 1 2 [ 1 A m a x b B S a,b 1 a A B ma x a A S a,b ] b B Η λογική πίσω από αυτό το μέτρο είναι να λάβουν υπόψη τους τις ομοιότητες των δύο εγγράφων μεταξύ τους, αλλά και τις διαφορές. Εκτός από το παραπάνω πρότειναν άλλο ένα μέτρο, παραλλαγή του παραπάνω το οποίο λαμβάνει υπόψη του και τα βάρη που μπορεί τα δύο σύνολα εννοιών να φέρουν. Χαρακτηρισμός των Συστάδων Έχοντας δημιουργήσει τις συστάδες των σελίδων, το επόμενο βήμα ήταν η επιλογή ενός συνόλου εννοιών για τον χαρακτηρισμό τους. Με αυτόν τον τρόπο θα ήταν δυνατή η επιλογή των σχετικών, με κάποιο ερώτημα, συστάδων. Η διαδικασία που ακολούθησαν ήταν αρχικά να δημιουργήσουν μια λίστα για κάθε συστάδα. Η λίστα αυτή περιλαμβάνει τις έννοιες που 38

41 εμφανίζονται στις σελίδες τις συστάδας καθώς και ένα βάρος για κάθε έννοια. Το βάρος αυτό προκύπτει ως ο αριθμός των σελίδων που περιλαμβάνουν τη συγκεκριμένη έννοια στο χαρακτηρισμό τους. Τέλος, ήθελαν κάθε συστάδα να χαρακτηρίζεται από σταθερό αριθμό εννοιών. Για να το επιτύχουν αυτό, χρησιμοποίησαν και πάλι την Οντολογία. Πιο συγκεκριμένα, έννοιες με μικρό βάρος ή έννοιες πολύ ειδικές, συγχωνεύονται με γενικότερες έννοιες. Η διαδικασία επαναλαμβάνεται μέχρι να φτάσουμε στον επιθυμητό αριθμό εννοιών. Αξίζει να σημειωθεί ότι η συγκεκριμένη διαδικασία ακολουθεί τη διαίσθηση για τον χαρακτηρισμό συστάδων, καθώς οι γενικότερες έννοιες, αυτές δηλαδή που βρίσκονται πιο ψηλά στο γράφημα της οντολογίας, ευνοούνται εις βάρος ειδικότερων εννοιών. Για την χρήση της οντολογίας, πέρα του κοινού λεξικού. Τα έγγραφα συχνά χαρακτηρίζονταν από τις λέξεις που περιέχουν. Διάφοροι μέθοδοι έχουν αναπτυχθεί οι οποίες βασίζονται σε αυτή την αναπαράσταση. Ωστόσο, η περιγραφή μιας σελίδας από έννοιες, αντί από στιγμιότυπα εννοιών μας δίνει καλύτερες δυνατότητες ως προς την σημασιολογική σύγκριση των δύο σελίδων. Δίνοντας μας πέρα από τη σύγκριση εννοιών και την σύγκριση μεταξύ γενικεύσεων ή εξειδικεύσεων των εννοιών αυτών Σύστημα παροχής Συστάσεων βασισμένο σε Οντολογία Στο σημείο αυτό, αναφέρουμε πως η χρήση σημασιολογικών τεχνικών εφαρμόστηκε στην περίπτωση ενός συστήματος παροχής συστάσεων. Στην εργασία [16], οι συγγραφείς περιγράφουν ένα σύστημα παροχής συστάσεων επιστημονικών εργασιών σε ερευνητές, το οποίο δημιούργησαν με χρήση μια οντολογίας. Μεταξύ άλλων, εξηγούν πως δημιούργησαν το δικό τους σύστημα και ποιος είναι ο ρόλος των οντολογιών σε αυτό. Τέλος, έχοντας υλοποιήσεις δύο εκδόσεις ενός συστήματος, προχωρούν σε πειράματα για να αξιολογήσουν την συμπεριφορά τους. Για την δημιουργία του προφίλ των χρηστών, βασίστηκαν σε έμμεσες μεθόδους που βασίζονται στην παρατήρηση της συμπεριφοράς του χρήστη. Στόχος του συστήματος δεν ήταν να παρέχει ακριβής συστάσεις, αλλά στο σύνολο των συστάσεων του να περιέχεται τουλάχιστον μια που να είναι χρήσιμη για το χρήστη. Όπως αναφέρουν, ο Σημασιολογικός Ιστός θα άνοιγε νέες δυνατότητες στο πρόβλημα της αναζήτησης πληροφορίας στο διαδίκτυο. Εξυπνότεροι αλγόριθμοι θα μπορούσαν να χρησιμοποιηθούν οι οποίοι θα παρείχαν αποτελέσματα υψηλότερης ποιότητας. Το πρόβλημα με αυτή την προσέγγιση είναι ότι ο Σημασιολογικός Ιστός βασίζεται στη χρήση μεταδεδομένων. Η μεγάλη πλειοψηφία των δεδομένων που βρίσκονται δημοσιευμένα στο διαδίκτυο σήμερα, δεν συνοδεύονται από μεταδεδομένα κάτι που αποτελεί εμπόδιο για την υλοποίηση του οράματος του Σημασιολογικού Ιστού Υλοποίηση του Συστήματος, Προφίλ Χρηστών Η προσέγγιση τους, συνδυάζει κάποιες κλασσικές τεχνικές της ανάκτησης πληροφορίας με τεχνικές του σημασιολογικού Ιστού. Το αντικείμενο του συστήματος που υλοποίησαν ήταν η παροχή συστάσεων για ερευνητές της επιστήμης των υπολογιστών. Το πρώτο βήμα ήταν η δημιουργία μιας οντολογίας. Η οντολογία αυτή δημιουργήθηκε από τις κατηγορίες του ODP, που σχετίζονταν με την επιστήμη των υπολογιστών. Ένα πρόβλημα που έπρεπε να λύσουν ήταν η δημιουργία ενός προφίλ για το χρήστη κάτι το οποίο μπορεί να γίνει είτε άμεσα είτε έμμεσα. Στη συγκεκριμένη εργασία, οι συγγραφείς 39

42 αναπαριστούν τα ενδιαφέροντα του χρήστη σαν ένα σύνολο από κλάσεις της οντολογίας. Το προφίλ των χρηστών που υλοποίησαν ήταν βασισμένο στην συμπεριφορά των χρηστών. Επομένως, κατέγραφαν τα papers που διάβαζε κάθε χρήστης και χρησιμοποιώντας τεχνικές της ανάκτησης πληροφορίας, το κατηγοριοποιούσαν σε μια ή περισσότερες κατηγορίες. Οι κατηγορίες αυτές καταγράφονταν και προστίθενται στο προφίλ του χρήστη. Το βάρος της κάθε έννοιας στο προφίλ ενός χρήστη προκύπτει με χρήση μια χρονικά φθίνουσας συνάρτησης έτσι ώστε να καταγράφονται και τα τρέχοντα αλλά και τα μακροχρόνια ενδιαφέροντα του χρήστη. Επιπλέον κατά την παροχή συστάσεων δίνουν στο χρήστη τη δυνατότητα να αξιολογήσει τις προτεινόμενες συστάσεις. Το σύστημα, ενσωματώνει τις αξιολογήσεις ενός χρήστη στο προφίλ του. Για να εμπλουτίσουν το προφίλ του χρήστη χρησιμοποιούν μια οντολογία που περιλαμβάνει μόνο σχέσεις γενίκευσης-εξειδίκευσης (taxonomy). Πιο συγκεκριμένα, κάνουν μια αντιστοίχιση των παραδειγμάτων που ορίζουν κάθε κλάση ενδιαφέροντος σε έννοιες που υπάρχουν στην οντολογία και στη συνέχεια χρησιμοποιούν τις σχέσεις μεταξύ των εννοιών για να προσθέσουν επιπλέον κλάσεις ενδιαφέροντος. Έτσι το προφίλ εμπλουτίζεται με έννοιες πιο γενικές από αυτές που προέκυψαν από την παρατήρηση του χρήστη. Η πληροφορία αυτή προέρχεται από την οντολογία και με αυτό τον τρόπο προβάλλονται τα ενδιαφέροντα του χρήστη σε έναν ευρύτερο τομέα. Τέλος, το σύστημα παρέχει πάντα σταθερό αριθμό συστάσεων. Οι τρείς πιο σημαντικές κλάσεις του προφίλ ενός χρήστη, χρησιμοποιούνται για την παροχή συστάσεων. Τα έγγραφα των τριών αυτών κλάσεων συνδυάζονται, και τα πιο σχετικά προτείνονται στο χρήστη. Σημεία Κλειδιά Περιγραφικά τα μέρη ενός συστήματος παροχής συστάσεων είναι μια βάση δεδομένων, που θα κρατάει πληροφορίες για να αντικείμενα που μπορεί να συστήσει, ένα σύστημα παρακολούθησης της συμπεριφοράς του χρήστη και εξαγωγής των ενδιαφερόντων του και ένας αλγόριθμος για τη συσχέτιση του προφίλ του χρήστη με τα αντικείμενα που υπάρχουν στη βάση δεδομένων. Χρήση της Οντολογίας στο σύστημα Όπως είδαμε, οι όροι της οντολογίας χρησιμοποιούνται για να περιγράψουν τα ενδιαφέροντα ενός χρήστη. Αυτό αν και είναι πιο αφαιρετικό από οτι αν κρατάγαμε όλες τις εργασίες που έχει δει ένας χρήστης, έχει το πλεονέκτημα ότι με χρήση της οντολογίας μπορούμε να ανακαλύψουμε άλλα πιθανά ενδιαφέροντα του χρήστη. Η ίδια οντολογία χρησιμοποιείται από το σύστημα για την ταξινόμηση επιστημονικών εργασιών έτσι τόσο τα ενδιαφέροντα του χρήστη όσο και οι επιστημονικές εργασίες που συνιστώνται χρησιμοποιούν το ίδιο λεξιλόγιο για την σημασιολογική περιγραφή τους. 40

43 Κεφάλαιο 4: Περιγραφή, Λειτουργία και Αξιολόγηση του Συστήματος Πριν προχωρήσουμε με την περιγραφή του προτεινόμενου συστήματος, θα αναφερθούμε στη δομή και τη λειτουργία του συστήματος της αναφοράς [17 ] που άλλωστε αποτελεί και το θεμέλιο πάνω στο οποίο βασίστηκε το προτεινόμενο σύστημα. 4.1 Το Σύστημα Αναφοράς Επισκόπηση Συστήματος Στην εργασία [17] παρουσιάζεται μια πρωτότυπη μεθοδολογία για την προσωποποιημένη αναζήτηση η οποία θεωρεί ως προφίλ ενός χρήστη την τρέχουσα συμπεριφορά του. Συνοπτικά, η μεθοδολογία βασίζεται στη χρήση σημασιολογικής ανάλυσης για τον χαρακτηρισμό του περιεχομένου των σελίδων ενός ιστοτόπου. Η συμπεριφορά ενός χρήστη κατά την αλληλεπίδραση του με τον ιστότοπο καταγράφεται και ένας αλγόριθμος προσπαθεί να ανιχνεύσει τον εννοιολογικό προσανατολισμό του χρήστη, ώστε να του προτείνει σελίδες που τον ικανοποιούν. Αξίζει να σημειώσουμε ότι το σύστημα εκμεταλλεύεται τον φυσικό τρόπο αλληλεπίδρασης του χρήστη με το σύστημα, χωρίς να του ζητάει επιπλέον πληροφορία. Με αυτό τον τρόπο εκμεταλλευόμαστε το γεγονός ότι αν και ο χρήστης δεν μπορεί να εκφράσει με τον καλύτερο δυνατό τρόπο την πληροφοριακή του ανάγκη, μπορεί να αναγνωρίσει αντικείμενα που την ικανοποιούν. Με τη μεθοδολογία αυτή μεταφέρεται η έννοια της αναδιαμόρφωσης ενός ερωτήματος και στην περίπτωση της περιήγησης. Αρχές Λειτουργίας Όλα ξεκινούν από την σχέση μεταξύ του searching και του browsing. Όπως έχουμε ήδη δει, κατά την εκτέλεση του searching, ο χρήστης διατυπώνει ένα ερώτημα, με στόχο τα αποτελέσματα να ικανοποιήσουν την πληροφοριακή του ανάγκη. Αρχικά, ξεκινάει από μια μηχανή αναζήτησης και στη συνέχεια μπορεί να χρησιμοποιήσει το browsing για να κατευθυνθεί στο στόχο του. Επομένως, εννοιολογικά περνάει από μια αλληλουχία εννοιών που σχετίζονται με το περιεχόμενο του ιστοτόπου μέχρι να φτάσει στην έννοια(ες) στόχο. Σκοπός είναι να ακολουθήσουμε αυτήν αλληλουχία και να μπορέσουμε να προβλέψουμε την κατάληξή της. Παρακάτω περιγράφουμε εν συντομία τη μεθοδολογία και εστιάζουμε στα πιο σημαντικά της σημεία. 41

44 Απόδοση Σημασιολογικών χαρακτηριστικών Χρειάστηκε ένα σύνολο εννοιών τόσο για την αναπαράσταση του περιεχομένου των σελίδων, όσο και την έμμεση δημιουργία του προφίλ του χρήστη. Για το σκοπό αυτό χρησιμοποιήθηκε μια ταξινομία. Αυτή αποτελεί μια δενδρική δομή, όπου οι κόμβοι αναπαριστούν έννοιες και οι ακμές σχέσεις εξειδίκευσης μεταξύ των εννοιών. Ειδικότερα κάθε έννοια στη ρίζα ενός υποδένδρου αποτελεί μια υπερκλάση όλων των εννοιών που περιέχονται στο υποδένδρο αυτό. Αναπαράσταση Για την αναπαράσταση μιας σελίδας ως ένα σύνολο εννοιών, οι συγγραφείς βασίστηκαν στο περιεχόμενο της κάθε σελίδας. Επέλεξαν για κάθε σελίδα να κρατήσουν τις 50 πιο συχνές λέξεις και όχι εκείνες που θα είχαν το υψηλότερο σκορ σύμφωνα με την μέθοδο tf * idf. Έτσι για κάθε σελίδα προκύπτει μια πρώτη, ενδιάμεση αναπαράσταση. Στη συνέχεια χρησιμοποιούν αυτή την αναπαράσταση για να φτάσουν στην επιθυμητή μορφή. Συγκεκριμένα, χρησιμοποιώντας το wordnet και το μέτρο ομοιότητας των Wu & Palmer, εξετάζουν κάθε λέξη και κάθε έννοια της ταξινομίας για ομοιότητα με τις έννοιες της οντολογίας. Η αντιστοίχηση είναι έγκυρη όταν η ομοιότητα υπερβαίνει ένα συγκεκριμένο κατώφλι. Τέλος, για κάθε σελίδα έχοντας καταλήξει σε ένα σύνολο εννοιών με βάρη εκτελούν μια διαδικασία κανονικοποίησης. Βασική μεθοδολογία Για κάθε χρήστη που εισέρχεται στο σύστημα, διατηρείται ένα παράθυρο στο οποίο θα αποθηκευτούν οι έννοιες που τον ενδιαφέρουν. Το παράθυρο έχει σταθερό μήκος, και το περιεχόμενό του ανανεώνεται κάθε φορά που ο χρήστης επισκέπτεται μια σελίδα. Ο αλγόριθμος κρατάει έννοιες που προέρχονται από το περιεχόμενο των σελίδων που επισκέπτεται ο χρήστης. Κάθε φορά που το παράθυρο ανανεώνεται, το σύνολο των εννοιών που περιέχει απεικονίζεται στο γράφημα της ταξινομία. Σκοπός είναι η εύρεση μονοπατιών με περιορισμό μέγιστου μήκους. Επειδή οι έννοιες προέρχονται από σελίδες, κάθε έννοια φέρει ένα βάρος το οποίο ενσωματώνεται στον κόμβο κάθε μονοπατιού. Από το συνδυασμό αυτών των βαρών, εξάγεται ο εννοιολογικός προσανατολισμός του χρήστη και επομένως προβλέπονται οι πιθανές έννοιες στόχοι. Πιο συγκεκριμένα, ανιχνεύονται μονοπάτια και συνεκτικά υποσύνολα τους, στα οποία ο πρώτος κόμβος έχει μεγαλύτερο βάρος από τους υπόλοιπους. Τότε όλοι οι έννοιες στο μονοπάτι αυτό είναι υποψήφιες για την συμμετοχή στην παροχή συστάσεων. Η ύπαρξη του συγκεκριμένου προτύπου θεωρείται ότι συνδέεται με την καταγεγραμμένη πρόθεση του χρήστη να μεταβεί από γενικότερες προς ειδικότερες έννοιες. Σημεία Κλειδιά Το παραπάνω σύστημα έχει αρκετά ενδιαφέροντα χαρακτηριστικά. Ένα από αυτά είναι ο τρόπος με τον οποίο δημιουργεί το προφίλ του χρήστη. Ο κάθε χρήστης προσδιορίζεται αποκλειστικά και μόνο από την αλληλεπίδραση του με το σύστημα. Έτσι δεν υπάρχει 42

45 ανάγκη για παροχή προσωπικών δεδομένων. Ωστόσο αυτό το πλεονέκτημα, απαιτεί την αυξημένη ακρίβεια ως προς τον χαρακτηρισμό του πληροφοριακού στόχου του χρήστη καθώς και τον έγκαιρο προσδιορισμό του. Οι ιεραρχίες των εννοιών χρησιμοποιούνται με τρόπο ώστε να επιτρέπεται ο προσδιορισμός του στόχου του χρήστη σε εννοιολογικό πλέον επίπεδο. Δηλαδή η χρήση των ταξινομιών ως ένα γράφημα, λειτουργεί ως μια μέθοδος για την εξαγωγή συμπερασμάτων και θυμίζει όπως θα δούμε και παρακάτω την μεθοδολογία ανίχνευσης λεκτικών αλυσίδων. Τέλος, υιοθετώντας ένα παράθυρο εννοιών αντιμετωπίζει την έννοια του χρόνου με έναν τρόπο που προσεγγίζει την πραγματική μέθοδο αναζήτησης πληροφορίας στο διαδίκτυο. Πιο συγκεκριμένα, όλες οι έννοιες μέσα στο παράθυρο ελέγχονται ισότιμα για τον προσδιορισμό του εννοιολογικού προσανατολισμού του χρήστη. Αυτό είναι σημαντικό γιατί ένας χρήστης, κατά την αναζήτησή του, δεν ακολουθεί πάντα ένα γραμμικό μονοπάτι προς το στόχο του, αλλά συμπεριλαμβάνει και άλλες σελίδες οι οποίες τον βοηθούν να προσδιορίσει με μεγαλύτερη ακρίβεια την πληροφοριακή του ανάγκη. Έχοντας υπόψη μας τα παραπάνω και θέλοντας να κρατήσουμε όλα τα θετικά στοιχεία του συγκεκριμένου συστήματος, σχεδιάσαμε και υλοποιήσαμε ένα σύστημα το οποίο περιγράφεται παρακάτω. 4.2 Αρχιτεκτονική Προτεινόμενου Συστήματος Γενική Περιγραφή Προτεινόμενου Συστήματος Θέλουμε να δημιουργήσουμε ένα μηχανισμό παροχής συστάσεων ιστοσελίδων για τους χρήστες συγκεκριμένου ιστοτόπου. Πιο συγκεκριμένα, στόχος μας είναι ο προσδιορισμός των πληροφοριακών αναγκών των χρηστών που εισέρχονται στο σύστημα και η πρόταση σελίδων που ανήκουν στον ιστότοπο και πιθανόν ικανοποιούν τον χρήστη. Σύμφωνα με το RoS, (Rule of Surfing), οι χρήστες κατά μέσο όρο επισκέπτονται 3 σελίδες ενός ιστοτόπου πριν εγκαταλείψουν τον ιστότοπο. Φυσικά αυτό δεν αποκλείει την ύπαρξη επισκέψεων μεγαλύτερου μήκους, αλλά οι επισκέψεις μικρού μήκους είναι πολύ περισσότερες. Κάνουμε την υπόθεση ότι στον ιστότοπο θα υπάρχει πάντα τουλάχιστον μια ιστοσελίδα που θα ικανοποιεί το χρήστη. Θεωρούμε ότι ο χρήστης ικανοποιείται όταν εντοπίσει τη σελίδα αυτή. Επιτρέπουμε στο χρήστη μόνο μία ενέργεια, αυτή του να ακολουθεί υπερσυνδέσμους. Το αν θα βρει ο χρήστης τη σελίδα στόχο, εξαρτάται από πολλούς παράγοντες. Ένας από αυτούς, είναι οι γνώσεις του χρήστη ως προς το θεματικό περιεχόμενο του ιστοτόπου. Άλλοι παράγοντες είναι η σελίδα από την οποία ένας χρήστης θα εισέλθει στο σύστημα, αν η δόμηση του ιστοτόπου ταιριάζει στον τύπο αναζήτησης που ασκεί ο χρήστης κ.α. Το μοντέλο Για να σχεδιάσουμε το σύστημά μας, θεωρούμε ότι ένας ιστότοπος είναι ένα άκυκλο διευθυνόμενο γράφημα. Οι κόμβοι αποτελούν τις ιστοσελίδες και οι ακμές τους υπερσυνδέσμους μεταξύ των ιστοσελιδων. Ένας χρήστης, εισέρχεται στο σύστημα από οποιονδήποτε κόμβο, και εκτελώντας έναν αλγόριθμο, βασιζόμενες σε τοπικές σε κάθε κόμβο πληροφορίες, προσπαθεί να οδηγηθεί σε έναν άγνωστο εκ των προτέρων κόμβο που 43

46 θα τον ικανοποιεί. Ο χρήστης προσπαθεί να ελαχιστοποιήσει την απαιτούμενη προσπάθεια. Βάσει των παραπάνω προχωράμε σε δύο ορισμούς. Ορισμός 1 : Μια ιστοσελίδα αποτελείται από περιεχόμενο και από υπερσυνδέσμους. Εννοούμε ότι αποτελείται από περιεχόμενο που σχετίζεται με το θέμα της ιστοσελίδας αλλά και υπερσυνδέσμους μαζί με το περιεχόμενο που τους περιγράφει. Ορισμός 2 : Μονοπάτι είναι μια ακολουθία σελίδων που επισκέπτεται ο χρήστης. Στην πραγματικότητα ο χρήστης, ξεκινώντας απο μια σελίδα, ακολουθεί υπερσυνδέσμους που τον οδηγούν σε κάποια άλλη σελίδα. Θα μπορούσε ως μονοπάτι να οριστεί και η ακολουθία υπερσυνδέσμων που έχει ακολουθήσει ο χρήστης. Προς το παρόν όμως ο ορισμός αυτός δεν φαίνεται να απλοποιεί τις διαδικασίες. Τέλος, αναφέρουμε ότι το γράφημα μπορεί να μην είναι ισχυρά συνεκτικό. Βασικές Υποθέσεις Επειδή το πρόβλημα στη γενική του μορφή, φαίνεται να είναι αρκετά πολύπλοκο, περιλαμβάνοντας αρκετές παραμέτρους, προχωράμε σε κάποιες βασικές υποθέσεις, καταλήγοντας σε μια απλοποιημένη εκδοχή του. Υπόθεση 1 : Η πληροφοριακή ανάγκη G του χρήστη, παραμένει σταθερή καθ' όλη τη διάρκεια της αναζήτησης του στον ιστότοπο που μας ενδιαφέρει. Αυτό θα μπορούσε να μην ισχύει, αν ο αρχικός στόχος του χρήστη δεν ήταν ξεκάθαρος και άλλαζε καθώς αποκτούσε νέα γνώση μέσω της αλληλεπίδραση με το σύστημα. Η άλλη περίπτωση θα ήταν ο χρήστης να μην έχει έναν και μόνο στόχο, αλλά περισσότερους που θα προσπαθούσε να ικανοποιήσει κατά τη διάρκεια μιας συνεδρίας. Υπόθεση 2 : Η ανάγκη του χρήστη ικανοποιείται από την επίσκεψή του σε μία σελίδα και όχι από το μονοπάτι που θα ακολουθήσει για να φτάσει σε αυτή. Δηλαδή οι ενδιάμεσες σελίδες είναι απλώς βοηθητικές. Η συγκεκριμένη υπόθεση υιοθετεί το λεγόμενο μοντέλο συναλλαγών (trasnactional-based model). Ακόμα και αν ο στόχος είναι σταθερός και μοναδικός, ο χρήστης μπορεί να κερδίζει πληροφορία από την αλληλεπίδραση του με τον ιστότοπο. Σε αυτή την περίπτωση το μονοπάτι που διασχίζει πριν φτάσει στον τελικό του στόχο έχει σημασία, καθώς κάθε σελίδα συνεισφέρει με το περιεχόμενό της, πέρα των υπερσυνδέσμων, σε κάποιο ποσοστό στην ικανοποίηση του στόχου του χρήστη. Υπόθεση 3 : Τα ποιοτικά χαρακτηριστικά της συνάρτησης επιλογής υπερσυνδέσμων είναι ίδια για όλους του χρήστες και το μόνο που διαφοροποιεί τη συνάρτηση είναι η γνώση του χρήστη για το πεδίο ενδιαφέροντος, που είναι και το εννοιολογικό πλαίσιο στο οποίο ανήκει το περιεχόμενο του ιστοτόπου. Σίγουρα δεν έχουν τις ίδιες γνώσεις όλοι οι χρήστες, αλλά εκτός από αυτό διαφέρουν και σε πολλά άλλα σημεία, όπως στον τρόπο λήψης αποφάσεων, στην αυστηρότητα με την 44

47 οποία κρίνουν μια σελίδα και την σχετικότητα του περιεχομένου της. Επίσης, ο ίδιος χρήστης μπορεί να λειτουργεί διαφορετικά υπό διαφορετικές συνθήκες. Επειδή υπάρχουν πάρα πολλοί τρόποι με τους οποίους η συμπεριφορά ενός χρήστη μεταβάλλεται, υιοθετούμε ένα γενικό μοντέλο χρήστη που εφαρμόζει κάποιον αλγόριθμο απληστίας προκειμένου να επιτύχει το στόχο του. Υπόθεση 4 : Ένας υπερσύνδεσμος μεταξύ δύο ιστοσελίδων αντιστοιχεί σε μια σχέσης μιας οντολογίας (Spinning The Semantic Web) Όπως αναφέρεται σε άρθρο του συγκεκριμένου βιβλίου [18], ο λόγος που ένας υπερσύνδεσμός υπάρχει είναι επειδή υπάρχει μια εννοιολογική συσχέτιση. Πιο συγκεκριμένα, κάποια(ες) έννοια(ες) της σελίδας πηγής σχετίζονται με κάποια(ες) έννοια(ες) με κάποια σχέση που υποδηλώνεται με την ύπαρξη υπερσυνδέσμου. Παρατηρήσεις Παρατήρηση 1 : Κάθε υπερσύνδεσμος περιγράφει κάποιο υποσύνολο του περιεχομένου της σελίδας στην οποία δείχνει. (THESUS) Ένας υπερσύνδεσμος φέρει πληροφορία που περιγράφει το περιεχόμενο μιας ιστοσελίδας. Η ιστοσελίδα μπορεί να καλύπτει και άλλα θέματα, αλλά η περιγραφή που συνδέεται με τον υπερσύνδεσμο προβάλλει ένα υποσύνολο από αυτά. Με τον όρο 'περιγραφή' εννοούμε το κείμενου μήκους περίμπου 50 έως 100 χαρακτήρων πριν ή/και μετά τον υπερσύνδεσμο, την ετικέτα του ίδιου του υπερσυνδέσμου και την τιμή του γνωρίσματος rel που μπορεί να υπάρχει. Παρατήρηση 2 : Οι χρήστες είναι πολλοί περισσότεροι από τις σελίδες, άρα περισσότεροι του ενός χρήστες θα ικανοποιούνται από την ίδια σελίδα. (Αρχή του Περιστερώνα και Υπόθεση 2) Κάθε χρήστης έχει έναν δικό του στόχο, ο οποίος εκφράζεται σε φυσική γλώσσα. Στη γενική περίπτωση μόνο ένα τμήμα του στόχου του μπορεί να ικανοποιηθεί από την επίσκεψή του στον ιστότοπο. Οι στόχοι των χρηστών, στο κομμάτι που αφορά στον ιστότοπο ενδιαφέροντος, μπορούν να διαφέρουν τόσο στο είδος της πληροφορίας που επιζητούν όσο και στον βαθμό λεπτομέρειας της πληροφορίας αυτής. Χωρίζουμε λοιπόν τον στόχο του κάθε χρήστη σε δύο τμήματα, δλδ G = gm + I. Με I συμβολίζουμε το τμήμα εκείνο του στόχου του χρήστη που δεν έχει ομοιότητα με το περιεχόμενο του ιστότοπου. Αναζητούμε επομένως τη σελίδα που το περιεχόμενό της θα έχει τη μέγιστη σχετικότητα με το gm. Από τα παραπάνω δεν αποκλείεται δύο διαφορετικοί χρήστες να ικανοποιούνται από την ίδια σελίδα είτε έχουν τον ίδιο είτε διαφορετικούς στόχους. Παρατήρηση 3 : Οι μηχανές αναζήτησης χρησιμοποιούν το περιεχόμενο μιας σελίδας προκειμένου να την συμπεριλάβουν σε ένα σύνολο αποτελεσμάτων. Το περιεχόμενο μιας σελίδας μπορεί να χρησιμοποιηθεί με δύο τρόπους. Ο πρώτος τρόπος είναι να αξιοποιήσουμε την πληροφορία αυτή για να προτείνουμε σελίδες. Ο δεύτερος τρόπος χρησιμοποεί το περιεχόμενο μιας σελίδας για να δώσει μια γενική ιδέα για τον στόχο 45

48 ενός χρήστη. Ένας χρήστης, εισήλθε στο σύστημα ακολουθώντας κάποιον υπερσύνδεσμο από άλλον ιστότοπο ή απο μια λίστα αποτελεσμάτων μετά την υποβολή ενός ερωτήματος σε μια μηχανή αναζήτησης. Δυστυχώς, δεν μπορούμε να έχουμε το κείμενο του ερωτήματος ή την περιγραφή του υπερσυνδέσμου που ακολουθήθηκε. Ξέρουμε όμως ότι οποιοδήποτε από τα δύο θα συνδέεται με το περιεχόμενο της σελίδας στην οποία βρέθηκε ο χρήστης. Αυτή εξ' ορισμού είναι η σελίδα από την οποία ο χρήστης εισέρχεται στον ιστότοπο για πρώτη φορά, είτε είναι η αρχική σελίδα του ιστοτόπου είτε όχι. Παρατήρηση 4 : Ο χρήστης θα επιλέξει εκείνους τους συνδέσμους των οποίων η περιγραφή θα τον φέρουν πιο κοντά στο στόχο. Αυτό υπαγορεύεται από την έμμεση υπόθεση ότι ο χρήστης είναι ορθολογικός, επιδιώκει ένα συγκεκριμένο στόχο και επιθυμεί να τον πετύχει όσο πιο σύντομα γίνεται. Παρατήρηση 5 : Οι έννοιες που σχετίζονται με το στόχο του χρήστη είναι στενά συνδεδεμένες μεταξύ τους ( Web Projections : Learning from Contextual Subgraphs of the Web ). Η παραπάνω παρατήρηση προκύπτει από την υπόθεση 4 και τα περιεχόμενα του αναφερόμενου άρθρου. Οι συγγραφείς του άρθρου μελέτησαν την τοπολογία των σελίδων που προέκυπταν μετά από την υποβολή ερωτημάτων σε μια μηχανή αναζήτησης. Κατέληξαν στο συμπέρασμα ότι αποτελέσματα τα οποία χαρακτηρίζονταν ικανοποιητικά από τους χρήστες ήταν στενά διασυνδεδεμένα και επιπλέον οι σελίδες ενδιαφέροντος αποτελούσαν τους κόμβους με το μεγαλύτερο αριθμό εισερχομένων εξερχομένων ακμών. Ο αλγόριθμος επιλογής των χρηστών Έστω F(G,si) η συνάρτηση επιλογής ενός χρήστη. Με si συμβολίζουμε την τρέχουσα σελίδα στην οποία βρίσκεται ο χρήστης. Βάσει του μοντέλου (SNIF ACT 2.0) η συνάρτηση αυτή εξετάζει ακολουθιακά τους k πρώτους υπερσυνδέσμους μιας σελίδας και επιλέγει αυτόν του οποίου η περιγραφή εμφανίζει τη μεγαλύτερη ομοιότητα με το στόχο G του χρήστη. Το k δεν είναι σταθερό για κάθε σελίδα. Αντίθετα εξαρτάται από την μεγαλύτερη ομοιότητα που έχει ανιχνευθεί μεταξύ ενός υπερσυνδέσμου της σελίδας και του στόχου του χρήστη. Για την εξεύρεση της ομοιότητας οι χρήστες χρησιμοποιούν τις γνώσεις τους και τις εμπειρίες τους πάνω στο συγκεκριμένο θέμα. Αυτό σημαίνει ότι δύο χρήστες με τον ίδιο στόχο, θα μπορούσαν να επιλέξουν να ακολουθήσουν διαφορετικούς υπερσυνδέσμους της ίδιας σελίδας. 4.3 Λειτουργία Προτεινόμενου Συστήματος Θα κάνουμε χρήση μιας οντολογίας για τον σημασιολογικό χαρακτηρισμό του περιεχομένου των σελίδων, το χαρακτηρισμό των περιγραφών των υπερσυνδέσμων και την περιγραφή των στόχων των χρηστών. Οι σημασιολογικές πλέον περιγραφές των υπερσυνδέσμων θα χρησιμοποιηθούν για τον προσδιορισμό των στόχων των χρηστών. Ενώ ο σημασιολογικός χαρακτηρισμός του περιεχομένου των σελίδων για την δημιουργία συστάσεων προς το χρήστη. 46

49 Πιο Αναλυτικά : Υιοθετούμε την υπόθεση ότι ο χρήστης επιλέγει να ακολουθήσει υπερσυνδέσμους που τον φέρνουν πιο κοντά στο στόχο του. Χρησιμοποιώντας την περιγραφή των υπερσυνδέσμων που επιλέγει κάθε χρήστης δημιουργούμε το πλαίσιο (context) μέσα στο οποίο εντάσσεται ο στόχος του. Η πιο απλή τεχνική που θα μπορούσαμε να χρησιμοποιήσουμε θα ήταν να εξάγουμε λέξεις κλειδιά από τις περιγραφές και να τις χρησιμοποιήσουμε ως κείμενο ενός query που θα υποβάλλουμε στις σελίδες του ιστοτόπου. Ωστόσο με τη χρήση μιας οντολογίας θα μπορούσαμε να πετύχουμε καλύτερα αποτελέσματα ως προς τις παρεχόμενες συστάσεις. Έστω ότι χρησιμοποιούμε μια οντολογία που θα περιλαμβάνει μόνο σχέσεις ειδίκευσης εξειδίκευσης. Έχοντας χαρακτηρίσει εννοιολογικά τις σελίδες του ιστοτόπου και έχοντας χαρακτηρίσει εννοιολογικά τις περιγραφές των υπερσυνδέσμων που ακολουθήθηκαν, μπορούμε χρησιμοποιώντας ομοιότητα διανυσμάτων να παρέχουμε συστάσεις. Με αυτό το τρόπο θα βασιζόμασταν στο νόημα των λέξεων παρά στις ίδιες τις λέξεις, έτσι ώστε να επιλέξουμε τις πιο σχετικές σελίδες. Ο μηχανισμός συστάσεων θα μπορούσε να βελτιωθεί επιπλέον αν χρησιμοποιήσουμε μια οντολογία, για να εμπλουτίσουμε με άλλες σχετικές έννοιες την περιγραφής του στόχου του χρήστη, ώστε να πετύχουμε μεγαλύτερες ομοιότητες και καλύτερες συστάσεις. Κάτι τέτοιο θα μπορούσε να χαρακτηριστεί ως query reformulation. Ο αλγόριθμος θα λειτουργεί πάνω στο γενικευμένο γράφημα της οντολογίας. Όπως έχουμε ήδη αναφέρει θα περιλαμβάνει σχέσεις γενίκευσης εξειδίκευσης αλλά και σχέσεις τις οποίες δεν ορίζουμε αυστηρά αλλά έχουν την μορφή μιας στατιστικής σχέσης. Η λογική πίσω από όλα αυτά είναι ότι, ένας χρήστης θα επιλέξει είτε μια έννοια που σχετίζεται στενά με τη σχέση στόχο, είτε μια έννοια που θεωρεί ότι σχετίζεται στενά με μια έννοια που σχετίζεται στενά με την έννοια στόχο ( friend of a friend ), σε αυτή τη περίπτωση αναμένουμε ότι και αυτή η έννοια θα σχετίζεται με την έννοια στόχο με μία ίσως όχι άμεση σχέση. Παρακάτω ( Σχήμα1 ) απεικονίζεται η αρχιτεκτονική του Προτεινόμενου Συστήματος. Όπως φαίνεται, το σύστημα αποτελείται από το off line και το online κομμάτι. Στο off line τμήμα, επεξεργαζόμαστε τις σελίδες του ιστοτόπου, έτσι ώστε το περιεχόμενό τους να απεικονιστεί σε όρους της οντολογίας. Επιπλέον, επεξεργαζόμαστε το κείμενο γύρω από τους υποερσυνδέσμους των σελίδων, με σκοπό να συσχετίσουμε κάθε σύνδεσμο με κάποια ή κάποιες από τις έννοιες της οντολογίας. Τα αποτελέσματα της επεξεργασίας αποθηκεύονται για μετέπειτα χρήση. 47

50 Σχήμα 1: Αρχιτεκτονική Συστήματος Στο online κομμάτι ο χρήστης αλληλεπιδρά με τον ιστότοπο ενώ η συμπεριφορά του καταγράφεται. Το κατάλληλο υποσύστημα προσεγγίζει το query που εμμέσως υποβάλλει ο χρήστης. Πιο συγκεκριμένα, καταγράφουμε τις έννοιες που συνδέονται με τους υπερσυνδέσμους που επιλέγει ο χρήστης και τις αποθηκεύουμε. Το παράθυρο που φιλοξενεί τις έννοιες αυτές είναι σταθερού μήκους. Έπειτα βάσει αυτών των εννοιών προσπαθούμε να βρούμε άλλες σχετικές έννοιες και να εμπλουτίσουμε το σχηματιζόμενο query. Τέλος, με το εμπλουτισμένο query υπόψη, προσδιορίζονται οι σελίδες που θα εμφανιστούν στο χρήστη με τη μορφή συστάσεων. 48