Uma Ferramenta para Mineração Multi-relacional de Redes Sociais Baseada em Programação Lógica e Workflows

• Manuel Almeida Universidade Federal Fluminense
• Aline Paes Universidade Federal Fluminense
• Daniel de Oliveira Universidade Federal Fluminense

Resumo

Técnicas de mineração de dados multi-relacional (MDMR) constituem asestratégias mais apropriadas para lidar com bases de dados contendo múltiplosrelacionamentos entre entidades não homogêneas, o que é justamente o caso debases obtidas a partir de redes sociais. Entretanto, o espaço de busca de hipótesescandidatas de tais estratégias é mais complexo do que aqueles obtidos a partir detécnicas tradicionais de mineração de dados. Para permitir uma busca factível noespaço de hipóteses, as técnicas de MDMR adotam vieses de linguagem e de buscaao processo de mineração. Porém, uma análise experimental detalhada requer acombinação de vários parâmetros distintos, o que torna o controle manual de talprocesso complexo. Nesse artigo, é apresentada uma ferramenta que instancia umworkflow científico para a análise de um processo de MRDM, modelado a partir doSistema de Gerência de Workflows SciCumulus, denominada LPFlow4SN. Porcontrolar o processo experimental de forma automática, o LPFlow4SN tem opotencial de tornar a mineração de redes sociais eficiente.

Palavras-chave: Mineração de Dados, Análise de Redes Sociais, Programação Lógica, Workflows

Referências

Bakshy, E., Rosenn, I., Marlow, C., Adamic, L., (2012), "The Role of Social Networks in Information Diffusion". In: Proceedings of the 21st International Conference on World Wide Web , p. 519 528, New York, NY, USA.

Džeroski, S., Lavrač, N., (2001), Relational data mining . Berlin; New York, Springer.

Freire, J., Koop, D., Santos, E., Silva, C. T., (2008), "Provenance for Computational Tasks: A Survey", Computing in Science and Engineering, v.10 , n. 3, p. 11 21.

Han , J., Kamber, M., Pei, J., (2011), Data Mining: Concepts and Techniques, Third Edition . 3 ed. Morgan Kaufmann.

Mattoso, M., Werner, C., Travassos, G. H., Braganholo, V., Murta, L., Ogasawara, E., Oliveira, D., Cruz, S. M. S. da, Martinho, W., (2010), "Towa rds Supporting the Life Cycle of Large scale Scientific Experiments", International Journal of Business Process Integration and Management , v. 5, n. 1, p. 79 92.

Muggleton, S., (1995), "Inverse entailment and progol", New Generation Computing , v. 13, n. 3 4 (Dec.), p. 245 286.

Nilsson, U., Małuszyński, J., (1995), Logic, programming, and Prolog . Chichester; New York, John Wiley.

Oliveira, D., Ogasawara, E., Baião, F., Mattoso, M., (2010), "SciCumulus: A Lightweight Cloud Middleware to Explore Many Task C omputing Paradigm in Scientific Workflows". In: 3rd International Conference on Cloud Computing , p. 378 385, Washington, DC, USA.

Powers, D., (2007), {Evaluation: From Precision, Recall and F Factor to ROC, Informedness, Markedness & Correlation}

Raedt, L. L., (2008), "Logical and Relational Learning". In: Proceedings of the 19th Brazilian Symposium on Artificial Intelligence: Advances in Artificial Intelligence , p. 1 1, Berlin, Heidelberg.

Richardson, M., Domingos, P., (2006), "Markov Logic Networks", Mach. L earn.earn., v. 62, n. 1 2 (Feb.), p. 107-136.