Uso de técnicas de processamento de linguagem natural para identificação de similaridade de serviços públicos
Resumo
A procura e a oferta por serviços públicos digitais estão se difundindo globalmente e foram potencializados com os efeitos da pandemia. De forma geral, a descrição de um serviço público possui palavras chaves e dados específicos que caracterizam o seu propósito. Este trabalho usa técnicas de processamento de linguagem natural nessas informações textuais e realiza análise de similaridade entre os serviços públicos para gerar recomendação, baseada em conteúdo, dos serviços ao cidadão. Os resultados demonstraram ser possível encontrar similaridade entre os 71 serviços analisados que possibilita personalizar conteúdo ao cidadão recomendando serviços públicos similares ao que ele geralmente utiliza.
Palavras-chave:
Sistema de Recomendação, Serviço Público, Governo Digital
Referências
Aggarwal, C. C. (2016). Recommender Systems. Springer International Publishing.
Ayachi, R., Boukhris, I., Mellouli, S., Ben Amor, N., & Elouedi, Z. (2016). Proactive and reactive e-government services recommendation. Universal Access in the Information Society, 15(4), 681–697.
Beysolow II, T. (2018). Applied Natural Language Processing with Python: Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing. Apress.
Brasil. (2017). Dispõe sobre participação, proteção e defesa dos direitos do usuário dos serviços públicos da administração pública, no LEI No 13.460, DE 26 DE JUNHO DE 2017. http://www.planalto.gov.br/ccivil_03/_ato2015-2018/2017/lei/l13460.htm
Gomez-Uribe, C. A., & Hunt, N. (2016). The Netflix Recommender System: Algorithms, Business Value, and Innovation. ACM Transactions on Management Information Systems, 6(4), 1–19.
Iaquinta, L., Torsello, M. A., Comerio, M., Fanelli, A. M., & Semeraro, G. (2013). User Segmentation in e-Government Services. 6.
Kelly, K. (2017). Inevitável: As 12 forças tecnológicas que mudarão nosso mundo (1a ). HSM.
Martinguerrero, J., Palomares, A., Balaguerballester, E., Soriaolivas, E., Gomezsanchis, J., & Sorianoasensi, A. (2006). Studying the feasibility of a recommender in a citizen web portal based on user modeling and clustering algorithms. Expert Systems with Applications, 30(2), 299–312.
Meo, P. D., Quattrone, G., Terracina, G., & Ursino, D. (2007). Utilization of intelligent agents for supporting citizens in their access to e-government services. 39.
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos sobre Aprendizado de Máquina. In Sistemas Inteligentes—Fundamentos e Aplicações (p. 525). Manole.
OCDE. (2020). The OECD Digital Government Policy Framework (OECD Public Governance Policy Papers No 3; OECD Public Governance Policy Papers, Vol. 3). OECD Publishing.
Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (Orgs.). (2015). Recommender Systems Handbook. Springer US.
Sabucedo, L. A., Barreiros, R. S., Gago, J. M. S., & Iglesias, M. F. (2012). A hybrid Semantic driven recommender for services in the eGovernment domain. 2012 Second International Conference on Digital Information and Communication Technology and It’s Applications (DICTAP), 409–414.
Sohrabi, B., & Khanlari, A. (2007). Customer Lifetime Value (CLV) Measurement Based on RFM Model. 14(47), 14.
Ayachi, R., Boukhris, I., Mellouli, S., Ben Amor, N., & Elouedi, Z. (2016). Proactive and reactive e-government services recommendation. Universal Access in the Information Society, 15(4), 681–697.
Beysolow II, T. (2018). Applied Natural Language Processing with Python: Implementing Machine Learning and Deep Learning Algorithms for Natural Language Processing. Apress.
Brasil. (2017). Dispõe sobre participação, proteção e defesa dos direitos do usuário dos serviços públicos da administração pública, no LEI No 13.460, DE 26 DE JUNHO DE 2017. http://www.planalto.gov.br/ccivil_03/_ato2015-2018/2017/lei/l13460.htm
Gomez-Uribe, C. A., & Hunt, N. (2016). The Netflix Recommender System: Algorithms, Business Value, and Innovation. ACM Transactions on Management Information Systems, 6(4), 1–19.
Iaquinta, L., Torsello, M. A., Comerio, M., Fanelli, A. M., & Semeraro, G. (2013). User Segmentation in e-Government Services. 6.
Kelly, K. (2017). Inevitável: As 12 forças tecnológicas que mudarão nosso mundo (1a ). HSM.
Martinguerrero, J., Palomares, A., Balaguerballester, E., Soriaolivas, E., Gomezsanchis, J., & Sorianoasensi, A. (2006). Studying the feasibility of a recommender in a citizen web portal based on user modeling and clustering algorithms. Expert Systems with Applications, 30(2), 299–312.
Meo, P. D., Quattrone, G., Terracina, G., & Ursino, D. (2007). Utilization of intelligent agents for supporting citizens in their access to e-government services. 39.
Monard, M. C., & Baranauskas, J. A. (2003). Conceitos sobre Aprendizado de Máquina. In Sistemas Inteligentes—Fundamentos e Aplicações (p. 525). Manole.
OCDE. (2020). The OECD Digital Government Policy Framework (OECD Public Governance Policy Papers No 3; OECD Public Governance Policy Papers, Vol. 3). OECD Publishing.
Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (Orgs.). (2015). Recommender Systems Handbook. Springer US.
Sabucedo, L. A., Barreiros, R. S., Gago, J. M. S., & Iglesias, M. F. (2012). A hybrid Semantic driven recommender for services in the eGovernment domain. 2012 Second International Conference on Digital Information and Communication Technology and It’s Applications (DICTAP), 409–414.
Sohrabi, B., & Khanlari, A. (2007). Customer Lifetime Value (CLV) Measurement Based on RFM Model. 14(47), 14.
Publicado
18/07/2021
Como Citar
CAMPOS, Sandro Luís Brandão; FIGUEIREDO, Josiel Maimone de.
Uso de técnicas de processamento de linguagem natural para identificação de similaridade de serviços públicos. In: WORKSHOP DE COMPUTAÇÃO APLICADA EM GOVERNO ELETRÔNICO (WCGE), 9. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 83-94.
ISSN 2763-8723.
DOI: https://doi.org/10.5753/wcge.2021.15979.
