Expertenfindung in komplexen
Informationssystemen - Ein Metrik-basierter Ansatz
Wolfgang Reinhardt
Alexander Boschmann
Andr...
Die MoKEx Projektgruppenserie

• MoKEx Projektgruppenserie


  • langjähriges, interdisziplinäres Forschungsprojekt, Ausze...
Die MoKEx Projektgruppenserie

• generelle Fragestellungen: betrieblicher Softwareeinsatz im Kontext von E-
  Learning und...
Spezifische Zielsetzung

• Wiederverwendung früherer Softwarekomponenten zur automatischen
  Gewinnung inhalts- und objektb...
Wissen(-smanagement)

• Wissen und dessen (vermeintliches) Management gewinnt Einfluss als
  Produktionsfaktor


• Wissensm...
Expertensuche und -findung

• fehlende Transparenz von Mitarbeiterkompetenzen wird oft als Defizit heutiger
  IT-Systeme ang...
Graph-basierte Expertenvisualiserung

• Visualisierung sog. Knowledge Entities [Tr05] und semantische Verknüpfung


  • pr...
Graph-basierte Expertenvisualiserung, Beispiele

• Meyer & Spiekermann: skillMap [MS06]


  • Verknüpfung von Graphen aus ...
Datenschutz, Ergebnisse des Tests

• Datenschutz kann zum Problem werden


  • BVG 1983


  • Unterscheidung in privat, ge...
Single Point of Information


            FLEX?




             FLEX

            AJAX?




             AJAX
           ...
Motivation
                                                           em
                                     ationen lieg...
MoKEx Architektur


                               MetaXsA                MeduSA




                                     ...
E-Mail und Wiki Anbindung

                                                 Meta
                                         ...
Expertenfindung


                                  MetaXsA         MeduSA     DMS


               Experten?
          Ver...
Unser Ansatz zur Expertenfindung

• RaMBo (Rating Module and Behavior observation) als Komponente in
  Gesamtarchitektur de...
Metadatengewinnung

• Komponente MetaXsA (Metadaten EXtraktion und semantische Analyse)


• Eingabe: Dokumente, E-Mails, W...
Expertenfindung

                          Meta
                       Text
                          data

               ...
Bewertungsrelationen

• Zum Bewerten der Benutzeraktionen werden verschiedene Relationen
  eingesetzt


• Relationen solle...
Relationen

• Keyword x Keyword x Zähler
                                                 Häufigkeit des
                 ...
Punkte-Metrik

• Treffen von Aussagen über Expertise von Benutzern durch punkte- und
  faktorenbasierte Metrik


• Benutze...
Punkte-Metrik

• Bewertung = Punktwert für Aktion     x    Gewichtung für Quelle und Aktion




                   {
     ...
Implementierung

• Java


• Stored Procedures


• SQL




                      22
Performance

• Szenario: Eine E-Mail ohne Anhang


• Ein Sender, Zwei Empfänger


• 10 Keywords, 2 Taxonomien

  • Keyword...
Performance

• Statistik bei 1001                  Dauer                ca. 30 Stunden
  Mails auf Mailserver:            ...
Berechnung der Bewertungspunkte
                                                                 Keywords: Web 2.0, FLEX
 ...
Expertenfindung


                                              MetaXsA              MeduSA     DMS


                   Ex...
Erstellen der Experten- und Keywordnetze
               Rating
                  120                            Experten f...
Expertenfindung


                                               MetaXsA         MeduSA     DMS
 Expertennetz
             ...
Screenshots


                                              MetaXsA              MeduSA     DMS



                       ...
Suchen




         30
Suchergebnisdarstellung




                          31
Keywordnetz




              32
Expertennetz




               33
Zusammenfassung und Ausblick

• Prototyp RaMBo im Kontext eines komplexen Informationssystems zur
  Unterstützung des betr...
Vielen Dank für Ihre
 Aufmerksamkeit!



                       35
Literatur

• Ack94     • Non01


• FK01      • RMS08


• HMR07     • Su02


• IB07      • Tn04


• ITK03     • Tr05


• LO...
Nächste SlideShare
Wird geladen in …5
×

Expertenfindung in komplexen Informationssystemen - Ein Metrik-basierter Ansatz

1.197 Aufrufe

Veröffentlicht am

Veröffentlicht in: Technologie, Bildung
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.197
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
17
Aktionen
Geteilt
0
Downloads
5
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Expertenfindung in komplexen Informationssystemen - Ein Metrik-basierter Ansatz

  1. 1. Expertenfindung in komplexen Informationssystemen - Ein Metrik-basierter Ansatz Wolfgang Reinhardt Alexander Boschmann Andreas Kohring Christian Meier Universität Paderborn, Institut für Informatik Fachgruppe Didaktik der Informatik
  2. 2. Die MoKEx Projektgruppenserie • MoKEx Projektgruppenserie • langjähriges, interdisziplinäres Forschungsprojekt, Auszeichnung durch IFIP [HMR07] • Kooperation zwischen deutschen und schweizer Studenten (Informatik, Wirtschaftsinformatik) • Beteiligung von Firmenpartnern • Anforderungen von Firmenpartnern, Kombination mit Forschungsthemen • Entwicklung von Lösungsansätzen und Softwareprototypen 2
  3. 3. Die MoKEx Projektgruppenserie • generelle Fragestellungen: betrieblicher Softwareeinsatz im Kontext von E- Learning und Wissensmanagement & mobile Szenarien • Bereitstellung kontextualisierter und individualisierter Informationen • automatische Aufwertung verteilt gespeicherter Daten durch automatische Metadatenanreicherung • lose Kopplung bestehender Softwaresysteme und Verknüpfung über KnowledgeBus-Architektur • Entwicklung des Single Point of Information Konzepts zur Zentrierung von Such- und Auffindeprozessen 3
  4. 4. Spezifische Zielsetzung • Wiederverwendung früherer Softwarekomponenten zur automatischen Gewinnung inhalts- und objektbeschreibender Metadaten [RMS08] • Ableitung von Mitarbeiter-Expertise und Visualisierung von Experten • Anreicherung von Suchtreffern um grafische Darstellung von zugehörigen Experten und verwandten Themen • Entwicklung eines flexiblen Analysesystems, dass Nutzeraktionen bewertet, speichert und zur Visualisierung bereitstellt • Integration der Expertenvisualsierung in einer persönlichen Arbeitsumgebung • Konzentration auf Daten aus E-Mails und Wikis 4
  5. 5. Wissen(-smanagement) • Wissen und dessen (vermeintliches) Management gewinnt Einfluss als Produktionsfaktor • Wissensmanagement nach Nonaka und Takeushi [TN04]: • „process of continuously creating new knowledge, disseminating it widely through the organization, and embodying it quickly in new products/ services, technologies and systems“ • YOU CANNOT STORE KNOWLEDGE [Non01] • IT-Heterogenität kostet Organisationen Zeit und Geld durch lange Suchprozess nach den richtigen Daten [IB07] 5
  6. 6. Expertensuche und -findung • fehlende Transparenz von Mitarbeiterkompetenzen wird oft als Defizit heutiger IT-Systeme angesehen [FK01] • Yellow-Pages-Systeme speicherten Expertise pro Mitarbeiter • Datenbasis veraltet schnell • Ackerman‘s Answer Garden [Ack94] als eines der ersten Expertenfinder- systeme mit aktualisierenden Profilen • bisher kaum Berücksichtigung des Benutzer- oder Artefaktkontexts 6
  7. 7. Graph-basierte Expertenvisualiserung • Visualisierung sog. Knowledge Entities [Tr05] und semantische Verknüpfung • processes / activities • documents • individuals • topics • Verwendung von Knoten, Kanten und Graphalgorithmen zur Visualisierung • Beantwortung der Fragen „Wer kennt wen?“ und „Wer arbeitet woran?“ 7
  8. 8. Graph-basierte Expertenvisualiserung, Beispiele • Meyer & Spiekermann: skillMap [MS06] • Verknüpfung von Graphen aus Mitarbeitern mit Fachwissensgebieten • Aussagen über spezielles Expertenwissen • Fujitsu: KnowWho [ITK03] • Visualisierung gewonnener Daten aus Terminplänen • statische Graphen mit Person zentriert in der Mitte • Sugiyama stellt Best Practices zur Erzeugung benutzerfreundlicher Graphen vor [Su02] 8
  9. 9. Datenschutz, Ergebnisse des Tests • Datenschutz kann zum Problem werden • BVG 1983 • Unterscheidung in privat, geschäftlich und vertraulich • Tests beim Anwendungspartner in der Schweiz zeigte keine solchen Bedenken auf 9
  10. 10. Single Point of Information FLEX? FLEX AJAX? AJAX WWW Web 2.0? - Alle Benutzer suchen und organisieren sehr Web 2.0 ähnliche Informationen - Austausch der Informationen zwischen den Autoren schwierig 10
  11. 11. Motivation em ationen liegen an ein - Alle Inform edundanz rR Ort, wenige Zugriff - Ge meinsamer FLEX? AJAX? DMS SPI WWW Web 2.0? SPI: Single Point of Information DMS: Document Management System 11
  12. 12. MoKEx Architektur MetaXsA MeduSA DMS KNS WWW SPI Benutzer- verwaltung SPI: Single Point of Information DMS: Document Management System MetaXsA: Metadatenextraktion und semantische Analyse MeduSA: Ablage der Metadaten und Semantik Benutzerverwaltung: Informationen zu Benutzern KNS: Zentrale Kommunikation und Workflow-Management 12
  13. 13. E-Mail und Wiki Anbindung Meta data MetaXsA MeduSA DMS KNS WWW SPI Benutzer- verwaltung -Mails - Erfas sen von E iki Artikeln von W - Erfassen E-Mail- Wiki- Server Server 13
  14. 14. Expertenfindung MetaXsA MeduSA DMS Experten? Verwandte Keywords? KNS SPI Benutzer- verwaltung Rating 120 + 14 134 E-Mail- Wiki- RaMBo Server Server 14
  15. 15. Unser Ansatz zur Expertenfindung • RaMBo (Rating Module and Behavior observation) als Komponente in Gesamtarchitektur des Projekts • Kommunikation über Webservices • Metadatenobjekt wird übergeben • Daraus Aufbau von Bewertungsrelationen in Datenbank 15
  16. 16. Metadatengewinnung • Komponente MetaXsA (Metadaten EXtraktion und semantische Analyse) • Eingabe: Dokumente, E-Mails, Wiki-Artikel • Ermittlung von Metadaten und semantischen Informationen, z.B. • Autor/Sender, Empfänger • Keywords, Taxonomien (Kategorien), u.v.m. • Ausgabe: Metadatenobjekt im XML-Format nach dem LOM Standard Meta data [LOM02] 16
  17. 17. Expertenfindung Meta Text data MetaXsA MeduSA DMS Meta data KNS SPI Benutzer- verwaltung WWW Rating 120 + 14 134 E-Mail- Wiki- RaMBo Server Server 17
  18. 18. Bewertungsrelationen • Zum Bewerten der Benutzeraktionen werden verschiedene Relationen eingesetzt • Relationen sollen in verschiedenen Kombinationen Beziehungen zwischen Benutzern, Keywords und Unternehmenskontext herstellen • Bewertungsrelationen teilen sich in zwei Gruppen: • Erfassen der Häufigkeit des gemeinsamen Auftretens • Gewichtete Bewertung mit Hilfe einer Punkte-Metrik 18
  19. 19. Relationen • Keyword x Keyword x Zähler Häufigkeit des gemeinsamen Auftretens • Keyword x Taxonomie x Zähler • Taxonomie x Taxonomie x Zähler • Benutzer x Keyword x Bewertung Bewertung mit Hilfe • Benutzer x Taxonomie x Bewertung einer Punkte-Metrik • Benutzer x Quelle x Bewertung • Benutzer A x Benutzer B x Keyword x Quelle x Bewertung • Benutzer A x Benutzer B x Taxonomie x Quelle x Bewertung 19
  20. 20. Punkte-Metrik • Treffen von Aussagen über Expertise von Benutzern durch punkte- und faktorenbasierte Metrik • Benutzeraktionen mit verschiedenen Datenquellen berücksichtigt • Benutzeraktionen: erstellen, bearbeiten, lesen und suchen • unterstützte Datenquellen: Dokumente, Wiki-Artikel, Suche, E-Mail • Bewertung = Punktwert für Aktion x Gewichtung für Quelle und Aktion { { beliebige Zahl Zahl zwischen 0 und 1 20
  21. 21. Punkte-Metrik • Bewertung = Punktwert für Aktion x Gewichtung für Quelle und Aktion { { beliebige Zahl Zahl zwischen 0 und 1 • Konfiguration des Prototyps im Einsatz: suchen lesen editieren erstellen suchen 1 Dokument 1 1 1 1 lesen 10 Wiki 0,8 0,8 0,8 0,8 Suche 0,2 0 0 0 editieren 75 E-Mail 0,4 0 0 0,4 erstellen 250 E-Mail TO 0 0,4 0 0,4 21
  22. 22. Implementierung • Java • Stored Procedures • SQL 22
  23. 23. Performance • Szenario: Eine E-Mail ohne Anhang • Ein Sender, Zwei Empfänger • 10 Keywords, 2 Taxonomien • Keyword x Keyword x Zähler 10 x 10 = 100 • Keyword x Taxonomie x Zähler 10 x 2 = 20 • Taxonomie x Taxonomie x Zähler 2x2 =4 • Benutzer x Keyword x Bewertung 3 x 10 = 30 • Benutzer x Taxonomie x Bewertung 3x2 =6 ∑ =271 • Benutzer x Quelle x Bewertung 3x1 =3 • Benutzer A x Benutzer B x Keyword x Quelle x Bewertung (3 x 3) x (10 x 1) = 90 • Benutzer A x Benutzer B x Taxonomie x Quelle x Bewertung (3 x 3) x (2 x 1) = 18 23
  24. 24. Performance • Statistik bei 1001 Dauer ca. 30 Stunden Mails auf Mailserver: Calls 659978 Zeit pro Call 165ms Durchschnittsdauer ca. 1:47min Calls pro Mail 645 • Annahmen: Dauer Nachtsitzung 14 Stunden durch. Calldauer 165ms durch. Calls 645 LOMs pro Nacht 474 • Es kann daher Benutzer 20 bedient werden: E-Mails pro Benutzer 15 durch. Mails pro Tag 300 max. Mails pro Tag u. Benutzer 24 max. Mails pro Stunde 34 24
  25. 25. Berechnung der Bewertungspunkte Keywords: Web 2.0, FLEX Rating Meta 120 Absender: Klaus data + 14 134 Empfänger: Johannes RaMBo MetaXsA MeduSA DMS Benutzer Keyword Rating Benutzer Benutzer Keyword Rating Keyword Keyword Zähler Klaus Web 2.0 100 Klaus Johannes Web 2.0 100 Web 2.0 FLEX 1 Klaus FLEX 100 Klaus Johannes FLEX 100 Johannes Web 2.0 4 Johannes FLEX 4 KNS SPI Benutzer- verwaltung suchen 1 suchen lesen editieren erstellen Relationen: Rating Dokument 1 1 1 1 Benutzer - Keyword - Rating Meta 120 lesen 10 Wiki 0,8 0,8 0,8 0,8 data Benutzer - Benutzer - Keyword - Rating + 14 134 editieren 75 Suche 0,2 0 0 0 Keyword - Keyword - Zähler E-Mail 0,4 0 0 E-Mail- 0,4 usw. Wiki- RaMBo erstellen 250 E-Mail TO 0 0,4 0 0,4 Server Server 25
  26. 26. Expertenfindung MetaXsA MeduSA DMS Experten und verwandte Begriffe zu Web 2.0? Web 2.0 KNS SPI Benutzer- verwaltung Rating Meta120 data + 14 134 E-Mail- Wiki- RaMBo Server Server 26 Motivation - Mokex III - Mokex IV - Demo - Technik - Ausblick
  27. 27. Erstellen der Experten- und Keywordnetze Rating 120 Experten für Web 2.0 Web 2.0 + 14 134 Verwandte Keywords für Web 2.0 RaMBo MetaXsA MeduSA DMS Benutzer Keyword Rating Benutzer Benutzer Keyword Rating Keyword Keyword Zähler Klaus Web 2.0 100 Klaus Johannes Web 2.0 100 Web 2.0 FLEX 1 Klaus FLEX 100 Klaus Johannes FLEX 100 Web 2.0 AJAX 4 Klaus Robin Web 2.0 50 FLEX AJAX 6 Johannes Web 2.0 4 Johannes FLEX 4 Klaus Robin AJAX 50 Robin Web 2.0 50 Robin AJAX 50 KNS SPI Benutzer- verwaltung Expertennetz Keywordnetz K Klaus Web 2.0 Rating 120 + 14 134 K K RaMBo Johannes Robin FLEX E-Mail- AJAX Wiki- Server Server 27
  28. 28. Expertenfindung MetaXsA MeduSA DMS Expertennetz Experten und verwandte Begriffe Klaus zu Web 2.0? Johannes Robin KNS SPI Benutzer- verwaltung Keywordnetz K Web 2.0 Rating 120 + 14 134 K K RaMBo FLEX AJAX E-Mail- Wiki- Server Server 28
  29. 29. Screenshots MetaXsA MeduSA DMS Screenshots KNS SPI Benutzer- verwaltung Rating 120 + 14 134 E-Mail- Wiki- RaMBo Server Server 29 Motivation - Mokex III - Mokex IV - Demo - Technik - Ausblick
  30. 30. Suchen 30
  31. 31. Suchergebnisdarstellung 31
  32. 32. Keywordnetz 32
  33. 33. Expertennetz 33
  34. 34. Zusammenfassung und Ausblick • Prototyp RaMBo im Kontext eines komplexen Informationssystems zur Unterstützung des betrieblichen Wissensmanagement und E-Learning eingesetzt • Hauptaufgabe: aus objekt- und inhaltsbeschreibenden Metadaten zu Informationsobjekten die Expertise von Benutzern extrahieren und visualisieren • Evaluation zeigte: • derzeitige Visualisierung entspricht noch nicht den Erwartungen der Benutzer • Enorme Datenmenge erfordert intelligentes Scheduling • Datenschutz kritisch • Entwicklung der Netze zwischen speichern, um Entwicklungen zu visualisieren 34
  35. 35. Vielen Dank für Ihre Aufmerksamkeit! 35
  36. 36. Literatur • Ack94 • Non01 • FK01 • RMS08 • HMR07 • Su02 • IB07 • Tn04 • ITK03 • Tr05 • LOM02 • MS06 36

×