Expertenfindung in komplexen Informationssystemen - Ein Metrik-basierter Ansatz

Wolfgang ReinhardtAlexander BoschmannAndreas KohringChristian Meier

Universität Paderborn, Institut für InformatikFachgruppe Didaktik der Informatik

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

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

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

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

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

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

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

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

Single Point of Information

FLEX

AJAX

FLEX?

AJAX?

Web 2.0?

Web 2.0

WWW

- Alle Benutzer suchen und organisieren sehr ähnliche Informationen - Austausch der Informationen zwischen den Autoren schwierig

10

Motivation

FLEX?

AJAX?

Web 2.0?

WWW

DMS

SPI

- Alle Informationen liegen an einem

Ort, weniger Redundanz

- Gemeinsamer Zugriff

SPI: Single Point of InformationSPI: Single Point of InformationDMS: Document Management System

11

MoKEx Architektur

MetaXsA MeduSA

KNS

DMS

SPI Benutzer-verwaltung

WWW

SPI: Single Point of InformationDMS: Document Management SystemSPI: Single Point of InformationDMS: Document Management SystemMetaXsA: Metadatenextraktion und semantische Analyse

SPI: Single Point of InformationDMS: Document Management SystemMetaXsA: Metadatenextraktion und semantische AnalyseMeduSA: Ablage der Metadaten und Semantik

SPI: Single Point of InformationDMS: Document Management SystemMetaXsA: Metadatenextraktion und semantische AnalyseMeduSA: Ablage der Metadaten und SemantikBenutzerverwaltung: Informationen zu Benutzern

SPI: Single Point of InformationDMS: Document Management SystemMetaXsA: Metadatenextraktion und semantische AnalyseMeduSA: Ablage der Metadaten und SemantikBenutzerverwaltung: Informationen zu BenutzernKNS: Zentrale Kommunikation und Workflow-Management

12

E-Mail und Wiki Anbindung

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

SPIWWW

E-Mail-Server

- Erfassen von E-Mails

- Erfassen von Wiki Artikeln

Wiki-Server

Metadata

13

Expertenfindung

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

SPI

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

Experten?

Verwandte Keywords?

14

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

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 [LOM02]

Metadata

16

Expertenfindung

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

SPI

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

WWW

Metadata

TextMetadata

17

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

Relationen

• Keyword x Keyword x Zähler

• Keyword x Taxonomie x Zähler

• Taxonomie x Taxonomie x Zähler

• Benutzer x Keyword x Bewertung

• Benutzer x Taxonomie x Bewertung

• 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

Häufigkeit des gemeinsamen Auftretens

Bewertung mit Hilfe einer Punkte-Metrik

19

• 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

Punkte-Metrik

{ {beliebige Zahl Zahl zwischen 0 und 1

20

Punkte-Metrik

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

• Konfiguration des Prototyps im Einsatz:

suchen 1

lesen

editieren

erstellen

10

75

250

suchen lesen editieren erstellen

Dokument

Wiki

Suche

E-Mail

E-Mail TO

1 1 1 1

0,8 0,8 0,8 0,8

0,2 0 0 0

0,4 0 0 0,4

0 0,4 0 0,4

{ {

beliebige Zahl Zahl zwischen 0 und 1

21

Implementierung

• Java

• Stored Procedures

• SQL

22

• Szenario: Eine E-Mail ohne Anhang

• Ein Sender, Zwei Empfänger

• 10 Keywords, 2 Taxonomien

Performance

• Keyword x Keyword x Zähler

• Keyword x Taxonomie x Zähler

• Taxonomie x Taxonomie x Zähler

• Benutzer x Keyword x Bewertung

• Benutzer x Taxonomie x Bewertung

• 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

10 x 10

10 x 2

2 x 2

3 x 10

3 x 2

3 x 1

(3 x 3) x (10 x 1)

(3 x 3) x (2 x 1)

= 100

= 20

= 4

= 30

= 6

= 3

= 90

= 18

∑ =271

23

• Statistik bei 1001 Mails auf Mailserver:

• Annahmen:

• Es kann daher bedient werden:

Performance

Dauer ca. 30 Stunden

Calls

Zeit pro Call

Durchschnittsdauer

Calls pro Mail

659978

165ms

ca. 1:47min

645

Dauer Nachtsitzung 14 Stunden

durch. Calldauer

durch. Calls

LOMs pro Nacht

165ms

645

474

Benutzer 20

E-Mails pro Benutzer

durch. Mails pro Tag

max. Mails pro Tag u. Benutzer

max. Mails pro Stunde

15

300

24

34

24

Berechnung der Bewertungspunkte

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

SPI

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

Metadata

RaMBo

Rating

120+ 14

134

Metadata

Keywords: Web 2.0, FLEX

Absender: Klaus

Empfänger: Johannes

Benutzer Keyword Rating

Klaus Web 2.0 100

Klaus FLEX 100

Johannes Web 2.0 4

Johannes FLEX 4

Benutzer Benutzer Keyword Rating

Klaus Johannes Web 2.0 100

Klaus Johannes FLEX 100

Keyword Keyword Zähler

Web 2.0 FLEX 1

suchen 1

lesen

editieren

erstellen

10

75

250

suchen lesen editieren erstellen

Dokument

Wiki

Suche

E-Mail

E-Mail TO

1 1 1 1

0,8 0,8 0,8 0,8

0,2 0 0 0

0,4 0 0 0,4

0 0,4 0 0,4

Relationen:Benutzer - Keyword - RatingBenutzer - Benutzer - Keyword - RatingKeyword - Keyword - Zählerusw.

25

Expertenfindung

Motivation - Mokex III - Mokex IV - Demo - Technik - Ausblick

Experten und

verwandte Begriffe

zu Web 2.0?

SPI

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

Web 2.0

Metadata

26

Erstellen der Experten- und Keywordnetze

SPI

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

RaMBo

Rating

120+ 14

134Web 2.0

Benutzer Keyword Rating

Klaus Web 2.0 100

Klaus FLEX 100

Johannes Web 2.0 4

Johannes FLEX 4

Robin Web 2.0 50

Robin AJAX 50

Benutzer Benutzer Keyword Rating

Klaus Johannes Web 2.0 100

Klaus Johannes FLEX 100

Klaus Robin Web 2.0 50

Klaus Robin AJAX 50

Keyword Keyword Zähler

Web 2.0 FLEX 1

Web 2.0 AJAX 4

FLEX AJAX 6

Experten für Web 2.0

Verwandte Keywords für Web 2.0

Klaus

Johannes Robin

Expertennetz Keywordnetz

KWeb 2.0

KFLEX

KAJAX

27

Experten und

verwandte Begriffe

zu Web 2.0?

Expertenfindung

SPI

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

Klaus

Johannes Robin

Expertennetz

KAJAX

KWeb 2.0

KFLEX

Keywordnetz

28

Screenshots

Motivation - Mokex III - Mokex IV - Demo - Technik - Ausblick

Screenshots

SPI

MetaXsA MeduSA

KNSBenutzer-verwaltung

DMS

Wiki-Server

E-Mail-Server

RaMBo

Rating

120+ 14

134

29

Suchen

30

Suchergebnisdarstellung

31

Keywordnetz

32

Expertennetz

33

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

Vielen Dank für Ihre Aufmerksamkeit!

35

Literatur

• Ack94

• FK01

• HMR07

• IB07

• ITK03

• LOM02

• MS06

• Non01

• RMS08

• Su02

• Tn04

• Tr05

36