Lack of support and negative reactions

Existe uma estreita relação entre sensibilidade ao contexto e capacidade de adaptação em aplicações. Adaptações podem ser realizadas no comportamento da aplicação, por mudanças no ambiente; na interface de apresentação ao usuário; na

interação com outras entidades que se comunicam com a aplicação; ou ainda, no conteúdo das informações exploradas pela aplicação (WU, 2002). Enquanto os

usuários têm preferências distintas por exibição de mídias ou quanto ao tamanho das informações, ajustes de conteúdo abrangem ainda alternativas em incluir, suprimir ou modificar os dados originais segundo o ambiente de uso. Limitaremos nossa abordagem à adaptação do conteúdo de aplicações no escopo da TVDI.

Em geral, a adaptação de conteúdo se refere ao ajuste do mesmo ao ambiente de uso. A natureza do conteúdo determina as operações envolvidas, seja pela adaptação no nível de sinal ou de semântica (BURNETT et al., 2006). No primeiro caso, são realizadas modificações de resolução, taxa de bits, largura de banda ou recodificação segundo restrições de rede e dispositivo. No outro caso, o conteúdo é modificado pelo significado dos dados e, juntamente com informações do ambiente e do usuário, proporciona efetiva personalização. Pesquisas na área de Hipermídia Adaptativa (HA) propõem a construção de aplicações a partir da divisão em três modelos (WU, 2002):

 Modelo de domínio: consiste num conjunto de conceitos e relacionamentos correspondentes às informações específicas que descrevem os interesses do usuário, tais como tipos de mídia e vocabulário do conteúdo.

 Modelo de usuário: mantém conhecimento sobre o usuário e sua relação com o conteúdo, como preferências explícitas ou derivadas das interações, assim como características pessoais e do contexto.

 Modelo de adaptação: define como a aplicação se adapta às informações do usuário e como o modelo de usuário é atualizado. Mecanismos por regras são comuns para expressar estratégias de adaptação.

Essa categorização é análoga à especificação de adaptação de conteúdo digital do padrão MPEG-21, porém mantém os mecanismos de adequação fora do escopo de padronização. De modo a orientar as adaptações, consideramos a divisão acima para descrever quais informações de contexto são necessárias à execução de comportamento sensível ao contexto. Algumas técnicas de adaptação de HA foram estendidas por Masthoff e Pemberton (2005) para lidar com a TV interativa. Destacamos as três técnicas seguintes:

 Exibição e ocultação seletiva: consiste em apresentar ou suprimir itens do conteúdo. Por exemplo, notícias podem ser incluídas ou não

dependendo da relevância ou interesse pelo usuário ao invés de exibir as mesmas a todos;

 Resumo e ampliação de objetos de mídia: considera a apresentação de itens do conteúdo de forma sucinta com a opção de acesso a mais detalhes. Normalmente, combinam-se métodos de filtragem baseada em conteúdo para resumir a exibição dos itens mais apropriados. Cada item requer objeto complementar com a versão condensada indicando até quando efetuar a exibição, qual ação realizar para obter mais informação e o que apresentar para evitar exceder o tempo da programação.

 Ordenação de itens: corresponde à realocação da apresentação de itens mais importantes conforme modelo de usuário. A ordenação espacial pode ser aplicada quando múltiplos itens são exibidos simultaneamente. Além dos benefícios de personalização já discutidos, a redução de dados propiciada pela maioria das adaptações de conteúdo oferece suporte a muitas das restrições de interatividade na TV apresentados na seção 2.2, porém nem todas as técnicas são aplicáveis a qualquer tipo de mídia. Como a indicação do que é relevante depende das entidades envolvidas numa interação, na AvanTV especificamos um conjunto de operações relacionadas às técnicas de adaptação de HA segundo a identificação de conjuntos de contexto determinados pelos modelos.

O método contemplado para realizar seleção e ordenação de itens com base na similaridade entre informações do usuário e do conteúdo é o de filtragem

baseado em conteúdo. No entanto, devido a problemas de ambigüidade na

correspondência textual (por exemplo, com palavras-chave), uma solução é fazer uso de termos de ontologias para representar estes perfis. Dado que o conteúdo é representado por um conjunto de conceitos da ontologia definidos pelos seus itens e o usuário, por uma lista ponderada de conceitos representando seus interesses, Shoval et al. (2008) propõe que a semelhança entre eles pode ser obtida se incluem conceitos iguais ou algum relacionamento hierárquico. Considerando três níveis a partir desta análise, os possíveis casos são:

 Correspondência perfeita (P): o mesmo conceito aparece em ambos os perfis.

 Correspondência forte (F): um termo aparece apenas em um perfil, enquanto um pai ou filho daquele vocábulo aparece no outro. Neste cenário, ocorrem duas situações: o interesse do usuário é mais específico ou mais geral que o item.

 Correspondência fraca (R): conceito aparece num perfil e um conceito avô ou neto aparece no outro. Também se subdivide nas situações de interesse do usuário mais específico ou mais geral que o item.

Pela atribuição de pontos (scores) a cada um desses casos, o índice de similaridade (IS) é medido como segue:

Onde: Z U i j Si Nj

– número de conceitos na representação de itens – número de conceitos na representação de usuário – índice dos conceitos na lista de itens

– índice dos conceitos na lista de usuário

– pontuação para cada tipo de equivalência (P), (F) ou (R) entre o conceito i ao respectivo conceito no perfil de usuário (Si = 0, caso não haja relação)

– contagem de acessos pelo usuário ao conceito j (usado no cálculo do peso w)

Assumindo a seguinte pontuação para cada caso: (P) = 1; (F)_b=2/5 (conceito do usuário mais específico); (F)_c=2/3 (conceito do usuário mais geral); (R)_d=1/3 (conceito do usuário muito mais específico); e (R)_e =1/2 (conceito do usuário muito mais geral). O algoritmo a seguir mostra o processo para calcular a similaridade entre um perfil de item e um de usuário:

Matching (Item-List, User-List) { Score = 0

Repeat for each I-concept in Item-List { Do case {

- if I-concept in User-List then Score= ++ 1*w // caso (P)

- if parent of I-concept in User-List then Score= ++2/3*w //caso (F)_c - if grandparent of I-concept in User-List then Score= ++1/2*w //(R)_e }

}

Repeat for each U-concept in User-List {

Do case { // não é preciso checar correspondência perfeita novamente - if parent of U-concept in Item-List then Score= ++2/5*w //caso (F)_b - if grandparent of U-concept in Item-List then Score= ++1/3*w //(R)_d }

} }

As pontuações assumidas são dadas como exemplos, para aprimorar o desempenho nem todos os conceitos do usuário devem participar da computação, apenas os mais relevantes. Para ampliar a expressividade deste algoritmo, o mesmo foi estendido para conceber um caso de correspondência semântica e é descrito no capítulo V, quando apresentamos o uso de contexto por aplicações segundo a abordagem proposta.