simplebooklet thumbnail

INDICE 1 INTRODUCCION Porque del libro 2 BLOQUE LA NUEVA ECONOMIA Econom a On Demand Bajo demanda Tendencias principales o Hacia la persona como CENTRO de la econom a vs la empresa o Econom a On Demand Cada individuo como empresa que ofrece productos y servicios bajo demanda o Consumo colaborativo 3 BLOQUE EL MERCADO DEL TALENTO Tendencias principales o Hacia la especializaci n o Hacia empresas con pocas personas clave internas pool o red de talento colaborativo o Hacia un compromiso relaci n basada en el proyecto vs contrato laboral o Hacia una formaci n gestionada por el propio individuo vs Empresa online gremios profesionales o Hacia un identificaci n con lo que se hacer o mi red profesional vs con una empresa concreta o Hacia una gesti n de reputaci n profesional online vs carrera profesional corporativa 4 BLOQUE PLATAFORMAS DEL TALENTO El boom de las plataformas del talento o Verticales vs horizontales o Tendencia de plataformas de intermediaci n a experiencia end to end como en retail Porque ahora si es el momento o Desarrollo de la tecnolog a Cheap computing power means a lone thespian with an Apple Mac can create videos that rival those of Hollywood studios o Desarrollo de herramientas para trabajo remoto online o Cambios en h bitos sociales The world is divided between people who have money but no time and people who have time but no money The on demand economy provides a way for these two groups to trade with each other o Desarrollo de medios de pago online modelos de reputaci n 5 BLOQUE FACTORES CRITICOS PARA EL DESPEGUE DEL MERCADO TALENTO MODELOS DE REPUTACION La confianza reputaci n en el talento individual y o redes de talento es un elemento clave para facilitar el despegue del mercado del talento 6 BLOQUE TALENT RANK EL NUEVO GOOGLE DEL TALENTO TalentRank Algoritmo que gestiona la reputaci n y resuelve la b squeda de los mejores profesionales online en la nueva econom a Bajo Demanda Retos que debe cubrir un sistema de reputaci n antifraude justo din mico Panorama de los modelos de reputaci n actuales Un caso de xito Talent Rank basado en la aplicaci n del modelo PageRank de Google sobre comunidades de Talento
INDICE 1. INTRODUCCION. Porque del libro 2. BLOQUE. LA NUEVA ECONOMIA. Econom  a    On Demand     Bajo demanda      Tenden...
2 BLOQUE LA NUEVA ECONOMIA Econom a On Demand Bajo demanda Talento colaborativo Un cambio de poca No les entretendr demasiado intentando convencerles de un hecho evidente no es que vivamos en una poca de cambios vivimos un cambio de poca Ahora es m s cierto que nunca lo que ya nos advirtiera el famoso poeta franc s Paul Valery cuando dijera que El problema de nuestro tiempo es el futuro ya no es lo que era Hay cinco fuerzas que est n provocado que el futuro sea distinto en este cambio de poca y que est n obligando a las empresas a adaptarse a un entorno m s turbulento que los expertos han denominado como VUCA por sus siglas en ingles Volatility uncertainty complexity and ambiguity Estas fuerzas unidas a la anomia de la ltima crisis cuyos estertores de su muerte parecen ahora atisbarse y que todos anhelamos han determinado el contexto en el operan las empresas presidido por una volatilidad sin precedentes y cargada de riesgos una incertidumbre irreducible una complejidad sin posibilidad de simplificaci n y una ambig edad sin pice de seguridad Como el lector podr imaginar estas cinco fuerzas son 1 La Demograf a Mientras que occidente se llena de canas muchos de los pa ses emergentes como la India muestran una cara llena de espinillas adolescentes con m s de 600 millones de j venes Europa y Jap n est aquejados de una longevidad irreversible y de una esterilidad casi patol gica f jese que curiosidad en Jap n hay m s familias con mascotas que con hijos que har que cuando Asia concentre el 60 por ciento de la poblaci n mundial la vieja Europa nunca mejor dicho lo de vieja estar agonizante y apenas supondr un cinco por ciento de la poblaci n mundial Asimismo se est produciendo una ascendencia de la Generaci n Y y se prev que la Generaci n Z la que est naciendo ahora en occidente llegar a vivir m s de 100 a os pero adem s los integrantes de la Generaci n Baby Boomers que recuperaron nuestra sociedad han vivido para trabajar y que han cuidado de sus padres y de sus nietos ser n cada vez m s pobres a medida que envejezcan 2 La Sociedad Vivimos y seguiremos haci ndolo en un mundo cada vez m s urbano y menos rural en el que es posible que las ciudades en vez de los pa ses sean las que colaboren y compitan cada vez m s Por otra parte como se est produciendo una digitalizaci n mundial de los conocimientos est apareciendo una especie de sabidur a de masas que est operando a trav s de lo que ahora llamamos crowdsourcing y est poniendo en jaque el conocimiento empaquetado de las compa as e instituciones y su innovaci n Esta sociedad en occidente se conforma con familias cada vez m s peque as y diversas las monoparentales son el mejor ejemplo con el ascenso a un mayor protagonismo de la mujer menos mal porque estamos despreciando m s de la mitad de nuestro talento con una creciente desconfianza de las instituciones qu me dice de nuestra desmembrada y corrupta Espa a un aumento del ocio pasivo 3 Los Recursos Energ ticos Los precios de la energ a seguir n aumentando y crecer n los desastres medioambientales lo que seguir forzando el desplazamiento de poblaci n hacia los lugares m s pr speros y seguros en medio de una deseada cultura de la sostenibilidad con el tel n de fondo de un cambio clim tico entre dos sociedades con diferentes niveles de confortabilidad energ tica
2  BLOQUE. LA NUEVA ECONOMIA. Econom  a    On Demand     Bajo demanda  Talento colaborativo  Un cambio de   poca No les en...
4 La Globalizaci n Estamos en un mundo con el cartel de abierto 24X365 en cualquier parte del mundo y en el que las econom as hoy ya mal llamadas emergentes desplazan a la occidental como as lo demuestra la ltima d cada de crecimiento de China y la India con sus innovaciones de low cost y sus reservas de talento con cerca de 3 000 millones de habitantes dispuestos a quedarse con la riqueza y el trabajo de occidente 5 La Tecnolog a No insistir sobre el incremento exponencial de la tecnolog a ni con la posibilidad de que dentro de poco seamos m s de cinco mil los millones de personas conectadas ni con el aumento continuo de la productividad ni con lo de que el modelo de trabajo de la poca industrial est languideciendo a la vez que surgen conviven compiten y parad jicamente colaboran megaempresas y microempresas ni tampoco con la existencia de robots en el trabajo asistentes cognitivos o avatares que nos ayudaran como antes lo hiciera nuestro executive assistan en un mundo virtual Sin TI no soy nada Como dice la excelente canci n de Amaral Sin ti no soy nada en estos momentos sin TI Tecnolog as de la Interacci n Social como a m me gusta denominarlas no podemos hacer nada porque sucede que en estos momentos m s personas tienen acceso m vil que al agua potable y electricidad Tenemos cuatro veces m s de dispositivos conectados que personas en la tierra asimismo las transacciones comerciales con m viles alcanzar n los 3 2 billones de d lares en 2017 y en los pa ses en desarrollo habr diez tel fonos m viles m s por cada grupo de 100 personas que incrementaran el PIB en un 0 8 Por otra parte los circuitos electr nicos se pueden integrar en objetos impresos 3D Los connected wearable smart electronics zapatos tatuajes partes del cuerpo se convertir n en una industria de 10 mil millones para el a o 2016 Fijese esto de la TI como es que grupo de especialistas recientemente implantaron un maxilar impreso en 3D en un paciente belga El coste de las materias primas de impresi n 3D para un stent traqueal 10 para que se siga asombrando el a o pasado ya se imprimi en Amsterdad la primera casa en 3D a orillas de los canales de esta c lebre ciudad Pero las TIS tambi n conectan personas por ello se calcula que actualmente una de cada cinco parejas se conocen en el mundo online uno de cada cinco divorcios se atribuyen a Facebook o que alrededor del 90 de los ni os menores de dos a os tienen sombras digitales Todo esto adem s est haciendo que la mayor a de las empresas gasten m s 25 de sus presupuestos de marketing en digital Un 55 de los consumidores comparten sus compras en un sitio social y un 90 de los clientes conf an en las recomendaciones de sus c rculos sociales y s lo el 14 conf a en la publicidad tradicional Pero las TIS tambi n conectan datos que nos facilitan prever el futuro y se especula que cerca del 91 de todos los datos que existen en el mundo se ha generado en los ltimos dos a os o que en 2012 la cantidad total de datos creci hasta 3 ZB de datos ZB 1 Bill n de Terabytes y que otros 40 Zettabytes se crear n de aqu a 2020 todas las palabras jam s habladas por los seres humanos Si todo esto lo aderezamos con una de las crisis m s importantes de la historia y sus consecuencias nos encontramos con ese contexto VUCA en el que se desenvuelve nuestras compa as que est n intentan solucionar problemas nuevos en muchas ocasiones con terapias viejas En definitiva si hay alguna palabra que defina el actual momento social y econ mico sta es cambio Si incluimos la
4  La Globalizaci  n. Estamos en un mundo con el cartel de    abierto 24X365    en cualquier parte del mundo y en el que l...
tecnolog a entonces hablamos de disrupci n cambio disruptivo o como hemos apuntado Cambio de poca En esta situaci n lo nico cierto de lo nico que podemos estar seguros y que no cambiar es decir lo nico permanente que seguir siendo inamovible y que nos acompa ar el resto de nuestros d as ser que todo seguir cambiando Esa es nuestra nica certeza y nuestra nueva realidad 3 BLOQUE EL MERCADO DEL TALENTO 4 BLOQUE PLATAFORMAS DEL TALENTO 5 BLOQUE FACTORES CRITICOS PARA EL DESPEGUE DEL MERCADO TALENTO MODELOS DE REPUTACION 6 BLOQUE TALENT RANK EL NUEVO GOOGLE DEL TALENTO GESTI N DE LA REPUTACI N Y EL TALENTO INTRODUCCI N La gesti n de la reputaci n constituye un elemento clave en cualquier sistema de informaci n A modo de ejemplo se plantea el impacto y la importancia que ha tenido la gesti n de la reputaci n en probablemente los mayores sistemas de informaci n que existan hoy en d a los buscadores web A principios de la d cada de los noventa surge el World Wide Web y en seguida aparecen los primeros buscadores web por citar algunos Yahoo o Excite surgieron en ese momento para ayudar a los usuarios a localizar informaci n en la telara a de la web En aquel momento los buscadores se diferenciaban por su mbito de cobertura es decir el n mero de p ginas web en las que eran capaces de buscar y especialmente por su tecnolog a de b squeda La tecnolog a de b squeda era lo que marcaba la calidad del buscador desde el punto de vista del usuario al permitir localizar de manera r pida y certera la p gina con el contenido deseado En sus inicios los buscadores empleaban diferentes t cnicas para intentar identificar aquellas p ginas m s relevantes Por ejemplo una t cnica sencilla consiste en tener en cuenta si las palabras buscadas aparecen en el t tulo de la p gina o si est n escritas en negrita ya que esto indica que tienen una especial relevancia en la p gina Sin embargo en 1996 aparece en escena un nuevo buscador web que marc la diferencia Google Larry Page y Sergey Brin desarrollaron el PageRank una t cnica que permite medir la reputaci n de una p gina web mediante el an lisis de los hiperenlaces entre las p ginas Aunque ninguno de los grandes buscadores web indica de manera detallada c mo realiza la ordenaci n de sus resultados es patente que entre otros factores entran en juego el an lisis del contenido del documento y la reputaci n de la p gina mediante el an lisis de los hiperenlaces
tecnolog  a, entonces hablamos de disrupci  n,cambio disruptivo o como hemos apuntado Cambio de   poca. En esta situaci  n...
Si bien hoy en d a las diferentes t cnicas de an lisis de hiperenlaces para medir la reputaci n de una p gina web son ampliamente utilizadas por los buscadores web en su momento supuso un avance tecnol gico sustancial en el mbito de los buscadores web y la Recuperaci n de Informaci n RI por su capacidad para determinar la reputaci n de una p gina web De la misma manera en la gesti n del talento se hace imprescindible poder medir la reputaci n de los distintos profesionales de manera din mica y precisa En este cap tulo se presenta el TalentRank el algoritmo basado en el PageRank de Google que permite determinar la reputaci n de un conjunto de profesionales El resto del cap tulo est estructurado de la siguiente manera en primer lugar se presentan los antecedentes en los que se basa el TalentRank para a continuaci n analizar en detalle el algoritmo del TalentRank Finalmente se presentan las principales conclusiones obtenidas a lo largo de este cap tulo
Si bien hoy en d  a las diferentes t  cnicas de an  lisis de hiperenlaces para medir la reputaci  n de una p  gina web son...
ANTECEDENTES Antes de iniciar la presentaci n del algoritmo de reputaci n para profesionales de una comunidad se introducen brevemente las principales t cnicas equivalentes existentes en el estado del arte de la RI En la RI web se utiliza la informaci n de los hiperenlaces para determinar la calidad o reputaci n de una p gina web En este apartado se presentan los dos principales algoritmos de an lisis de hiperenlaces del estado del arte HITS y PageRank Estos dos trabajos de investigaci n se produjeron pr cticamente en paralelo y su objetivo era determinar la calidad de una p gina web en base a los enlaces entrantes y salientes de la misma Antes de proceder a estudiar estos algoritmos es necesario definir dos conceptos que se utilizan a lo largo de los siguientes apartados y que hacen referencia a la tipolog a de una p gina web en funci n de los hiperenlaces Autoridades se trata de p ginas de reconocido prestigio que proporcionan informaci n fiable significativa y til para un tema en concreto Se caracterizan porque otras p ginas apuntan a ellas es decir tiene un gran n mero de enlaces entrantes Concentradores o hubs en ingl s se trata de p ginas que sin disponer de un contenido propio til disponen de enlaces a p ginas relevantes Se caracterizan por contener un gran n mero de enlaces salientes HITS El algoritmo HITS Hyperlink Induced Topic Search fue desarrollado por Kleinberg y su objetivo es determinar computacionalmente las autoridades y los concentradores para una b squeda o tem tica determinada Kleinberg 1999 Se basa en analizar la web como un grafo en donde cuando una p gina p contiene un enlace a una p gina q se representa como un arco desde el nodo p hacia el nodo q tal y como se observa en la Figura 1 Figura 1 Grafo entre dos p ginas web
ANTECEDENTES Antes de iniciar la presentaci  n del algoritmo de reputaci  n para profesionales de una comunidad, se introd...
Los documentos relevantes para una consulta se representan con un subgrafo de la web y la idea consiste en que los concentradores y las autoridades tender n a formar un grafo bipartito los concentradores apuntar n a m ltiples autoridades y las autoridades ser n apuntadas por m ltiples concentradores ver Figura 2 Figura 2 Subgrafo de documentos relevantes en HITS El problema que pretende abordar Kleinberg es el determinar aquellas p ginas con una mayor reputaci n o calidad para una consulta que l define como gen rica Este tipo de consultas se caracterizan porque el usuario utiliza t rminos comunes por ejemplo buscador o talento que contienen millones de p ginas web Por lo tanto es necesario un mecanismo que permita identificar las mejores p ginas entendiendo por mejores aquellas p ginas con una mayor reputaci n El algoritmo propuesto por Kleinberg en base a una consulta de un usuario identifica aquellas p ginas que se pueden considerar autoridades y aquellas que se pueden considerar concentradores Seguidamente las p ginas con un mayor peso de autoridad ser n aquellas con una mayor reputaci n y que a priori resultar n m s tiles al usuario final En el trabajo de Kleinberg se define el algoritmo que permite calcular computacionalmente los pesos de autoridad y los pesos de concentrador para una p gina web Este algoritmo consta de una primera fase que consiste en crear un subgrafo de documentos relevantes para una consulta denominado S Para ello el subgrafo se inicializa al conjunto de resultados recuperados para la consulta denominado R En el trabajo de Kleinberg se utilizaban los resultados obtenidos por un buscador web y se limitaba a los 200 primeros resultados recuperados A continuaci n se a aden a S todos los documentos a los que apuntan los resultados y todas las p ginas que apuntan a los resultados ver Figura 2 En este caso y debido que el n mero de p ginas que apunten a documentos de R puede ser muy elevado el autor decidi seleccionar 50 documentos aleatoriamente Adem s se eliminan los enlaces entre dos p ginas del mismo sitio web se asume que son enlaces de navegaci n y se establece un n mero m ximo de enlaces desde un sitio web a una p gina concreta para evitar los enlaces de conveniencia Una vez que se ha creado el subgrafo S para la consulta el algoritmo de HITS calcula para una p gina v su peso de autoridad denominado av y su peso de concentrador denominado hv Una p gina v que sea de autoridad para la consulta deber ser enlazada desde m ltiples concentradores por lo tanto el peso de autoridad se calcula como la suma de los pesos de concentrador de las p ginas que apuntan a v
Los documentos relevantes para una consulta se representan con un subgrafo de la web y la idea consiste en que los concent...
Figura 3 C lculo del peso de autoridad en HITS Por ejemplo en la Figura 3 el peso de autoridad de p se calcular a como la suma de los pesos de concentrador de las p ginas q1 q2 y q3 que contienen enlaces apuntando a p 1 2 3 Una p gina v que sea un buen concentrador para la consulta deber apuntar a m ltiples autoridades por lo que el peso de concentrador se calcula como la suma de los pesos de autoridad de las p ginas a las que apunta v
                                      Figura 3  C  lculo del peso de autoridad en HITS  Por ejemplo, en la Figura 3 el pes...
Figura 4 C lculo del peso de concentrador en HITS Por ejemplo en la Figura 4 el peso de concentrador de la p gina p se obtendr a sumando los pesos de autoridad de las p ginas q1 q2 y q3 que est n enlazadas desde p 1 2 3 Estos pasos se repiten de manera iterativa hasta que los pesos converjan en la pr ctica con unas 20 iteraciones es suficiente En cada iteraci n se recalculan los valores de los pesos seg n las f rmulas anteriores Despu s se normalizan los valores de los pesos para garantizar la convergencia del proceso Para la normalizaci n es necesario calcular los valores de las constantes de normalizaci n ca y ch seg n las siguientes f rmulas 2 2 El autor aplica este algoritmo a una serie de b squedas gen ricas por ejemplo Java o search engine comprobando como los principales sitios web se encuentran entre los resultados Destacar que incluso aunque en el propio contenido de la p gina no est el texto de la consulta una p gina puede ser considerada una autoridad para esa b squeda En el art culo de Kleinberg al realizar la b squeda Gates en referencia a Bill Gates una de las p ginas con mayor autoridad es la correspondiente al libro que acaba de publicar en aquel momento Bill Gates The Road Ahead aunque a penas hubiese referencias al t rmino buscado Sin embargo el principal inconveniente de este algoritmo es que los pesos de autoridad y
Figura 4  C  lculo del peso de concentrador en HITS  Por ejemplo, en la Figura 4 el peso de concentrador de la p  gina p s...
concentrador deben ser calculados para cada consulta Esto implica que deben ser calculado online para cada b squeda realizada por los usuarios lo que supone un elevado coste computacional y que limita en gran medida su aplicaci n pr ctica en un buscador web PAGERANK El PageRank es el algoritmo de an lisis de hiperenlaces utilizado por Google y que fue desarrollado por Larry Page y Sergey Brin Page Brin Motwani Winograd 1998 El problema que abordan los fundadores de Google es similar al planteado por Kleinberg medir la importancia relativa de las p ginas web Sin embargo el enfoque es diferente ya que por un lado los autores no tienen en cuenta el concepto de concentrador y se centran nicamente en medir la reputaci n o importancia o autoridad de una p gina web y por otro lado se basan en un planteamiento global que calcula el PageRank para todas las p ginas de la web y no nicamente las involucradas en una consulta El PageRank al igual que en el caso anterior se basa en crear un grafo de la web teniendo en cuenta que cada p gina tendr lo que denominan enlaces de salida forward links y enlaces de entrada backlinks Figura 5 Enlaces de entrada y salida en PageRank
concentrador deben ser calculados para cada consulta. Esto implica que deben ser calculado online, para cada b  squeda rea...
Por ejemplo en la Figura 5 se muestran las p ginas A B C D y E en donde A y B son enlaces de entrada a la p gina C mientras que D y E son los enlaces de salida de C La idea general del PageRank es que aquellas p ginas con un elevado n mero de enlaces de entrada pueden ser consideradas p ginas importantes o con una gran reputaci n Sin embargo tener en cuenta nicamente el n mero de enlaces de entrada no es suficiente Por ejemplo una p gina con un nico enlace de entrada pero de un sitio importante por ejemplo Yahoo deber a tener una mayor reputaci n que otra p gina con varios enlaces de sitios menos relevantes Por lo tanto de manera sencilla e intuitiva el PageRank para una p gina se define como la suma de los PageRanks de las p ginas de sus enlaces entrantes De esta manera si una p gina tiene muchos enlaces de entrada es de esperar que su PageRank sea elevado y de la misma forma si tiene pocos enlaces de entrada pero de sitios web importantes es decir con un PageRank elevado su PageRank tambi n ser elevado De esta manera el PageRank se puede considerar como un sistema de votaci n que mide la importancia de una p gina en funci n de los enlaces que obtiene de otras p ginas Si una p gina A contiene un enlace a una p gina B esto constituye un voto favorable para la p gina B La no existencia de un enlace se considera una abstenci n A continuaci n se estudia la manera en la que se realiza el c lculo del PageRank para una p gina v denotado como PR v Supongamos que las p ginas y1 yn apuntan a v y que para cada una de ellas el t rmino C yi representa el n mero de enlaces de salida que tiene la p gina yi Una versi n inicial del PageRank de v se calcular a de la siguiente manera PR PR 1 PR 1 Esta f rmula es recursiva y el valor del PageRank se calcula en varias iteraciones hasta que converja De manera intuitiva se consigue que cada p gina divida su PageRank equitativamente entre todas las p ginas a las que apunta y el PageRank fluye de una p gina hacia las p ginas que cita Figura 6 Ejemplo de c lculo inicial de PageRank
Por ejemplo, en la Figura 5 se muestran las p  ginas A, B, C, D y E, en donde A y B son enlaces de entrada a la p  gina C ...
En la Figura 6 se muestra un ejemplo del c lculo del PageRank En este caso la p gina A tiene un PageRank de 2 que se divide entre las p ginas a las que apunta C y D La p gina B tiene un PageRank de 6 y enlaza con 3 p ginas por lo que les corresponde un PageRank de 2 a cada una de ellas De esta forma la p gina C tiene un PageRank total de 3 1 correspondiente al PageRank de la p gina A y 2 correspondientes al PageRank de la p gina B mientras que el PageRank de la p gina E es de 2 al nicamente tener un enlace desde la p gina B Para comprobar como el PageRank se calcula iterativamente y como fluye entre las distintas p ginas usamos el ejemplo que se muestra en la Figura 7 En este caso tenemos tres p ginas web en donde la p gina A tiene un enlace de salida hacia B y otro hacia C la p gina B tiene otro enlace de salida de vuelta hacia A y por ltimo la p gina C tiene un enlace de salida hacia B Figura 7 Ejemplo para el c lculo iterativo del PageRank
En la Figura 6 se muestra un ejemplo del c  lculo del PageRank. En este caso, la p  gina A tiene un PageRank de 2, que se ...
El c lculo del PageRank se inicia con un valor constante e igual para las tres p ginas PR A PR B PR C 1 En este ejemplo se toma el valor de 1 pero se puede comprobar como el PageRank converger para cualquier valor inicial En la primera iteraci n el valor del PageRank para cada p gina ser el siguiente PR A PR B 1 1 PR B PR A 2 PR C 1 1 5 PR C PR A 2 0 5 En la segunda iteraci n los nuevos valores de PageRank ser n PR A PR B 1 1 5 PR B PR A 2 PR C 1 1 PR C PR A 2 0 5 Para la tercera iteraci n estos son los valores del PageRank PR A PR B 1 1 PR B PR A 2 PR C 1 1 25 PR C PR A 2 0 75 Tras sucesivas iteraciones se puede comprobar como el PageRank converge en los siguientes valores 10 iteraciones y redondeando a dos decimales ser n suficientes PR A 1 2 PR B 1 2 PR C 0 6 En este ejemplo se observa como en cada iteraci n cada p gina distribuye equitativamente su PageRank entre las p ginas a las que est enlazadas y viceversa Sin embargo se plantea un problema en el caso de que existan p ginas o grupos de paginas sin enlaces de salida Esto provocar a un bucle que acabar a absorbiendo todo el PageRank Para evitar esta situaci n se introduce un par metro d en el c lculo del PageRank denominado factor de amortiguaci n PR 1 n d PR 1 PR 1 La componente 1 d del factor de amortiguaci n es necesaria para poder salir de un grupo de p ginas sin enlaces de salida Un valor considerado adecuado para el factor de amortiguaci n suele ser de 0 85 De esta forma el PageRank se puede considerar como la modelizaci n de una persona navegando aleatoriamente por la web Esa persona empieza en una p gina aleatoria Con probabilidad d seleccionar un enlace al azar de la p gina en la que se encuentra y continuar navegando Con probabilidad 1 d saltar a una nueva p gina aleatoria El PageRank de la p gina v determina la
El c  lculo del PageRank se inicia con un valor constante e igual para las tres p  ginas  PR A    PR B    PR C    1 . En e...
probabilidad de que esa persona est en esa p gina en un instante determinado En el trabajo de Page y Brin realizan experimentos con 24 millones de p ginas y 322 millones de enlaces para demostrar las propiedades del PageRank Realizando una b squeda simple en el t tulo de las p ginas y ordenando en base al PageRank los autores confirman que funciona notablemente bien Adem s presentan varios casos de uso destacando la ordenaci n de los resultados y el gran impacto que tiene el PageRank en ese caso ALGORITMO DE REPUTACI N En las secciones anteriores se han presentado los dos algoritmos iniciales que permitieron medir la calidad o reputaci n de una p gina web Como ya se ha comentado el algoritmo de PageRank presenta unas caracter sticas intr nsecas fundamentalmente la posibilidad de su c lculo offline y distribuido que han hecho que se convirtiese en el modelo predominante y del cual han surgido m ltiples variantes aplicadas a m ltiples dominios diferentes Por ejemplo el EigenTrust es un algoritmo para la gesti n de la reputaci n en redes Peer To Peer o P2P Kamvar Schlosser Garcia Molina 2003 El TrustRank que ha sido desarrollado en Stanford y Yahoo utiliza la informaci n de los hiperenlaces para discriminar las p ginas web tiles de las que son spam Gy ngyi Garcia Molina Pedersen 2004 El SimRank es una medida que permite establecer la similitud entre dos objetos a partir de sus relaciones entre s Jeh Widom 2002 Tambi n resulta interesante la utilizaci n del PageRank para predecir la utilizaci n por parte de veh culos o peatones de las calles de una ciudad Jiang 2006 o en Twitter para indicar a un usuario otros usuarios a los que seguir Gupta Goel Lin Sharma Wang Zadeh 2013 En esta secci n se presenta el algoritmo denominado TalentRank para la gesti n de la reputaci n de una comunidad de profesionales En este caso se pretende utilizar la base del PageRank para definir un algoritmo que permita medir la reputaci n asociada al talento desarrollado por un conjunto de profesionales en base a las interrelaciones existentes entre ellos La t cnica de PageRank es la que mejor se ajusta a los requisitos del algoritmo de reputaci n para una comunidad de profesionales En concreto los requisitos que se plantean para el algoritmo de reputaci n son C lculo din mico de la reputaci n el algoritmo de PageRank calcula din micamente a partir de las valoraciones de una p gina Web a trav s de sus hiperenlaces C lculo distribuido de la reputaci n el algoritmo de PageRank se basa en un c lculo distribuido entre todas las p ginas de tal manera que el peso fluye entre las diferentes p ginas C lculo de la reputaci n para todos los miembros de la comunidad el PageRank se calcula utilizando todas las p ginas web del repositorio frente a un c lculo local que emplea nicamente las p ginas consideradas en una consulta Adem s el algoritmo de PageRank permite un c lculo offline de la reputaci n de una p gina web Esto permite que el proceso de c lculo se realice sin penalizar al tiempo de respuesta del usuario y tambi n permite ajustar el proceso de actualizaci n en funci n del dinamismo del sistema a la hora de recibir nuevas valoraciones que puedan modificar las reputaciones
probabilidad de que esa persona est   en esa p  gina en un instante determinado. En el trabajo de Page y Brin, realizan ex...
Para el c lculo del TalentRank se considera que existe una comunidad de profesionales y que dentro de la comunidad los usuarios se asignan valoraciones o feedbacks entre ellos Estas valoraciones pueden ser proporcionadas expl citamente por otros usuarios o tambi n obtenidas impl citamente a partir de acciones al acceder al sistema De la misma manera el TalentRank debe Calcularse din micamente a partir de las relaciones entre los diferentes profesionales En una comunidad los profesionales se evaluar n expl cita o impl citamente lo que servir de base para el c lculo de su reputaci n Calcularse de manera distribuida de tal forma que la reputaci n de un profesional dependa de todas y cada una de las relaciones de interdependencia creadas con otros miembros de la comunidad y no depender nicamente de la capacidad de evaluaci n de un rbitro o juez Calcularse de manera global para todos los miembros de la comunidad en su conjunto Sin embargo el algoritmo de reputaci n para una comunidad de profesionales tambi n presenta unas caracter sticas diferenciadoras que requieren de un dise o y desarrollo de un algoritmo propio y espec fico que las tenga en cuenta Valoraciones en un rango las valoraciones pueden tomar valores en un rango arbitrario p e entre 0 y 10 En el caso del PageRank las valoraciones son unarias o existe un enlace entre una p gina o no existe Para la gesti n de la reputaci n se pretende realizar un an lisis m s detallado de las relaciones entre profesionales por lo que es fundamental considerar diferentes valores o pesos Valoraciones positivas y negativas en la gesti n de la reputaci n se consideran valoraciones tanto positivas como negativas del talento de los profesionales Si bien el PageRank nicamente considera valoraciones positivas esto no es suficiente para el caso de los profesionales En el PageRank no se contempla la posibilidad de dar un voto negativo mientras que entre una comunidad de profesionales s es una caracter stica significativa y relevante Distintos tipos de valoraciones en una comunidad de profesionales pueden existir distintos tipos de categorizaciones que pueden y deben proporcionar diferentes tipos de valoraciones En concreto como caso de uso tipo se plantean las siguientes tipolog as dentro de una comunidad Otro miembro de la comunidad Un evaluador experto Clientes En los siguientes apartados se plantean diferentes evoluciones del algoritmo de c lculo de la reputaci n para una comunidad de profesionales o TalentRank Destacar que para cada versi n del algoritmo se han realizado m ltiples simulaciones para comprobar su funcionamiento y poder determinar aquellos aspectos de mejora En caso de ser necesario se presentar n determinados escenarios de simulaci n para ilustrar aspectos importantes de cada algoritmo
Para el c  lculo del TalentRank se considera que existe una comunidad de profesionales y que dentro de la comunidad los us...
TALENTRANK V1 0 La versi n inicial del c lculo del TalentRank se basa en adaptar directamente el algoritmo de c lculo del PageRank de la siguiente manera 1 TR d j 1 TR Donde TR Ui denota el TalentRank para el profesional o usuario i d al igual que en el c lculo del PageRank es el factor de amortiguaci n y toma el valor de 0 85 n es el n mero de profesionales o usuarios F Uj es el n mero de valoraciones o feedbacks que ha proporcionado el usuario j De esta manera un usuario cada vez que realiza una valoraci n est asignando la parte proporcional de su TalentRank al usuario que eval a y de la misma manera aquellos usuarios que lo hayan valorado le est n asignando la parte proporcional de su TalentRank Por lo tanto si un profesional de la comunidad tiene un valor de TalentRank elevado o lo que es lo mismo una reputaci n elevada y valora positivamente a otro miembro de la comunidad estar aportando un mayor peso que si la valoraci n la realiza otro miembro de la comunidad con un menor TalentRank Igualmente si un profesionales recibe un gran n mero de valoraciones de otros miembros de la comunidad obtendr un elevado TalentRank Estos dos casos ilustran la similitud con la base del PageRank A modo de ejemplo supongamos que disponemos de una comunidad formada por 5 usuarios o profesionales Los usuarios se pueden asignar valoraciones y en este caso inicial nicamente pueden existen dos posibilidades 1 0 Si un usuario asigna una valoraci n de 1 est d ndole un valor positivo al usuario correspondiente mientras que una ausencia de valoraci n indica que se desconoce o no se quiere valorar a ese usuario En la Tabla 1 se muestra un ejemplo de valoraciones entre los usuarios de la comunidad para esta versi n del TalentRank Como se puede comprobar esto no consiste m s que en trasladar directamente la interpretaci n del PageRank al TalentRank U1 U2 U3 U4 U3 U4 1 U1 U2 1 1 1 1 1 1 U5 1
TALENTRANK V1.0 La versi  n inicial del c  lculo del TalentRank se basa en adaptar directamente el algoritmo de c  lculo d...
U5 1 Tabla 1 Valoraciones para TalentRank v1 0 En este caso el usuario 1 les ha otorgado una valoraci n positiva de 1 a los usuarios 2 3 y 4 el usuario 2 ha valorado a los usuarios 1 4 y 5 mientras que el usuario 3 nicamente ha valorado positivamente al usuario 2 el usuario 4 al 3 y el usuario 5 al 2 Es conveniente destacar que esta matriz de valoraciones no es sim trica Los usuarios de las filas son los usuarios que asignan valoraciones mientras que los usuarios de las columnas son los usuarios que reciben las valoraciones Por las caracter sticas de una comunidad que usuario valore a otro usuario por ejemplo el usuario 3 al usuario 2 no implica que necesariamente se produzca una valoraci n a la inversa del usuario 2 al usuario 3 Inicialmente todos los miembros de la comunidad cuentan con un TalentRank de 1 por lo que la primera iteraci n del algoritmo dar a como resultado los siguientes valores TR U1 0 15 5 0 85 1 3 0 313 TR U2 0 15 5 0 85 1 3 1 1 1 1 2 013 TR U3 0 15 5 0 85 1 3 1 1 1 163 TR U4 0 15 5 0 85 1 3 1 3 0 596 TR U5 0 15 5 0 85 1 3 0 313 Tras 10 iteraciones del algoritmo de TalentRank se obtienen los siguientes valores para cada usuario TR U1 0 2 TR U2 0 57 TR U3 0 33 TR U4 0 26 TR U5 0 2 Analizando los valores obtenidos se observa como el usuario 2 es el que obtiene un mayor TalentRank ya que es el usuario con m s valoraciones tres en concreto de los usuarios 1 3 y 5 mientras que los usuarios 1 y 5 tienen el valor m s bajo de TalentRank ya que ambos nicamente tienen una valoraci n positiva del usuario 2 en ambos casos Como se puede comprobar el algoritmo realiza el comportamiento esperado a partir del PageRank Sin embargo este algoritmo nicamente considera valoraciones positivas o neutras No tiene en cuenta que para la gesti n de la reputaci n las valoraciones toman un rango de valores p e entre 0 y 10 y que pueden ser tanto positivas como negativas
U5  1 Tabla 1  Valoraciones para TalentRank v1.0  En este caso, el usuario 1 les ha otorgado una valoraci  n positiva  de ...
En la siguiente secci n se presenta la siguiente versi n del TalentRank que aborda estos problemas TALENTRANK V2 0 Esta versi n del TalentRank considera que las valoraciones de los profesionales toman un rango de valores y se incluyen tanto valoraciones positivas como negativas como neutras Existen ejemplos de diferentes tipos de valoraciones en m ltiples sistemas o comunidades como Valoraciones entre 0 y 10 En este caso el 0 constituye la peor valoraci n posible y el 10 la valoraci n m xima y normalmente las puntuaciones se asignan en unidades exactas Valoraciones entre 1 y 5 Es el rango empleado en muchos sistemas de recomendaci n por ejemplo hoteles y se suelen usar estrellas para asignar las valoraciones Una valoraci n de 1 punto es la peor y la mayor es la de 5 puntos Es posible la asignaci n de medias unidades Valoraciones ternarias 1 0 y 1 En este caso s lo se pueden dar una valoraci n negativa positiva o neutra sin valores intermedios Para poder tratar de manera homog nea a comunidades con diferentes rangos de valoraci n y que el algoritmo pueda operar independientemente de esto el primer paso consiste en normalizar estos valores El resultado ser una valoraci n que est entre los valores 1 para valoraciones negativas y 1 para valoraciones positivas Cuando no existe una valoraci n se considera que es una valoraci n neutra y toma el valor cero al igual que en el algoritmo de PageRank La normalizaci n se realiza de la siguiente manera v 2 Donde V es la valoraci n en el rango inicial M es el valor m ximo del rango inicial de valoraciones m es el valor m nimo del rango inicial de valoraciones v es la valoraci n normalizada al rango 1 1 Por lo tanto ahora el TalentRank se calcular a como 1 TR d j 1 TR U Donde F Uj Ui es la valoraci n que ha realizado el usuario j del usuario i normalizada entre 1 y 1 De esta manera el c lculo del TalentRank tiene en cuenta valoraciones positivas y negativas al multiplicar el TalentRank de un usuario por la valoraci n que est realizando Aquellos profesionales con un valor mayor de TalentRank representan una mayor reputaci n mientras que aquellos profesionales con un valor menor de TalentRank presentan una menor reputaci n Es
En la siguiente secci  n se presenta la siguiente versi  n del TalentRank que aborda estos problemas.  TALENTRANK V2.0 Est...
importante tener en cuenta que es posible que se generen valores de TalentRank negativos a partir de este algoritmo La Tabla 2 muestra un escenario de una comunidad de 5 usuarios en donde se han asignado valoraciones en el rango 0 10 U1 U3 U4 U5 10 U1 U2 7 2 1 U2 2 U3 0 U4 1 U5 10 Tabla 2 Valoraciones para TalentRank v2 0 En este caso el usuario 1 ha valorado muy positivamente al usuario 2 otorg ndole la m xima puntuaci n mientras que a los usuarios 4 y 5 les ha asignado una puntuaci n bastante baja El usuario 3 recibe del usuario 1 una valoraci n positiva A nivel global se observa como el usuario 5 tiene puntuaciones muy bajas por parte de varios usuarios mientras que los usuarios 1 y 2 obtienen la valoraci n m xima Es importante destacar que la ausencia de valoraci n por ejemplo el usuario 2 no ha valorado al usuario 1 no es equivalente a una valoraci n de 0 La valoraci n de 0 indica una puntuaci n negativa por parte de otro usuario mientras que la ausencia de valoraci n simplemente indica que el usuario no puede valorar la reputaci n del otro Para continuar con el algoritmo de TalentRank se aplica el el proceso de normalizaci n de las valoraciones con el que se obtienen las valoraciones que se muestran en la Tabla 3 U1 U3 U4 U5 1 U1 U2 0 4 0 6 0 8 U2 0 6 U3 1 U4 0 8 1 U5 Tabla 3 Valoraciones normalizadas para TalentRank v2 0 Por ejemplo el c lculo de la valoraci n del usuario 1 al usuario 2 ser a el siguiente v 2 10 0 10 10 0 1
importante tener en cuenta que es posible que se generen valores de TalentRank negativos a partir de este algoritmo. La Ta...
O el c lculo de la valoraci n del usuario 1 al usuario 5 ser a el siguiente v 2 1 0 10 10 0 8 10 0 8 En base a las valoraciones de la Tabla 3 se puede aplicar el algoritmo de TalentRank v2 0 Al igual que en la secci n anterior el valor inicial de TalentRank para todos los usuarios es 1 por lo que en la primera iteraci n se obtienen los siguientes valores TR U1 0 15 5 0 85 2 18 1 1 0 88 TR U2 0 15 5 0 85 1 1 4 0 2425 TR U3 0 15 5 0 85 1 0 4 4 0 115 TR U4 0 15 5 0 85 1 0 6 4 0 0975 TR U5 0 15 5 0 85 1 0 8 4 1 0 6 1 1 1 1 1 0 8 1 2 18 Es conveniente destacar que el algoritmo de TalentRank al igual que el PageRank no produce unos resultados acotados sino que es necesario considerar los valores relativos obtenidos En este caso tras la primera iteraci n el valor m ximo de reputaci n ha sido el obtenido por el usuario 1 con 0 88 y el valor m nimo el obtenido por el usuario 5 con 2 18 Continuando con una segunda iteraci n se obtienen los siguientes valores de TalentRank TR U1 0 15 5 0 85 2 18 1 1 1 823 TR U2 0 15 5 0 85 0 88 1 4 0 217 TR U3 0 15 5 0 85 0 88 0 4 4 0 1048 TR U4 0 15 5 0 85 0 88 0 6 4 0 0822 TR U5 0 15 5 0 85 0 88 0 8 4 0 2425 0 6 1 0 115 1 1 0 0975 0 8 1 0 274725 En la segunda iteraci n se observa como el usuario 1 4 y 5 obtienen una reputaci n negativa En el caso de los usuarios 4 y 5 es razonable ya que ambos tienen valoraciones negativas por parte de otros usuarios sin embargo el caso del usuario 1 es m s llamativo Para comprender lo que est sucediendo con la reputaci n del usuario 1 a continuaci n se muestra el resultado del TalentRank v2 0 tras 10 iteraciones TR U1 0 0016 TR U2 0 0306 TR U3 0 0302 TR U4 0 0296
O el c  lculo de la valoraci  n del usuario 1 al usuario 5 ser  a el siguiente  v    2 1     0     10   10-0    -8 10   -0...
TR U5 0 0324 Las valoraciones utilizadas en el ejemplo buscan ver el comportamiento del algoritmo en los casos extremos Por un lado el usuario 5 ha recibido valoraciones negativas por parte del resto de usuarios por lo que se espera que su TalentRank sea bajo De hecho como se puede comprobar es el menor de todos con una reputaci n negativa de 0 0324 Sin embargo tanto el usuario 1 como el usuario 2 ten an unas muy buenas valoraciones que no se ven reflejadas de la misma manera en el TalentRank de ambos usuarios Por un lado el usuario 2 s que obtiene un valor elevado de reputaci n de hecho el mayor de toda la comunidad mientras que el usuario 1 obtiene la segunda peor reputaci n de la comunidad Esto es debido a un efecto no deseado del TalentRank Como se ha comentado previamente la reputaci n fluye a trav s de toda la comunidad de profesionales en base a las valoraciones que han asignado La clave consiste en que fluye tanto la reputaci n positiva como la negativa En el caso del usuario 1 tienen una valoraci n m xima del usuario 5 que tiene una reputaci n negativa por lo que en realidad est trasladando toda su reputaci n negativa al usuario 1 lo que hace que su TalentRank se vea reducido dr sticamente De hecho sin la valoraci n del usuario 5 el TalentRank para el usuario 1 ser a de 0 0375 mientras que esa valoraci n es de 0 0016 sufriendo una reducci n de m s del 95 Esta versi n del TalentRank provoca que cuando un usuario con baja reputaci n TalentRank negativo realiza una buena valoraci n en realidad est perjudicando al usuario ya que le realiza una aportaci n negativa de su reputaci n Es decir los valores negativos de TalentRank son heredadas por los usuarios En la siguiente secci n se presenta una versi n del algoritmo de TalentRank que resuelve este problema TALENTRANK V3 0 Esta versi n del TalentRank limita la propagaci n de los valores negativos de reputaci n Para ello en vez de proporcionar una reputaci n negativa se limita a una reputaci n neutra cada vez que otorgan una valoraci n a otros usuarios Con esto se consigue que las valoraciones negativas afecten nicamente a los usuarios destinatarios y no se propagan a lo largo de toda la comunidad Por lo tanto el c lculo del TalentRank quedar a de la siguiente forma 1 TR d i 1 max 0 TR U En la f rmula se incorpora un t rmino que utiliza el m ximo entre 0 y el TalentRank del usuario que realiza la valoraci n Si este usuario tiene una reputaci n positiva se utilizar su TalentRank mientras que si su reputaci n es negativa se utilizar el valor 0 lo que es equivalente a una reputaci n neutra ni positiva ni negativa Aplicando esta versi n del TalentRank para las valoraciones normalizadas de la Tabla 3 en base a las valoraciones de la Tabla 2 la primera iteraci n del algoritmo obtiene los siguientes valores
     TR U5    -0,0324  Las valoraciones utilizadas en el ejemplo buscan ver el comportamiento del algoritmo en los casos e...
TR U1 0 15 5 0 85 max 0 1 1 1 0 88 TR U2 0 15 5 0 85 max 0 1 1 4 0 2425 TR U3 0 15 5 0 85 max 0 1 0 4 4 0 115 TR U4 0 15 5 0 85 max 0 1 0 6 4 0 0975 TR U5 0 15 5 0 85 max 0 1 0 8 4 max 0 1 0 6 1 max 0 1 1 1 max 0 1 0 8 1 2 18 Como se puede comprobar estos valores son iguales a los obtenidos en la versi n anterior del TalentRank ya que en ambos casos el valor inicial de TalentRank es 1 para los usuarios de la comunidad Es decir no existen reputaciones negativas en esta primera iteraci n por lo que ambas versiones del algoritmo se comportan igual Si aplicamos la segunda iteraci n del algoritmo de TalentRank v3 0 se obtienen los siguientes valores TR U1 0 15 5 0 85 max 0 2 18 1 1 0 03 TR U2 0 15 5 0 85 max 0 0 88 1 4 0 217 TR U3 0 15 5 0 85 max 0 0 88 0 4 4 0 1048 TR U4 0 15 5 0 85 max 0 0 88 0 6 4 0 0822 TR U5 0 15 5 0 85 max 0 0 88 0 8 4 max 0 0 2425 0 6 1 max 0 0 115 1 1 max 0 0 0975 0 8 1 0 341025 Comparando estos valores con los obtenidos en la segunda iteraci n de la versi n 2 0 ya se observan ciertas diferencias en los usuarios 1 y 5 mientras que el resto de usuarios no sufren alteraciones en su valor de TalentRank Esto es el resultado esperado ya que los usuarios 2 3 y 4 no reciben valoraciones por parte de usuarios con reputaci n negativa En cambio el usuario 1 recibe una valoraci n del usuario 5 con reputaci n negativa que es neutralizada con la nueva versi n del TalentRank De la misma forma esto afecta al propio TalentRank del usuario 5 al anular la reputaci n negativa del usuario 4 Este caso es especialmente interesante porque la valoraci n negativa del usuario 4 en la versi n 2 0 del TalentRank el efecto que consegu a era aumentar positivamente la reputaci n del usuario 5 ya que su reputaci n es negativa esto se corresponde con el t rmino 0 0975 0 8 De hecho se puede comprobar como la reputaci n del usuario 5 en la iteraci n 2 es peor en la versi n 3 0 que en la versi n 2 0 en concreto 0 341025 frente a 0 274725 Aplicando el algoritmo de TalentRank v3 0 durante 10 iteraciones el resultado final para todos los usuarios de la comunidad ser a el siguiente TR U1 0 03
     TR U1    0,15 5   0,85    max 0,1    1   1    0,88       TR U2    0,15 5   0,85    max 0,1    1   4    0,2425       T...
TR U2 0 036 TR U3 0 032 TR U4 0 026 TR U5 0 039 En este caso se observa claramente como el usuario 5 obtiene una reputaci n claramente negativa y muy inferior al resto de usuarios de la comunidad reflejando el comportamiento de las valoraciones recibidas Por otra parte el usuario 1 tiene una reputaci n a la altura del resto de miembros de la comunidad TALENTRANK V4 0 Esta versi n de TalentRank introduce el concepto de diferentes categor as dentro de la comunidad de profesionales Esto provoca que se consideren diferentes tipolog as a la hora de asignar valoraciones y en consecuencia sus valoraciones podr n tener un peso diferenciado Espec ficamente se ha definido un caso de uso que tiene en cuenta las siguientes categorizaciones de profesionales usuarios y por lo tanto las valoraciones asociadas Valoraci n recibida por otro miembro de la comunidad Valoraci n recibida por un evaluador experto Valoraci n recibida por clientes de proyectos realizados con anterioridad En cualquier caso el algoritmo de reputaci n que se plantea es gen rico y es v lido para cualquier n mero de categorizaciones que se plantee aunque en los ejemplos y experimentos analizados se consideren nicamente estas tres tipolog as Para ello el algoritmo de TalentRank v4 0 incorpora el concepto de confianza trust dentro del modelo As cada categor a de usuario o profesional tiene una confianza asociada con un valor preestablecido Este valor de confianza permite dar un mayor o menor peso en funci n del conocimiento previo del perfil de usuario con el que se est tratando Por ejemplo en el caso de los evaluadores expertos se puede considerar que son usuarios de m xima confianza mientras que otro miembro de la comunidad simplemente presenta una confianza media o baja Al incorporar la noci n de confianza al algoritmo de reputaci n el c lculo se realizar de la siguiente manera 1 TR d i 1 max 0 TR U Donde T Uj denota la confianza que se tiene sobre el usuario Uj
     TR U2    0,036       TR U3    0,032       TR U4    0,026       TR U5    -0,039  En este caso, se observa claramente c...
La manera en la que se calcule la confianza sobre un usuario definir las distintas versi n del algoritmo de ahora en adelante En concreto en la versi n 4 0 del algoritmo de TalentRank se consideran valores de confianza constantes Con el objetivo de poder analizar el comportamiento de esta versi n del algoritmo en la Tabla 4 se muestran una comunidad con 5 usuarios que han realizado una serie de valoraciones La novedad consiste en que se han introducido diferentes categor as de usuarios profesionales agrupados como sigue Miembro de la comunidad usuarios 1 2 y 3 Cliente usuario 4 Evaluador experto usuario 5 En base al algoritmo de TalentRank 4 0 es necesario definir un nivel de confianza predefinido para las diferentes tipolog as de usuario En concreto Miembro de la comunidad confianza neutra 0 5 Cliente confianza media 0 7 Evaluador experto confianza m xima 1 U1 U2 U3 10 U1 U2 U4 U5 5 0 10 U3 U4 3 10 U5 2 7 10 8 10 Tabla 4 Valoraciones para TalentRank v4 0 Tras realizar la normalizaci n de las valoraciones se obtienen los valores que se muestran en la Tabla 5 U1 U2 1 U3 1 U1 U2 0 U4 U5
La manera en la que se calcule la confianza sobre un usuario definir   las distintas versi  n del algoritmo de ahora en ad...
1 U3 U4 0 4 1 U5 0 6 0 4 1 0 6 1 Tabla 5 Valoraciones normalizadas para TalentRank v4 0 Observar como a los usuarios 4 y 5 se les ha incorporado una auto valoraci n por si no dispusiesen de valoraciones de otros usuarios como es el caso Aplicando el algoritmo de TalentRank v4 0 a toda la comunidad se obtienen los siguientes valores de reputaci n para la primera iteraci n el valor inicial de TalentRank es 1 para todos los usuarios TR U1 0 15 5 0 85 max 0 1 1 0 5 1 max 0 1 0 4 0 7 4 max 0 1 0 6 1 3 0 6245 TR U2 0 15 5 0 85 max 0 1 1 0 5 2 max 0 1 1 0 5 1 max 0 1 1 0 7 4 max 0 1 0 6 1 3 0 98625 TR U3 0 15 5 0 85 max 0 1 0 0 5 2 max 0 1 0 4 0 7 4 0 0895 TR U4 0 15 5 0 85 max 0 1 1 0 7 4 0 17875 TR U5 0 15 5 0 85 max 0 1 1 1 3 0 3133 Aplicando el algoritmo de TalentRank v4 0 a toda la comunidad y tras 10 iteraciones la reputaci n converge en los siguientes valores TR U1 0 00276 TR U2 0 05541 TR U3 0 0321 TR U4 0 03524 TR U5 0 04186 Desde un punto de vista global se observa el comportamiento adecuado del algoritmo de gesti n de la reputaci n ya que otorga al usuario 1 una reputaci n claramente negativa al haber recibido valoraciones muy bajas por parte de varios usuarios especialmente aquellos con un valor de confianza elevado El usuario 2 es el que tiene una mejor reputaci n acorde con las valoraciones recibidas mientras que el usuario 3 obtiene una reputaci n ligeramente positiva TALENTRANK V5 0 Esta versi n de TalentRank profundiza en las diferentes categorizaciones dentro de la comunidad de profesionales y introduce el c lculo del TalentRank para cada tipo de usuario En concreto se consideran tres tipos de TalentRank de usuario TRusuario de cliente TRcliente y de
1  U3 U4  -0,4  1  U5  -0,6  0,4  1  0,6  1  Tabla 5  Valoraciones normalizadas para TalentRank v4.0  Observar como a los ...
evaluador experto TRevaluador El c lculo del TalentRank se realiza siguiendo las siguientes f rmulas 1 TRusuario d 1 TRcliente d max 0 TR U Usuarios Clientes 1 TRevaluador d max 0 TR U Evaluador max 0 TR U De esta manera para cada profesional de la comunidad se calculan tres valores de TalentRank independientes Cada tipolog a de TalentRank para su c lculo nicamente tiene en cuenta las valoraciones realizadas por los profesionales asociados a la categor a considerada Por ejemplo para el c lculo del TalentRank de evaluador experto nicamente se consideran las valoraciones que hayan aportado evaluadores expertos En un siguiente paso estas medidas se pueden combinar para obtener un valor final de TalentRank de la siguiente forma TR TRusuario TRcliente TRevaluador con 1 Los valores de y asignan de manera indirecta el concepto de confianza a cada una de las medidas de TalentRank obtenidas Este modelo sin embargo presenta el inconveniente de que las valoraciones no se producen de manera independiente entre las diferentes categorizaciones Esto es no existen tres comunidades independientes dentro de la comunidad de profesionales sino que las diferentes tipolog as de profesionales conviven en una misma comunidad Esto provoca que el TalentRank no fluye entre los usuarios ya que est limitado nicamente a los de una determinada tipolog a En resumen esta variante del modelo del algoritmo de reputaci n provoca que el c lculo del TalentRank no sea v lido por lo que no se profundiza en su estudio TALENTRANK V6 0 La ltima versi n del algoritmo de c lculo del TalentRank constituye una mejora sobre la versi n 4 0 que contemplaba expl citamente el concepto de confianza pero tomando valores constantes En esta versi n se mantiene el concepto de confianza pero que se va incrementando paulatinamente seg n el usuario proporcione m s valoraciones De esta manera un usuario se iniciar con una confianza b sica inicial diferente en funci n de su tipolog a que se ir aumentando seg n vaya proporcionando m s valoraciones hasta alcanzar un valor m ximo Por lo tanto la confianza para usuario i se calcula como
evaluador experto  TRevaluador . El c  lculo del TalentRank se realiza siguiendo las siguientes f  rmulas   1           TR...
a Tmin Donde a es el factor de incremento por cada valoraci n aportada por el usuario Tmin es el valor m nimo de confianza para un usuario Este modelo lineal de confianza conviene acotarlo para evitar que determinados usuarios puedan obtener valores excesivamente elevados de confianza y distorsionar el funcionamiento del sistema Por lo tanto el modelo lineal acotado para el c lculo de la confianza quedar a de la siguiente manera Tmin siF fmax Tmin en otro caso max Donde fmax es el n mero de valoraciones que debe obtener un usuario para alcanzar el m ximo de confianza Es importante destacar que cada categorizaci n de los profesionales puede y debe calcular su confianza de manera independiente En este sentido es recomendable emplear un modelo incremental entre las diferentes categorizaciones de tal manera que los niveles de confianza sean incrementales y disjuntos para favorecer un funcionamiento adecuado del algoritmo de reputaci n A modo de ejemplo se plantean unos valores para el c lculo de la confianza de las tres categorizaciones consideradas Usuarios Tmin Tmax 0 5 0 5 Clientes Tmin 0 5 Tmax 0 7 fmax 8 0 025 0 5 siF 8 0 7 en otro caso Evaluadores expertos Tmin 0 7 Tmax 1 fmax 12 0 025 0 7 siF 12 1 en otro caso En este caso los usuarios profesionales de la comunidad tienen un valor constante de confianza de 0 5 el modelo lineal acotado tambi n permite operar con valores constantes En el caso de los clientes su valor m nimo de confianza se inicia en 0 5 y conseguir n el valor m ximo 0 7 al haber asignado 8 valoraciones Los evaluadores expertos se inician con una confianza de 0 7 el m ximo correspondiente a los clientes que se incrementa hasta llegar al m ximo tras asignar 12 valoraciones Este constituye el modelo definitivo para el algoritmo de reputaci n cuyo c lculo se realiza en base a la siguiente f rmula ya descrita
                 a                      Tmin Donde,     a es el factor de incremento por cada valoraci  n aportada por el ...
1 TR d i 1 max 0 TR U Para poder aplicar adecuadamente el algoritmo de TalentRank es necesario ajustar los par metros del modelo Para ello en la siguiente secci n se describen los experimentos realizados para optimizar estos par metros
       1           TR                d          i 1  max 0,TR                               ,U                            ...
EXPERIMENTOS En esta secci n se presentan los experimentos desarrollados para optimizar los par metros del algoritmo de c lculo de la reputaci n versi n 6 0 Los experimentos han sido dise ados siguiendo el paradigma de Cranfield Cleverton 1967 Para ello se ha generado sint ticamente un dataset formado por 64 profesionales Los profesionales se asignan valoraciones entre s teniendo en cuenta las siguientes tres categorizaciones dentro de la comunidad Valoraci n recibida por otro miembro de la comunidad Valoraci n recibida por un evaluador experto Valoraci n recibida por clientes de proyectos realizados con anterioridad En base a un conjunto de datos de una comunidad de profesionales real se ampliaron sint ticamente hasta alcanzar las 186 valoraciones El rango considerado para las valoraciones es el siguiente positivas 1 negativas 1 o neutras 0 En base a este dataset un grupo de expertos ha evaluado manualmente los mejores profesionales en base a las valoraciones recibidas constituyendo los juicios de relevancia La Figura 8 presenta una muestra del dataset generado junto con las valoraciones recibidas y proporcionadas por los usuarios El c digo de colores indica la categorizaci n del profesionales Otro miembro de la comunidad color verde Evaluador experto color rojo Cliente color azul
EXPERIMENTOS En esta secci  n se presentan los experimentos desarrollados para optimizar los par  metros del algoritmo de ...
Figura 8 Dataset para optimizaci n del algoritmo de reputaci n En los experimentos se han implementado diferentes versi n del algoritmo de reputaci n TalentRank v6 0 en funci n de los par metros que ajustan los modelos lineales acotados de confianza En concreto estos son los par metros a optimizar Usuarios T Ui Clientes Tmin Tmax Evaluadores experto Tmin Tmax En total se analizaron 30 configuraciones diferentes y para cada configuraci n se ejecutaron 10 iteraciones del algoritmo de c lculo de la reputaci n En base a la reputaci n obtenida se ordenan de mayor a menor los profesionales de la comunidad y el resultado es analizado comparando con los juicios de relevancia La evaluaci n se realiza en base a dos valores de precisi n Precisi n a 13 P 13 en este caso se consideran 13 profesionales de todas las categorizaciones como los m s relevantes en base a su reputaci n Precisi n a 6 P 6 en este caso nicamente se consideran seis profesionales aquellos categorizados como usuarios Es decir no se tienen en cuenta los resultados para profesionales categorizados como clientes ni evaluadores expertos La Tabla 6 muestra los resultados obtenidos para las diferentes configuraciones analizadas que obtienen resultados relevantes Las configuraciones analizadas con un valor de T Ui para los usuarios superior planteaban problemas a la hora de converger los valores de TalentRank
Figura 8  Dataset para optimizaci  n del algoritmo de reputaci  n  En los experimentos se han implementado diferentes vers...
Usuarios T Ui Clientes Tmin Clientes Tmax Evaluador Tmin Evaluador Tmax P 13 P 6 0 1 0 1 0 2 0 2 1 0 0 0 0 1 0 1 0 3 0 3 1 0 0 0 0 1 0 1 0 4 0 4 1 0 0 0 0 1 0 1 0 5 0 5 1 0 0 0 0 1 0 1 0 6 0 6 1 0 0 0 0 1 0 1 0 7 0 7 1 0 0 0 0 1 0 1 0 8 0 8 1 0 0 0 0 1 0 1 0 9 0 9 1 0 0 0 0 2 0 2 0 3 0 3 1 0 0 0 0 2 0 2 0 4 0 4 1 0 0 0 0 2 0 2 0 5 0 5 1 0 0 0 0 2 0 2 0 6 0 6 1 0 0 0 0 2 0 2 0 7 0 7 1 0 0 0 0 2 0 2 0 8 0 8 1 0 0 0 0 2 0 2 0 9 0 9 1 0 0 0 0 3 0 3 0 4 0 4 1 0 0 0 0 3 0 3 0 5 0 5 1 0 0 0 0 3 0 3 0 6 0 6 1 0 0 0 0 3 0 3 0 7 0 7 1 0 0 0 0 3 0 3 0 8 0 8 1 0 0 0 0 3 0 3 0 9 0 9 1 0 0 08 0 0 4 0 4 0 5 0 5 1 0 0 08 0 0 4 0 4 0 6 0 6 1 0 0 08 0 0 4 0 4 0 7 0 7 1 0 0 08 0 0 4 0 4 0 8 0 8 1 0 0 08 0 0 4 0 4 0 9 0 9 1 0 0 15 0 17 0 5 0 5 0 6 0 6 1 0 0 23 0 33 0 5 0 5 0 7 0 7 1 0 0 23 0 33 0 5 0 5 0 8 0 8 1 0 0 23 0 33 0 5 0 5 0 9 0 9 1 0 0 23 0 33 Tabla 6 Resultados de los experimentos del algoritmo de reputaci n
Usuarios  T Ui   Clientes  Tmin  Clientes  Tmax  Evaluador  Tmin  Evaluador  Tmax  P 13  P 6  0,1  0,1  0,2  0,2  1,0  0  ...
Como se observa en la Tabla 6 los mejores resultados se obtiene para la configuraci n con T Ui 0 5 y las diferentes combinaciones de Tmin y Tmax En base a estos valores se ha considerado como configuraci n ptima la que toma los siguientes valores Usuarios T Ui 0 5 Clientes Tmin 0 5 Tmax 0 6 Evaluador Tmin 0 6 Tmax 1 0 Se ha optado por esta configuraci n ya que minimiza el riesgo de manipulaciones por parte de los usuarios de los niveles de reputaci n al otorgar un menor peso a la confianza de usuarios y clientes En cualquier caso es conveniente destacar que la propia gesti n de la confianza por parte del algoritmo de reputaci n permitir a en caso de ser necesario anular el nivel de confianza para determinados usuarios evitando potenciales manipulaciones por ejemplo mediante una categorizaci n de usuarios no fiables que tuviesen asociada un nivel de confianza nulo Adem s tambi n se han realizado experimentos para analizar el efecto de los valores de fmax tanto de clientes como de evaluadores que han permitido comprobar como el par metro fmax aunque afecta en el c mputo final del valor del TalentRank no tiene efecto sobre el rendimiento del sistema En resumen el algoritmo para el c lculo de la reputaci n o TalentRank se calcula en base a la siguiente f rmula 1 TR d i 1 max 0 TR U El c lculo de la confianza se realiza aplicando un modelo lineal acotado para las distintas categorizaciones consideradas En concreto el modelo lineal acotado para cada categorizaci n se calcula en base a la siguiente f rmula gen rica Tmin siF fmax ax Tmin en otro caso m En base a los experimentos realizados se optimizan estos par metros para las distintas categorizaciones y el c lculo final de la confianza se realiza como Usuarios Tmin Tmax 0 5 0 5 Clientes Tmin 0 5 Tmax 0 6 fmax 8 0 0125 0 5 siF 8 0 6 en otro caso Evaluadores expertos Tmin 0 6 Tmax 1 fmax 12 0 033 0 6 siF 12 1 en otro caso
Como se observa en la Tabla 6, los mejores resultados se obtiene para la configuraci  n con T Ui    0,5, y las diferentes ...
Aplicando este algoritmo se calculan las sucesivas iteraciones del TalentRank hasta que los valores de reputaci n empiezan a converger En la Figura 9 se muestra un gr fico que representa la evoluci n del TalentRank tras 10 iteraciones Figura 9 Evoluci n del TalentRank tras 10 iteraciones Para esta ejecuci n se ha utilizado un dataset con m s de 600 usuarios En este caso tras 10 iteraciones los valores de reputaci n convergen hasta el s ptimo decimal Finalmente para el c lculo de la reputaci n se calculan los percentiles de cada uno de los valores de TalentRank y se realiza una divisi n en 5 partes iguales con su equivalente en el nivel de reputaci n Percentil entre 100 y 81 5 estrellas Percentil entre 80 y 61 4 estrellas Percentil entre 60 y 41 3 estrellas Percentil entre 40 y 21 2 estrellas Percentil entre 20 y 0 1 estrella Se ha optado por emplear una notaci n en base a estrellas para representar la reputaci n de un profesional por tratarse de un ampliamente utilizado en sistemas de evaluaci n y recomendaci n
Aplicando este algoritmo, se calculan las sucesivas iteraciones del TalentRank, hasta que los valores de reputaci  n empie...
IMPLEMENTACI N Para la gesti n de la reputaci n se realiza un c lculo offline Para ello de manera peri dica se programa un proceso por lotes batch que actualiza los valores de reputaci n de los profesionales de la comunidad en base a las valoraciones que figuren en el sistema Es conveniente realizar el c lculo offline por dos motivos fundamentales Estabilidad de la reputaci n el concepto de reputaci n es un valor relativamente estable a lo largo del tiempo lo que hace que la frecuencia de cambio de la reputaci n sea bastante baja Esto est derivado del proceso de asignaci n de valoraciones a un profesional que es un proceso que se realiza normalmente al finalizar una tarea y por lo tanto de frecuencia moderada Complejidad del algoritmo el algoritmo de c lculo de la reputaci n tiene una complejidad elevada por lo que consume elevados recursos en el sistema Una ejecuci n programada en un momento de baja carga del sistema es la opci n m s adecuada para optimizar los recursos disponibles una vez aplicado el algoritmo de c lculo de la reputaci n el usuario obtiene un valor de reputaci n o TalentRank que se muestra como una serie de estrellas En la Figura 10 se muestra el perfil de un usuario ficticio en donde se puede observar que ha obtenido el m ximo valor de TalentRank 5 estrellas
IMPLEMENTACI  N Para la gesti  n de la reputaci  n se realiza un c  lculo offline. Para ello, de manera peri  dica se prog...
Figura 10 Perfil de un profesional con TalentRank En la Figura 11 se muestra el TalentRank para otro usuario que nicamente ha obtenido 2 estrellas de reputaci n
Figura 10  Perfil de un profesional con TalentRank  En la Figura 11 se muestra el TalentRank para otro usuario que   nicam...
Figura 11 Perfil de un profesional con TalentRank 2
Figura 11  Perfil de un profesional con TalentRank  2
CONCLUSIONES Para el dise o del algoritmo de reputaci n para profesionales de una comunidad se ha tomado como base el algoritmo de PageRank El algoritmo de c lculo de la reputaci n permite realizar un c lculo din mico y distribuido de la reputaci n de tal manera que la reputaci n de cada uno de sus miembros retroalimenta al resto de profesionales de la comunidad El algoritmo de reputaci n a partir de las valoraciones otorgadas por los miembros de la comunidad calcula en sucesivas iteraciones la reputaci n de cada miembro de tal forma que la reputaci n fluye a trav s de toda la comunidad de profesionales As cuando un miembro valora positivamente a otro miembro de la comunidad est aportando una parte de su propia reputaci n y viceversa cuando miembro recibe valoraciones est recibiendo la parte proporcional de la reputaci n de otros profesionales de la comunidad Adem s el algoritmo de reputaci n de profesionales permite diferenciar entre distintos tipos de valoraciones en funci n las categorizaciones de profesionales En concreto se tienen en cuenta las siguientes categor as Valoraci n recibida por otro miembro de la comunidad Valoraci n recibida por un evaluador experto Valoraci n recibida por clientes de proyectos realizados con anterioridad Destacar que se han dise ado y valorado diferentes versiones del algoritmo hasta llegar a la versi n definitiva TalentRank v6 0 Para esta versi n se analizado el rendimiento del sistema en funci n de los par metros del modelo mediante m ltiples experimentos para optimizar el rendimiento global del sistema La herramienta de gesti n de la reputaci n se ha desarrollado en la plataforma de LanceTalent y que actualmente se encuentra en producci n El algoritmo de TalentRank ha sido implementado y optimizado para garantizar una ejecuci n eficiente y escalable obteniendo unos tiempos de respuesta adecuados para su funcionamiento en un entorno real La incorporaci n de la reputaci n a dicha plataforma supone una mejora significativa en el proceso de evaluaci n de un profesional para el desarrollo de proyectos o tareas
CONCLUSIONES Para el dise  o del algoritmo de reputaci  n para profesionales de una comunidad se ha tomado como base el al...
REFERENCIAS Cleverdon C W 1967 The Cranfield tests on index language devices En Aslib proceedings volume 19 pp 173 192 Kleinberg J M 1999 Authoritative sources in a hyperlinked environment J ACM 46 5 604 632 Page L Brin S Motwani R Winograd T 1998 The pagerank citation ranking Bringing order to the web In Proceedings of the 7th international world wide web conference pp 161 172 Brisbane Australia Kamvar S D Schlosser M T Garcia Molina H 2003 The eigentrust algorithm for reputation management in p2p networks In Proceedings of the 12th international conference on World Wide Web pp 640 651 Gy ngyi Z Garcia Molina H Pedersen J 2004 Combating Web Spam with TrustRank In Proceedings of the 30th Very Large DataBase Conference pp 576 587 Jeh G Widom J 2002 SimRank A Measure of Structural Context Similarity In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining pp 538 543 Jiang B 2006 Ranking spaces for predicting human movement in an urban environment International Journal of Geographical Information Science 23 7 823 837 Gupta P Goel A Lin J Sharma A Wang D Zadeh R 2013 WTF The who to follow system at Twitter In Proceedings of the 22nd international conference on World Wide Web pp 505 514
REFERENCIAS Cleverdon, C.W.  1967 . The Cranfield tests on index language devices. En Aslib proceedings, volume 19, pp. 17...