INDICE 1. INTRODUCCION. Porque del libro 2. BLOQUE. LA NUEVA ECONOMIA. Economía “On Demand” (Bajo demanda)  Tendencias principales: o Hacia la persona como CENTRO de la economía vs la empresa. o Economía “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 especialización. o Hacia empresas con: pocas personas clave internas + “pool” o red de talento colaborativo. o Hacia un compromiso/relación basada en el “proyecto” vs “contrato laboral”. o Hacia una formación gestionada por el propio individuo vs. Empresa (online, gremios profesionales…). o Hacia un identificación con “lo que se hacer o mi red profesional” vs. con una empresa concreta. o Hacia una gestión de reputación 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 intermediación a experiencia end-to-end (como en retail).  Porque ahora si es el momento?. o Desarrollo de la tecnología. “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 hábitos 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 reputación… 5. BLOQUE. FACTORES CRITICOS PARA EL DESPEGUE DEL MERCADO TALENTO. MODELOS DE REPUTACION  La confianza / reputación 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 reputación y resuelve la búsqueda de los mejores profesionales online en la nueva economía “Bajo Demanda”.  Retos que debe cubrir un sistema de reputación: antifraude, justo, dinámico…  Panorama de los modelos de reputación actuales.  Un caso de éxito: Talent Rank basado en la aplicación 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. Economía “On Demand” (Bajo demanda) Talento colaborativo Un cambio de época No les entretendré demasiado intentando convencerles de un hecho evidente: no es que vivamos en una época de cambios; vivimos un cambio de época. Ahora es más cierto que nunca lo que ya nos advirtiera el famoso poeta francés Paul Valery cuando dijera que “El problema de nuestro tiempo es el futuro ya no es lo que era”. Hay cinco fuerzas que están provocado que el futuro sea distinto en este cambio de época y que están obligando a las empresas a adaptarse a un entorno más 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 última 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 simplificación y una ambigüedad sin ápice de seguridad. Como el lector podrá imaginar estas cinco fuerzas son: 1) La Demografía. Mientras que occidente se llena de canas, muchos de los países emergentes como la India, muestran una cara llena de espinillas adolescentes con más de 600 millones de jóvenes. Europa y Japón está aquejados de una longevidad irreversible y de una esterilidad casi patológica (fíjese que curiosidad, en Japón hay más familias con mascotas que con hijos) que hará que cuando Asia concentre el 60 por ciento de la población mundial, la vieja Europa (nunca mejor dicho lo de vieja) estará agonizante y apenas supondrá un cinco por ciento de la población mundial. Asimismo, se está produciendo una ascendencia de la Generación Y, y se prevé que la Generación Z, la que está naciendo ahora en occidente, llegará a vivir más de 100 años; pero además, los integrantes de la Generación Baby Boomers que recuperaron nuestra sociedad (han vivido para trabajar) y que han cuidado de sus padres y de sus nietos serán cada vez más pobres a medida que envejezcan. 2) La Sociedad. Vivimos, y seguiremos haciéndolo en un mundo cada vez más urbano y menos rural en el que es posible que las ciudades, en vez de los países, sean las que colaboren y compitan cada vez más. Por otra parte, como se está produciendo una digitalización mundial de los conocimientos está apareciendo una especie de “sabiduría de masas”, que está operando a través de lo que ahora llamamos crowdsourcing y está poniendo en jaque el conocimiento empaquetado de las compañías e instituciones y su innovación. Esta sociedad en occidente se conforma con familias cada vez más pequeñas y diversas, (las monoparentales son el mejor ejemplo), con el ascenso a un mayor protagonismo de la mujer (menos mal, porque estamos despreciando más de la mitad de nuestro talento), con una creciente desconfianza de las instituciones (qué me dice de nuestra desmembrada y corrupta España), un aumento del ocio pasivo… 3) Los Recursos Energéticos. Los precios de la energía seguirán aumentando y crecerán los desastres medioambientales, lo que seguirá forzando el desplazamiento de población hacia los lugares más prósperos y seguros, en medio de una deseada cultura de la sostenibilidad con el telón de fondo de un cambio climático entre dos sociedades con diferentes niveles de confortabilidad energética.
2  BLOQUE. LA NUEVA ECONOMIA. Econom  a    On Demand     Bajo demanda  Talento colaborativo  Un cambio de   poca No les en...
4) La Globalización. Estamos en un mundo con el cartel de “abierto 24X365” en cualquier parte del mundo y en el que las economías, hoy ya mal llamadas emergentes, desplazan a la occidental, como así lo demuestra la última década 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 Tecnología. No insistiré sobre el incremento exponencial de la tecnología, ni con la posibilidad de que dentro de poco seamos más 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 época industrial está languideciendo a la vez que surgen, conviven, compiten y, paradójicamente 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 canción de Amaral, Sin ti no soy nada; en estos momentos sin TI (Tecnologías de la Interacción Social, como a mí me gusta denominarlas) no podemos hacer nada, porque sucede que en estos momentos más personas tienen acceso móvil que al agua potable y electricidad. Tenemos cuatro veces más de dispositivos conectados que personas en la tierra; asimismo, las transacciones comerciales con móviles alcanzarán los 3,2 billones de dólares en 2017 y en los países en desarrollo, habrá diez teléfonos móviles más por cada grupo de 100 personas que incrementaran el PIB en un 0,8%. Por otra parte, los circuitos electrónicos se pueden integrar en objetos impresos 3D. Los “connected & wearable smart electronics” (zapatos, tatuajes, partes del cuerpo) se convertirán en una industria de $10 mil millones para el año 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 impresión 3D para un stent traqueal: $10, para que se siga asombrando el año pasado ya se imprimió en Amsterdad la primera casa en 3D a orillas de los canales de esta célebre ciudad. Pero las TIS también 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 niños menores de dos años tienen "sombras digitales." Todo esto además está haciendo que la mayoría de las empresas gasten más 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 confían en las recomendaciones de sus círculos sociales, y sólo el 14% confía en la publicidad tradicional. Pero las TIS también 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 últimos dos años o que en 2012, la cantidad total de datos creció hasta 3 ZB de datos (ZB = 1 Billón de Terabytes) y que otros 40 Zettabytes se crearán de aquí a 2020 (~ todas las palabras jamás habladas por los seres humanos). Si todo esto lo aderezamos con una de las crisis más importantes de la historia y sus consecuencias, nos encontramos con ese contexto VUCA en el que se desenvuelve nuestras compañías, que están intentan solucionar problemas nuevos, en muchas ocasiones, con terapias viejas. En definitiva, si hay alguna palabra que defina el actual momento social y económico, ésta 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...
tecnología, entonces hablamos de disrupción,cambio disruptivo o como hemos apuntado Cambio de Época. En esta situación, lo único cierto, de lo único que podemos estar seguros y que no cambiará; es decir, lo único permanente, que seguirá siendo inamovible y que nos acompañará el resto de nuestros días será: que todo seguirá cambiando. Esa es nuestra única 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 GESTIÓN DE LA REPUTACIÓN Y EL TALENTO INTRODUCCIÓN La gestión de la reputación constituye un elemento clave en cualquier sistema de información. A modo de ejemplo, se plantea el impacto y la importancia que ha tenido la gestión de la reputación en, probablemente, los mayores sistemas de información que existan hoy en día: los buscadores web. A principios de la década 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 información en la telaraña de la web. En aquel momento los buscadores se diferenciaban por su ámbito de cobertura, es decir, el número de páginas web en las que eran capaces de buscar y, especialmente, por su tecnología de búsqueda. La tecnología de búsqueda era lo que marcaba la calidad del buscador desde el punto de vista del usuario al permitir localizar de manera rápida y certera la página con el contenido deseado. En sus inicios, los buscadores empleaban diferentes técnicas para intentar identificar aquellas páginas más relevantes. Por ejemplo, una técnica sencilla consiste en tener en cuenta si las palabras buscadas aparecen en el título de la página o si están escritas en negrita, ya que esto indica que tienen una especial relevancia en la página. Sin embargo, en 1996 aparece en escena un nuevo buscador web que marcó la diferencia: Google. Larry Page y Sergey Brin desarrollaron el PageRank, una técnica que permite medir la reputación de una página web mediante el análisis de los hiperenlaces entre las páginas. Aunque ninguno de los grandes buscadores web indica de manera detallada cómo realiza la ordenación de sus resultados, es patente que, entre otros factores, entran en juego el análisis del contenido del documento y la reputación de la página, mediante el análisis 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 día las diferentes técnicas de análisis de hiperenlaces para medir la reputación de una página web son ampliamente utilizadas por los buscadores web, en su momento supuso un avance tecnológico sustancial en el ámbito de los buscadores web y la Recuperación de Información (RI) por su capacidad para determinar la reputación de una página web. De la misma manera, en la gestión del talento se hace imprescindible poder medir la reputación de los distintos profesionales de manera dinámica y precisa. En este capítulo se presenta el TalentRank, el algoritmo basado en el PageRank de Google que permite determinar la reputación de un conjunto de profesionales. El resto del capítulo está estructurado de la siguiente manera: en primer lugar se presentan los antecedentes en los que se basa el TalentRank para, a continuación, analizar en detalle el algoritmo del TalentRank. Finalmente, se presentan las principales conclusiones obtenidas a lo largo de este capítulo.
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 presentación del algoritmo de reputación para profesionales de una comunidad, se introducen brevemente las principales técnicas equivalentes existentes en el estado del arte de la RI. En la RI web se utiliza la información de los hiperenlaces para determinar la calidad o reputación de una página web. En este apartado se presentan los dos principales algoritmos de análisis de hiperenlaces del estado del arte: HITS y PageRank. Estos dos trabajos de investigación se produjeron prácticamente en paralelo y su objetivo era determinar la calidad de una página 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 tipología de una página web, en función de los hiperenlaces:  Autoridades: se trata de páginas, de reconocido prestigio, que proporcionan información fiable, significativa y útil para un tema en concreto. Se caracterizan porque otras páginas apuntan a ellas, es decir, tiene un gran número de enlaces entrantes.  Concentradores (o hubs, en inglés): se trata de páginas que, sin disponer de un contenido propio útil, disponen de enlaces a páginas relevantes. Se caracterizan por contener un gran número 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 búsqueda o temática determinada (Kleinberg, 1999). Se basa en analizar la web como un grafo, en donde cuando una página p contiene un enlace a una página 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 páginas 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 tenderán a formar un grafo bipartito: los concentradores apuntarán a múltiples autoridades y las autoridades serán apuntadas por múltiples concentradores (ver Figura 2). Figura 2: Subgrafo de documentos relevantes en HITS El problema que pretende abordar Kleinberg es el determinar aquellas páginas con una mayor reputación o calidad para una consulta que él define como genérica. Este tipo de consultas se caracterizan porque el usuario utiliza términos comunes (por ejemplo, “buscador” o “talento”) que contienen millones de páginas web. Por lo tanto, es necesario un mecanismo que permita identificar las “mejores” páginas, entendiendo por mejores, aquellas páginas con una mayor reputación. El algoritmo propuesto por Kleinberg, en base a una consulta de un usuario, identifica aquellas páginas que se pueden considerar autoridades y aquellas que se pueden considerar concentradores. Seguidamente, las páginas con un mayor peso de autoridad, serán aquellas con una mayor reputación y que, a priori, resultarán más útiles 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 página 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 continuación, se añaden a S todos los documentos a los que apuntan los resultados y todas las páginas que apuntan a los resultados (ver Figura 2). En este caso, y debido que el número de páginas que apunten a documentos de R puede ser muy elevado, el autor decidió seleccionar 50 documentos aleatoriamente. Además, se eliminan los enlaces entre dos páginas del mismo sitio web (se asume que son enlaces de navegación) y se establece un número máximo de enlaces desde un sitio web a una página 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 página v, su peso de autoridad (denominado av) y su peso de concentrador (denominado hv). Una página v, que sea de autoridad para la consulta, deberá ser enlazada desde múltiples concentradores, por lo tanto el peso de autoridad se calcula como la suma de los pesos de concentrador de las páginas 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...
𝑎𝑣 = ∑ ℎ𝑦 𝑦→𝑣 Figura 3: Cálculo del peso de autoridad en HITS Por ejemplo, en la Figura 3 el peso de autoridad de p se calcularía como la suma de los pesos de concentrador de las páginas q1, q2 y q3, que contienen enlaces apuntando a p. 𝑎 𝑝 = ℎ 𝑞1 + ℎ 𝑞2 + ℎ 𝑞3 Una página v, que sea un buen concentrador para la consulta, deberá apuntar a múltiples autoridades, por lo que el peso de concentrador se calcula como la suma de los pesos de autoridad de las páginas a las que apunta v. ℎ𝑣 = ∑ 𝑣→𝑦 𝑎𝑦
                                      Figura 3  C  lculo del peso de autoridad en HITS  Por ejemplo, en la Figura 3 el pes...
Figura 4: Cálculo del peso de concentrador en HITS Por ejemplo, en la Figura 4 el peso de concentrador de la página p se obtendría sumando los pesos de autoridad de las páginas q1, q2 y q3, que están enlazadas desde p. ℎ 𝑝 = 𝑎 𝑞1 + 𝑎 𝑞2 + 𝑎 𝑞3 Estos pasos se repiten de manera iterativa hasta que los pesos converjan (en la práctica con unas 20 iteraciones es suficiente). En cada iteración se recalculan los valores de los pesos según las fórmulas anteriores. Después se normalizan los valores de los pesos para garantizar la convergencia del proceso. Para la normalización es necesario calcular los valores de las constantes de normalización ca y ch, según las siguientes fórmulas: 𝑐 𝑎 = √∑ 𝑣 𝑎2 ; 𝑐ℎ = √∑ 𝑣 ℎ2 𝑣 𝑣 El autor aplica este algoritmo a una serie de búsquedas genéricas (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 página no esté el texto de la consulta, una página puede ser considerada una autoridad para esa búsqueda. En el artículo de Kleinberg, al realizar la búsqueda “Gates” (en referencia a Bill Gates), una de las páginas 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 término 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 búsqueda realizada por los usuarios, lo que supone un elevado coste computacional y que limita en gran medida su aplicación práctica en un buscador web. PAGERANK El PageRank es el algoritmo de análisis 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 páginas 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 únicamente en medir la reputación o importancia o autoridad de una página web; y, por otro lado, se basan en un planteamiento global que calcula el PageRank para todas las páginas de la web y no únicamente 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 página tendrá 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 páginas A, B, C, D y E, en donde A y B son enlaces de entrada a la página C; mientras que D y E son los enlaces de salida de C. La idea general del PageRank es que aquellas páginas con un elevado número de enlaces de entrada pueden ser consideradas páginas importantes o con una gran reputación. Sin embargo, tener en cuenta únicamente el número de enlaces de entrada no es suficiente. Por ejemplo, una página con un único enlace de entrada, pero de un sitio importante (por ejemplo, Yahoo) debería tener una mayor reputación que otra página con varios enlaces de sitios menos relevantes. Por lo tanto, de manera sencilla e intuitiva el PageRank para una página se define como la suma de los PageRanks de las páginas de sus enlaces entrantes. De esta manera, si una página 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 también será elevado. De esta manera, el PageRank se puede considerar como un sistema de votación que mide la importancia de una página en función de los enlaces que obtiene de otras páginas. Si una página A contiene un enlace a una página B esto constituye un voto favorable para la página B. La no existencia de un enlace se considera una abstención. A continuación se estudia la manera en la que se realiza el cálculo del PageRank para una página v, denotado como PR(v). Supongamos que las páginas y1, …, yn apuntan a v y que para cada una de ellas el término C(yi) representa el número de enlaces de salida que tiene la página yi. Una versión inicial del PageRank de v se calcularía de la siguiente manera: PR(𝑣) = ( PR(𝑦1 ) PR(𝑦 𝑛 ) + ⋯+ ) 𝐶(𝑦1 ) 𝐶(𝑦 𝑛 ) Esta fórmula es recursiva y el valor del PageRank se calcula en varias iteraciones hasta que converja. De manera intuitiva, se consigue que cada página divida su PageRank equitativamente entre todas las páginas a las que apunta y el PageRank fluye de una página hacia las páginas que cita. Figura 6: Ejemplo de cálculo 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 cálculo del PageRank. En este caso, la página A tiene un PageRank de 2, que se divide entre las páginas a las que apunta (C y D). La página B tiene un PageRank de 6 y enlaza con 3 páginas, por lo que les corresponde un PageRank de 2 a cada una de ellas. De esta forma, la página C tiene un PageRank total de 3 (1 correspondiente al PageRank de la página A y 2 correspondientes al PageRank de la página B), mientras que el PageRank de la página E es de 2, al únicamente tener un enlace desde la página B. Para comprobar como el PageRank se calcula iterativamente y como fluye entre las distintas páginas usamos el ejemplo que se muestra en la Figura 7. En este caso tenemos tres páginas web, en donde la página A tiene un enlace de salida hacia B y otro hacia C; la página B tiene otro enlace de salida de vuelta hacia A y, por último, la página C tiene un enlace de salida hacia B. Figura 7: Ejemplo para el cálculo 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 cálculo del PageRank se inicia con un valor constante e igual para las tres páginas (PR(A) = PR(B) = PR(C) = 1). En este ejemplo, se toma el valor de 1, pero se puede comprobar como el PageRank convergerá para cualquier valor inicial. En la primera iteración, el valor del PageRank para cada página será 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 iteración, los nuevos valores de PageRank serán: 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 iteración, 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 serán suficientes): PR(A) = 1,2 PR(B) = 1,2 PR(C) = 0,6 En este ejemplo se observa como, en cada iteración, cada página distribuye equitativamente su PageRank entre las páginas a las que está enlazadas, y viceversa. Sin embargo, se plantea un problema en el caso de que existan páginas o grupos de paginas sin enlaces de salida. Esto provocaría un bucle que acabaría absorbiendo todo el PageRank. Para evitar esta situación se introduce un parámetro d en el cálculo del PageRank, denominado factor de amortiguación: PR(𝑣) = (1 − 𝑑 )⁄n+d ( PR(𝑦1 ) PR(𝑦 𝑛 ) +⋯+ ) 𝐶(𝑦1 ) 𝐶(𝑦 𝑛 ) La componente (1-d) del factor de amortiguación es necesaria para poder salir de un grupo de páginas sin enlaces de salida. Un valor considerado adecuado para el factor de amortiguación suele ser de 0,85. De esta forma, el PageRank se puede considerar como la modelización de una persona navegando aleatoriamente por la web. Esa persona empieza en una página aleatoria. Con probabilidad d seleccionará un enlace al azar de la página en la que se encuentra y continuará navegando. Con probabilidad (1-d) saltará a una nueva página aleatoria. El PageRank de la página 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 esté en esa página en un instante determinado. En el trabajo de Page y Brin, realizan experimentos con 24 millones de páginas y 322 millones de enlaces para demostrar las propiedades del PageRank. Realizando una búsqueda simple en el título de las páginas y ordenando en base al PageRank los autores confirman que funciona notablemente bien. Además, presentan varios casos de uso, destacando la ordenación de los resultados y el gran impacto que tiene el PageRank en ese caso. ALGORITMO DE REPUTACIÓN En las secciones anteriores se han presentado los dos algoritmos iniciales que permitieron medir la calidad o reputación de una página web. Como ya se ha comentado, el algoritmo de PageRank presenta unas características intrínsecas (fundamentalmente, la posibilidad de su cálculo offline y distribuido) que han hecho que se convirtiese en el modelo predominante y del cual han surgido múltiples variantes aplicadas a múltiples dominios diferentes. Por ejemplo, el EigenTrust es un algoritmo para la gestión de la reputación en redes “Peer-To-Peer” o P2P (Kamvar, Schlosser & Garcia-Molina, 2003). El TrustRank que ha sido desarrollado en Stanford y Yahoo utiliza la información de los hiperenlaces para discriminar las páginas web útiles de las que son spam (Gyöngyi, Garcia-Molina & Pedersen, 2004). El SimRank es una medida que permite establecer la similitud entre dos objetos a partir de sus relaciones entre sí (Jeh & Widom, 2002). También resulta interesante la utilización del PageRank para predecir la utilización, por parte de vehículos 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 sección se presenta el algoritmo denominado TalentRank para la gestión de la reputación de una comunidad de profesionales. En este caso, se pretende utilizar la base del PageRank para definir un algoritmo que permita medir la reputación asociada al talento desarrollado por un conjunto de profesionales en base a las interrelaciones existentes entre ellos. La técnica de PageRank es la que mejor se ajusta a los requisitos del algoritmo de reputación para una comunidad de profesionales. En concreto, los requisitos que se plantean para el algoritmo de reputación son:  Cálculo dinámico de la reputación: el algoritmo de PageRank calcula dinámicamente, a partir de las valoraciones de una página Web a través de sus hiperenlaces.  Cálculo distribuido de la reputación: el algoritmo de PageRank se basa en un cálculo distribuido entre todas las páginas, de tal manera que el peso fluye entre las diferentes páginas.  Cálculo de la reputación para todos los miembros de la comunidad: el PageRank se calcula utilizando todas las páginas web del repositorio, frente a un cálculo local que emplea únicamente las páginas consideradas en una consulta. Además, el algoritmo de PageRank permite un cálculo offline de la reputación de una página web. Esto permite que el proceso de cálculo se realice sin penalizar al tiempo de respuesta del usuario y también permite ajustar el proceso de actualización en función 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 cálculo 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 explícitamente por otros usuarios o también obtenidas implícitamente a partir de acciones al acceder al sistema. De la misma manera, el TalentRank debe:  Calcularse dinámicamente a partir de las relaciones entre los diferentes profesionales. En una comunidad los profesionales se evaluarán (explícita o implícitamente) lo que servirá de base para el cálculo de su reputación.  Calcularse de manera distribuida, de tal forma que la reputación de un profesional dependa de todas y cada una de las relaciones de interdependencia creadas con otros miembros de la comunidad y no depender únicamente de la capacidad de evaluación de un árbitro o juez.  Calcularse de manera global para todos los miembros de la comunidad en su conjunto. Sin embargo, el algoritmo de reputación para una comunidad de profesionales también presenta unas características diferenciadoras que requieren de un diseño y desarrollo de un algoritmo propio y específico 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 página o no existe. Para la gestión de la reputación se pretende realizar un análisis más detallado de las relaciones entre profesionales por lo que es fundamental considerar diferentes valores o pesos.  Valoraciones positivas y negativas: en la gestión de la reputación se consideran valoraciones tanto positivas como negativas del talento de los profesionales. Si bien el PageRank únicamente 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 sí es una característica 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 tipologías dentro de una comunidad: ◦ Otro miembro de la comunidad ◦ Un evaluador experto ◦ Clientes En los siguientes apartados se plantean diferentes evoluciones del algoritmo de cálculo de la reputación para una comunidad de profesionales o TalentRank. Destacar que para cada versión del algoritmo se han realizado múltiples simulaciones para comprobar su funcionamiento y poder determinar aquellos aspectos de mejora. En caso de ser necesario, se presentarán determinados escenarios de simulación 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 versión inicial del cálculo del TalentRank se basa en adaptar directamente el algoritmo de cálculo del PageRank de la siguiente manera: 𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 j=1 TR(𝑈𝑗 ) 𝐹(𝑈𝑗 ) Donde,  TR(Ui) denota el TalentRank para el profesional o usuario i.  d, al igual que en el cálculo del PageRank, es el factor de amortiguación y toma el valor de 0,85.  n es el número de profesionales o usuarios.  F(Uj) es el número de valoraciones (o feedbacks) que ha proporcionado el usuario j. De esta manera, un usuario, cada vez que realiza una valoración está asignando la parte proporcional de su TalentRank al usuario que evalúa y, de la misma manera, aquellos usuarios que lo hayan valorado, le están 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 reputación elevada), y valora positivamente a otro miembro de la comunidad, estará aportando un mayor peso que si la valoración la realiza otro miembro de la comunidad con un menor TalentRank. Igualmente, si un profesionales recibe un gran número de valoraciones de otros miembros de la comunidad obtendrá 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, únicamente pueden existen dos posibilidades: 1 ó 0. Si un usuario asigna una valoración de 1 está dándole un valor positivo al usuario correspondiente, mientras que una ausencia de valoración 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 versión del TalentRank. Como se puede comprobar, esto no consiste más que en trasladar directamente la interpretación 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 valoración 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 únicamente 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 simétrica. 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 características de una comunidad, que usuario valore a otro usuario (por ejemplo, el usuario 3 al usuario 2), no implica que, necesariamente, se produzca una valoración 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 iteración del algoritmo daría 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 más valoraciones (tres, en concreto de los usuarios 1, 3 y 5), mientras que los usuarios 1 y 5 tienen el valor más bajo de TalentRank ya que ambos únicamente tienen una valoración 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 únicamente considera valoraciones positivas o neutras. No tiene en cuenta que para la gestión de la reputación 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 sección se presenta la siguiente versión del TalentRank que aborda estos problemas. TALENTRANK V2.0 Esta versión 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 múltiples sistemas o comunidades, como:  Valoraciones entre 0 y 10. En este caso, el 0 constituye la peor valoración posible y el 10 la valoración máxima y, normalmente, las puntuaciones se asignan en unidades exactas.  Valoraciones entre 1 y 5. Es el rango empleado en muchos sistemas de recomendación (por ejemplo, hoteles) y se suelen usar estrellas para asignar las valoraciones. Una valoración de 1 punto es la peor y la mayor es la de 5 puntos. Es posible la asignación de medias unidades.  Valoraciones ternarias (-1, 0 y 1). En este caso, sólo se pueden dar una valoración negativa, positiva o neutra, sin valores intermedios. Para poder tratar de manera homogénea a comunidades con diferentes rangos de valoración y que el algoritmo pueda operar independientemente de esto, el primer paso consiste en normalizar estos valores. El resultado será una valoración que esté entre los valores -1 (para valoraciones negativas) y +1 (para valoraciones positivas). Cuando no existe una valoración, se considera que es una valoración neutra y toma el valor cero (al igual que en el algoritmo de PageRank). La normalización se realiza de la siguiente manera: v= (𝑉 − 𝑚) + (𝑉 − 𝑀) 2 ⋅ 𝑉 − 𝑚 − 𝑀 = 𝑀− 𝑚 𝑀− 𝑚 Donde,  V es la valoración en el rango inicial.  M es el valor máximo del rango inicial de valoraciones.  m es el valor mínimo del rango inicial de valoraciones.  v es la valoración normalizada al rango [-1, +1] Por lo tanto, ahora el TalentRank se calcularía como: 𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 j=1 TR(𝑈𝑗 ) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) 𝐹(𝑈𝑗 ) Donde,  F(Uj, Ui) es la valoración que ha realizado el usuario j del usuario i normalizada entre -1 y +1. De esta manera, el cálculo del TalentRank tiene en cuenta valoraciones positivas y negativas al multiplicar el TalentRank de un usuario por la valoración que está realizando. Aquellos profesionales con un valor mayor de TalentRank representan una mayor reputación, mientras que aquellos profesionales con un valor menor de TalentRank presentan una menor reputación. 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 otorgándole la máxima puntuación, mientras que a los usuarios 4 y 5 les ha asignado una puntuación bastante baja. El usuario 3 recibe del usuario 1 una valoración 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 valoración máxima. Es importante destacar que la ausencia de valoración (por ejemplo, el usuario 2 no ha valorado al usuario 1) no es equivalente a una valoración de 0. La valoración de 0 indica una puntuación negativa por parte de otro usuario, mientras que la ausencia de valoración simplemente indica que el usuario no puede valorar la reputación del otro. Para continuar con el algoritmo de TalentRank se aplica el el proceso de normalización 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 cálculo de la valoración del usuario 1 al usuario 2 sería 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 cálculo de la valoración del usuario 1 al usuario 5 sería 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 sección anterior, el valor inicial de TalentRank para todos los usuarios es 1, por lo que en la primera iteración 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 iteración el valor máximo de reputación ha sido el obtenido por el usuario 1 con 0,88 y el valor mínimo el obtenido por el usuario 5 con -2,18. Continuando con una segunda iteración, 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 iteración se observa como el usuario 1, 4 y 5 obtienen una reputación 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 más llamativo. Para comprender lo que está sucediendo con la reputación del usuario 1, a continuación 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 reputación negativa de -0,0324. Sin embargo, tanto el usuario 1 como el usuario 2 tenían 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 sí que obtiene un valor elevado de reputación, de hecho, el mayor de toda la comunidad, mientras que el usuario 1 obtiene la segunda peor reputación de la comunidad. Esto es debido a un efecto no deseado del TalentRank. Como se ha comentado previamente, la reputación fluye a través de toda la comunidad de profesionales en base a las valoraciones que han asignado. La clave consiste en que fluye tanto la reputación positiva como la negativa. En el caso del usuario 1, tienen una valoración máxima del usuario 5 que tiene una reputación negativa, por lo que en realidad está trasladando toda su reputación negativa al usuario 1 lo que hace que su TalentRank se vea reducido drásticamente. De hecho, sin la valoración del usuario 5, el TalentRank para el usuario 1 sería de 0,0375, mientras que esa valoración es de 0,0016 (sufriendo una reducción de más del 95%). Esta versión del TalentRank provoca que cuando un usuario con baja reputación (TalentRank negativo) realiza una buena valoración, en realidad, está perjudicando al usuario ya que le realiza una aportación negativa de su reputación. Es decir, los valores negativos de TalentRank son heredadas por los usuarios. En la siguiente sección se presenta una versión del algoritmo de TalentRank que resuelve este problema. TALENTRANK V3.0 Esta versión del TalentRank limita la propagación de los valores negativos de reputación. Para ello, en vez de proporcionar una reputación negativa se limita a una reputación neutra cada vez que otorgan una valoración a otros usuarios. Con esto, se consigue que las valoraciones negativas afecten únicamente a los usuarios destinatarios y no se propagan a lo largo de toda la comunidad. Por lo tanto, el cálculo del TalentRank quedaría de la siguiente forma: 𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 i=1 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) 𝐹(𝑈𝑗 ) En la fórmula se incorpora un término que utiliza el máximo entre 0 y el TalentRank del usuario que realiza la valoración. Si este usuario tiene una reputación positiva se utilizará su TalentRank, mientras que si su reputación es negativa se utilizará el valor 0, lo que es equivalente a una reputación neutra (ni positiva ni negativa). Aplicando esta versión del TalentRank para las valoraciones normalizadas de la Tabla 3 (en base a las valoraciones de la Tabla 2), la primera iteración 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 versión 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 iteración por lo que ambas versiones del algoritmo se comportan igual. Si aplicamos la segunda iteración 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 iteración de la versión 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 reputación negativa. En cambio, el usuario 1 recibe una valoración del usuario 5 (con reputación negativa) que es neutralizada con la nueva versión del TalentRank. De la misma forma, esto afecta al propio TalentRank del usuario 5 al anular la reputación negativa del usuario 4. Este caso es especialmente interesante porque la valoración negativa del usuario 4 en la versión 2.0 del TalentRank el efecto que conseguía era aumentar positivamente la reputación del usuario 5 ya que su reputación es negativa (esto se corresponde con el término -0,0975 * -0,8). De hecho, se puede comprobar como la reputación del usuario 5 en la iteración 2 es peor en la versión 3.0 que en la versión 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 sería 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 reputación 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 reputación a la altura del resto de miembros de la comunidad. TALENTRANK V4.0 Esta versión de TalentRank introduce el concepto de diferentes categorías dentro de la comunidad de profesionales. Esto provoca que se consideren diferentes tipologías a la hora de asignar valoraciones y, en consecuencia, sus valoraciones podrán tener un peso diferenciado. Específicamente, se ha definido un caso de uso que tiene en cuenta las siguientes categorizaciones de profesionales/usuarios y, por lo tanto, las valoraciones asociadas:  Valoración recibida por otro miembro de la comunidad.  Valoración recibida por un evaluador experto.  Valoración recibida por clientes de proyectos realizados con anterioridad. En cualquier caso, el algoritmo de reputación que se plantea es genérico y es válido para cualquier número de categorizaciones que se plantee, aunque en los ejemplos y experimentos analizados se consideren únicamente estas tres tipologías. Para ello, el algoritmo de TalentRank v4.0 incorpora el concepto de confianza (trust) dentro del modelo. Así, cada categoría de usuario o profesional tiene una confianza asociada con un valor preestablecido. Este valor de confianza permite dar un mayor o menor peso en función del conocimiento previo del perfil de usuario con el que se esté tratando. Por ejemplo, en el caso de los evaluadores expertos se puede considerar que son usuarios de máxima confianza, mientras que otro miembro de la comunidad simplemente presenta una confianza media o baja. Al incorporar la noción de confianza al algoritmo de reputación, el cálculo se realizará de la siguiente manera: 𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 i=1 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) ⋅ 𝑇(𝑈𝑗 ) 𝐹(𝑈𝑗 ) 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 definirá las distintas versión del algoritmo de ahora en adelante. En concreto, en la versión 4.0 del algoritmo de TalentRank se consideran valores de confianza constantes. Con el objetivo de poder analizar el comportamiento de esta versión 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 categorías 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 tipologías de usuario. En concreto:  Miembro de la comunidad: confianza neutra (0,5)  Cliente: confianza media (0,7)  Evaluador experto: confianza máxima (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 normalización 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-valoración 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 reputación para la primera iteración (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 reputación 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 gestión de la reputación ya que otorga al usuario 1 una reputación 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 reputación, acorde con las valoraciones recibidas, mientras que el usuario 3 obtiene una reputación ligeramente positiva. TALENTRANK V5.0 Esta versión de TalentRank profundiza en las diferentes categorizaciones dentro de la comunidad de profesionales y introduce el cálculo 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 cálculo del TalentRank se realiza siguiendo las siguientes fórmulas: (1 − 𝑑) TRusuario (𝑈 𝑖 ) = +d 𝑛 (1 − 𝑑) TRcliente (𝑈 𝑖 ) = +d 𝑛 𝑛 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) 𝐹(𝑈𝑗 ) ∑ 𝑈 𝑗 ∈Usuarios 𝑛 ∑ 𝑈 𝑗 ∈Clientes (1 − 𝑑) TRevaluador (𝑈 𝑖 ) = +d 𝑛 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) 𝐹(𝑈𝑗 ) 𝑛 ∑ 𝑈 𝑗 ∈Evaluador max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) 𝐹(𝑈𝑗 ) De esta manera, para cada profesional de la comunidad se calculan tres valores de TalentRank independientes. Cada tipología de TalentRank para su cálculo, únicamente tiene en cuenta las valoraciones realizadas por los profesionales asociados a la categoría considerada. Por ejemplo, para el cálculo del TalentRank de evaluador experto, únicamente 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(𝑈 𝑖 )=α ⋅ TRusuario +β ⋅ TRcliente +γ ⋅ TRevaluador ,conα+β+γ=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 tipologías de profesionales conviven en una misma comunidad. Esto provoca que el TalentRank no fluye entre los usuarios ya que está limitado únicamente a los de una determinada tipología. En resumen, esta variante del modelo del algoritmo de reputación provoca que el cálculo del TalentRank no sea válido por lo que no se profundiza en su estudio. TALENTRANK V6.0 La última versión del algoritmo de cálculo del TalentRank constituye una mejora sobre la versión 4.0, que contemplaba explícitamente el concepto de confianza, pero tomando valores constantes. En esta versión, se mantiene el concepto de confianza pero que se va incrementando paulatinamente según el usuario proporcione más valoraciones. De esta manera, un usuario se iniciará con una confianza básica inicial (diferente en función de su tipología) que se irá aumentando según vaya proporcionando más valoraciones hasta alcanzar un valor máximo. 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...
𝑇(𝑈 𝑖 )=a ⋅ 𝐹(𝑈 𝑖 )+Tmin Donde,  a es el factor de incremento por cada valoración aportada por el usuario.  Tmin es el valor mínimo 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 cálculo de la confianza quedaría de la siguiente manera: 𝑇(𝑈 𝑖 ) = { 𝑎 ⋅ 𝐹(𝑈 𝑖 )+Tmin ,siF(𝑈 𝑖 )⩽fmax } 𝑎 ⋅ 𝑓 +Tmin ,en otro caso max Donde,  fmax es el número de valoraciones que debe obtener un usuario para alcanzar el máximo de confianza. Es importante destacar que cada categorización 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 reputación. A modo de ejemplo, se plantean unos valores para el cálculo de la confianza de las tres categorizaciones consideradas:  Usuarios: Tmin = Tmax = 0,5 𝑇(𝑈 𝑖 ) = 0,5  Clientes: Tmin = 0,5; Tmax = 0,7; fmax = 8 𝑇(𝑈 𝑖 ) = {  0,025 ⋅ 𝐹(𝑈 𝑖 ) + 0,5,siF(𝑈 𝑖 ) ⩽ 8 } 0,7,en otro caso Evaluadores expertos: Tmin = 0,7; Tmax = 1; fmax = 12 𝑇(𝑈 𝑖 ) = { 0,025 ⋅ 𝐹(𝑈 𝑖 ) + 0,7,siF(𝑈 𝑖 ) ⩽ 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 también permite operar con valores constantes). En el caso de los clientes, su valor mínimo de confianza se inicia en 0,5 y conseguirán el valor máximo (0,7) al haber asignado 8 valoraciones. Los evaluadores expertos se inician con una confianza de 0,7 (el máximo correspondiente a los clientes), que se incrementa hasta llegar al máximo tras asignar 12 valoraciones. Este constituye el modelo definitivo para el algoritmo de reputación, cuyo cálculo se realiza en base a la siguiente fórmula ya descrita:
                 a                      Tmin Donde,     a es el factor de incremento por cada valoraci  n aportada por el ...
𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 i=1 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) ⋅ 𝑇(𝑈𝑗 ) 𝐹(𝑈𝑗 ) Para poder aplicar adecuadamente el algoritmo de TalentRank es necesario ajustar los parámetros del modelo. Para ello, en la siguiente sección, se describen los experimentos realizados para optimizar estos parámetros.
       1           TR                d          i 1  max 0,TR                               ,U                            ...
EXPERIMENTOS En esta sección se presentan los experimentos desarrollados para optimizar los parámetros del algoritmo de cálculo de la reputación versión 6.0. Los experimentos han sido diseñados siguiendo el paradigma de Cranfield (Cleverton, 1967). Para ello, se ha generado sintéticamente un dataset formado por 64 profesionales. Los profesionales se asignan valoraciones entre sí, teniendo en cuenta las siguientes tres categorizaciones dentro de la comunidad:  Valoración recibida por otro miembro de la comunidad.  Valoración recibida por un evaluador experto.  Valoración recibida por clientes de proyectos realizados con anterioridad. En base a un conjunto de datos de una comunidad de profesionales real, se ampliaron sintéticamente 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 código de colores indica la categorización 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 optimización del algoritmo de reputación En los experimentos se han implementado diferentes versión del algoritmo de reputación (TalentRank v6.0) en función de los parámetros que ajustan los modelos lineales acotados de confianza. En concreto, estos son los parámetros a optimizar:  Usuarios: T(Ui)  Clientes: Tmin, Tmax  Evaluadores experto: Tmin, Tmax En total se analizaron 30 configuraciones diferentes y para cada configuración se ejecutaron 10 iteraciones del algoritmo de cálculo de la reputación. En base a la reputación obtenida, se ordenan de mayor a menor los profesionales de la comunidad y el resultado es analizado, comparando con los juicios de relevancia. La evaluación se realiza en base a dos valores de precisión:  Precisión a 13 (P@13): en este caso, se consideran 13 profesionales de todas las categorizaciones como los más relevantes en base a su reputación.  Precisión a 6 (P@6): en este caso, únicamente 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 reputación
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 configuración con T(Ui) = 0,5, y las diferentes combinaciones de Tmin y Tmax. En base a estos valores se ha considerado como configuración óptima 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 configuración ya que minimiza el riesgo de manipulaciones por parte de los usuarios de los niveles de reputación, al otorgar un menor peso a la confianza de usuarios y clientes. En cualquier caso, es conveniente destacar que la propia gestión de la confianza por parte del algoritmo de reputación permitiría, en caso de ser necesario, anular el nivel de confianza para determinados usuarios evitando potenciales manipulaciones, por ejemplo, mediante una categorización de usuarios no fiables que tuviesen asociada un nivel de confianza nulo. Además, también 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 parámetro fmax, aunque afecta en el cómputo final del valor del TalentRank no tiene efecto sobre el rendimiento del sistema. En resumen, el algoritmo para el cálculo de la reputación o TalentRank se calcula en base a la siguiente fórmula: 𝑛 (1 − 𝑑) TR(𝑈 𝑖 ) = +d ∑ 𝑛 i=1 max(0,TR(𝑈𝑗 )) ⋅ 𝐹(𝑈𝑗 ,U 𝑖 ) ⋅ 𝑇(𝑈𝑗 ) 𝐹(𝑈𝑗 ) El cálculo de la confianza se realiza aplicando un modelo lineal acotado para las distintas categorizaciones consideradas. En concreto, el modelo lineal acotado, para cada categorización, se calcula en base a la siguiente fórmula genérica: 𝑇(𝑈 𝑖 ) = { 𝑎 ⋅ 𝐹(𝑈 𝑖 )+Tmin ,siF(𝑈 𝑖 )⩽fmax } 𝑎 ⋅ 𝑓 ax +Tmin ,en otro caso m En base a los experimentos realizados, se optimizan estos parámetros para las distintas categorizaciones y el cálculo final de la confianza se realiza como:  Usuarios: Tmin = Tmax = 0,5 𝑇(𝑈 𝑖 ) = 0,5  Clientes: Tmin = 0,5; Tmax = 0,6; fmax = 8 𝑇(𝑈 𝑖 ) = {  0,0125 ⋅ 𝐹(𝑈 𝑖 ) + 0,5,siF(𝑈 𝑖 ) ⩽ 8 } 0,6,en otro caso Evaluadores expertos: Tmin = 0,6; Tmax = 1; fmax = 12 𝑇(𝑈 𝑖 ) = { 0,033 ⋅ 𝐹(𝑈 𝑖 ) + 0,6,siF(𝑈 𝑖 ) ⩽ 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 reputación empiezan a converger. En la Figura 9 se muestra un gráfico que representa la evolución del TalentRank tras 10 iteraciones. Figura 9: Evolución del TalentRank tras 10 iteraciones Para esta ejecución se ha utilizado un dataset con más de 600 usuarios. En este caso, tras 10 iteraciones los valores de reputación convergen hasta el séptimo decimal. Finalmente, para el cálculo de la reputación se calculan los percentiles de cada uno de los valores de TalentRank y se realiza una división en 5 partes iguales, con su equivalente en el nivel de reputación:  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 notación en base a estrellas para representar la reputación de un profesional por tratarse de un ampliamente utilizado en sistemas de evaluación y recomendación.
Aplicando este algoritmo, se calculan las sucesivas iteraciones del TalentRank, hasta que los valores de reputaci  n empie...
IMPLEMENTACIÓN Para la gestión de la reputación se realiza un cálculo offline. Para ello, de manera periódica se programa un proceso por lotes (batch) que actualiza los valores de reputación de los profesionales de la comunidad, en base a las valoraciones que figuren en el sistema. Es conveniente realizar el cálculo offline por dos motivos fundamentales:  Estabilidad de la reputación: el concepto de reputación es un valor relativamente estable a lo largo del tiempo, lo que hace que la frecuencia de cambio de la reputación sea bastante baja. Esto está derivado del proceso de asignación 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 cálculo de la reputación tiene una complejidad elevada, por lo que consume elevados recursos en el sistema. Una ejecución programada en un momento de baja carga del sistema es la opción más adecuada para optimizar los recursos disponibles. una vez aplicado el algoritmo de cálculo de la reputación, el usuario obtiene un valor de reputación 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 máximo 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 únicamente ha obtenido 2 estrellas de reputación.
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 diseño del algoritmo de reputación para profesionales de una comunidad se ha tomado como base el algoritmo de PageRank. El algoritmo de cálculo de la reputación permite realizar un cálculo dinámico y distribuido de la reputación, de tal manera que la reputación de cada uno de sus miembros retroalimenta al resto de profesionales de la comunidad. El algoritmo de reputación, a partir de las valoraciones otorgadas por los miembros de la comunidad, calcula en sucesivas iteraciones la reputación de cada miembro, de tal forma que la reputación fluye a través de toda la comunidad de profesionales. Así, cuando un miembro valora positivamente a otro miembro de la comunidad está aportando una parte de su propia reputación, y viceversa, cuando miembro recibe valoraciones está recibiendo la parte proporcional de la reputación de otros profesionales de la comunidad. Además, el algoritmo de reputación de profesionales permite diferenciar entre distintos tipos de valoraciones, en función las categorizaciones de profesionales. En concreto, se tienen en cuenta las siguientes categorías:  Valoración recibida por otro miembro de la comunidad.  Valoración recibida por un evaluador experto.  Valoración recibida por clientes de proyectos realizados con anterioridad. Destacar que se han diseñado y valorado diferentes versiones del algoritmo, hasta llegar a la versión definitiva (TalentRank v6.0). Para esta versión, se analizado el rendimiento del sistema en función de los parámetros del modelo mediante múltiples experimentos para optimizar el rendimiento global del sistema. La herramienta de gestión de la reputación se ha desarrollado en la plataforma de LanceTalent y que actualmente se encuentra en producción. El algoritmo de TalentRank ha sido implementado y optimizado para garantizar una ejecución eficiente y escalable, obteniendo unos tiempos de respuesta adecuados para su funcionamiento en un entorno real. La incorporación de la reputación a dicha plataforma supone una mejora significativa en el proceso de evaluación 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). Gyöngyi, 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...