Combining Artificial Intelligence, Ontology, and Frequency-based Approaches to Recommend Activities in Scientific Workflows

Abstract

Abstract:The number of activities provided by scientific workflow management systems is large, which requires scientists to know many of them to take advantage of the reusability of these systems. To minimize this problem, the literature presents some techniques to recommend activities during the scientific workflow construction. In this paper we specified and developed a hybrid activity recommendation system considering information on frequency, input and outputs of activities and ontological annotations. Additionally, this paper presents a modeling of activities recommendation as a classification problem, tested using 5 classifiers; 5 regressors; and a composite approach which uses a Support Vector Machine (SVM) classifier, combining the results of other classifiers and regressors to recommend; and Rotation Forest, an ensemble of classifiers. The proposed technique was compared to related techniques and to classifiers and regressors, using 10-fold-cross-validation, achieving a Mean Reciprocal Rank (MRR) at least 70% greater than those obtained by classical techniques. Keywords: recommendation system -scientific workflows -artificial intelligence -ontology Resumo: O número de atividades disponibilizados por sistemas gerenciadores de workflows científicoé muito grande e isto faz com que os cientistas precisem conhecer muitas atividades para tirar proveito da reusabilidade provida por esses sistemas. Para minimizar este problema, a literatura apresenta algumas técnicas para recomendar atividades durante a construção de um workflow científico. Neste artigo nós especificamos e desenvolvemos uma solução híbrida de sistema de recomendação de atividades utilizando informações de frequência, entrada e saída das atividades e anotação ontológica. Adicionalmente, apresentamos a modelagem da recomendação de atividades na forma de um problema de classificação em inteligência artificial, o qual foi testado com 5 classificadores; 5 regressores; uma solução composta usando Máquinas de Vetores de Suporte (SVM), combinando os resultados dos outros classificadores e regressores; e o classificador Rotation Forest. A técnica proposta foi comparada com técnicas correlatas bem como com o uso dos classificadores e regressores, usando validação cruzada com dez subconjuntos e atingiu o valor de ranqueamento recíproco médio (MRR) ao menos 70 % superior do que aqueles obtidos por técnicas clássicas Palavras-Chave: sistema de recomendação -workflows científicos -inteligência artificial -ontologias