Abstract
The study of the evacuation of buildings in emergency fire situations has deserved the attention of researchers for decades, particularly regarding the real-time guiding of occupants in their way to exit the building. However, finding solutions to guide the occupants evacuating a building requires a thorough knowledge of that domain. Using ontological models to model the knowledge of a domain allows the understanding of that domain to be shared. This paper presents an ontological model that pretends to reinforce and deepen knowledge of the domain under study and help develop solutions and systems capable of guiding the occupants during a building evacuation. The ontology was developed following the METHONTOLOGY methodology, and for implementation, the Protege tool was used. The ontological model was successfully submitted to a thorough evaluation process and is publicly available on the Web.

Abstract
E-learning has been important in higher education, enabling people to continue their education with more flexibility. Virtual laboratories play a crucial role in Computer Science distance learning degrees, by enabling students to study at their rhythm and getting practical answers to practical problems immediately. Theoretical models such as finite automata, pushdown automata, context-free grammars, Turing machines, etc., are essential for understanding the grounds of languages and computability and are also the basis for the implementation of compilers. In this paper, a new virtual laboratory is presented, UAbALL-Automata Learning Lab, developed at Universidade Aberta (UAb), the Portuguese Open University. This virtual laboratory has already been tested in the curricular unit of Languages and Computation, with good feedback from the students. A comparison to other tools was performed showing that UAbALL is more complete in terms of tools provided.

Abstract
No atual cenário de crescimento tecnológico, à semelhança da maioria dos produtos agrícolas, o vinho apresenta um volume de dados disponibilizado muito reduzido ou com poucos elementos, o que limita a exploração científica, como é o caso nos sistemas de recomendação. Este artigo apresenta e avalia uma nova base de dados denominada X-Wines no seu primeiro ano de publicação. Ela é constituída por 100.646 rótulos de vinhos produzidos em 62 países e 21 milhões de classificações reais dos consumidores encontrados na Web aberta em 2022. X-Wines é disponibilizada para ser livremente utilizada em sistemas de recomendação, aprendizado de máquina e uso geral, como uma contribuição à ciência de dados.

Abstract
O crescimento da Web trouxe vários problemas aos utilizadores. A grande quantidade de informação existente hoje em dia em alguns sítios Web torna a procura de informação útil muito difícil. Os objetivos dos proprietários dos sítios Web e dos utilizadores nem sempre coincidem. O conhecimento dos padrões de visitas dos utilizadores é crucial para que os proprietários possam transformar e adaptar o sítio Web. Este é o princípio do sítio Web adaptativo: o sítio Web adapta-se de forma a melhorar a experiência do utilizador. Alguns algoritmos foram propostos para adaptar um sítio da Web. Neste artigo, descrevemos uma proposta de um sistema de recomendação Web baseado em agentes que combina dois algoritmos: regras de associação e filtragem colaborativa. Ambos os algoritmos são incrementais e funcionam com dados binários. Os resultados mostram que, em algumas situações, a abordagem multiagente melhora a capacidade preditiva quando comparada com os agentes individuais.;
The growth of the Web has brought several problems for users. Today the vast amount of information on some web sites makes useful information finding very difficult. The objectives of the owners of the web sites and users do not always coincide. The knowledge of patterns of user visits is crucial to the owners to transform and adapt their web site. This is the adaptive website principle: the website adapts to improve the user experience. Some algorithms have been proposed to tailor a website. In this paper, we describe a proposal for a web recommendation system based on agents that combines two algorithms: association rules and collaborative filtering. Both algorithms are incremental and work with binary data. The results show that, in some situations, the multi-agent approach overcomes the predictive capacity of individual agents.

Abstract