Cookies
Usamos cookies para melhorar nosso site e a sua experiência. Ao continuar a navegar no site, você aceita a nossa política de cookies. Ver mais
Aceitar Rejeitar
  • Menu
Sobre
Download foto HD

Sobre

Sou professor associado do Departamento de Ciência de Computadores da Faculdade de Ciências da Universidade do Porto e coordenador do LIAAD, Laboratório de Inteligência Artificial e de Apoio à Decisão da UP. O LIAAD é um cenrto do INESC TEC desde 2007. Sou doutor em Ciência da Computação pela U. Porto, MSc. em Fundamentos de Tecnologia de Informação Avançada pelo Imperial College e Lic. Em Matemática Aplicada ramo Ciência de Computadores (U. Porto). Os meus interesses de investigação são Extração de Conhecimento (Data Mining) e Aprendizagem Automática (Machine Learning), em particular regras de associação, text mining e sistemas de recomendação. A minha investigação anterior inclui programação em lógica indutiva e data miing colaborativo. Eu leciono cursos relacionados com programação, processamento de informação, data mining e outras áreas da computação. Enquanto na Faculdade de Economia, onde permaneci de 1996 a 2009, lancei, com outros colegas, o mestrado em Análise de Dados e Sistemas de Apoio à Decisão (MADSAD), que coordenei de 2000 a Abril de 2008. Dirijo projetos em data mining e inteligência na web. Fui diretor do Mestrado em Ciência dos Computadores no DCC-FCUP de junho de 2010 a agosto de 2013. Co-organizei conferências internacionais (ECML / PKD 2015, Discovery Science 2009, ECML / PKDD 05 e EPIA 01), workshops e seminários em data mining e inteligência artificial. Fui Vice-Presidente da APPIA Associação Portuguesa para a Inteligência Artificial.

Tópicos
de interesse
Detalhes

Detalhes

  • Nome

    Alípio Jorge
  • Cluster

    Informática
  • Cargo

    Coordenador de Centro
  • Desde

    01 janeiro 2008
021
Publicações

2021

A Hybrid Recommender System for Improving Automatic Playlist Continuation

Autores
Gatzioura, A; Vinagre, J; Jorge, AM; Marrè, MS;

Publicação
IEEE Transactions on Knowledge and Data Engineering

Abstract

2021

Time-Matters: Temporal Unfolding of Texts

Autores
Campos, R; Duque, J; Cândido, T; Mendes, J; Dias, G; Jorge, A; Nunes, C;

Publicação
Lecture Notes in Computer Science - Advances in Information Retrieval

Abstract

2021

TLS-Covid19: A New Annotated Corpus for Timeline Summarization

Autores
Pasquali, A; Campos, R; Ribeiro, A; Santana, B; Jorge, A; Jatowt, A;

Publicação
Lecture Notes in Computer Science - Advances in Information Retrieval

Abstract

2021

The 4th International Workshop on Narrative Extraction from Texts: Text2Story 2021

Autores
Campos, R; Jorge, A; Jatowt, A; Bhatia, S; Finlayson, M;

Publicação
Lecture Notes in Computer Science - Advances in Information Retrieval

Abstract

2020

YAKE! Keyword extraction from single documents using multiple local features

Autores
Campos, R; Mangaravite, V; Pasquali, A; Jorge, A; Nunes, C; Jatowt, A;

Publicação
Information Sciences

Abstract
As the amount of generated information grows, reading and summarizing texts of large collections turns into a challenging task. Many documents do not come with descriptive terms, thus requiring humans to generate keywords on-the-fly. The need to automate this kind of task demands the development of keyword extraction systems with the ability to automatically identify keywords within the text. One approach is to resort to machine-learning algorithms. These, however, depend on large annotated text corpora, which are not always available. An alternative solution is to consider an unsupervised approach. In this article, we describe YAKE!, a light-weight unsupervised automatic keyword extraction method which rests on statistical text features extracted from single documents to select the most relevant keywords of a text. Our system does not need to be trained on a particular set of documents, nor does it depend on dictionaries, external corpora, text size, language, or domain. To demonstrate the merits and significance of YAKE!, we compare it against ten state-of-the-art unsupervised approaches and one supervised method. Experimental results carried out on top of twenty datasets show that YAKE! significantly outperforms other unsupervised methods on texts of different sizes, languages, and domains. © 2019 Elsevier Inc.

Teses
supervisionadas

2020

Data Mining for Sensor Intelligence: Change Point Detection and Clustering

Autor
Fábio Henrique da Silva Pereira

Instituição
UP-FCUP

2020

Data Mining for Automatic Generation of Software Tests

Autor
Alberto Plácido Oliveira

Instituição
UP-FCUP

2020

Interpretabilidade em Modelos de Sistemas de Recomendação

Autor
Joana Filipa Vieira Trindade

Instituição
INESCTEC

2020

Time-To-Event Prediction

Autor
Maria José Gomes Pedroto

Instituição
UP-FEUP

2020

Natural Language Inference using Relational Commonsense Knowledge

Autor
Daniel Alexandre Bouçanova Loureiro

Instituição
UP-FCUP