Los investigadores han presentado PatchScout, un marco multiagente diseñado para recopilar colecciones reutilizables de documentos Web sobre un tema definido. A diferencia de los sistemas creados para responder una sola consulta, su objetivo es encontrar material pertinente distribuido entre diversas fuentes, incluidas partes de la web que no están conectadas mediante enlaces.
La investigación plantea la recopilación como un problema de búsqueda de información a largo plazo. Una consulta de búsqueda abre un «parche semántico» de resultados y páginas cercanas; el sistema debe decidir cuánto tiempo explorar esa zona antes de buscar otra. PatchScout combina la búsqueda adaptativa con el recorrido de enlaces locales y utiliza agentes especializados para descubrir parches, evaluar la relevancia, explorar las zonas prometedoras y decidir cuándo cambiar de zona.
El artículo sostiene que los métodos de rastreo existentes pueden pasar por alto fuentes pertinentes cuando estas no están conectadas con las páginas iniciales, mientras que los agentes basados en búsquedas pueden detenerse cuando ya tienen información suficiente para responder una pregunta. En cambio, PatchScout considera tanto la profundidad de la recopilación dentro de las fuentes descubiertas como la cobertura entre fuentes, con un presupuesto fijo de interacciones.
En experimentos sobre cuatro temas de la web en vivo, los autores informan que PatchScout mejoró el rendimiento en documentos y la cobertura de dominios frente a las líneas de base basadas en recorridos y en razonamiento aumentado con búsquedas. En una tarea aplicada de ciencias sociales que involucraba una colección incompleta, encontró 102 entidades que no se habían identificado anteriormente.
Fuentes: arXiv cs.AI.