Semantic Enrichment of Web Data for the Provision of an

Unified Data Repository of Brazilian Missing Persons

Jorão Gomes Jr. Nicolas Ferranti Jairo Francisco de Souza
Programa de Pós-Graduação em Programa de Pós-Graduação em Departamento de Ciência da
Ciência da Computação Ciência da Computação Computação
Rua José Lourenço Kelmer, s/n. São Rua José Lourenço Kelmer, s/n. São Instituto de Ciências Exatas. Rua José
Pedro Pedro Lourenço Kelmer, s/n. São Pedro
Juiz de Fora, Minas Gerais 36036-900 Juiz de Fora, Minas Gerais 36036-900 Juiz de Fora, Minas Gerais 36036-900
joraojunior@ice.ufjf.br nicolas1@ice.ufjf.br jairo.souza@ufjf.edu.br
ABSTRACT Contudo, interoperar entre esses dados sempre foi um desafio e di-
Communication and data technologies are becoming closely lin- versos padrões foram sendo propostos [4] como fundamentação do
ked to people’s lives. Therefore it is natural to make use of all this que chamamos de Web Semântica. No contexto da Web Semântica,
progress to reduce and solve social problems. In order for govern- o termo Dados Ligados (Linked Data) é utilizado para descrever
ment and society to make the most appropriate decisions to deal um conjunto de práticas para publicar, compartilhar e conectar
with civilian disappearance, it’s necessary to have a well-structured dados estruturados na Web sobre diversos temas [6]. Atualmente,
source of information. In several countries, it’s difficult to access impulsionados por máquinas de busca e outras ferramentas que se
government data, since information is dispersed, not connected beneficiam de dados com melhor descrição, os princípios da Web
and poorly structured. So this work presents a framework to gather Semântica estão aumentando sua difusão pelos grandes produtores
information on civil disappearance in Brazil through techniques de conteúdo do mercado, como sites de notícias, entre outros. O inte-
such as Data Scraping and Linked Data. The goal is to make availa- resse no compartilhamento e consumo de dados Web tem motivado
ble an automatic data centralization of these individual cases, and a disponibilização de conjuntos de dados na Web e repositórios de
to encourage the use of standards for the publication of data that conjuntos de dados tem sido criados. A W3C em 2017, por exemplo,
are frequently ignored by organizations, hindering analysis and divulgou um conjunto de boas práticas para disponibilização de da-
decision making on data. dos na Web, reforçando a necessidade destes dados serem passíveis
de serem descobertos e compreendidos por humanos e máquinas
CCS CONCEPTS [16].
No setor público, por sua vez, existe grande interesse por parte de
• Information systems → Database management system en-
governos para que suas informações sejam publicadas de maneira
gines;
aberta, seguindo o exemplo do Reino Unido [19] onde o website
data.gov.uk reúne diversas informações de interesse como dados
KEYWORDS voltados à transparência do governo. No Brasil, as principais infor-
Data Scraping, Linked Data, Semantic Web mações divulgadas pelo governo também estão associadas à trans-
ACM Reference format: parência, sendo acessadas através do portaldatransparencia.gov.br.
Jorão Gomes Jr., Nicolas Ferranti, and Jairo Francisco de Souza. 2019. Seman- Uma das principais áreas de interesse do governo é a área de segu-
tic Enrichment of Web Data for the Provision of an Unified Data Repository rança pública, a qual carece de mão de obra especializada e investi-
of Brazilian Missing Persons. In Proceedings of XV Brazilian Symposium on mentos adequados para produzir índices estatísticos confiáveis a
Information Systems, Aracaju, Brazil, May 20–24, 2019 (SBSI’19), 8 pages. nível nacional [9].
https://doi.org/10.1145/3330204.3330267 Neste cenário, é difícil encontrar dados com qualidade em segu-
rança pública, como é o caso de desaparecimentos civis. Existem
algumas iniciativas do governo brasileiro para incentivar a locali-
1 INTRODUÇÃO zação de pessoas desaparecidas através do registro de desapareci-
Com o passar dos anos, é possível observar o crescimento do vo- mento online, como ocorre no Ministério da Justiça1 . Entretanto, a
lume de dados publicados na Web. Tal crescimento deve-se ao fato adesão é baixa, totalizando 1206 cadastros na presente data, entre
das inúmeras aplicações às quais esses dados podem ser submetidos. desaparecidos e encontrados. Em geral, a tarefa de coleta e divul-
gação das informações acaba delegada a entidades como ONGs e
Permission to make digital or hard copies of all or part of this work for personal or órgãos policiais regionais que, na maioria das vezes, atuam de forma
classroom use is granted without fee provided that copies are not made or distributed
for profit or commercial advantage and that copies bear this notice and the full citation separada e sem nenhum tipo de integração desses dados.
on the first page. Copyrights for components of this work owned by others than ACM Uma vez que cada entidade possui seu próprio conjunto de regras
must be honored. Abstracting with credit is permitted. To copy otherwise, or republish,
to post on servers or to redistribute to lists, requires prior specific permission and/or a
para lidar com o problema, a heterogeneidade de representação da
fee. Request permissions from permissions@acm.org. informação por cada entidade dificulta o processo de interoperabili-
SBSI’19, May 20–24, 2019, Aracaju, Brazil dade entre os dados. A proposta de integrar, de maneira estruturada
© 2019 Association for Computing Machinery.
ACM ISBN 978-1-4503-7237-4/19/05. . . $15.00
1 https://desaparecidos.mj.gov.br/
https://doi.org/10.1145/3330204.3330267
SBSI’19, May 20–24, 2019, Aracaju, Brazil
e unificada, esses diversos repositórios de dados se mostra uma
alternativa de padronização promissora, pois permite uma troca
de informações de maneira mais rápida e abrangente, permite que
sistemas possam utilizar esses dados para auxiliar no processo de
divulgação da ocorrência de desaparecimento, do encerramentos
de casos, bem como facilita a identificação de duplicatas e inconsis-
tências.
Este trabalho possui como objetivo, através de um caso real de
aplicação, apresentar os problemas na estruturação dos dados na
Web e apresentar um framework para melhorar a qualidade de
disponibilização desses dados. Como exemplo, será apresentado um
estudo de caso com a manipulação de dados de desaparecidos civis.
Dessa forma, pretende-se ajudar profissionais e mantenedores de
conteúdo a melhorar a qualidade dos seus repositórios, viabilizando
o desenvolvimento de aplicações mais inteligentes que explorem
com maior facilidade a semântica por trás dos dados. Além disso,
como resultado, objetiva-se prover um repositório centralizado de
dados de desaparecidos civis, de forma a auxiliar na divulgação
desses casos.
2 DESAPARECIMENTO DE CIVIS NO BRASIL
A partir de um levantamento efetuado em 2017 por [8], pode-se
afirmar que, em média, 8 pessoas desaparecem no Brasil a cada hora.
O estudo realizado em todo o território brasileiro avaliou o cenário
de desaparecimento no período de 2007 a 2016 no qual constatou-se
o registro de 694.007 desaparecidos durante os 10 anos entre todos
os estados, ou seja, que aproximadamente 69.400 pessoas desapa-
receram por ano. Sendo um estudo recente, a análise em questão
enfatiza a frequência de casos relacionados ao desaparecimento civil
no país, mostrando-se um fenômeno importante a ser estudado.
Segundo [12], existem vários fatores que podem causar o de-
saparecimento de uma pessoa. No caso de crianças, as principais
ocorrências envolvem tráfico infantil, venda de órgãos, trabalho es-
cravo, prostituição, pedofilia e adoção ilegal. Já em adultos, fatores
como dependência química e abstenção de suas responsabilidades
diárias, como envolvimento com dívidas e relacionamentos contur-
bados são fatores que contribuem para tal fato. Além disso, [13]
aponta o sumiço de idosos por perda de memória, a fuga de adoles-
centes de casas por maus tratos ou insatisfações pessoais e também
casos nas quais vítimas de acidentes em que os cadáveres não são
reconhecidos, como casos de desaparecimentos relatados.
Devido à elevada taxa de desaparecimentos e suas diversas moti-
vações, torna-se necessário um monitoramento adequado de desa-
parecidos, que se dá através de documentações e cadastros de cada
caso. O objetivo desses cadastros é ser uma ferramenta de ajuda no
colhimento de informações que contribuam para a busca e divulga-
ção de pessoas desaparecidas. Na maioria dos casos, a realização
é feita a partir de boletins de ocorrência (BO’s) presencialmente
em postos policiais, onde deve ser apresentada a maior quanti-
dade de informação possível relacionadas àquele caso. É possível,
também, realizar o cadastramento em sites do governo, como de-
legaciacnpd.org ou de ONGs como desaparecidosdobrasil.org, que
realizam a divulgação desses dados para a sociedade como forma
de auxílio na solução desses casos. As principais informações divul-
gadas são informações como sexo, idade, data do desaparecimento,
J. Gomes Jr. et al.
região e informações adicionais fornecidas por familiares ou conhe-
cidos. Contudo, ao analisar informações cadastradas em sites, tanto
em ONGs quanto sites governamentais, observa-se uma grande
carência de dados, que incluem desde a ausência de informações
sobre a etnia do indivíduo quanto a inexistência de preenchimento
do nome do desaparecido [17].
Conforme aponta [17], os registros policiais, que são um dos
poucos instrumentos de cadastramento de desaparecidos, estão
sujeitos a incontáveis problemas de tabulação e preenchimento, o
que pode gerar a falta de dados. Outro motivo, conforme aponta
[11], é que não existe uma instituição que centralize e padronize as
informações e, muito menos, a forma como estes serão captados.
Portanto, fica evidente que a falta de integridade em registros
de desaparecidos compromete a divulgação dos casos, salientando
assim, a grande necessidade de se criar um repositório exclusivo de
dados que unifique as informações disponíveis. A solução proposta
neste trabalho objetiva tratar a falta de qualidade dos dados divul-
gação, geralmente em páginas Web sem metadados adequados ou
com dados presentes apenas em imagens, além da incompletude
dos dados divulgados por diferentes órgãos.
3 TRABALHOS RELACIONADOS
Muitas aplicações lidam com problemas relacionados com a qua-
lidade dos dados na Web. Nesta seção, são apresentados alguns
trabalhos que empregam meios de coleta e estruturação desses
dados.
Em [3], os autores apresentam um framework para extração de
dados de páginas Web e semantização. O AgentMat executa agentes,
que são programas projetados especificamente para extrair dados
de um determinado site. A arquitetura possui componentes defi-
nidos via XML. Cada componente faz uso de expressões regulares
para analisar as páginas. Ainda, é possível atribuir categorias ao
conteúdo extraído. Assim como o presente trabalho, o AgentMat
também enfrenta o problema de heterogeneidade na forma com
que conteúdos são publicados na Web. A abordagem baseada em
componentes propõe um padrão para a escrita dos componentes
de extração, bem como uma sequência de execução, incentivando
usuários a trabalharem de forma colaborativa. A categorização da
informação também se assemelha a um dos processos propostos
por este trabalho. Enquanto o AgentMat utiliza os metadados das
páginas para gerar a classificação, este trabalho propõe a utilização
de técnicas que fazem uso dos dados extraídos para atribuir novos
metadados, aumentando o valor da informação.
Por sua vez, em [10] os autores propõem um extrator Web cloud-
based para aplicações de Big Data, o qual faz uso de soluções da
Amazon1 para que o sistema possa ser utilizado na nuvem. A abor-
dagem proposta pelo trabalho se dá pela utilização de uma fila para
receber URLs a serem processadas e permitir que a alocação de
motores de raspagem seja feita de acordo com a necessidade de
processamento. Os motores de raspagem utilizam uma biblioteca
para transformar as informações da página em um Document Object
Model (DOM) onde vários seletores de elementos para o analisador
são usados com a biblioteca de analisadores HTML para extrair o
conteúdo necessário do DOM. O conteúdo é formatado de acordo
com a configuração, filtrado e armazenado no banco de dados. A
1 https://www.amazon.com/
Semantic Enrichment of Web Data for the Provision of an
Unified Data Repository of Brazilian Missing Persons
representação DOM permite ao desenvolvedor navegar pelas tags e
coletar apenas as informações relevantes.
[21] também lida com a coleta e estruturação de dados para sua
aplicação. Em seu trabalho, apresenta um sistema de dados sobre o
clima que foi projetado para coletar dados de forma automática e
de diferentes fontes, concentrando a informação em um repositório
central e a entregando através de uma interface Web. A arquitetura
do sistema é dividida em módulos, sendo um deles encarregado de
processar páginas predefinidas e coletar os dados que, em geral,
estão acessíveis via FTP dentro do conjunto de fontes selecionadas.
Parte fundamental do trabalho é conhecer a estrutura dos sites de
referência para que os dados possam ser consultados. Por sua vez,
[14] coleta automaticamente dados de conferências científicas para
auxiliar pesquisadores que se guiam pelo Qualis para encontrar e
acompanhar deadlines. Para resolver a heterogeneidade de estrutura
das páginas de cada conferência, os autores aplicam o modelo esto-
cástico Conditional Random Fields para etiquetar dados de interesse,
como nome da conferência, datas, local, entre outros. Por ser um
modelo que exige treinamento, esta abordagem se torna aplicável
para domínios específicos. No contexto de dados de desaparecidos
civis, entretanto, as variações com que os dados podem estar divul-
gados nas páginas de ONGs e órgãos governamentais (por extenso,
tabulado, como figuras, etc), dificulta o uso de técnicas automati-
zadas. Além disso, por ser um domínio sensível para a população,
a tolerância a erros na coleta dos dados é muito pequena, o que
justifica o uso de raspagem de dados.
No contexto deste trabalho, a publicação de conteúdo estrutu-
rado de forma livre e acessível é fundamental para que aplicações
inteligentes possam fazer uso desse conteúdo. Uma iniciativa para
incentivar o crescimento do compartilhamento de dados de forma
livre é a Linking Open Data (LOD). O objetivo do projeto é incen-
tivar o crescimento da Web de Dados através da disponibilização
de conjuntos de dados que estão disponíveis sob licenças abertas,
convertendo-os para RDF, de acordo com os princípios de Dados
Ligados e publicá-los na Web [5].
Segundo [6], as três principais categorias de aplicações de Dados
Ligados podem ser definidas como: navegadores de Dados Ligados,
motores de Busca de Dados Ligados e aplicações de domínio especí-
fico. Todas as categorias trazem o enriquecimento semântico como
diferencial para as aplicações. Um exemplo é o DBpedia Mobile
[2], um aplicativo para dispositivos móveis que coleta informações
do GPS e busca, em bases abertas de Dados Ligados, informações
relativas a estabelecimentos, fotos e outras informações de inte-
resse sobre locais nas redondezas, compilando toda a informação
e entregando conteúdo relevante ao usuário. Em [20], os autores
apresentam uma abordagem para enriquecimento semântico de
repositórios de conjuntos de dados. A abordagem inclui as etapas
de indexação do conjunto de dados, recomendação de vocabulá-
rios de domínio para os metadados, identificação do domínio de
conhecimento ao qual o conjunto de dados pertence e a geração do
perfil do conjunto de dados composto por metadados descritivos e
estruturais. No presente trabalho, os princípios de automatização
do processo de enriquecimento semântico do repositório também
é seguido, embora com objetivo distinto. O processo de enrique-
cimento também utiliza técnicas de processamento de linguagem
natural, mas é apresentado um framework que pode ser adaptado
SBSI’19, May 20–24, 2019, Aracaju, Brazil
para diferentes necessidades do desenvolvedor, o qual pode utilizar
algoritmos distintos para extrair informação dos dados que estão
sendo coletados.
4 FRAMEWORK PARA COLETA DE DADOS
Para facilitar coleta e unificação de dados para repositórios de do-
mínio específico, esta seção apresenta um framework para coleta,
validação, agrupamento e atribuição de metadados para essas bases.
O framework é formado por um conjunto de tarefas para estrutu-
ração de dados, atribuição de semântica e normalização dos dados.
Todo esse processo é ilustrado através da Figura 1, na qual é apre-
sentado um processo modular dividido em 3 etapas.
Definição do extrator: O processo de extração é realizado uti-
lizando a técnica de raspagem de dados. Essa técnica leva em conta
a análise da estruturação de uma página HTML. Para cada site, é
definido um extrator especializado que recupera as informações
através de expressões regulares ou consultas XPath. Extratores
são definidos a partir de uma interface única que possui métodos
específicos fornecidos pela solução. Estes métodos auxiliam na iden-
tificação da disposição dos dados na página e atribuem cada dado a
uma propriedade que representa o seu significado no vocabulário
utilizado pelo repositório (Figura 2b). Cada extrator instanciado no
framework é executado de forma paralela. Ao definir um extrator,
são definidos quais dados o extrator irá gerar e por qual processo
(tarefas) esses dados passarão. A definição de cada coletor é feita
utilizando um documento XML, o qual será lido e instanciado no
framework. A Figura 2a apresenta a definição de um coletor em
formato JSON.
Tarefas: Cada dado gerado pelo extrator passa por um conjunto
de tarefas definidas pelo desenvolvedor. O objetivo das tarefas é
enriquecer o dado, extraindo informação, ou realizar algum tipo de
normalização no dado (Figura 3). O framework proposto conta com
um conjunto de tarefas predefinidas que podem ser empregadas
por qualquer coletor, como é o caso do normalizador e o anota-
dor semântico. Tarefas de normalização são aquelas que realizam
alterações sintáticas no dado, como capitalização, tratamento de
codificação do dado, alteração por sinônimos, resolução de abrevia-
turas, etc. Cada tarefa realiza uma ação atômica no dado e o usuário
pode enfileirar diferentes tarefas de normalização no seu coletor.
Além das tarefas de normalização, é possível utilizar tarefas para en-
riquecimento do dado. A partir da utilização de métodos de geração
de metadados, pode-se inferir dados que não estão necessariamente
explícitos. Neste contexto, entram métodos de processamento de
linguagem natural (PLN), Optical Character Recognition (OCR), ou
qualquer outra ferramenta ou técnica de agregação semântica que a
aplicação do usuário do framework requeira. Estão disponíveis para
o usuário tarefas de enriquecimento pré-programadas para OCR,
o qual faz uso do Tesseract2 , tarefas básicas de PLN como identi-
ficação de entidade nomeadas e POS tagging utilizando o Apache
OpenNLP3 e de anotação semântica, no qual é utilizado o DBpedia
Spotlight4 . Além das tarefas disponíveis, o usuário pode incluir
código próprio, em linguagem PHP, criando uma classe que imple-
mente uma interface br.ufjf.workflow.task.ITask, onde uma
2 https://github.com/tesseract-ocr/tesseract
3 https://opennlp.apache.org/
4 https://www.dbpedia-spotlight.org/
SBSI’19, May 20–24, 2019, Aracaju, Brazil
Figura 1: Visão geral do processo de coleta de dados, normalização e atribuição de metadados.
(a) Definição das tarefas que serão executadas
(b) Definição do vocabulário dos atributos coletados
Figura 2: Definição dos processos e vocabulário dos dados
tarefa recebe uma coleção de texto e deve também produzir uma
coleção de textos. A Figura 3 representa diferentes tarefas definidas
para dados distintos dentro de um coletor.
J. Gomes Jr. et al.
Armazenamento: Por fim, os dados são armazenados em um
repositório central em formato RDF. Nesta etapa, os dados já con-
tam com uma estrutura de representação semântica dos atributos
utilizando vocabulários à escolha do usuário (Figura 2b). O armaze-
namento padrão do framework é feito no AllegroGraph5 , mas novos
conectores para outros bancos de dados RDF podem ser incluídos
no framework. O AllegroGraph permite consultar as triplas RDF
através de APIs de consulta como SPARQL e Prolog, utiliza da lógica
RDF++ e inclui suporte para Federation e raciocínio Temporal [1].
Quando se trabalha com grandes volumes de dados, existem grandes
probabilidades de encontrar dados repetidos. Assim, é necessário
que esses elementos duplicados sejam tratados e verificados antes
de serem inseridos. Para evitar duplicatas, o usuário pode definir,
para cada extrator, o conjunto de dados que formam o identificador
do dado. Antes de inserir um novo registro no banco de dados, é
consultada a existência dele na base utilizando o conjunto de dados
definido como identificador, onde:
• Caso não exista registro com mesmo identificador, é criado
um novo objeto e persistido todos os metadados referentes
a ele.
• Caso contrário, é realizada a verificação dos novos metada-
dos a serem inseridos:
– Se eles já existirem na base, não são inseridas as du-
plicatas.
– Se não, os novos dados são persistidos e referencia-
dos ao objeto do registro já existente, aumentando os
metadados referentes àquele registro.
5 REPOSITÓRIO CENTRALIZADO DE DADOS
DE DESAPARECIDOS CIVIS
Nesta seção é apresentado o processo de criação de um repositó-
rio centralizado sobre casos de desaparecimento de civis, o qual
foi construído utilizando o framework proposto. A motivação para
aplicação nesse cenário surgiu a partir do envolvimento com o
Núcleo de Apoio a Familiares de Pessoas Desaparecidas da Univer-
sidade Federal de Juiz de Fora, o qual tem como objetivo ajudar
famílias que tiveram parentes desaparecidos a encontrarem seus
entes. Neste sentido, o repositório auxilia na disponibilização de
dados em formato que permite que novas aplicações processem essa
5 https://franz.com/agraph/allegrograph/
Semantic Enrichment of Web Data for the Provision of an
Unified Data Repository of Brazilian Missing Persons
Figura 3: Especificação do processo executado no coletor
informação com maior facilidade e permite uma ampla divulgação
e visualização dos dados dessas pessoas.
5.1 Seleção das fontes de dados
Uma dificuldade na busca por pessoas desaparecidas é encontrar
veículos que disseminem informações sobre elas. Em geral, esses
dados são disponibilizados por ONGs e órgãos de segurança pública
que tentam disseminar essas informações para conhecimento do
público. Entretanto, a falta de qualidade do dado, a falta de infor-
mações, o formato do site e sua baixa popularidade, entre outros
problemas, acabam dificultando que o dado seja visualizado e com-
partilhado por usuários da rede. Parte do problema pode se dar pelo
baixo orçamento dessas organizações, que nem sempre conseguem
custear o desenvolvimento de soluções computacionais de melhor
qualidade.
Neste sentido, surgem problemas de duplicação e completude
de dados, onde mais de uma fonte reproduz a mesma informação
e dados que poderiam ser complementares entre sites distintos,
encontram-se divulgados separadamente. Ainda nessa questão, ou-
tro problema encontrado está na forma com que o HTML de sites
de divulgação são estruturados. Geralmente, as informações são
apresentadas em blocos únicos sem que haja qualquer identifica-
ção de quais dados estão sendo apresentados ou são apresentadas
em formato de imagem e documentos PDF, dificultando a coleta e
identificação dos itens.
Para criar o repositório unificado, foi realizada uma busca exten-
siva na Web por sites que contém dados de desaparecidos civis brasi-
leiros e foram selecionados como fontes para extração os sites: bair-
ronet.com.br, criancadesaparecida.org, data.policiacivil.pa.gov, de-
saparecidos.gov.br, desaparecidos.mg.gov.br, desaparecidos.pr.gov.br,
desaparecidosdobrasil.org, disquedenuncia.com, divulgandodesapa-
recidos.org, pm.sc.gov.br , policiacil.am.gov, policiacivil.pe.gov, po-
liciacivil.go.gov, portal.mj.gov.br e soscriancasdesaparecidas.rj.gov.
5.2 Definição dos extratores
Inicialmente foram estudadas as estruturas dos sites e quais tipos
de dados eram oferecidos por eles afim de tornar possível a padro-
nização da coleta dos dados. Após a anaĺise, foram classificadas 19
SBSI’19, May 20–24, 2019, Aracaju, Brazil
propriedades diferentes requisitadas durante o cadastro das ocor-
rências de desaparecimento: nome, idade, data de nascimento, data
do desaparecimento, gênero, altura, peso, etnia, apelido, estado do
desaparecimento, cidade do desaparecimento, cor do cabelo, cor
dos olhos, local do desaparecimento, circunstâncias do desapareci-
mento, foto do desaparecido, característica do desaparecimento e
dados adicionais sobre o desaparecimento. Para preservar a origem
desses dados, também foi coletada a fonte de onde os dados eram
extraídos.
Para cada fonte, foi instanciado um coletor no framework, os
quais geram dados com propriedades de ontologias conhecidas na
literatura, como a FOAF6 e DBpedia Ontology7 .
5.3 Normalizador e definição de identificadores
O normalizador conta com funcionalidades para padronização dos
dados. Essa é a etapa pré-armazenamento, na qual todas as informa-
ções são verificadas antes de serem inseridas em um banco de dados.
Paro o cenário apresentado, todos os coletores usam duas tarefas
simples de normalização: (1) os caracteres são transformados para
minúsculo e são (2) removidos todos os possíveis espaços em branco
nos inícios e finais dos dados extraído.
Neste cenário, um mesmo indivíduo desaparecido pode estar
sendo divulgado em sites distintos. Assim, ao inserir o dados dessa
mesma pessoa, deve-se tomar as precauções para diminuir dados
duplicados. Por falta de uma chave primária nestes dados, foram
definidas como identificadores nos coletores as propriedades nome,
data de desaparecimento e local de desaparecimento do indi-
víduo.
5.4 Atribuição de metadados
No cenário de desaparecimento civil, os dados são divulgados nos
sites de forma heterogênea. As informações, em geral, são apresen-
tadas em formatos tão díspares que soluções automatizadas para
6 Friend of a Friend
7 http://wiki.dbpedia.org/services-resources/ontology
SBSI’19, May 20–24, 2019, Aracaju, Brazil
identificação de dados, como em [14], não são aplicáveis ou neces-
sitam de uma criação de uma base de treinamento tão grande que
se tornam inviáveis.
Nas fontes que foram selecionadas, as informações são apresen-
tadas em formatos de texto em linguagem natural que não possuem
metadados que permitam a sua fácil identificação ou estão dispos-
tas em formato parecido com chave-valor, mas também sem uso
de metadados. Em alguns casos, as informações são apresentadas
em formato de imagem ou em documento PDF. Para tratar essas
questões, foram utilizadas as tarefas abaixo, onde as duas primeiras
estão programadas no framework e a última, por ser específica desse
cenário, foi desenvolvida à parte e acrescentada como extensão do
framework.
Anotação Semântica: Nas fontes analisadas, alguns registros
dos desaparecimentos possuíam campos de descrição com relatos
adicionais sobre o momento e a forma do desaparecimento. Estas in-
formações eram descritas em linguagem natural, sem qualquer tipo
de metadado associado aos termos ao longo do texto. Por exemplo,
ao invés de divulgar o local de desaparecimento de um indivíduo
como um campo do registro, essas informações ficavam aglomera-
das com diversas outras, perdendo os valores desses dados. Para
recuperá-las, os coletores dessas fontes foram instanciados para
utilizar a tarefa de anotacão semântica. Na tarefa disponível no
framework, é utilizado o Dbpedia Spotlight, o qual foi parametri-
zado para processar o texto e retornar apenas nomes de lugares.
Todos os nomes retornados pela ferramenta são relacionados com
identificadores de recursos da DBpedia.
OCR: Com a necessidade de que informações sejam facilmente
inseridas em páginas para serem visualmente bem apresentadas,
é comum que dados sejam divulgados em formato compactados e
de fácil visualização como png, jpeg e pdf. Esse problema acontece
também com sites de órgãos públicos, como é o caso da fonte polici-
acivil.pe.gov.br. Para essa fonte, todos os dados gerados pelo coletor
passaram pela tarefa de OCR, a qual recuperou o dados do registro
do desaparecido. Expressões regulares foram utilizadas para filtrar
o dado correto.
Inferência de gênero: Um dos dados extraídos pelos coletores
é a classe de gênero a qual um desaparecido está inserido. Em alguns
casos, essa informação não é informada pela fonte. Para resolução
para esse problema, foi criado uma tarefa para inferência de gênero.
Foi utilizado o nome do desaparecido já coletado e, através do Censo
demográfico de 2010, realizada a tentativa de inferência do gênero.
A pesquisa8 feita pelo IBGE disponibiliza a quantidade de pessoas
que possuem um determinado nome para cada um dos gêneros.
O IBGE disponibiliza também uma API9 para consultas diretas ao
banco de dados da aplicação. Assim com esses dados, é possível
inferir de forma probabilística a qual gênero um desaparecido pode
se enquadrar. Para considerar que um nome X é do gênero Y, foi
feita uma regressão linear e utilizado como threshold de 0.9. Assim,
uma pessoa X é considerada do gênero Y sempre que a divisão entre
a quantidade de pessoas X do gênero Y pelo somatório de pessoas
X de todos os gêneros for maior que 90%. Caso isso não ocorra ou
esse nome não conste no banco de dados do IBGE, não é inferido
8 https://censo2010.ibge.gov.br/nomes/
9 https://servicodados.ibge.gov.br/api/docs/censos/nomes?versao=2
J. Gomes Jr. et al.
source 10.499 foaf:birthday 6427
foaf:name 10.499 skin 4258
id 10.499 cityDes 4153
foaf:img 8277 dbpedia:hairColor 4046
foaf:age 7473 dbpedia:height 3517
stateDes 7345 foaf:gender 3072
moreCharacteristics 6787 dbpedia:eyeColor 1996
additionalData 7005 dbpedia:weight 1113
disappearancePlace 6755 circumstanceLocation 921
disappearanceDate 6715 foaf:nick 199
Tabela 1: Base inicial sem enriquecimento de dados
nenhum gênero para aquele nome. Para a auxiliar na realização
desses cálculos, utilizou-se a biblioteca na linguagem R genderBR10 .
5.5 Resultados
Após o processo de extração, foram coletados 11.242 registros de de-
saparecidos civis, distribuídos entre os 15 repositórios selecionados.
Foi possível observar uma distribuição de quase 750 desaparecimen-
tos por sítio. Dadas as estatísticas de desparecimentos civis no Brasil
(Seção 2), essa análise exemplifica como as entidades que divulgam
informação na Web não conseguem acompanhar a intensidade com
que casos de desaparecimento acontecem no país. Devido a não exis-
tência de interação entre as fontes, foram encontrados 743 registros
duplicados, tratados pelo framework. Entre essas duplicatas, 163
puderam ser utilizadas para complementar informações do registro,
incompleto nas fontes usadas. A Tabela 1 apresenta a composição
inicial da base após a normalização e filtragem de duplicatas.
Foram cadastrado 10.499 desaparecidos únicos. Desses, 20 foram
recuperados através da utilização de coletores especializados para
extração de informações em imagens. Porém, mesmo com a coleta
de informações em diversas fontes, é possível ver a falta de homoge-
nização da base. Tentando diminuir esse problema, foram aplicados
os processos de atribuição de metadados. Para exemplificação da
melhoria da base, é apresentado na Figura 4 o enriquecimento de
dados após a utilização de tarefas de inferência. Na Figura 4a, é
possível ver que a base era composta com mais de 70% de dados
faltantes sobre o gênero dos desaparecidos. Após a utilização de
uma base de conhecimento externa, foi possível diminuir quase
totalmente a quantidade desses dados faltantes (Figura 4b).
Através da utilização da anotação semântica nas descrições do
desaparecimento (propriedade moreChareacteristics), foram anota-
das as cidades e estados aonde os desaparecidos foram vistos pela
última vez. Nas fontes utilizadas, os cadastros de desaparecimentos
eram feitos apenas as descrições dos casos, as quais continham
inúmeras informações em um único bloco de texto. Assim, especia-
lizando o processo de anotação para extração apenas de palavras
que remetem a lugares (processo chamado de Reconhecimento de
Entidades Nomeadas), foi possível identificar os dados do lugar de
desaparecimento desses indivíduos. Além disso, foram utilizadas
métricas para calcular e complementar os dados de nascimentos
e idades atuais faltantes dos desaparecidos. A Tabela 2 apresenta
a base final, destacando o crescimento da base após a aplicação
10 https://cran.r-project.org/web/packages/genderBR/index.html
Semantic Enrichment of Web Data for the Provision of an
Unified Data Repository of Brazilian Missing Persons SBSI’19, May 20–24, 2019, Aracaju, Brazil

mais homogênea, com suas informações consistentes, correlaciona-

das e centralizadas melhorando a forma de visualização, divulgação
e entendimento dos casos de desaparecimentos. Por fim, os dados
gerados pela aplicação do framework estão disponibilizados para
uso de outras aplicações através de um endpoint SPARQL e para
consulta de outras pessoas em um website11 .

6 CONCLUSÕES
Segundo [8], oito pessoas desaparecem no Brasil a cada hora, em
média. Por conta desse número elevado de registros de desapareci-
mentos civis no país, órgãos públicos e ONGs tem trabalhado para
divulgar casos de desaparecimentos na Web na tentativa de uma
solução mais rápida para esses casos. Contudo, a falta de padrões,
a má qualidade dos dados divulgados, a falta de estrutura dos da-
(a) Dados faltantes na base inicial dos e a baixa visibilidade desses repositórios impedem que essa
informação seja amplamente consumida pelos usuários.
Este trabalho apresentou um framework para apoiar a coleta,
estruturação, padronização e enriquecimento semântico de dados
da Web para criação de repositórios de domínio específico. Na forma
como foi proposto, o framework permite que o usuário faça uso de
tarefas já existentes para melhorar a qualidade dos dados. Além
disso, extensões do framework podem ser feitas para inserir novas
tarefas específicas para o domínio do usuário.
O framework foi empregado dentro de um cenário de aplicação
que lida com dados relativos ao problema de desaparecimento civil
no Brasil. Foram identificados 15 sites como fontes de informação
para o repositório, os quais continham 11.242 registros de desapa-
recidos. Após o processo de coleta e enriquecimento, houve um
aumento de aproximadamente 10% nos dados presentes na base. O
repositório criado, assim como os dados coletados, estão disponíveis
(b) Crescimento da base após inferência de gênero para outros usuários e aplicações. Com esse repositório, espera-se
que estes dados possam ser usados no desenvolvimento de aplica-
Figura 4: Processo de inferência ções inteligentes capazes de auxiliar as autoridades competentes
a desenvolver políticas públicas de combate ao desaparecimento
source 10.499 disappearancePlace 6755 civil.
foaf:name 10.499 disappearanceDate 6715 A ferramenta desenvolvida neste trabalho será disponibilizada
id 10.499 cityDes 5321 para a comunidade de forma a auxiliar em outros projetos similares.
foaf:birthday 10.148 skin 4258 Embora as técnicas utilizadas no trabalho não sejam inovadoras, a
foaf:age 10.141 dbpedia:hairColor 4046 maior contribuição desse trabalho está na aplicação das técnicas
foaf:gender 10.051 dbpedia:height 3517 em um cenário real e atual. Além disso, vislumbra-se que, com a
foaf:img 8277 dbpedia:eyeColor 1996 disponibilização gratuita do framework de coleta, a comunidade
stateDes 8026 dbpedia:weight 1113 de software livre possa contribuir para melhoria dessa ferramenta.
moreCharacteristics 6787 circumstanceLocation 921 Neste sentido, destacamos algumas melhorias que pretendem ser
additionalData 7005 foaf:nick 199 realizadas como trabalhos futuros. Entre elas, está a inserção de
técnicas de deduplicação de dados [18] para auxiliar a identificação
Tabela 2: Base final utilizando atribuidores de metadados
das entidades, o que é um dos grandes problemas ao integrar dados
oriundos da Web. Ainda, técnicas para inferência de expressões re-
gulares podem ser utilizadas para auxiliar no processo de raspagem
de dados [7].
das tarefas de atribuição de metadados proposta no framework da
Figura 1.
A partir dos resultados apresentados na Tabela 2, é possível ver
REFERÊNCIAS
[1] Jans Aasman. 2006. Allegro graph: RDF triple database. Cidade: Oakland Franz
que os dados cresceram em aproximadamente 60% para a proprie- Incorporated 17 (2006).
dade de data de nascimento, 40% para as propriedade de idade, 220% [2] Christian Becker and Christian Bizer. 2008. DBpedia Mobile: A Location-Enabled
Linked Data Browser. Ldow 369 (2008), 2008.
para os gêneros, 10% para os estados e 30% para as cidades. Com
esses novo volume de dados, o crescimento geral do repositório
unificado foi de mais de 10%. Isso fez com que a base se tornasse 11 http://desaparecidos.ice.ufjf.br/index.php/sparql
SBSI’19, May 20–24, 2019, Aracaju, Brazil J. Gomes Jr. et al.

[3] M. Beno, J. Misek, and F. Zavoral. 2009. AgentMat: Framework for data scraping
and semantization. In 2009 Third International Conference on Research Challenges
in Information Science. IEEE, Fez, Morocco, 225–236. https://doi.org/10.1109/
RCIS.2009.5089286
[4] Tim Berners-Lee, James Hendler, and Ora Lassila. 2001. The semantic web.
Scientific american 284, 5 (2001), 34–43.
[5] Christian Bizer, Tom Heath, and Tim Berners-Lee. 2009. Linked data-the story
so far. International journal on semantic web and information systems 5, 3 (2009),
1–22.
[6] Christian Bizer, Tom Heath, Tim Berners-Lee, and AP Sheth. 2011. Linked data-
the story so far. Semantic services, interoperability and web applications: emerging
concepts 1, 1 (2011), 205–227.
[7] Duy Duc An Bui and Qing Zeng-Treitler. 2014. Learning regular expressions for
clinical text classification. Journal of the American Medical Informatics Association
21, 5 (2014), 850–857.
[8] Lorenzo Caraffi. 2017. Pessoas Desaparecidas - Acabar com o Silêncio. 11º
Anuário Brasileiro de Segurança Pública 11 (2017), 38–41.
[9] Daniel Cerqueira, Waldir Lobão, and Alexandre X de Carvalho. 2005. O jogo
dos sete mitos e a miséria da segurança pública no Brasil. Instituto de Pesquisa
Econômica Aplicada (Ipea), Rio de Janeiro, RJ, Brasil.
[10] R. S. Chaulagain, S. Pandey, S. R. Basnet, and S. Shakya. 2017. Cloud Based Web
Scraping for Big Data Applications. In 2017 IEEE International Conference on
Smart Cloud (SmartCloud). IEEE, Columbia University New York EUA, 138–143.
https://doi.org/10.1109/SmartCloud.2017.28
[11] Marcus Roberto Claudiano. 2014. Mortos sem sepultura: O desaparecimento de
pessoas e seus desdobramentos. PalavraCom Editora Ltda., Florianópolis, SC,
Brasil. ISBN 978-85-64034-07-5.
[12] Aline Gabriela de Oliveira and Rosana Figueiredo Vieira. 2017. Volta vem viver
outra vez ao meu lado: Análise dos impacos psicológicos vivenciados por famili-
ares de pessoas desaparecidas. Pretextos-Revista da Graduação em Psicologia da
PUC Minas 2, 3 (2017), 326–344.
[13] Letícia Carvalho de Mesquita Ferreira. 2013. "Apenas preencher papel": reflexões
sobre registros policiais de desaparecimento de pessoa e outros documentos.
Mana 19, 1 (2013), 39–68.
[14] Cássio Alan Garcia and Viviane P. Moreira. 2017. Extração de Dados de Confe-
rências a Partir da Web, See [15], 64–75. http://sbbd.org.br/2017/wp-content/
uploads/sites/3/2018/02/p064-075.pdf
[15] Carmem S. Hara (Ed.). 2017. XXXII Simpósio Brasileiro de Banco de Dados, Uber-
landia, MG, Brazil, October 4-7, 2017. SBC.
[16] Bernadette Farias Lóscio, Caroline Burle, Newton Calegari, Annette Greiner,
Antoine Isaac, Carlos Iglesias, and Carlos Laufer. 2017. Data on the web best
practices. W3C Recommendation 31 January 2017 (2017).
[17] Dijaci David de Oliveira. 2007. Desaparecidos civis: conflitos familiares, institucio-
nais e segurança pública. Ph.D. Dissertation. Universidade de Brasília.
[18] Tomer Sagi, Avigdor Gal, Omer Barkol, Ruth Bergman, and Alexander Avram.
2017. Multi-source uncertain entity resolution: Transforming holocaust victim
reports into people. Information Systems 65 (2017), 124–136.
[19] Nigel Shadbolt, Kieron O’Hara, Tim Berners-Lee, Nicholas Gibbins, Hugh Glaser,
Wendy Hall, et al. 2012. Linked open government data: Lessons from data. gov.
uk. IEEE Intelligent Systems 27, 3 (2012), 16–24.
[20] Natacha Targino, Damires Souza, and Ana Carolina Salgado. 2017. Uma Proposta
de Perfil de Conjuntos de Dados na Web com Enriquecimento Semântico, See [15],
172–183. http://sbbd.org.br/2017/wp-content/uploads/sites/3/2018/02/p172-183.
pdf
[21] Y Yang, LT Wilson, and J Wang. 2010. Development of an automated climatic data
scraping, filtering and display system. Computers and Electronics in Agriculture
71, 1 (2010), 77–87.