Web-based collaboration and virtual environments supported by various Web 2.0 concepts enable the application of numerous monitoring, mining and analysis tools to study human interactions and team formation processes. The composition of an effective team requires a balance between adequate skill fulfillment and sufficient team connectivity. The underlying interaction structure reflects social behavior and relations of individuals and determines to a large degree how well people can be expected to collaborate. In this paper we address an extended team formation problem that does not only require direct interactions to determine team connectivity but additionally uses implicit recommendations of collaboration partners to support even sparsely connected networks. We provide two heuristics based on Genetic Algorithms and Simulated Annealing for discovering efficient team configurations that yield the best trade-off between skill coverage and team connectivity. Our self-adjusting mechanism aims to discover the best combination of direct interactions and recommendations when deriving connectivity. We evaluate our approach based on multiple configurations of a simulated collaboration network that features close resemblance to real world expert networks. We demonstrate that our algorithm successfully identifies efficient team configurations even when removing up to 40% of experts from various social network configurations.

中文翻译：

---

多目标团队组成的交互挖掘和依赖技能的建议。

各种 Web 2.0 概念支持的基于 Web 的协作和虚拟环境支持应用众多监控、挖掘和分析工具来研究人类交互和团队组建过程。一个有效团队的组成需要在足够的技能实现和足够的团队连通性之间取得平衡。潜在的交互结构反映了个人的社会行为和关系，并在很大程度上决定了人们协作的程度。在本文中，我们解决了一个扩展的团队组建问题，该问题不仅需要直接交互来确定团队连接性，而且还使用协作伙伴的隐式推荐来支持甚至稀疏连接的网络。我们提供了两种基于遗传算法和模拟退火的启发式方法，用于发现有效的团队配置，从而在技能覆盖率和团队连接性之间取得最佳平衡。我们的自我调整机制旨在在推导连接时发现直接交互和推荐的最佳组合。我们基于模拟协作网络的多种配置来评估我们的方法，该网络具有与现实世界专家网络非常相似的特征。我们证明，即使从各种社交网络配置中删除多达 40% 的专家，我们的算法也能成功识别有效的团队配置。我们的自我调整机制旨在在推导连接时发现直接交互和推荐的最佳组合。我们根据模拟协作网络的多种配置来评估我们的方法，该网络的特点与现实世界的专家网络非常相似。我们证明，即使从各种社交网络配置中删除多达 40% 的专家，我们的算法也能成功识别有效的团队配置。我们的自我调整机制旨在在推导连接时发现直接交互和推荐的最佳组合。我们根据模拟协作网络的多种配置来评估我们的方法，该网络的特点与现实世界的专家网络非常相似。我们证明，即使从各种社交网络配置中删除多达 40% 的专家，我们的算法也能成功识别有效的团队配置。