Metodologia de categorização de textos a partir de documentos não rotulados utilizando um processo de resolução de anáforas

AUTOR(ES)

Débora Zupeli Bossois

FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

30/08/2010

RESUMO

Com a constante expansão do conteúdo textual em formato eletrônico, surge a necessidade de organizar toda essa informação de forma operável. Desenvolveu-se, então, o processo de categorização de textos, visando facilitar a manipulação e recuperação da informação a partir da sua separação em categorias temáticas. Há diversas abordagens para a obtenção de um categorizador automático de textos e, dentre elas, o paradigma supervisionado é o mais tradicional. Apesar de a metodologia supervisionada apresentar uma precisão comparável àquela obtida por especialistas humanos, a obrigatoriedade de um corpus pré-classicado pode se um fator limitador em certas aplicações. Nessas situações, pode ser aplicada uma solução semi ou não supervisionada, que não exige um conjunto de treino completo e bem formado para a construção de um categorizador; pelo contrário, são somente fornecidos documentos não rotulados para o método. Tanto o paradigma de aprendizado de máquina upervisionado, quanto os paradigmas semi e não supervisionados, usualmente constroem uma representação dos textos baseado somente na ocorrência dos termos, não levando em conta fatores semânticos. Entretanto, muitas características intrínsecas da linguagem natural podem tornar o processo ambíguo, e um desses fatores é a utilização de termos diversos para a referência de uma entidade já apresentada no texto. A esse fenômeno linguístico, dá-se o nome de anáfora. Esta dissertação propõe um método para a concepção de um categorizador não supervisionado, utilizando como base a Estrutura Nominal do Discurso (END), desenvolvida por Freitas com o propósito de resolução de anáforas, em [Freitas 2005]. Para isso, a técnica de bootstrapping para categorização é implementada, objetivando a obtenção da rotulação inicial para os documentos, a qual é utilizada para gerar um modelo de categoriza ção através do paradigma supervisionado. Além de ter sido fundamentada a partir da END, a metodologia deste trabalho se benecia do processo de resolução de anáforas de forma direta, utilizando os antecedentes identicados para as anáforas, durante a fase nal da categorização. O presente trabalho apresenta detalhes sobre a metodologia proposta, explanando os algoritmos desenvolvidos, bem como as experimentações realizadas para a avaliação do método. Os resultados mostram que a utilização do processo de resolução de anáforas é benéca para um sistema de categorização não supervisionada

ASSUNTO(S)

categorização não supervisionada resolução de anáforas text categorization separating it in thematic categories ciencia da computacao

Documentos Relacionados

• Comparação do processo de categorização de documentos utilizando palavras-chave e citações em um domínio de conhecimento restrito
• Utilizando conceitos como descritores de textos para o processo de identificação de conglomerados (clustering) de documentos
• Interpretação automatizada de textos: processamento de anáforas
• Learning support vector machines from labeled and unlabeled data.
• CADWeb: categorização automática de documentos digitais