Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/SLSS-8CEG6C
Type: Dissertação de Mestrado
Title: Efeitos temporais em classificação de textos: caracterização e engenharia de dados
Authors: Renata Braga Araujo
First Advisor: Wagner Meira Junior
First Co-advisor: Marcos Andre Goncalves
First Referee: Gisele Lobo Pappa
Second Referee: Alberto F. de Souza
Abstract: A Classificação Automática de Documentos (CAD) tem se tornado um tópico de pesquisa importante devido à crescente quantidade de informação disponível na Internet. A CAD normalmente segue uma estratégia de aprendizado supervisionada, em que, primeiramente, um modelo de classificação é construído utilizando documentos pré-classificados e, em seguida, esse modelo é utilizado para classificar novos documentos. Um grande desafio para a CAD, em diversos cenários, é que as características dos documentos e das classes às quais eles pertencem podem mudar ao longo do tempo. Entretanto, a maioria das técnicas recentes para a CAD sãoaplicadas sem considerar a evolução temporal da coleção de documentos.Neste trabalho, caracterizamos detalhadamente a evolução temporal na CAD, com base em uma metodologia de análise dos efeitos temporais, e propomos estratégias de engenharia de dados para tratar esses efeitos. Na metodologia de análise, foi mostrado que a evolução temporal pode serexplicada por três fatores: distribuição de classes, distribuição de termos e similaridade de classes. Aplicamos também metodologias experimentais e métricas capazes de isolar cada um desses fatores para que eles sejam analisados separadamente. Além disso, apresentamos estratégias de engenhariade dados que incorporam os aspectos temporais nas bases, através dos processos de filtragem e transformação dos dados. Enquanto a filtragem de dados envolve apenas uma seleção dos documentos que devem compor o conjunto de treino, a transformação dos dados envolve um processo de modificaçãodos termos dos documentos da base de dados, atribuindo a eles um novo rótulo de forma a incorporar os aspectos temporais. Através da estratégia exaustiva de filtragem, mostramos que, utilizando apenas 69% da base dedados da ACM, foi possível obter uma acurácia de 89,76%, e com apenas 25% da coleção MedLine, uma acurácia de 87,57%. Isso significa um ganho de até 20% na eficácia do classificador, com conjuntos de treino muito menores do que a base de dados inteira. Entretanto, sabemos que utilizar tal estratégia em cenários reais é inviável. Por outro lado, com nossas estratégias de transformação de dados, obtivemos um ganho de até 6,5% na acurácia do processo de classificação, sendo essas estratégias aplicáveis em cenários reais e extensíveis à utilização de outros algoritmos.
Abstract: The Automatic Document Classification (ADC) has become an important research topicdue to the increasing amount of information available on the Internet. ADC usuallyfollows a standard supervised learning strategy, in which we first build a classificationmodel using pre-classified documents and then this model is used to classify new documents.One major challenge for ADC in many scenarios is that the characteristics ofthe documents and the classes to which they belong may change over time. However,most of the current techniques for ADC are applied without taking into account thetemporal evolution of the collection of documents.In this work, we characterize the temporal evolution in ADC in details, based onan analysis methodology for the temporal effects, and we propose data engineeringstrategies to deal with these effects. In the analysis methodology, we show that thetemporal evolution may be explained by three factors: class distribution, term distributionand class similarity. We employ experimental methodologies and metrics capableof isolating each of these factors in order to analyze them separately. Moreover, wepresent some data engineering strategies that incorporate the temporal aspects in thedatabases, through processes of data filtering and transformation. While data filteringconsists of selecting the documents that will be part of the training set, data transformationis a process in which the terms of the documents in the database are changed,assigning them a new label that will somehow incorporate the temporal aspects.Using an exhaustive filtering strategy, we showed that, with only 69% of the ACMdatabase, we are able to have an accuracy of 89.76%, and with only 25% of the MedLine,an accuracy of 87.57%, which means gains of up to 20% in the accuracy with muchsmaller training sets than the entire database. However, we know that this strategyis not feasible in real scenarios. On the other hand, with our data transformationstrategies, we obtained a gain of up to 6.5% in the accuracy, and these strategies mayme applied in real scenarios and even extended to the use of other algorithms.
Subject: Banco de dados
Computação
Recuperação de informação
Mineração de dados (Computação)
language: Português
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
Rights: Acesso Aberto
URI: http://hdl.handle.net/1843/SLSS-8CEG6C
Issue Date: 4-Dec-2008
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
renataaraujo.pdf1.16 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.