CIn/UFPE 1

Categorização de Documentos

Mariana Lara NevesFlávia BarrosFred Freitas

CIn/UFPE

CIn/UFPE 2

RoteiroIntroduçãoCategorização de DocumentosPreparação de DadosConstrução Manual do ClassificadorConstrução Automática do ClassificadorComparação das AbordagensReferências

CIn/UFPE 3

Categorização de DocumentosDefinição: atribuição de uma ou mais classes pré-

definidas aos documentos

Objetivos: Organizar os documentos Facilitar a sua busca automática

CIn/UFPE 4

AplicaçõesRecomendaçãoClassificação Hierarquias Pastas

FiltragemJornal personalizadoRoteamento…

CIn/UFPE 5

Categorização de DocumentosDocumentos

Classe 1

Classe 2

Classe 3

CIn/UFPE 6

Categorização de DocumentosClassificação Manual: Leitura dos documentos por um

especialista

Construção Manual do Classificador: Sistemas baseados em conhecimento

Base de Regras escrita manualmente

Construção Automática do Classificador: Algoritmos de aprendizagem automática

CIn/UFPE 7

Construção do ClassificadorConjunto de treinamento: Aquisição do conhecimento ou

Treinamento do algoritmo Ajuste do sistema

Conjunto de teste: Diferente do conjunto de treinamento Avaliação do desempenho do sistema

CIn/UFPE 8

Construção Manual do Classificador

Sistema baseado em Conhecimento: Base de conhecimento Máquina de Inferência (ex.: JEOPS)

Testese

Validação

Nível deConhecimento

Aquisiçãodo

Conhecimento

Nível Lógico

Formulaçãoda Base de

Conhecimento

Nível deImplementação

Construçãoda Base de

Conhecimento

CIn/UFPE 9

Base de Conhecimento: Regras de Produção

Exemplo: Regras para o reconhecimento de um

bloco de citação em uma página de publicação (CitationFinder)

Construção Manual do Classificador

SE houver uma cadeia de Autores E houver uma cadeia de Intervalo de Páginas E houver uma cadeia de Trabalho Impresso E houver uma cadeia de Data ENTÃO o texto é uma citação (chance 1.0)

CIn/UFPE 10

Bases de Conhecimento em Linguagens Específicas

Podem ser usadas linguagens mais específicas, baseadas em presença de palavras-chave e/ou n-gramas (gold (&n (reserv ! medal ! jewlry)) significa detectar a palavra ‘gold’, mas ignorar as sentenças ‘gold reserv’,

‘gold medal’ e ‘gold jewlry’.

CIn/UFPE 11

Prós e Contras de ClassificadoresBaseados em Conhecimento

PRÓS:Melhor desempenho

Em especial, em sistemas integrados a extratores

Vantagens de soluções declarativas

Melhor legibilidade Conhecimento pode

ser comunicado entre agentes

Extensibildade

CONTRAS:Requerem um extensivo esforço para criar bases de conhecimentos

Processo custoso e lento

Pouco reuso Exceto em ontologias Normalmente, todo o

processo de engenharia de conhecimento é repetido a cada novo domínio

CIn/UFPE 12

Construção Automática do Classificador

Criados automaticamente através da apresentação dos exemplos ao algoritmo de treinamento.

Ajuste dos resultados pelo desenvolvedor

Dados classificadosDados de

treinamentoClassificador Comparador

CIn/UFPE 13

Construção Automática do Classificador

DocumentosRepresentação Inicial

Redução da Dimensãoou

Seleção de Termos

Representação FinalIndução

ConhecimentoAdicional

Categorização

CIn/UFPE 14

Categorização por Aprendizado

Dados: Uma descrição de instância, xX, Uma linguagem de instância ou espaço

de instância X. Um conjunto fixo de categorias:

C={c1, c2,…cn}Determinar: A categoria de x: c(x)C, c(x) é uma função de categorização

domínio X imagem C.

CIn/UFPE 15

Aprendizado para Categorização

Um exemplo de treinamento é um par <x, c(x)> xX, uma instância c(x) sua categoria para uma função de

categorização, c. Dado um conjunto de exemplos de treinamento, DAchar uma hipotética função de categorização, h(x), such that: )()(: )(, xcxhDxcx

Consistência

CIn/UFPE 16

Construção Automática do Classificador

Representação Inicial dos Documentos Utiliza pré-processamento com as

mesmas técnicas de recuperação de informação!!

CIn/UFPE 17

Pré-Processamento dos Documentos

Objetivo Criar uma representação computacional do

documento seguindo algum modeloFases Operações sobre o texto Criação da representação

“Se o desonesto soubesse a vantagem de ser honesto, ele seria honesto ao menos por desonestidade.”Sócrates

Doc original

desonesto / soubesse /vantagem / honesto /seria / honesto /menos/desonestidade/socrates

honesto 2desonesto 1soubesse 1vantagem 1seria 1menos 1desonestidade 1socrates 1

Operações de Texto Representação

Doc : www.filosofia.com Doc : www.filosofia.comDoc : www.filosofia.com

Pré-Processamento

CIn/UFPE 18

Pré-Processamento:Operações sobre o texto

Análise léxica Converte uma cadeia de caracteres em

uma cadeia de palavras/termosEliminação de stopwords Palavras consideradas irrelevantes

Ex.: artigos, pronomes, alguns verbos, “WWW”...

Pré-Processamento-

CIn/UFPE 19

Pré-Processamento:Operações sobre o texto

Stemming Redução de uma palavra ao seu radical

Geralmente, apenas eliminação de sufixos Possibilita casamento entre variações de

uma mesma palavra

engineer engineer engineer

engineering engineered engineer

Term Stem Regras de redução:ed -> 0ing -> 0

CIn/UFPE 20

Pré-Processamento:Representação do Documento

Texto Completo Difícil (caro) de manipular computacionalmente

Dado um documento, identificar os conceitos que melhor descrevem o seu conteúdoRepresentar o documento como um Centróide Lista de termos com pesos associados ou não Problema: perda da semântica

“Se o desonesto soubesse a vantagemde ser honesto, ele seria honestoao menos por desonestidade.”

Sócrates

honesto 2desonesto 1soubesse 1vantagem 1seria 1menos 1desonestidade 1socrates 1

Centróide

CIn/UFPE 21

Modelos de Representação de Documentos

Modelo Booleano Centróide sem pesos associados A representação indica apenas se o termo

está ou não presente no documentoModelo Espaço Vetorial Centróide com pesos associados

Outros modelos: Booleano Estendido, Difuso, Semântica

Latente, Probabilístico, etc…

CIn/UFPE 22

Modelo Booleano:sem pesos associados

Simples de implementar e usar, porém de baixo desempenhoDocumentos e consultas representados como vetores binários de tamanho n (e.g., D = {1,0,1,1,1})

Cada posiçao corresponde a um termo usado na indexação dos documentos sendo considerados

Consulta: termos conectados por AND, OR e NOTRelevância “binária”:

O documento é considerado relevante sse seu “casamento” com a consulta é verdadeiro

Não é possível ordenar os documentos recuperados

k1 k2 k3Consulta:Documentos apresentados ao usuário

k1k2

k3

Base de Documentos

CIn/UFPE 23Olimpíadas

Brasil

Sidney

d0.4

0.50.3

qBrasil Olimpíadas SidneyConsulta q :

Documento d :Brasil em Sidney 2000 O Brasil não foi bem no quadra das medalhas da Olimpíada de Sidney 2000 ...

Brasil 0.4Olimpíadas 0.3Sidney 0.3

Brasil 0.5Olimpíadas 0.3Sidney 0.2

Representação de q

Representação de d

Modelo Espaço Vetorial:com pesos associados

Consultas (q) e Documentos (d) são representados como vetores em um espaço n-dimensional

Onde n é o número total de termos usados para indexar os documentos sendo considerados

Relevância: co-seno do ângulo entre q e d Quanto maior o co-seno, maior é a relevância de d para q

Ordenação: dada pelo co-seno do ângulo entre q e d

CIn/UFPE 24

Representação do Documento com Pesos

Centróide Pesos associadas aos termos como indicação de

relevância: Freqüência de ocorrência do termo no documento TF-IDF = Term Frequency x Inverse Document

Frequency

TF-IDF também considera palavras com baixa ocorrência na base de documentos como melhores discriminantes

)(log)()(

DFD

TFTFIDFTF(w): freqüência da palavra w no doc.DF(w): freqüência de w em DD = total de documentos

CIn/UFPE 25

Representação do Documento com Pesos

Centróide Limitar tamanho do centróide em 50

mantendo apenas termos com maior peso Aumenta a eficiência do sistema Estudos mostram que isso não altera

muito o seu poder de representação do centróide

CIn/UFPE 26

Representação do Documento com Pesos

Enriquecendo a representação: Considerar formatação do texto como

indicação da importância dos termos título, início, negrito,...

Adicionar informação sobre a localização do termo no documento

Representação de documentos usada pelo Google

word : z - hit hit hit hitword : y - hit hit hit ...word : w - hit

Doc :xxx1bit capitalization; 3bit font size; 12 bit positionhit:

CIn/UFPE 27

Redução da Dimensão da Representação Inicial

Objetivo: Reduzir o tamanho dos centróides para

diminuir o risco de super-especialização do classificador gerado (overfitting)

Abordagens: Seleção de um subconjunto de termos Indução Construtiva

Tipos de Redução: Global: considera um conjunto de termos para

todas as classes Local: considera um conjunto de termos para

cada classes

CIn/UFPE 28

Seleção dos TermosCada termo recebe uma “relevância”, que é usada para ordenar a lista de termosOs “n” primeiros termos mais relevantes são utilizados para treinar o algoritmoVárias técnicas: Freqüência de ocorrência nos

documentos (redução global) Outras (redução local)

Entropia, Coeficiente de Correlação, 2 , ...

CIn/UFPE 29

Seleção dos Termos: Coeficiente de Correlação

Coeficiente de Correlação entre o termo t e a classe Cj :

)()()()()(

nrnrnnrr

nrnr

NNNNNNNNNNNNNC

Nr+ = documentos relevantes para Cj que contêm o termo tNr- = documentos relevantes para Cj que não contêm t

Nn- = documentos não relevantes para Cj que não contêm tNn+ = documentos não relevantes para Cj que contêm t

χ2:mede a dependência entre um termo t e a classe Cj

22 C

CIn/UFPE 30

Indução ConstrutivaObjetivo: Obter novos termos (pela combinação dos termos

originais) que maximizem a precisão dos resultadosClustering (ou Agrupamento): Técnica usada para agrupar termos originais de

acordo com o grau de relacionamento semântico entre eles O relacionamento pode ser dado, por exemplo, pela

co-ocorrência dos termos no conjunto de treinamento Cada cluster gerado passa a ser usado como um

novo “termo” Assim, termos redundantes são removidos

CIn/UFPE 31

Abordagem Simbólica: Árvores de Decisão Indução de Regras

Abordagem Numérica: Aprendizagem Bayesiana Redes Neurais Artificiais Aprendizagem Baseada em Instâncias

Construção Automática de Classificadores

CIn/UFPE 32

Comparação das AbordagensTempo deTrein.

Tempo deClass.

SistemaExtens.

Interp. doResul

Repr. doConhec.

RegrasManuais Lento Rápido Sim Sim Simb.

(regras)Árvores deDecisão Rápido Rápido Não Razoável Simb.

(árvore)Indução deRegras Rápido Rápido Não Sim Simb.

(regras)Apr. Bas.Instâncias - Lento Não Não Num.

(distân.)Aprendiz.Bayesiana Rápido Rápido Não Não Num.

(probab.)RedesNeurais Lento Rápido Não Não Num.

(pesos)

CIn/UFPE 33

Prós e Contras de ClassificadoresBaseados em Aprendizado

PRÓS:FacilidadeEconomia da engenharia de conhecimentoMelhor desempenho Em especial, em

sistemas integrados a extratores

Vantagens de soluções declarativas Melhor legibilidade Conhecimento pode ser

comunicado entre agentes

CONTRAS:Requerem um esforço para anotar os corpi de treinamentoDificuldades de incluir conhecimento a priori nos algoritmos de aprendizadoNão-extensívelDifícil de estabelecer uma boa tendência (bias) para o algoritmo

Qualquer critério usada para selecionar hipóteses geradas pelo algoritmo

CIn/UFPE 34

ReferênciasCategorização de Documentos:

Sebastiani, F. A Tutorial on Automated Text Categorization. Analia Amandi and Alejandro Zunino (eds.), Proceedings of ASAI-99, 1st Argentinian Symposium on Artificial Intelligence, Buenos Aires, AR, pp. 7-35. 1999.

Moulinier, I. A Framework for Comparing Text Categorization Approaches. AAAI Spring Symposium on Machine Learning and Information Access, Stanford University, March 1996.

Sistemas Baseados em Conhecimento: Hayes, P. J. & Weinstein, S. P. Construe-TIS: A System for

Content-Based Indexing of a Database of News Stories. Second Annual Conference on Innovative Applications of Artificial Intelligence, pp. 48-64. 1990.

Neves, M. L. CitationFinder: Um Sistema de Meta-busca e Classificação de Páginas de Publicações na Web. Tese de Mestrado, Centro de Informática, UFPE, Fevereiro de 2001.

CIn/UFPE 35

ReferênciasAprendizagem de Máquina: Aprendizagem Bayesiana (Naive Bayes): McCallum, A. K.; Nigam, K.; Rennie, J. & Seymore, K. Automating

the Construction of Internet Portals with Machine Learning. Information Retrieval Journal, volume 3, pages 127-163. 2000.

Redes Neurais: Wiener, E.; Pedersen, J. O. & Weigend, A. S. A Neural Network

Approach to Topic Spotting. In Proceedings of the 4th Symposium on Document Analysis and Information Retrieval (SDAIR 95), pages 317-332, Las Vegas, NV, USA, April 24-26. 1995.

Aprendizagem Baseada em Instâncias: Masand, B; Linoff, G. & Waltz, D. Classifying News Stories using

Memory Based Reasoning. Proceedings of SIGIR-92, 15th ACM International Conference on Research and Development in Information Retrieval, pp. 59-65, Denmark. 1992.

CIn/UFPE 36

ReferênciasAprendizagem de Máquina (cont.): Árvores de Decisão: Lewis, D. D. & Ringuette, M. A Comparison of Two Learning Algorithms

for Text Categorization. In Third Annual Symposium on Document Analysis and Information Retrieval, pp. 81-93. 1994.

Indução de Regras: Apté, C.; Damerau, F. & Weiss, S. Automated Learning of Decision Rules

for Text Categorization. ACM Transactions on Information Systems, Vol. 12, No. 3, July 1994, pages 233-151. 1994.

Seleção de Termos: Ng, H. T.; Goh, W. B. & Low, K. L. Feature Selection, Perceptron learning

and a Usability Case Study for Text Categorization. Proceedings of SIGIR-97, 20th ACM International Conference on Research and Development in Information Retrieval, pp. 67-73, Philadelphia, PA, USA. 1997.

Maron, M. E. Automatic Indexing: An Experimental Inquiry. Journal of ACM, 8: 404-417. 1961.