Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouMatheushenrique Mendonca Alterado mais de 9 anos atrás
1
Classificacao de Texto Projeto Spam Filter
Ivan Gesteira Costa Filho Centro de Informatica UFPE
2
Spam-Filter Aprendizagem de maquina para fazer um filtro de Spam.
Tarefa: dado um classificar como spam ou nao-spam
3
Spam-Filter Como distinguir spam de nao spam?
4
Categorizacao de Texto
Criar uma base de dados Recolher s e classificar-los como Spam ou Nao-Spam. Criar uma representacao vetorial do texto Tecnicas de processamento de texto (a seguir) Usar metodos de classificacao Arvores de inducao, Aprendizagem Bayesiana, …
5
Preparação dos documentos
Operações sobre o texto objetivo: criar a visão lógica do documento Criação da representação do documento Utilizando algum modelo de RI “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 2 desonesto 1 soubesse 1 vantagem 1 seria 1 menos 1 desonestidade 1 socrates 1 Visão Lógica Representação Doc :
6
Operações sobre o texto
Fases Análise léxica Elimina dígitos, pontuação, etc Eliminação de stopwords Artigos, pronomes, etc Operação de stemming Redução da palavra ao seu radical …
7
Operações sobre o texto Análise léxica
Entrada O texto original uma cadeia de caracteres Objetivo Converter o texto original em uma lista de palavras Identificando as palavras e frequencia que ocorrem no texto Procedimento padrão Utilizar espaços como sendo separadores de palavras Tratar pontuação, hífens, dígitos, letras maiúsculas e acentos. Cada caso pode requerer tratamentos diferenciados
8
Operações sobre o texto Eliminação de stopwords
Algumas palavras não são bons discriminadores Palavras muito freqüentas na base de documentos Palavras sem semântica associada artigos, preposições, conjunções, alguns advérbios e adjetivos Aqui também há exceções a considerar Em domínios específicos, podemos precisar manter algumas dessas palavras Redes de computadores
9
Operações sobre o texto Stemming
Problema variação de uma mesma palavra aparece nos documentos relevantes Ex., plural, gerúndio, verbos flexionados, aumentativo... Objetivo dessa operação: Substituir a palavra por seu radical (stem) Porção da palavra que resta após a remoção de prefixos e sufixos Possibilitar casamento parcial entre variações de uma mesma palavra Ex.: engenheiro, engenheira, engenharia, …
10
Exemplo Stemming stem word
stem word quilo quilométricas quilométricos quilômetro quilômetros quilos química químicas químico químicos quimioterapia quimioterápicos => quil quilométr quilométr quilômetr quilômetr quil químic químic químic químic quimioterap quimioteráp
11
Representação do Documento
Dado um conjunto de documentos e palavras presentes. Cada documento (dj) é representado por termos da base associados a pesos d1 = k1 (w1), k2 (w2),..., kn (wn) Peso Importância da palavra para descrever o documento Quando o termo não aparece no documento, o peso associado é zero Cada modelo de recuperação define pesos de uma maneira diferente
12
Representação de Documento Cálculo dos Pesos
Peso = freqüência de ocorrência do termo no documento “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 2 desonesto 1 soubesse 1 vantagem 1 seria 1 menos 1 desonestidade 1 socrates 1 Operações de Texto Representação Doc :
13
Modelo Espaço Vetorial Cálculo dos Pesos
Método TF-IDF leva em consideração: Freqüência do termo no documento Term Frequency (TF) Quanto maior, mais relevante é o termo para descrever o documento Inverso da freqüência do termo entre os documentos da coleção Inverse Document Frequency (IDF) Termo que aparece em muitos documentos não é útil para distinguir relevância Peso associado ao termo tenta balancear esses dois fatores
14
Modelo Espaço Vetorial Cálculo dos Pesos com TF-IDF
dj: documento; ki:termo freqi,j: freqüência do termo ki no documento dj ni: número de documentos que contêm termo ki N: número total de documentos da base maxl freql,j : a freqüência do termo mais freqüente no documento TF: IDF: freqi,j maxl freql,j tfi,j= Freqüência (normalizada) do termo no documento N ni idfi= log Inverso da freqüência do termo nos documentos da base
15
Modelo Espaço Vetorial Cálculo dos Pesos com TF-IDF
wi,j = tfi,j x idfi
16
Processamento de Texto e Representação
Criar uma base de dados com + de 200 s pelo menos 100 spans. Criar um parser em Java para criar representação de documentos Para fazer stop-word e stemming ver … Criar arquivo no formato Weka Palavras são atributos Vetor com TF-IDF são os exemplos
17
Classificação Usar os metodos do Weka
Árvore de Inducao (J48) e Bayesiano Ingenuo Realizar Validação-Cruzada 10-fold Arvores de indução explorar efeitos de algoritmos de poda na acurácia Análise das regras geradas Comparar resultado Naive x Árvores de Indução
18
Projeto Entregar relatório e (bases de dados) com
Representação dos documentos. Descrição da base de dados Experimentos Realizados Comparação da acurácia Naive X J48 Efeito de técnicas de poda no J48 Interpretação das Regras obtidas Prazo 14/06 antes da meia noite Apresentação 15/06
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.