Eduardo Matos (ejvm) Leonardo Vilaça (lhvs) Igor Ebrahim (ies) Thiago Gomes (tgr)MW-2008 1.

Apresentação em tema: "Eduardo Matos (ejvm) Leonardo Vilaça (lhvs) Igor Ebrahim (ies) Thiago Gomes (tgr)MW-2008 1."— Transcrição da apresentação:

1 Eduardo Matos (ejvm) Leonardo Vilaça (lhvs) Igor Ebrahim (ies) Thiago Gomes (tgr)MW-2008 1

2 2  Aplicações  Categorização de Documentos  Construção Manual do Classificador  Construção Automática do Classificador  Algoritmos  Referências

3  Criação de Base de documentos especializadas  Manutenção de hierarquias  Yahoo  Filtragem e Recomendação  Emails  Filtro de Spam  Etc... 3

4  Definição:  Atribuição de uma ou mais classes pré-definidas aos documentos  Objetivos:  Organizar os documentos  Facilitar a sua busca automática  Facilitar sua visualização 4

5 Documentos Classe 1 Classe 2 Classe 3 5

6  Clustering  Criar grupos de documentos  Classes geradas automaticamente  Classificação  Determinar a que grupo pertence um documento  Classes pré-definidas 6

7  Classificação Manual:  Classificação dos documentos por um especialista  Construção Manual do Classificador:  Sistemas baseados em conhecimento ▪ Por exemplo: Base de Regras escrita manualmente  Construção Automática do Classificador:  Algoritmos de aprendizagem automática 7

8  Conjunto de treinamento/construção manual:  Aquisição do conhecimento ou Treinamento do algoritmo  Ajuste do sistema  Conjunto de teste:  Diferente do conjunto de treinamento  Avaliação do desempenho do sistema 8

9  Sistema baseado em Conhecimento:  Base de conhecimento  Máquina de Inferência (ex.: JEOPS) Testes e Validação Nível de Conhecimento Aquisição do Conhecimento Nível Lógico Formulação da Base de Conhecimento Nível de Implementação Construção da Base de Conhecimento 9

10  Base de Conhecimento:  Regras de Produção  Exemplo:  Regras para o reconhecimento de um bloco de citação em uma página de publicação (CitationFinder) 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) 10

11  Criados automaticamente através da apresentação dos exemplos ao algoritmo de treinamento. Ajuste dos resultados pelo desenvolvedor Dados classificados Dados de treinamento ClassificadorComparador 11

12 Documentos Representação Inicial Redução da Dimensão ou Seleção de Termos Representação Final Indução Conhecimento Adicional Categorização 12

13  Pré-processamento  Selecionar termos que vão representar o documento ▪ Stoplist, stemming, thesaurus, termos compostos,...  Associar pesos aos termos ▪ Pesos booleanos, pesos com freqüência de ocorrência (TF), TF- IDF, TF-IDF normalizado, considerar formatação do texto,... 13

14  Montar uma tabela (matriz) onde:  Colunas indicam os termos que ocorrem no conjunto de documentos (vocabulário)  Linhas indicam os documentos do conjunto  O elemento t ij indica o peso do termo j para o documento i  A representação do documento i corresponde à linha i. 14

15  Objetivo:  Reduzir o tamanho do vocabulário inicial da base ▪ Reduzindo assim a representação dos documentos ▪ para diminuir o risco de super-especialização do classificador gerado (overfitting)  Abordagens:  Seleção de atributos  Extração de atributos 15

16 Seleção de atributos usa algum critério para filtrar termos irrelevantes ou redundantes – Cada termo recebe uma “relevância”, que é usada para ordenar a lista de termos – Exemplos de critérios de relevância – freqüência, ganho de informação,... Extração de atributos combina termos existentes para criar novas dimensões – Exemplo: Semântica latente – Pode ser mais eficaz – mas as dimensões resultantes (conceitos) são de difícil interpretação 16

17  A relevância do termo W i para a classe C j é medida pela diferença de entropia dessa classe antes e depois do uso desse termo na sua predição (incerteza inicial) (incerteza final) (qtd. de incerteza removida) 17

18  Coeficiente de Correlação entre o termo t e a classe C j : Nr+ = documentos relevantes para C j que contêm o termo t Nr- = documentos relevantes para C j que não contêm t Nn- = documentos não relevantes para C j que não contêm t Nn+ = documentos não relevantes para C j que contêm t χ 2 : mede a dependência entre um termo t e a classe C j 18

19  A partir da base de exemplos reduzidos e etiquetados induzir classificador  Técnicas utilizadas:  Árvores de decisão, indução de regras, aprendizagem baseada em instâncias (e.g., kNN), aprendizagem bayesiana (e.g., Naive Bayes), Redes Neurais (e.g., SVM),...  SVMs têm obtido bom desempenho 19

20 20

21 21

22  Tom Fawcett. An introduction to ROC analysis. Pattern. Recognition Letters, Vol. 27, No. 8., pp. 861-874, 2006.  Slides de George Darmiton e Tsang Ren: Aprendizagem de Máquina  Slide de Flávia Barros: Mineração da Web 22

23 23  Categorização 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.