Minería de texto para la categorización automática de documentos

Mostrar todas las versiones(2)

La clasificación de documentos de texto es una aplicación de la minería de textos que pretende extraer información de texto no estructurado. Su interés se justifica porque se estima que entre el 80% y el 90% de los datos de las organizaciones son no estructurados. Por otro lado, la búsqueda semántic...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Pérez Abelleira, M. Alicia, Cardoso, Carolina A.
Formato: submittedVersion Artículo
Lenguaje:Español
Publicado: Universidad Católica de Salta. Facultad de Ingeniería (Salta) 2010
Materias:
Procesamiento de datos
Recopilación de datos
Acceso en línea:https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=60534
Aporte de:
Repositorio Digital - Universidad Católica de Salta (UCASal) de Universidad Católica de Salta
id I49-R155-60534
record_format dspace
spelling I49-R155-605342025-02-21T12:52:21Z https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=60534 60534 20161201u u u0frey0103 ba spa Minería de texto para la categorización automática de documentos Universidad Católica de Salta. Facultad de Ingeniería (Salta) 2010-12-30 info:eu-repo/semantics/submittedVersion info:eu-repo/semantics/article info:ar-repo/semantics/artículo application/pdf 1001514 Salta (province) La clasificación de documentos de texto es una aplicación de la minería de textos que pretende extraer información de texto no estructurado. Su interés se justifica porque se estima que entre el 80% y el 90% de los datos de las organizaciones son no estructurados. Por otro lado, la búsqueda semántica permite al usuario especificar en una consulta no solamente términos que deben aparecer en el documento, sino conceptos y relaciones, que pueden detectarse mediante el análisis de texto. El objetivo de este trabajo es implementar un buscador semántico que aproveche el resultado de algoritmos de aprendizaje automático para la clasificación de documentos. El dominio de aplicación es un corpus de más de 8000 documentos que contienen nueve años de resoluciones rectorales de la Universidad Católica de Salta en distintos formatos (Microsoft Word, texto plano, PDF). El sistema aprovecha las ventajas de la arquitectura UIMA sobre la que se han implementado analizadores que extraen meta-datos (fecha y número de resolución, unidad académica, personas, etc.) Asimismo se han explorado una variedad de algoritmos de aprendizaje semi-supervisado aplicados a la categorización de documentos, comparándolos experimentalmente entre sí y con algoritmos supervisados. Estos últimos precisan una gran cantidad de ejemplos etiquetados, algo generalmente costoso en la práctica en el caso de la clasificación de documentos. Los algoritmos semisupervisados en cambio son capaces de aprovechar ejemplos no etiquetados. En particular, en los experimentos en nuestro dominio el algoritmo de co-training ha demostrado tener buenas propiedades, incluso a pesar de la restricción teórica de que los atributos deben ser redundantes e independientes. No obstante el algoritmo supervisado SMO que entrena SVMs es superior. Nuestro objetivo final es construir un buscador semántico que utilice los metadatos obtenidos automáticamente por los anotadores implementados en UIMA y las categorías asignadas automáticamente por los algoritmos de aprendizaje. Fil: Cardoso, Carolina A.. Universidad Católica de Salta. Facultad de Ingeniería; Argentina. Fil: Pérez Abelleira, M. Alicia. Universidad Católica de Salta. Facultad de Ingeniería; Argentina. Pérez Abelleira, M. Alicia Cardoso, Carolina A. Procesamiento de datos Recopilación de datos Cuadernos de Ingeniería Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/ info:eu-repo/semantics/openAccess Researchers Students
institution Universidad Católica de Salta
institution_str I-49
repository_str R-155
collection Repositorio Digital - Universidad Católica de Salta (UCASal)
language Español
orig_language_str_mv spa
topic Procesamiento de datos
Recopilación de datos
spellingShingle Procesamiento de datos
Recopilación de datos
Pérez Abelleira, M. Alicia
Cardoso, Carolina A.
Minería de texto para la categorización automática de documentos
topic_facet Procesamiento de datos
Recopilación de datos
description La clasificación de documentos de texto es una aplicación de la minería de textos que pretende extraer información de texto no estructurado. Su interés se justifica porque se estima que entre el 80% y el 90% de los datos de las organizaciones son no estructurados. Por otro lado, la búsqueda semántica permite al usuario especificar en una consulta no solamente términos que deben aparecer en el documento, sino conceptos y relaciones, que pueden detectarse mediante el análisis de texto. El objetivo de este trabajo es implementar un buscador semántico que aproveche el resultado de algoritmos de aprendizaje automático para la clasificación de documentos. El dominio de aplicación es un corpus de más de 8000 documentos que contienen nueve años de resoluciones rectorales de la Universidad Católica de Salta en distintos formatos (Microsoft Word, texto plano, PDF). El sistema aprovecha las ventajas de la arquitectura UIMA sobre la que se han implementado analizadores que extraen meta-datos (fecha y número de resolución, unidad académica, personas, etc.) Asimismo se han explorado una variedad de algoritmos de aprendizaje semi-supervisado aplicados a la categorización de documentos, comparándolos experimentalmente entre sí y con algoritmos supervisados. Estos últimos precisan una gran cantidad de ejemplos etiquetados, algo generalmente costoso en la práctica en el caso de la clasificación de documentos. Los algoritmos semisupervisados en cambio son capaces de aprovechar ejemplos no etiquetados. En particular, en los experimentos en nuestro dominio el algoritmo de co-training ha demostrado tener buenas propiedades, incluso a pesar de la restricción teórica de que los atributos deben ser redundantes e independientes. No obstante el algoritmo supervisado SMO que entrena SVMs es superior. Nuestro objetivo final es construir un buscador semántico que utilice los metadatos obtenidos automáticamente por los anotadores implementados en UIMA y las categorías asignadas automáticamente por los algoritmos de aprendizaje.
format submittedVersion
Artículo
Artículo
author Pérez Abelleira, M. Alicia
Cardoso, Carolina A.
author_facet Pérez Abelleira, M. Alicia
Cardoso, Carolina A.
author_sort Pérez Abelleira, M. Alicia
title Minería de texto para la categorización automática de documentos
title_short Minería de texto para la categorización automática de documentos
title_full Minería de texto para la categorización automática de documentos
title_fullStr Minería de texto para la categorización automática de documentos
title_full_unstemmed Minería de texto para la categorización automática de documentos
title_sort minería de texto para la categorización automática de documentos
publisher Universidad Católica de Salta. Facultad de Ingeniería (Salta)
publishDate 2010
url https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=60534
work_keys_str_mv AT perezabelleiramalicia mineriadetextoparalacategorizacionautomaticadedocumentos
AT cardosocarolinaa mineriadetextoparalacategorizacionautomaticadedocumentos
_version_ 1826453787134394368

Ejemplares similares