introdução à classificação de texto henrique borges Ícaro medeiros

Introdução à Classificaçãode Texto

Henrique Borges

Ícaro Medeiros

Roteiro

• Definição

• Tipos de classificação

• Técnicas

• Aplicações

• Avaliação/Comparação de classificadores

• Conclusão

Classificação de Texto

• Objetivo– Classificar um documento de acordo com classes

previamente definidas• Ou seja, separar “maçãs” de “bananas”

• A classificação busca:– Melhorar a organização da base de documentos– Facilitar a busca e a visualização– Evitar itens irrelevantes e/ou indesejáveis para o

usuário

Documentos

Classe 1

Classe 2

Classe 3


Classificação x RI

• O problema de RI pode ser visto como um problema de classificação – RI: Classificação binária entre documentos relevantes

ou não

• Contudo, as duas áreas apresentam particularidades que merecem a divisão


• Como será apresentado o tema:– Serão mostrados os conceitos de classificação

• através de exemplos e demonstrações passo-a-passo

• para um domínio específico

– Escolhemos o domínio de classificação de produtos

• Exemplo didático – Você trabalha numa empresa de vendas online e

precisa saber os produtos e preços dos concorrentes– Como organizar as páginas?


• A tarefa de classificar documentos pode ser– Manual

• Realizada por um especialista

– Automática• Realizada por um sistema automático de classificação

• Problema:– Como construir o classificador?

Processo de Classificação

1. Classificação manual – Exemplo

• Você, pacientemente, vai selecionando os documentos (páginas Web) e separando em pastas por tipo de produto e faixa de preço

– Vantagens• O próprio usuário faz a classificação

– Desvantagens• Demorada e trabalhosa

Processo de Classificação

2. Classificação automática – Você constrói um sistema que fará a classificação

automática dos documentos (páginas Web) automaticamente

– Vantagens• Rapidez na classificação

– Desvantagens• Dificuldades na construção do sistema

• Perda de precisão na classificação

Classificação Automática

• Realizada por um sistema automático de classificação

• Abordagens para construção do classificador– Construção manual

• Engenharia do Conhecimento

– Construção automática• Aprendizagem de máquina

Construção manual do classificador

• Exemplo– Um especialista em produtos de informática escreve

regras para classificá-los– Abordagem dominante até a década de 80

• Sistemas Especialistas

– Regras buscam verificar se o texto faz parte da classe• Codificam o conhecimento de um especialista

• Dependendo do sistema, meta-informações podem ser consideradas

– como localização das palavras


• Preparação de Documentos – Como em RI, podemos excluir stopwords, usar

stemming e redução de dimensionalidade– Normalmente, melhoram a precisão e facilitam a

criação de regras

if produto.descricao contains ( (notebook and hp) or (laptop and hp) or (computador and portatil and hp) )then produto.categoria = NOTEBOOK_HP else produto.categoria = ¬NOTEBOOK_HP

Construção manual do classificador Exemplo

Construção manual do classificador Dificuldades com Regras

• Dado o nome de um produto (ex: "HP Compaq Business Notebook") como saber se ele é um notebook?– Especialista: Se contiver "Notebook" no nome

• Então "Mochila para Notebook HP" é um notebook?

– Ok. Então é se tiver "Notebook" e não tiver "Mochila"• Então "Mesa para notebook - Laptable 1012" é um notebook?

– Ok. Se tiver "Notebook" e não tiver "para“• Então "Sony Vaio NS11" não é um notebook


• Vantagens– Execução rápida do classificador

• Desvantagens– Necessário um especialista para codificar as regras – Muito trabalho para criar, atualizar e manter a base de

regras

Construção automática do classificador

• Abordagem dominante a partir da década de 90

• Baseada em Aprendizagem de Máquina


• Classes são mais simples de serem definidas através de exemplos– Especialista: "Isso é uma descrição de um notebook HP, isso

não."• Exemplos são facilmente obtidos

– Especialista: "Essas 20 páginas são sobre notebooks HP, essas 50 não."

• Necessário atualizar ou modificar frequentemente o classificador– Usuário: "Agora eu quero descrições sobre notebooks HP e

Sony."• Solução: Aprendizagem de Máquina


• Aprendizagem de Máquina – Um processo indutivo e geral que

• automaticamente constrói um classificador por aprendizagem

• usando um conjunto predefinido de categorias e suas características.

– Ou seja• o algoritmo "analisa" um conjunto de treinamento e

"aprende" o que diferencia uma categoria das outras

Passos da construção automática

Representação

Representação dos documentos(e.g. lista de termos)

Redução da dimensionalidade

Seleção ou extração de características

Treinamento

TextosEtiquetados

Indução do classificador

Classificador

Corpus de treinamento

Validação

Ajuste de parâmetros

CIn/UFPE 20


• Representação de Textos – Textos devem ser representados através de

características apropriadas– Abordagens para representação

• Bag of Words (com TF-IDF)

• Características do domínio

• Características linguísticas


• Redução de dimensionalidade – Podemos excluir stopwords, usar stemming e redução

de dimensionalidade– Isso melhora significativamente a eficácia e a

eficiência do aprendizado


• Treinamento – Usa-se uma das técnicas de Aprendizagem de

Máquina• KNN• Classificador Linear (Rocchio, etc)• Naive Bayes• Árvores de Decisão• Redes Neurais• Máquina de Vetores de Suporte (SVM)• Comitê de classificadores


• Validação e Ajuste de Parâmetros – Alguns classificadores precisam de parâmetros de

entrada escolhidos empiricamente:• Um inteiro (K) para KNN

• Número de nós numa Rede Neural

– Parte dos documentos são separados para o algoritmo automaticamente ajustar seus parâmetros, testando a precisão, por exemplo


• Testes – Por fim, os classificadores são avaliados

• se necessário, ajustes são realizados, reiniciando o ciclo


• Exemplo usando KNN – Durante o treinamento, o classificador simplesmente

armazena todos os exemplos• Num formato apropriado para facilitar a comparação entre

documentos

• Cada documento é um vetor


• Exemplo usando KNN – Na classificação, escolher os K documentos do

conjunto de treinamento mais similares a entrada• Medidas de distância: cosseno, distância euclidiana, entre

outras

– Atribuir à entrada uma classe baseada nas classes dos documentos recuperados

• Exemplos a seguir

Com k=1 : Classe +Com k=5 : Classe -

KNN - Maioria

KNN - Ponderada

Avaliação de Classificadores

• Eficiência de treinamento/classificação e eficácia do classificador

• Existe um trade-off entre essas medidas– Eficácia é geralmente mais importante

Eficácia dos classificadores

• Como em RI, as avaliações são feitas experimentalmente

• Medidas (para uma classe):– Taxa de erro– Precisão e cobertura

• Uma média dá a efetividade geral do classificador

• Vale para a abordagem de regras e AM


• Corpus de documentos são geralmente divididos em:– Conjunto de Treinamento

• Para o algoritmo aprender

– Conjunto de Validação• Para permitir ajuste de parâmetros do sistema

– Conjunto de Teste• Para avaliar a eficácia


• Precisão: Porcentagem de decisões de classificação positivas que estão corretas

• Cobertura: Porcentagem de classificações corretas que foram realmente tomadas


• Micromédia – Somam-se as decisões individuais para calcular precisão

e cobertura para uma classe (média local) – Pode não ser uma boa medida quando há classes

majoritárias (muitas instâncias positivas)

• Macromédia – Precisão e cobertura são calculadas em relação a todas as

classes (média global)– É melhor quando as classes são desbalanceadas


Dúvidas?

Aprendizagem de Ontologias

Definição rápida de Ontologia

• Uma ontologia num dado domínio é composta de:– Terminologia (vocabulário específico)

– Classes

– Taxonomia

– Relações (hierarquias e restrições)

– Axiomas (verificações de propriedade)

Exemplo de Ontologia

Ontologias pra quê?

• Formalizar um domínio de interesse para inferência– Reuso de conhecimento

– Interoperabilidade (para comunicação)

– Muitas aplicações!

• Busca inteligente na Web

• Web Semântica

• Vocabulário para agentes

• Computação científica

Aprendizagem de Ontologias

• Abrange métodos e técnicas para:– Construir uma ontologia do zero ou a partir de dados

coletados

– Melhorar ou adaptar uma ontologia existente

• Outros nomes: extração, geração, aquisição e emergência

• Considerada uma sub-área de Extração de Informação

O que isso tem a ver com RI e CT?

• Técnicas de aprendizagem e população de ontologias usam:– Recuperação de Informação

– Classificação de Texto

– E áreas correlatas

Fontes de dados

• Texto relevante

• XML, DTD

• Bancos de dados

• Dicionários na Web

• Ontologias existentes (de topo e de núcleo)

Método usando texto, estatística e PLN• Técnicas de RI para extrair relevância de termos

• Termos estatisticamente relevantes são termos candidatos à classe

• Técnicas de PLN são usadas para extrair relações

Exemplo

• The festival attracts culture vultures from all over Australia to see live drama, dance and music

festival (verbo) culture

Exemplo de ontologia gerada

Ferramenta OntoLT

Outros métodos

• Agupamento e Classificação de Texto

• Métodos de Extração de Informação

• Extração a partir de Folksonomias

• Análise de Redes Sociais

Aplicações

• Engenharia de Ontologias

• Web Semântica

• Representação do Conhecimento

• Agentes Inteligentes

• E todas as áreas que podem fazer uso de ontologias!

Dúvidas?

introdução à classificação de texto henrique borges Ícaro medeiros

Documents