[pt] CATEGORIZAÇÃO DE TEXTOS: ESTUDO DE CASO: DOCUMENTOS DE PEDIDOS DE PATENTE NO IDIOMA PORTUGUÊS

• Ano de defesa: 2015
• Autor(a) principal: NEIDE DE OLIVEIRA GOMES
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] CATEGORIZACAO DE TEXTOS; [pt] ALGORITMO BASEADO EM CENTROIDE OU VETOR PROTOTIPO; [pt] ALGORITMO K VIZINHOS MAIS PROXIMOS K NN; [pt] STEMIZACAO; [pt] DESCOBERTA DE CONHECIMENTO EM TEXTOS REFERENTE A PEDIDOS DE PATENTE; [pt] CLASSIFICACAO DE DOCUMENTOS DE PEDIDOS DE PATENTE; [pt] CATEGORIZACAO DE DOCUMENTOS DE PEDIDOS DE PATENTE; [pt] CLASSIFICACAO DE TEXTOS; [en] TEXT CATEGORIZATION; [en] CENTROID OR PROTOTYPE ALGORITHM; [en] STEMMING; [en] DISCOVERY IN TEXT KNOWLEDGE BASED IN PATENTS; [en] CLASSIFICATION OF PATENT S APPLICATION DOCUMENTS; [en] CATEGORIZATION OF PATENT S APPLICATION DOCUMENTS; [en] TEXT CLASSIFICATION
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23851&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=23851&idi=2; http://doi.org/10.17771/PUCRio.acad.23851

[pt] Atualmente os categorizadores de textos construídos por técnicas de aprendizagem de máquina têm alcançado bons resultados, tornando viável a categorização automática de textos. A proposição desse estudo foi a definição de vários modelos direcionados à categorização de pedidos de patente, no idioma português. Para esse ambiente foi proposto um comitê composto de 6 (seis) modelos, onde foram usadas várias técnicas. A base de dados foi constituída de 1157 (hum mil cento e cinquenta e sete) resumos de pedidos de patente, depositados no INPI, por depositantes nacionais, distribuídos em várias categorias. Dentre os vários modelos propostos para a etapa de processamento da categorização de textos, destacamos o desenvolvido para o Método 01, ou seja, o k-Nearest-Neighbor (k-NN), modelo também usado no ambiente de patentes, para o idioma inglês. Para os outros modelos, foram selecionados métodos que não os tradicionais para ambiente de patentes. Para quatro modelos, optou-se por algoritmos, onde as categorias são representadas por vetores centróides. Para um dos modelos, foi explorada a técnica do High Order Bit junto com o algoritmo k- NN, sendo o k todos os documentos de treinamento. Para a etapa de préprocessamento foram implementadas duas técnicas: os algoritmos de stemização de Porter; e o StemmerPortuguese; ambos com modificações do original. Foram também utilizados na etapa do pré-processamento: a retirada de stopwords; e o tratamento dos termos compostos. Para a etapa de indexação foi utilizada principalmente a técnica de pesagem dos termos intitulada: frequência de termos modificada versus frequência de documentos inversa TF -IDF . Para as medidas de similaridade ou medidas de distância destacamos: cosseno; Jaccard; DICE; Medida de Similaridade; HOB. Para a obtenção dos resultados foram usadas as técnicas de predição da relevância e do rank. Dos métodos implementados nesse trabalho, destacamos o k-NN tradicional, o qual apresentou bons resultados embora demande muito tempo computacional.