Evaluación de Reglas de Asociación en Text Mining Utilizando ...

Las etapas del proceso de Descubrimiento de Conocimientos desde Textos son los
siguientes:
Preparación de los Textos
Esta corresponde a la primera etapa del proceso de Minería de Textos, la cual tiene
como objetivo dar una estructura a los documentos que se encuentran escritos en lenguaje
natural para así poder aplicar técnicas provenientes de Data Mining.
En esta etapa se distinguen tres procesos principales: Selección, Preprocesamiento y
Representación.
a) Selección
Esta etapa del proceso de Minería de Textos comienza con la selección de los textos
escritos en lenguaje natural de los cuales se espera descubrir nuevos conocimientos. Al
conjunto de textos seleccionados se les denomina Corpus de Textos.
b) Preprocesamiento
En el Corpus de Textos se aplican herramientas de Procesamiento Lenguaje Natural
(Natural Language Processing o NLP) que permiten mejorar la calidad del proceso de Text
Mining. Entre estas herramientas de NLP destacan métodos de análisis morfológico y métodos
de reconocimiento de frases.
Word Stemming o Lematización es un método de análisis morfológico que se utiliza
para obtener o identificar el tronco o raíz de una palabra. Por ejemplo, la palabra “autos”
corresponde al plural de la palabra “auto”, y a su vez, “autito” es un diminutivo de la palabra
“auto”, ambas variantes morfológicas de la palabra “auto” tienen interpretaciones semánticas
similares y se pueden considerar como equivalentes en el uso de herramientas de Minería de
Textos. Para efectos de cómputo, los algoritmos de stemming evitan que palabras con
variantes morfológicas se consideren como palabras diferentes.
Entre los algoritmos más populares de Stemming destacan los de Porter [32], Lovins
[24], y Paice/Hust [28]. En todos ellos, el procedimiento para determinar la raíz de una
palabra es similar, y consiste en aplicar reglas de transformación de manera iterativa
comenzando por el final de la palabra hasta llegar al principio de ella, removiendo en cada
iteración un sufijo a la vez. La diferencia de estos algoritmos radica en la forma de aplicar las
reglas de transformación, específicamente si son sensibles o no al contexto. Los algoritmos
sensibles al contexto utilizan información del contexto para definir restricciones que
prevengan remover falsos sufijos que, en ciertas ocasiones, producen errores en el proceso de
Stemming. Entre estos se encuentran los algoritmos de Porter, Lovins. En cambio, los
algoritmos libres del contexto no se valen de información del contexto al aplicar sus reglas de
eliminación de sufijos 1 .
1 http://www.comp.lancs.ac.uk/computing/research/stemming/index.htm.
12