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

LSA opera tomando como entrada todos los documentos de un corpus de textos, y el
primer paso consiste en representar este texto de entrada en una matriz con una palabra por
cada fila y un pasaje de texto en cada columna. Cada celda de la matriz contiene la frecuencia
con la cual la palabra aparece en el pasaje de texto. Como segundo paso realiza una
transformación preliminar a cada celda, en la cual su contenido es ponderado por una función
que expresa tanto la importancia de la palabra en el pasaje en particular, como el grado en el
cual la palabra contiene información relevante en el dominio del discurso en general [22].
Posteriormente, LSA aplica un conjunto de operaciones matriciales, utilizando la
técnica de Descomposición de Valores Singulares (Singular Value Descomposition o SVD) a
la matriz creada. Esta técnica corresponde a un tipo de análisis factorial, o más bien, la
generalización matemática de la cual deriva el análisis factorial. En SVD, una matriz
rectangular es descompuesta en el producto de tres matrices. Una de estas matrices
componentes (W) describe las entidades de fila de la matriz original como vectores de valores
factoriales ortogonales derivados. Otra matriz (P) describe las entidades de columna originales
de la misma forma y la tercera es una matriz diagonal (S) que contiene valores de
“escalamiento” de modo que, cuando las tres componentes son multiplicadas, se recupera la
matriz original. Se puede reducir la dimensionalidad de la solución de forma simple
eliminando coeficientes en la matriz diagonal, comúnmente empezando con el menor de ellos
[22].
A continuación, mediante un ejemplo, se muestra lo que se puede lograr al utilizar la
técnica del SVD. En el ejemplo, extraído de [22], se utilizan los títulos de nueve artículos
técnicos, cinco sobre interacción hombre-máquina y cuatro sobre teoría matemática de grafos.
De esta forma, la matriz original tiene nueve columnas y doce filas, cada una correspondiente
a una palabra usada en, a lo menos, dos de los pasajes.
26