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

Relación Dirección Peso
Sinónimo, Atributo, Similar Horizontal 0,5
Antónimo Horizontal 2,5
Hiperónimo (Miembro|Parte| Esencia) Merónimos Arriba 1,5
Hipónimo (Miembro|Parte| Esencia)
Holónimo, Causa, Enlaces
Abajo 1,5
Tabla 1: Información de Dirección y Peso de las relaciones usadas en WordNet.
Esta medida de distancia semántica propuesta es unidireccional, lo cual es
conceptualmente compatible con el hecho que las reglas tienen un antecedente y un
consecuente, en donde wi w j tiene una semántica distinta a w j wi
.
Con el fin de computar la distancia semántica entre el antecedente y el consecuente de
la regla, se utiliza un algoritmo que determina el promedio de las distancias entre los
elementos individuales de una regla de acuerdo a los enlaces existentes en WordNet.
Posteriormente, las evaluaciones automáticas generadas por el algoritmo se comparan con
evaluaciones realizadas por expertos de las mismas reglas. El objetivo de estos experimentos
es verificar si lo obtenido con el algoritmo se correlaciona con los juicios de los humanos tan
bien como estos últimos se relacionan entre sí. El modelo de Mooney [4] muestra que los
resultados de las evaluaciones algoritmo-humano fueron similares a las evaluaciones humanohumano.
El objetivo principal de este enfoque es medir el grado de novedad de reglas obtenidas
desde textos basándose en el conocimiento léxico aportado por WordNet. Sin embargo, la
estrategia de evaluación requiere de una fuente externa de conocimiento y consecuentemente
es altamente dependiente su organización. Otro inconveniente se presenta cuando el
antecedente o el consecuente de la regla contienen términos que no existen en WordNet. Esto
origina que el método evalúe con un alto grado de interés a conceptos no existentes en
WordNet, debido a que la distancia entre ellos no existe, se asume muy grande. No obstante,
para los humanos estos patrones podrían no representar interés alguno.
Un enfoque que no utiliza recursos externos de conocimiento es propuesto por
Toussaint et al. [6, 7, 20]. Aquí, se presentan dos métodos de clasificación de reglas de
asociación, uno basado en medidas numéricas de calidad y el otro basado en el conocimiento
del dominio. El primero incorpora nuevas medidas numéricas que miden características de las
reglas de asociación que no son contempladas por el support o confidence. En el segundo
método, se mide el grado de interés de acuerdo a la ubicación jerárquica del antecedente y el
consecuente de la regla en el modelo del dominio, el cual se representa como un conjunto
finito y parcialmente ordenado de términos que establece una relación de generalización. En
ambos métodos se realiza un ranking de las reglas descubiertas.
Debido a la dificultad de las medidas tradicionales para capturar el grado de interés, en
el primer método se proponen cinco métricas adicionales al “support” y “confidence”. Dada
una regla A B , las medidas se definen en base a información probabilística donde P(A) es
la probabilidad del número de conjuntos de textos que contienen el término A, y P(A B)
es
la probabilidad del número de conjuntos de textos que contienen tanto a A como a B. Aquí se
distinguen tres distribuciones de términos que resultan ser interesentes para efectos de minería
32