geração (semi)automática de metadados - Universidad Autónoma ...

CATEGORIZAÇÃO AUTOMÁTICA DE DOCUMENTOS
PDF PARA BIBLIOTECAS DIGITAIS
Geórgia R. Rodrigues Gomes 1 , Igor Primo Curttis 1 , Erlon Márcio Couto Alves 1 ,
Sahudy Montenegro González 1 , Annabell Del Real Tamariz 1
1 Universidade Candido Mendes-Campos - NPD- Núcleo de Pesquisa e Desenvolvimento
Campos dos Goytacazes – RJ – Brasil
georgia@ucam-campos.br,igorcurttis@gmail.com,erlonmarcio@yahoo.com.br,
sahudy@ucam-campos.br, annabell@ucam-campos.br
RESUMO
Existe um aumento significativo no numero de bibliotecas digitais e conseqüentemente nos documentos digitais
armazenados nas mesmas, e ao mesmo tempo cresce a necessidade de meios que possam prover de forma rápida e
eficiente a organização de tais documentos, facilitando assim o acesso aos mesmos. Nas bibliotecas digitais, existe a
necessidade de uma ferramenta que possa categorizar automaticamente os documentos, visto que o processo de
categorização ainda é feito de forma manual, isto torna-se mais lento e dispendioso.
Este trabalho apresenta o desenvolvimento de uma ferramenta que classifica automaticamente documentos digitais de
bibliotecas digitais, em categorias pré-estabelecidas, onde cada documento pertencerá a uma ou mais categorias de
acordo com seu conteúdo, tornando assim, mais eficaz e rápido a classificação dos documentos.
PALAVRAS-CHAVE
Bibliotecas Digitais, Mineração de Texto, Categorização.
1. INTRODUÇÃO
Conferência IADIS Ibero-Americana WWW/Internet 2007
Na última década, as pesquisas na área de extração de conhecimento a partir de dados eram focadas nos
dados do tipo estruturado, utilizando um conjunto de técnicas denominada Mineração de Dados (Data
Mining). Porém, há alguns anos, essas pesquisas se voltaram para os dados do tipo semi ou não estruturados,
e conseqüentemente foram desenvolvidas técnicas de Mineração de Texto(Text Mining), para que esses tipos
de dados pudessem ser manipulados (Tan, 1999). Desta forma, o desenvolvimento de ferramentas baseadas
nestas técnicas, que extraiam conhecimento de uma forma automática são de grande valia. A categorização
automática é uma dessas técnicas que proporciona uma melhor organização dos documentos.
A cada dia que passa, a quantidade de documentos digitalizados que são disponibilizados na Web
aumentam exponencialmente. Segundo (Bastos, 2005), as bibliotecas digitais dispõem de uma quantidade
enorme de documentos digitalizados como artigos, teses, dissertações, e tais documentos são separados em
categorias que já são pré-definidas e pertencem a um padrão adotado pela maioria das bibliotecas digitais
existentes. Desta forma, torna-se imprescindível que utilize técnicas apropriadas para que tais documentos
sejam organizados e separados em suas respectivas categorias de modo que uma possível busca futura seja
feita de uma maneira mais rápida e eficiente. Entretanto, a organização de tais documentos em suas
categorias ainda é feita de forma manual.
Levando em consideração que as bibliotecas digitais utilizam um padrão já estabelecido de categorias,
este trabalho consiste em realizar a categorização automática de documentos digitais das bibliotecas digitais
de acordo com categorias pré-definidas, onde cada documento deverá pertencer a uma ou mais categorias de
acordo com seu conteúdo.
Para fazer esta categorização automática, será utilizada técnicas de mineração de textos, hoje muito
pesquisada. Em (Almeida,2004), (Galho, 2004), (Honrado, 2000), (Lam, 1999), (Lopes, 2004), (Silva, 2002)
351