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

ISBN: 978–972–8924–45-4 © 2007 IADIS
pode-se verificar as aplicações destas técnicas em diferentes áreas, sendo que em bibliotecas digitais é uma
área de aplicação recente.
Este trabalho tem o foco sobre documentos em formato PDF, pois esse formato de arquivo pode ser
considerado o formato padrão de documentos digitais disponibilizados nas bibliotecas digitais.
Na seção 2, é feita a preparação dos dados textuais e envolve alguns passos – preparação da lista de
stopwords, definição dos termos referentes às categorias, recuperação da informação, remoção de stopwords,
case folding e obtenção de um formato padrão. Na seção 3 é apresentado o protótipo da ferramenta, e
finalmente a seção 4 é conclusão do artigo.
2. CATEGORIZAÇÃO DE DOCUMENTOS DE BIBLIOTECAS DIGITAIS
Na Figura 1 são apresentadas as etapas que compõe o trabalho desenvolvido, com o objetivo de classificar
automaticamente em categorias os documentos pertencentes a uma biblioteca digital, a primeira etapa para a
realização da categorização é a seleção do documento a ser categorizado, esses documentos estão
armazenados na base de dados da biblioteca digital.
Figura 1. Etapas da Ferramenta
Selecionados alguns documentos para a realização do trabalho, a próxima etapa é o tratamento dos
documentos PDF, pois no trabalho foram processados documentos neste formato, por serem os mais
utilizados.
Após o tratamento do documento PDF, a próxima etapa é o pré-processamento, onde a priori foi definida
um a lista de stopwords, para que o documento contivesse apenas palavras de maior importância. Neste
trabalho, a etapa de pré-processamento foi composta de duas partes: case folding e remoção de stopwords,
que após executadas geram o formato padrão para o passo seguinte que é a categorização. Nesta etapa é
necessário que os termos que pertençam as categorias já estejam definidos para que as comparações
necessárias possam ser executadas e um documento possa ser associado a uma ou mais categorias de acordo
com o seu conteúdo.
Após a categorização ter sido finalizada, é feita a avaliação e interpretação dos resultados obtidos, onde
será levada em consideração a porcentagem dos documentos que foram corretamente associados às
categorias e os que não foram. Caso os resultados não sejam satisfatórios, ou seja, se uma parte considerável
de documentos forem erroneamente categorizados uma ou mais mudanças são estudadas e implementadas e o
processo se repete desde o início até que os resultados tenham a qualidade desejada.
Neste trabalho foi desenvolvida consulta por categorias, mas essas consultas seriam realizadas com o
intuito de avaliar os resultados obtidos, ou seja, localmente. A disponibilidade desse tipo de consulta por
parte dos usuários de uma biblioteca digital fica como responsabilidade da própria biblioteca.
Na seção a seguir, demonstraremos como foi desenvolvida o protótipo da ferramenta.
352