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

ISBN: 978–972–8924–45-4 © 2007 IADIS
A linguagem de programação utilizada foi o Java (Date, 2000), (Gamma, 2000) e o bando de dados
implementado para simular um banco de dados de uma biblioteca digital foi o MySQL. Inicialmente foram
definidos os termos para 3 categorias.
Primeiramente o documento é recuperado e a informação contida nele é extraída, sendo armazenada em
uma string. O segundo passo é a realização do pré-processamento onde todo o conteúdo armazenado na
string é convertido para maiúsculo, as stopwords são retiradas e um formato padrão é gerado. Esse formato
padrão nada mais é do que um vetor com as palavras-chave do documento e a quantidade de vezes que cada
uma ocorreu.
Finalmente, é feita uma comparação dos termos referentes a determinada categoria com as palavras-chave
do documento. Nessa comparação levou-se em consideração quantas palavras pertencentes ao conjunto de
palavras-chave do documento também pertencem ao conjunto de termos da categoria à qual o documento
pode ou não pertencer, bem como a quantidade total de ocorrência dessas palavras no documento. A
princípio, após alguns testes realizados, chegamos a conclusão de que para um documento pertencer a uma
categoria é preciso que sejam obedecidas duas regras: que o documento contenha no mínimo 25% dos termos
referentes a categoria e que tenha uma ocorrência média de 5 ou mais termos iguais ou diferentes por página.
Por exemplo, para um documento com 100 páginas pertencer a uma categoria com 160 termos definidos,
pelo menos 40 termos referentes a categoria devem ser encontrados no conjunto de palavras-chave desse
documento e cada página do documento deve conter, em média, 5 ou mais destes termos que foram comuns
ao documento e a categoria.
Foram definidos termos para três categorias: Informática, Física e Direito, além de duas sub-categorias da
categoria Informática: Redes e Programação. Cinqüenta documentos foram selecionados para serem
categorizados e a ferramenta obteve um percentual de acerto de 84,6%. Para avaliar os resultados obtidos foi
utilizada a métrica de precisão (Gomes, 2006):
Precisão = Número de Itens Corretamente Classificados
Número Total de Itens
Na seção a seguir será descrita a conclusão do trabalho.
4. CONCLUSÃO
O presente trabalho tem por objetivo classificar documentos digitais automaticamente utilizando
categorias pré-estabelecidas das bibliotecas digitais. Esta classificação automática, contribuirá para que as
classificações sejam mais rápidas e eficientes. Este trabalho esta em fase de teste. Os resultados obtidos até
então foram satisfatórios, porém a necessidade de definição de termos para mais categorias e sub-categorias
se faz necessária, além da realização de testes com uma quantidade mais elevada de documentos para que se
possa avaliar melhor os resultados obtidos pela ferramenta.
De acordo com o modelo da ferramenta e com a definição de termos para mais categorias e subcategorias,
bem como a realização de testes mais amplos, novas avaliações dos resultados serão feitas e
mudanças poderão ser realizadas visando melhorar a aplicação até que seja realizada a integração com uma
biblioteca digital para que o processo seja realizado em um ambiente real.
A biblioteca está num momento de transição, passando de uma organização totalmente ligada ao material
impresso para outra em que tudo, ou quase tudo, será armazenado sob a forma digital (Cunha, 1999).
O que percebemos hoje é uma necessidade cada vez maior de ferramentas para organizar a enorme
quantidade de documentos digitalizados. No caso específico de uma biblioteca digital (Pereira, 2002), o
processo de categorização é feito manualmente, ou seja, o bibliotecário ou responsável deve acessar o
conteúdo do documento e associá-lo a uma determinada categoria. Muitas vezes este processo manual pode
ser realizado de forma errada, pois na maioria das vezes o profissional da área de biblioteca que categoriza o
documento, não tem o conhecimento necessário sobre o assunto o qual o documento realmente trata. É
justamente esse problema que a ferramenta desenvolvida se propõe a resolver, realizando de forma
automática a associação de um documento a uma ou mais categorias e/ou sub-categorias.
354