Proposta de trabalho

Cirillo Ribeiro Ferreira

Supervisor: Prof. Dr. Alair Pereira do Lago

1 de Dezembro de 2014

Tema

Classificação não-supervisionada hierárquica de artigos jornalísticos

Introdução

A tarefa de classificar e agrupar documentos escritos remonta desde a antiguidade, iniciando-se na criação da primeira biblioteca do mundo em Nínive, Assíria (atual Iraque), por volta do século 7 a.C. Desde então, profissões como bibliotecário, documentarista e arquivista foram criadas para atuar na organização de todo esses documentos que têm sido produzidos.

Porém com a criação da Internet e a popularização de seu uso como ferramenta de comunicação, acabou gerando uma explosão de informações que tornou praticamente impossível a classificação dos novos documentos da maneira manual usual.

A área de classificação de documentos é de grande interesse e possui diversas aplicações práticas como classificação de spam, identificação do idioma utilizado e análise de sentimento, porém, em especial, artigos jornalísticos têm um enorme desafio devido à grande quantidade de documentos que são gerados diariamente e a diversidade de temas abordados, especialmente em blogs, mas que carecem de melhor organização.

Objetivos

Os objetivos com esse trabalho são:

Criação de uma biblioteca para agrupamento de artigos jornalísticos.
Proposta e implementação do sistema hVINA (Hierarchical Viewer of News Articles) para análise de agrupamento de artigos jornalísticos.

Cronograma

As principais atividades previstas são:

	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov
Estudo dos algoritmos de agrupamento	x	x	x	x
Comparação dos algoritmos de agrupamento quando usados em artigos jornalísticos			x	x	x
Desenvolvimento do protótipo para consulta e visualização dos documentos e suas classes						x	x
Estudo de caso dos artigos do jornalista José de Paiva Netto							x	x	x
Monografia					x	x	x	x	x
Preparação do pôster e apresentação do trabalho								x	x

Atividades já realizadas

Estudo dos seguintes métodos de agrupamento e de extração de características:

1. Agrupamento K-means

É um método de Clustering (agrupamento) não supervisionado que particiona um certo conjunto de dados em k clusters, onde cada um dos um dos dados pertence ao cluster mais próximo da média.
2. Agrupamento hierárquico

É também um método de Clustering não supervisionado que cria um hierarquia de classes ao continuamente fundir os dois grupos mais semelhantes.

Referências

Segaran, Toby. Programming collective intelligence : building smart Web 2.0 applications.

Sanjiv K. Bhatia. “Adaptive K-Means Clustering”