O MODELO ESPAÇO VETORIAL NO DESENVOLVIMENTO DE INTERFACES DE BUSCA E RECUPERAÇÃO DE INFORMAÇÃO

Transcrição

1 O MODELO ESPAÇO VETORIAL NO DESENVOLVIMENTO DE INTERFACES DE BUSCA E RECUPERAÇÃO DE INFORMAÇÃO RESUMO LOPES, T.S.F. 1., FERNEDA, E. 2 1 Mestranda do Programa de Pós-graduação em Ciência da Informação Rua Taquaritinga 593 (14) lopes.tatisf@gmail.com 2 Professore do Departamento de Ciência da Informação Faculdade de Filosofia e Ciências UNESP-Marília Ferneda@marilia.unesp.br GT1: Mídias Sociais, comportamento e busca da informação Com a utilização da Web como um repositório de informação de amplitude mundial torna-se necessário o desenvolvimento de ferramentas que permitam ao usuário recuperar e visualizar informações de uma forma mais intuitiva e dinâmica, tornando esse processo uma experiência lúdica e prazerosa. As atuais ferramentas de busca operam de forma semelhante e oferecem basicamente os mesmos recursos. O objetivo deste trabalho é propor a utilização do Modelo Espaço Vetorial como base para o desenvolvimento de interfaces dinâmicas, intuitivas e interativas em sistemas de busca e recuperação de informação em ambiente Web. Embora este modelo tenha sido criado no final dos anos de 1960, a sua sólida fundamentação matemática permite o desenvolvimento de modernas interfaces, utilizando os recursos tecnológicos atualmente disponíveis. Palavras-chave: Recuperação de Informação; Modelo Espaço Vetorial; Visualização da Informação; Interface 1 ABSTRACT The use of the Web as a world-wide information repository becomes necessary to develop tools that enable the user to retrieve and display information in a more intuitive and dynamic way, making this process a fun and pleasurable experience. Current search engines operate similarly and provide basically the same capabilities. The aim of this work is to propose the use of Vector Space Model as a basis for the development of dynamic interfaces, intuitive and interactive in search engines and information retrieval in a Web environment. Although this model has been created in the late 1960s, the its solid mathematical foundation allows the development of modern interfaces, using the currently available technological resources. Keywords: Information Retrieval; Vector Space Model, Information Visualization, Interface 1 INTRODUÇÃO A partir da década de 1990, com o surgimento e a rápida popularização da Web, tornaram-se urgentes as pesquisas por modelos e métodos que possibilitassem uma eficiente recuperação de documentos nesse imenso repositório. Embora a Web tenha incentivado um

2 2 direcionamento nos esforços para a solução de problemas relacionados à recuperação de informação, a busca por informações relevantes e úteis é ainda uma tarefa bastante árdua. Atualmente, as principais ferramentas de recuperação de informação na Web, tais como o Google, Yahoo, Bing, operam de forma semelhante, e oferecem basicamente os mesmos recursos. O usuário traduz a sua necessidade de informação em palavras cuja semântica remete ao tema ou assunto de seu interesse. Como resultado, o usuário obtém uma lista de referências a documentos que supostamente atenderão sua necessidade. Embora tais ferramentas sejam de grande utilidade na busca por informações na Web, verifica-se que os recursos oferecidos por elas ficam aquém de alguns outros sites que, apesar de utilizarem um corpus documental bem mais restrito, disponibilizam informações de uma forma mais intuitiva e dinâmica, tornando o processo de busca por informações uma experiência lúdica e prazerosa. Esse é o caso do site do National Arquives Experience: Digital Vaults e o sistema Grokker. O National Arquives Experience (Figura 1) é um banco de dados com documentos da história dos Estados Unidos. A apresentação de tais dados é feita de maneira dinâmica, utilizando recursos gráficos interativos, o que permite sua utilização por usuários de diversos níveis de conhecimento e de diferentes faixas etárias. Figura 1 Interface da ferramenta Digital Vaults Segundo Jorente (2012): Fonte: A base de dados criada para abrigar o Digital Vaults, espaço dos objetos e informações valorosos, relacionado ao Arquivo Nacional Americano, também possui um grande número de documentos indexados: cerca de 1200 documentos de

3 Groxis. ordens diversas e em suportes distintos como fotografias, desenhos, mapas, etc. O que os liga é um design de software baseado em sistema digital de relacionamentos entre palavras-chave, traduzidas em um resultado de convergência na experiência visual das apresentações. Tal experiência proporciona aos visitantes uma oportunidade de customização, no sentido de particularização nas formas de exibir as informações, muito de acordo com a visão pós-moderna da construção histórica e de representação da memória coletiva que privilegia justamente aspectos de customização e particularização dos eventos históricos. Outra iniciativa é o sistema Grokker (Figura 2), desenvolvido pela empresa americana Figura 2 Grokker Search Engine 3 Fonte: O Grokker foi projetado para ser um meta-buscador que apresenta os resultados de busca de forma visual e intuitiva. Ele executa as buscas nas principais ferramentas de busca e agrupa seus resultados, apresentando os grupos de forma visual. Embora tenha recebido diversos prêmios de indústria dos Estados Unidos, a Groxis, fundada em 2001, encerrou suas atividades em março de O desenvolvimento de interfaces para sistemas de busca e recuperação de informação requer uma base matemática sólida, capaz de representar de forma intuitiva os documentos resultantes de uma busca. O objetivo deste trabalho é propor a utilização do Modelo Espaço Vetorial (SALTON, 1989) como base para o desenvolvimento de interfaces dinâmicas, intuitivas e interativas em sistemas de busca e recuperação de informação em ambiente Web. Embora este modelo tenha sido criado no final dos anos de 1960, a sua sólida fundamentação matemática permite o desenvolvimento de modernas interfaces, utilizando os recursos tecnológicos atualmente

4 disponíveis. 4 2 METODOLOGIA O processo de visualização de informação está relacionado com a transformação de dados abstratos em gráficos ou imagens, com o objetivo de auxiliar no entendimento de determinado assunto ou tema, minimizando o esforço cognitivo dispendido nessa compreensão. Este projeto inicialmente baseou-se em uma pesquisa bibliográfica, analítica e exploratória sobre os temas: Recuperação de Informação, Modelo Espaço Vetorial, Visualização de Informação, nos idiomas português, espanhol e inglês. Em um segundo momento avaliou-se formas de utilização dos principais conceitos e ideias relacionados ao Modelo Espaço Vetoriais no desenvolvimento de interfaces de busca e recuperação de informações. 3 VISUALIZAÇÃO DA INFORMAÇÃO A Visualização da Informação pode ser definida como uma área da ciência que tem por objetivo o estudo das principais formas de representações gráficas para apresentação de informações de maneira a contribuir para uma melhor percepção e entendimento delas, além de possibilitar a dedução de novos conhecimentos com base no que está sendo apresentado (FREITAS et al., 2001). O processo de visualização de informação está relacionado com a transformação de dados abstratos em gráficos ou imagens, com o objetivo de auxiliar no entendimento de determinado assunto, minimizando o esforço cognitivo nessa compreensão. Na maioria dos casos, o uso de recursos gráficos na apresentação de informações produz a compreensão da mensagem transmitida de forma mais natural e com menos esforço cognitivo. A visualização pode condensar uma grande quantidade de informações, facilitando a compreensão dessas informações. Resumidamente, as técnicas de Visualização da Informação procuram representar graficamente dados de um determinado domínio de aplicação de modo que a representação visual gerada explore a capacidade de percepção do homem e este, a partir das relações espaciais exibidas, interprete e compreenda as informações apresentadas e, finalmente, deduza novos conhecimentos (FREITAS et al., 2001, p. 144). O avanço das tecnologias de informação, dos equipamentos de processamento de imagens e dos computadores, tem permitido a construção de sistemas cada vez mais

5 5 complexos e ricos na qualidade da apresentação de informações através de recursos gráficos. 3.1 REQUISITOS PARA A CONSTRUÇÃO DE VISUALIZAÇÕES A representação das informações de maneira visual nas interfaces dos sistemas de recuperação de informação facilita a contextualização, localização e compreensão dessas informações pelo usuário. Entretanto, para a construção de visualizações efetivas e expressivas, as informações precisam estar organizadas no índice dos sistemas, o que requer investimento por parte das organizações no processo de organização da informação. Para a construção de visualizações que visam demonstrar os termos e suas relações através das técnicas de desenho de grafos, desenho de árvores ou browser hiperbólico, tornase necessária a existência de um tesauro, uma taxonomia ou uma ontologia, como instrumento de organização da informação, que deixe claro as relações existentes entre os termos e que seja utilizado na indexação dos documentos. O mapa conceitual é mais adequado na estruturação de um pequeno conjunto de documentos, hipertexto, por meio de conceitos e proposições que ligam conceitos, do que milhares de documentos de um sistema de recuperação típico. Para utilizar o mapa conceitual como interface visual, a própria estrutura do mapa conceitual deve ser construída, e, após isso, os documentos são associados aos conceitos ou proposições pertinentes. A cartografia temática permite visualizar as relações entre os termos e documentos, com base na co-ocorrência estatística das palavras como indicador da proximidade ou similaridade entre eles. Os termos e documentos considerados semelhantes tematicamente são agrupados em blocos, numa estrutura de mapa visual em que são dispostos como pontos num espaço cartesiano, ou numa estrutura hierárquica de dendograma. Se forem consideradas apenas palavras isoladas, o próprio índice do sistema de recuperação de informação já é suficiente para construção desse tipo de visualizações. Entretanto, termos são melhores descritores que palavras isoladas e contribuem para uma melhor discriminação da informação. A utilização de termos requer a construção e utilização na indexação de vocabulários controlados. Na nuvem de tags, as etiquetas que denotam termos são dispostas em forma de nuvem e estão organizadas de acordo com a quantidade de uso/acesso, ou seja, as tags contidas na nuvem representam os principais assuntos abordados ou mais consultados no momento. Não há relações definidas entre as tags presentes na nuvem, não existindo relações hierárquicas, associativas ou de qualquer tipo entre as tags. Para utilização dessa interface visual, seria

6 necessária a adoção de uma lista de termos de indexação ou vocabulário controlado. 6 4 RECUPERAÇÃO DE INFORMAÇÃO Em 1951, Calvin Mooers criou o termo Information Retrieval (Recuperação de Informação) e definiu os problemas a serem abordados por esta nova disciplina. [A Recuperação de Informação] trata dos aspectos intelectuais da descrição da informação e sua especificação para busca, e também de qualquer sistema, técnicas ou máquinas que são empregadas para realizar esta operação (MOOERS, 1951). Recuperar uma informação consiste em identificar, em um acervo documental, quais documentos satisfazem total ou parcialmente a uma determinada necessidade de informação do usuário. A eficiência de um sistema de recuperação de informação é dependente da forma como esses documentos estão representados. A representação de um documento tem por objetivo identificar e descrever resumidamente o seu conteúdo informacional, ao mesmo tempo em que define seus pontos de acesso para a busca. O usuário de um sistema de recuperação de informação expressa sua necessidade de informação por meio de uma expressão de busca, composta geralmente por um conjunto de termos que representam linguisticamente a sua necessidade. A principal dificuldade está em predizer os termos foram usados para representar os documentos que satisfarão sua necessidade, ao mesmo tempo em que se procura evitar a recuperação de documentos não relevantes. O resultado de uma busca é geralmente composto por uma lista de referências a documentos, ordenada pelo grau de similaridade (relevância) calculada pela função de busca. Um modelo de recuperação de informação é a especificação formal de três elementos: a representação dos documentos, a representação da expressão de busca e a função de busca (FERNEDA, 2012, p.20). Baeza-Yates e Ribeiro-Neto (2011, p.58) definem modelo de recuperação de informação como uma quadrupla: [ D, Q, F, R(qi, dj) ] D é um conjunto composto por visões lógicas (representações) dos documentos no corpus; Q é um conjunto composto de visões lógicas das necessidades de informação dos usuários; F é um framework para a modelagem de representações dos documentos, consultas e seus relacionamentos; R(q i, d j ) é uma função de ordenamento (ranking) que atribui um número real à relação entre uma representação da consulta q i de Q e a representação de um documento d j de D.

7 7 Apesar de alguns dos modelos de recuperação de informação terem sido criados entre as décadas de 1960 e 1970, as suas principais ideias ainda estão presentes na maioria dos sistemas de recuperação atuais e nos mecanismos de busca da Web. 5 MODELO ESPAÇO VETORIAL No Modelo Espaço Vetorial (SALTON, 1989) um documento é representado por um vetor no qual cada elemento determina o peso ou a importância do respectivo termo na representação do conteúdo informacional do documento. Cada vetor descreve a posição do documento em um espaço multidimensional onde cada termo de indexação representa uma dimensão ou eixo. Cada elemento do vetor é normalizado de forma a assumir valores entre zero (0) e um (1). Os pesos mais próximos de um (1) indicam termos com maior importância ou mais relevantes para descrever o documento. Da mesma forma que os documentos, uma expressão de busca é representada por um vetor numérico onde cada elemento representa o grau de relevância do termo na representação da necessidade de informação do usuário. A Figura 3 ilustra a representação da expressão de busca ebusca 1 (0.2, 0.35, 0.1), juntamente com os documentos DOC 1 (0.3, 0.0, 0.5) e DOC 2 (0.5, 0.4, 0.3) em um espaço vetorial tridimensional formado pelos termos t 1, t 2 e t 3. Figura 3 - Representação de um espaço vetorial t 1 t 2 t 3 ebusca DOC DOC Fonte: FERNEDA, 2012, p. 34 A utilização de uma mesma representação tanto para os documentos como para as expressões de busca permite calcular o grau de similaridade (distância vetorial) entre uma determinada busca e cada um dos documentos do corpus. Os valores da similaridade entre uma expressão de busca e cada um dos documentos do corpus são utilizados no ordenamento dos documentos resultantes. Esse ordenamento (ranking) permite agregar a um sistema de

8 8 recuperação de informação alguns parâmetros que permitem restringir os resultados a um número máximo de documentos ou determinar um limite mínimo para o valor da similaridade dos documentos resultantes de uma determinada busca. O Modelo Vetorial define um ambiente onde os documentos do corpus e as buscas dos usuários são representadas na forma de vetores. Essa homogeneidade de representação permite calcular similaridades não só entre um documento e uma determinada expressão de busca, mas também entre pares de documentos. A possibilidade de determinar a similaridade entre pares de documentos de um corpus possibilita a construção de classes ou grupos (clusters) de documentos com alto grau de similaridade. Segundo Salton e McGill (1983, p.124), essa ideia remonta o conceito da classificação de documentos usados em bibliotecas, onde itens relacionados a determinados assuntos são alocados próximos. Segundo Salton, Bergmark e Wong (1977), um corpus documental organizado em clusters melhora significativamente o desempenho de um sistema de recuperação de informação, pois diminui a quantidade de comparações entre vetores necessários para realizar uma busca. Esses grupos podem ser criados e dimensionados automaticamente, adaptando-os à coleção de documentos que se está desenvolvendo. É possível construir-se um grande número de pequenos grupos ou um pequeno número de grandes clusters. Figura 4 Exemplo de um corpus de documentos agrupados Fonte: Adaptado de (SALTON; McGILL, 1983, p.125) Na Figura 4 é representado um corpus no qual os documentos estão agrupados. Cada x representa um vetor de um documento e as circunferências representam os clusters. Pode ser observado que alguns grupos se intersecionam, possuindo documentos em comum. Para que seja possível a manipulação de uma coleção de clusters, Salton e McGill (1983, p.125) propõem a criação de um tipo especial de vetor denominado centroide. Um centroide é um vetor que não representa um documento ou uma busca, mas sim um cluster, podendo ser

9 9 pensados como o seu centro de gravidade. Na Figura 4, os centroides de cada cluster estão representados por um ponto ( ). Dada uma coleção de documentos agrupados como na Figura 4, a busca por um documento agora pode ser realizada em dois passos. Inicialmente o vetor de cada busca é comparado com os vetores dos centroides. Em um segundo passo, o vetor de busca será comparado apenas com os documentos que estiverem em clusters cujos centroides apresentam similaridade suficientemente alta. Os documentos então são recuperados e apresentados ao usuário. Segundo Salton e McGill (1983, p.126), para um conjunto contendo um grande número de documentos será necessário uma quantidade excessiva de clusters com seus respectivos centroides, o que afetaria a eficiência do um sistema. Os autores propõem então utilizar recursivamente a mesma metodologia, agora para criar superclasses compostas por agrupamentos de centroides, cada qual representada por um supercentroide. A Figura 5 apresenta uma ilustração de um corpus contendo 31 documentos (x) divididos em dez classes ou grupos, cada qual com o seu centroide ( ) identificado por uma letra, e duas superclasses (superclusters) com seus respectivos supercentroides ( ) identificados por números. Figura 5 Representação de um corpus contendo agrupamentos de centroides (supercluster) Fonte: Adaptado de SALTON; McGILL, 1983, p.126 Embora as pesquisas de Gerard Salton tenham sido em uma época na qual os computadores eram extremamente rudimentares quando comparados à tecnologia existente atualmente, acredita-se que tais pesquisas possam ser adaptadas para o contexto tecnológico atual. 6 CONSIDERAÇÕES FINAIS O rápido crescimento e popularização da Web como provedor universal de

10 10 informações exige o desenvolvimento de ferramentas ou sistemas que permitam recuperar documentos de forma eficiente. Os atuais sistemas de recuperação na Web operam de forma semelhante, oferecendo basicamente os mesmos recursos. Embora na maioria das vezes tais sistemas apresentem resultados satisfatórios, seus recursos e suas interfaces ainda são relativamente rudimentares. O desenvolvimento de interfaces e formas de visualização de grandes volumes de informação requer uma base matemática consistente e flexível. O Modelo Espaço Vetorial possui os requisitos fundamentais para o desenvolvimento de interfaces para sistemas de busca e recuperação, sendo facilmente ajustáveis às tecnologias atualmente em uso e ao ambiente Web. REFERÊNCIAS Modern Information Retrieval Recuperação de Informação Informação Introdução aos Modelos Computacionais de Recuperação de Visualização de Informações Introdução à National Archives Experience Digitalvaults Zatocoding applied to mechanical organization of knowledge Generation and Search of Clustered Files Introduction to Modern Information Retrieval Automatic Text Processing