Lívia Lopes Azevedo, Thiago Bortolo Ramiro, Valéria Monteiro, Sergio Teixeira e Elias Oliveira. Departamento de Ciências da Informação

Transcrição

1 RECUPERAÇÃO DE INFORMAÇÃO ATRAVÉS DO PROCESSO DE APROXIMAÇÕES SUCESSIVAS Autores do Artigo Lívia Lopes Azevedo, Thiago Bortolo Ramiro, Valéria Monteiro, Sergio Teixeira e Elias Oliveira Departamento de Ciências da Informação Universidade Federal do Espírito Santo Campus de Goiabeiras, Av. Fernando Ferrari, s/n, Cx Postal 5011, Vitória-ES, Brasil ufes.br/~elias elias@inf.ufes.br

2 Resumo Atualmente a Internet tem proporcionado às pessoas muito mais acesso à informação do que elas tinham antes. Entretanto, muito desse potencial continua não sendo utilizado adequadamente devido à forma como esses recursos são disponibilizados. A comunicação através da linguagem natural seria o melhor mecanismo a ser utilizado também nesta moderna atividade: acesso de informação em meios digitais. A linguagem natural é intuitiva, rápida, fácil e não precisa de nenhum treinamento adicional especializado, pois já temos toda uma vida de treinamento na mesma. Na impossibilidade de usá-la nos meios digitais, o que pretendemos aqui é propor uma metodologia de busca que possa melhor recuperar informações não apenas baseado em palavras chave, como assim o faz muitos dos mecanismos automáticos de busca hoje existentes. O que propomos em nossa metodologia é que se leve em consideração a semântica subjacente à consulta feita pelo usuário. Além disso, em nossa metodologia, implementada em um procedimento algorítmico, visamos resgatar a informação de interesse do usuário através de aproximações sucessivas ao alvo pretendido. Esse modelo procura imitar o trabalho realizado por um bibliotecário de referência, quando mesmo inicialmente não sabendo a resposta à consulta do usuário ele, através de indagações feitas a este mesmo usuário, caminha progressivamente rumo ao alvo solução do problema expresso na consulta. Os experimentos realizados com um conjunto de documentos do site da revista online Datagramazero mostram a superioridade de nossa proposta quando comparada ao processo convencional de busca. Palavras-chave: Classificação automática de documentos; Recuperação da informação; Aproximação sucessiva; Extração de Semântica Latente. 1 Introdução Até recentemente a recuperação de informação, segundo BAEZA-YATES; RIBEIRO- NETO (1998), era vista como de interesse apenas de bibliotecários e especialistas em informação. Com o surgimento e popularização da Internet o interesse aumentou grandemente também em outras áreas, em particular no meio acadêmico da Ciência da Computação.

3 A WEB tornou-se um verdadeiro repositório de conhecimento humano e cultural, partilhando idéias e informações nunca vistas antes. Esse universo sem fronteiras tem atraído a atenção de milhões de pessoas. De acordo com MAES (1997) o surgimento dessa nova tecnologia acarretou uma forte mudança de paradigma na relação homem-máquina. Como conseqüência, a possibilidade da manipulação direta e manual da informação, por conta da pequena quantidade de itens informacionais a serem manipulados, começou a se tornar uma ação impraticável. Ao mesmo tempo o grande sucesso da WEB também tem introduzido novos problemas. A facilidade com que qualquer usuário pode hospedar seus próprios documentos e páginas na WEB nos remete ao termo sobrecarga de informação (Information Overload) (KIELGAST; HUBBARD, 1997). Essa variedade de documentos disponíveis coloca o usuário com a difícil tarefa de separar o joio do trigo na busca por informação útil. Muitos serviços de busca da WEB tais como Google (BRIN; PAGE, 1998), Yahoo!, MSNWebSearch da empresa MicroSoft, foram introduzidos no intuito de ajudar as pessoas a encontrar informações na WEB. Nesses sistemas, o usuário entra com uma consulta através de termos chaves e o sistema retorna uma lista de páginas da WEB. Fica a encargo do usuário varrer essas lista de páginas para localizar as informações realmente relevantes, uma vez que diferentes assuntos ou diferentes aspectos do mesmo assunto estão misturados. A classificação, trabalho desenvolvido por séculos pelas bibliotecas para organizar sua grande quantidade de informação, está sendo utilizado por alguns serviços de busca, através de diretórios de assuntos, tais como os do Yahoo!, LookSmart (DUMAIS; CHEN, 2000), AskJeeves e mais recentemente Vivisimo com o Clusty, para agrupar os resultados da pesquisa em classes de um mesmo tópico. Há evidências de que a categorização exercerá importante papel no futuro dos serviços de busca (SHEN et al., 2004). Pesquisas realizadas por CHEN e DUMAIS (2000) mostram que os resultados organizados em categorias permitem os usuários localizar os itens de interesse mais rápido do que examinando todos os resultados apresentados seqüencialmente. Quando uma busca é bem definida, tanto para o caso manual quanto o totalmente virtual, a sua localização é imediata. Porém, quando isso não ocorre, quanto mais especificada essa for mais chance se tem em

4 encontrá-la. Por conta de uma possível imprecisão por parte do usuário, a solução para o problema de busca por informação se dará quase invariavelmente através de aproximações sucessivas. Neste artigo é apresentada uma estratégia que utiliza o processo intuitivo, já utilizado pelo bibliotecário de referência em seu dia-a-dia: aproximações sucessivas através de buscas interativas, com vista a se atingir a informação desejada pelo usuário. Esta estratégia, que funcionará para as buscas on-lines, estará enriquecida por técnicas que realçam a semântica subjacente dos termos. Para isso, iniciamos com uma descrição do problema que motivou esse trabalho, na Seção 2.. Na Seção 3, descrevemos a macro-estrutura do sistema de busca por nós proposto. A partir desta estrutura, passamos à apresentação das partes que a comporão. Na Seção 4, apresentamos o modelo vetorial de representação de documentos, bem como sua extensão com a extração da semântica latente dos documentos. Estas serão as ferramentas adotadas em nossos experimentos, relatado na Seção 5 com o intuito de mostrar a validade de nossa proposição. Por fim, na Seção 6, apresentamos nossas considerações finais e trabalhos futuros. 2 Descrição do Problema Em passado recente, as bibliotecas físicas concentravam a maior fonte de informação existente. Os acervos das bibliotecas são dispostos de forma adequadamente organizada. As informações sobre o conteúdo do acervo e sua localização no espaço físico da biblioteca foram evoluindo com o tempo e com o crescimento do mesmo, de catálogos em fichas, catálogos em linha de acesso público (OPAC), catálogos em formato de disco compacto apenas de leitura (CD- ROM) até o acesso virtual. Todo esse processo envolve um grande volume de trabalho, leitura, experiência, tempo e dedicação dos bibliotecários. É afirmado por GROGAN (2001) que "o serviço de referência, porém, é mais do que um expediente para comodidade do usuário", salientando, nesta mesma obra, que mesmo estando uma coleção devidamente organizada, muitos usuários são incapazes de encontrar a informação desejada sem ajuda. O usuário para ter acesso mais rápido à informação deve consultar o bibliotecário para localização da mesma. Mesmo assim, a literatura relata que os usuários ao solicitar o serviço do bibliotecário, exceto

5 quando esse oferece uma referência completa (isto é, nome do autor, título específico, ao contrário de assunto), nem sempre disponibiliza as informações exatas sobre seu objeto de interesse. Dessa forma o bibliotecário busca, através da interação com o usuário, elementos que venham atender a sua necessidade, pois novamente segundo GROGAN (2001), "(...) o serviço de referência não é só aquilo que os bibliotecários executam para localizar as respostas às questões que lhe são formuladas. Também inclui a etapa anterior, crucial, durante a qual eles analisam, junto com os consulentes, a natureza de seus problemas." Esse trabalho inclui todo o desenvolvimento do bibliotecário para decifrar o interesse do usuário, sendo esse processo composto de sucessivos retornos à consulta, até se encontrar a resposta desejada. Hoje, utilizando em larga escala as consultas virtuais, o usuário continua com problemas similares àqueles enfrentados no processo manual, através da interação usuário-bibliotecário, para obter a informação desejada. Para tentar minimizar esse problema utilizaremos o modelo do bibliotecário de referência como motivação para descrever um possível ambiente virtual que tenha uma funcionalidade semelhante àquela desempenhada pelo humano. É importante salientar que o processo de referência trata de comunicação interpessoal com a finalidade de satisfazer as necessidades de informação do usuário. Segundo GROGAN (2001) o processo de referência, quando realizado em uma biblioteca consiste de oito passos: (1) o problema, (2) a necessidade de informação; (3) a questão inicial; (4) a questão negociada; (5) a estratégia de busca; (6) o processo de busca; (7) a resposta; (8) a solução. Todo esse processo, em geral, é iniciado por uma simples curiosidade do usuário, a qual o remete à necessidade de informação fazendo-o percorrer cada uma das etapas acima elencadas até o último passo que é a satisfação de seu objetivo: encontrar respostas à sua questão. Serão esses oito passos que nos guiarão para a proposta da nossa metodologia de busca virtual.

6 3 Procedimento de Busca no Ambiente Proposto Assim como quando interagindo com um bibliotecário de referência, pode ser que no primeiro momento o usuário ainda não tenha bem definido os termos que deve usar para iniciar sua busca. Isso porque, no ambiente virtual, até os dias de hoje, o usuário necessita entrar com uma consulta elementos de busca. Neste ambiente existe um local pré-determinado para que o usuário possa escrever os termos da sua consulta. Uma vez dado entrada com os termos da consulta no sistema, o usuário receberá a resposta à consulta realizada. Todavia, caso o usuário queira continuar sua consulta na mesma linha de raciocínio, o mesmo terá de entrar com o mesmo grupo de termos acrescido dos novos, ou entrar com novos termos. É neste ponto que nossa proposta diverge. Nós propomos a metáfora da cesta de consulta para indicar o local onde o usuário irá depositar os termos que utilizará para elaborar sua consulta. A cada vez que este usuário lançar uma consulta e obtiver a resposta do sistema, aqueles documentos trazidos pelo sistema como resposta e que satisfizerem os desejos de informação do usuário, seus termos serão acrescentados à cesta de consulta. Desta forma, desejando continuar pesquisando, o usuário poderá agora se valer de muitos mais termos para sua consulta. Os da cesta de consulta e outros que desejar acrescentar. À cada consulta realizada através desse procedimento, o sistema se aproximará sucessivamente do alvo desejado pelo usuário. O procedimento aqui proposto se assemelha muito a um percurso em forma de espiral em torno da informação realmente desejada. Desta forma, o usuário inicia o processo na seguinte ordem: 1. Escolhendo uma palavra (termo de busca), que acredita ter afinidade com sua consulta, e depositando-a na cesta de consulta. Esse termo passa a ser o desencadeador da pesquisa e faz com que o ambiente realize uma varredura em todo seu espaço de busca procurando por documentos que sejam mais similares à consulta apresentada até este ponto.

7 2. As máquinas de busca baseadas em palavras-chave tais como o Google (BRIN; PAGE, 1998), Yahoo!, MSNWebSearch, procuram exatamente pelas palavras colocadas no campo de busca e retornam uma longa lista de resultados, ordenados pela relevância da consulta. Apesar de sua eficiência, é necessário que o usuário garimpe por alguns outros sites para encontrar o que realmente interessa. É notório que esse tipo de busca é bastante útil quando a consulta é bem especificada. Entretanto, queremos propor um procedimento de busca que seja mais centrada no sentido semântico dos termos apresentados pelo usuário e comportando um número maior de termos na consulta, daí a razão de usarmos a metáfora da cesta de consulta. Segundo BAEZA-YATES e RIBEIRO-NETO (1998), a reformulação da consulta envolve dois passos básicos: expansão da consulta original com novos termos; e maior peso aos termos da consulta expandida. No nosso procedimento, a expansão da consulta ocorrerá com o processo das aproximações sucessivas para cada vez que, diante da resposta do sistema, o usuário acrescentar novos termos à cesta de consulta dos documentos que julgar interessantes. O peso dos novos termos será calculado através do realce semântico adotado pelo modelo utilizado (a ser explicado na seção 5). Isso fará com que a consulta não se restrinja exclusivamente às palavras-chave, mas sim ao significado que ela apresenta no texto. Com essa formulação seremos capazes de recuperar documentos relevantes à consulta mesmo que esses documentos não necessariamente contenham o termo de busca (DEERWESTER et al., 1990). Esses dois fatores associados conduzirão a busca gradativamente à informação de interesse. Uma breve explanação dos detalhes do procedimento que realça semanticamente os termos dos documentos (DEERWESTER et al., 1990, ZELIKOVITZ; HIRSH, 2001, ZENG et al., 2004) serão apresentados nas Seção 4 e Subseção Os documentos retornados pela máquina de busca serão agrupados (clustering) de acordo com seu grau de similaridade semântica. Este agrupamento será, então, mostrado ao usuário como resultado da busca. 4. Olhando para os documentos agrupados o usuário poderá selecionar aqueles que acredita ser mais compatível com seu interesse. Ao fazer esta escolha, os termos contidos nestes documentos escolhidos serão colocados na cesta de consulta.

8 5. Todos os termos contido nos documentos selecionados e colocados na cesta de consulta passam agora a compor o novo termo de busca. Com esse procedimento o termo de busca passa a representar melhor o interesse do usuário e sua busca se torna incrementalmente mais específica; 6. Ao apresentar essa nova consulta ao sistema com todos os termos de busca contidos na cesta de consulta, o universo de documentos pesquisáveis será grandemente reduzido, deixando muito lixo de fora do resultado da busca. Isso acontecerá porque só serão similares aqueles documentos que tiverem agora afinidade com todos os novos termos da consulta. Para dar um exemplo ilustrativo do que estamos falando basta ver o exercício de uma busca pelo termo jaguar apresentado a um buscador por palavras-chave, por exemplo o Google (BRIN; PAGE, 1998). Na primeira iteração são retornados aproximadamente documentos. Apresentando a consulta com os termos jaguar e felino, a quantidade de documentos retornados cai para aproximadamente 5.330, o que é um decréscimo considerável. Suponha que o usuário esteja interessado nesses felinos da África, assim, para a consulta jaguar, felino e áfrica, a busca retorna aproximadamente 468 documentos. Isso mostra que quanto mais especificarmos a consulta, mais restrito se tornará o espaço de busca e mais próximo do objetivo pesquisado podemos chegar. Com esse exemplo podemos verificar que há uma redução do espaço de busca quando realizamos o processo de aproximações sucessivas à consulta. 7. Repetindo esse processo sucessivamente, podemos dizer que chegaremos mais próximo e mais rápido dos documentos que realmente são relevantes à consulta proposta. Como no procedimento realizado por um bibliotecário de referência, esse processo finalizará quando o usuário estiver satisfeito com o resultado encontrado, ou quando não puder mais se refinar a busca. 4 Modelo Vetorial Sistemas de recuperação de informação geralmente adotam o processo de indexação através da extração de termos para posterior recuperação dos documentos (LANCASTER 1998). De modo geral, termo é qualquer palavra que

9 ocorre no texto de um documento. Um modelo clássico em sistemas de recuperação de informação é o vetorial. Neste modelo os documentos são representados por vetores no espaço R n (BAEZA-YATES; RIBEIRO-NETO, 1998), onde n representa o número de termos-palavras nos documentos considerados. Cada documento é considerado portanto um vetor de termos. Denominaremos desta forma o espaço de busca o conjunto de todos vetores-documentos. Formalizando o que foi dito acima, consideremos um conjunto de documentos D = {d 1, d 2,...,d i,...,d n }, onde d i é um dos elementos deste conjunto. O documento d i será representado por um vetor v={w 1,w 2,...,w k }, sendo que k é o número de todos termos {t 1,t 2,...t k } distintos que aparecem em todos os documentos de D. Note que um termo (palavra no documento) pode aparecer em mais de um documento. Portanto, a cada termo será atribuído um peso w i. Este peso será relativo à ocorrência do termo tanto no próprio documento onde ele aparece em relação aos demais termos deste mesmo documento, como também quanto ao número de documentos do conjunto em que o termo aparece. Para sabermos quão similar um documento será de outro, nós utilizaremos um procedimento que consiste em se calcular o produto vetorial entre dois vetores (CALLIOLI; DOMINGUES; COSTA, 1994), ou seja documentos. Este procedimento não será aprofundado aqui, o leitor mais interessado poderá consultar alguns dos livros textos sobre este assunto, tais como LANCASTER (1998), BERRY (2003), EVERITT, LANDAU E LEESE (2001). Com esta metodologia, nós transformamos o procedimento de busca em documentos em um procedimento de cálculo matemático. Portanto, o espaço de busca se torna um sub-espaço do R n, onde estaremos interessados em encontrar vetores que mais se assemelham ao vetor da consulta apresentado pelo consulente, já que nesta metodologia a consulta é também transformada em um vetor. Entretanto, neste espaço de busca muitos documentos que estão relacionados um com outro podem não partilhar as mesmas palavras, fazendo com que fiquem muito distantes. Da mesma forma, documentos que não estão relacionados podem estar muito perto pelo fato de compartilharem as mesmas palavras. Isso ocorre pelo fato de um mesmo conceito poder ser representado por diferentes palavras - sinonímia, e

10 as palavras terem conceitos ambíguos - polisemia. Para minimizar esse problema DEERWESTER et al., (1990) assumem que há alguma estrutura semântica latente subjacente aos dados que são parcialmente obscurecida pela escolha das palavras com relação a recuperação. Diante deste fenômeno, os autores propõem o método de Latent Semantic Indexing (LSI) que reduz a dimensão do espaço de busca realçando as relações semânticas entre os documentos. Entre muitas técnicas de redução de dimensão essa é uma bastante aceita na literatura (HE et al., 2004;ZELIKOVITZ; HIRSH, 2001). 4.1 Indexação Através da Semântica Latente O método denominado pela sigla LSI consiste em se considerar as relações existentes e as co-ocorrências entre as palavras em um texto. Ou seja, calcularemos o grau de associação entre dois termos com base na co-ocorrência relativa à freqüência de ocorrência de cada termo (LANCASTER, 1998; DEERWESTER et al., 1990). Para isso nós extraímos os termos de cada documento e os relacionamos em uma matriz documentos x termos. Desta matriz, após alguns procedimentos de decomposição fatorial (GOLUB, LOAN, 1996; BERRY, DUMAIS e O BRIEN, 1995), tiramos o valor de relacionalidade (r) entre os termos e documentos. Onde R = (w i e w j ) / (w i ou w j ) Este valor de relacionalidade será maior quanto maior for a co-ocorrência de dois termos em relação a sua ocorrência individual. Note que, realizando este procedimento, ainda não poderemos entender o significado das palavras. Todavia, a forma de perceber padrões de correlações entre os termos dá ao método uma certa inteligência semântica, atributo só então percebido no ser humano. Utilizando-nos do exemplo dado por LANCASTER (1998) em seu livro, podemos dizer que (1) se o termo t i co-aparece 10 vezes apenas com o termo t j, enquanto t i e t j aparecem e no documento, respectivamente, seu fator de relacionalidade é baixo, 10/10000 ou 10/ Enquanto que, (2) se o termo t i coaparece 100 vezes com o termo t j, sendo que t i e t j aparecem 150 e 200, respectivamente, seu fator de relacionalidade passa a ser alto, 100/150 ou 100/200.

11 O exemplo acima é apenas uma forma didática para explicar o procedimento utilizado pelo método LSI. Este é o tipo de procedimento que permite ao método LSI extrair a semântica latente do documento. Entretanto, optamos por omitir neste trabalho os pesados conceitos estatísticos que estão por trás deste método (DEERWESTER et al., 1990). 5 Um Exercício Prático com o Método Nesta seção, será descrito um exercício realizado utilizando-se da metodologia por nós aqui proposta, onde a indexação semântica dos termos e aproximação sucessiva à consulta compõem importantes papeis para se chegar à alvo pretendido pelo usuário da informação. Para a realização deste experimento foram utilizados todos os artigos da revista DataGramaZero do ano de Esses artigos tratam de assuntos relacionados às áreas interdisciplinares da Ciência da Informação, tais como Informação e Sociedade, Informação e Políticas Públicas, Informação e Filosofia ou Informação e Comunicação. Frente ao enfoque da revista estávamos interessados em recuperar documentos que abordassem o papel da biblioteca no contexto da nova era da informação. O experimento foi realizado através da comparação dos resultados obtidos tanto pelas buscas realizadas pelo Google, no domínio restrito da revista citada, quanto pela nossa metodologia. No nosso processo de busca utilizamos a indexação de semântica latente, descrita na Seção 4.1, enquanto o Google não usa. O objetivo do experimento era verificar o comportamento das duas ferramentas de busca com relação aos resultados obtidos através da agregação de termos na consulta e a similaridade dos documentos obtidas pelos dois procedimentos. Ao procedimento proposto denominamos de aproximação sucessiva da consulta. É importante ressaltar que os termos escolhidos para a consulta estavam direcionados ao contexto do problema: 1. Biblioteca -- por se tratar do ambiente de investigação; 2. Comunicação -- entendemos que informação e comunicação estão diretamente relacionados;

12 3. Revolução -- o desenvolvimento tecnológico pode ser considerado como um dos marcos para mudanças na sociedade; Para a consulta no modelo por nós proposto, os documentos descritos acima foram devidamente indexados e dispostos numa matriz documentos x termos. Foram feitas três consultas a cada um dos modelos e os resultados podem ser vistos na tabela abaixo. Consulta no Google 1ª Consulta 2ª Consulta 3ª Consulta Termo: Biblioteca Biblioteca e Comunicação Biblioteca, Comunicação e Posição Revolução 1ª Agosto/artigo 4 Agosto/artigo 4 Agosto/artigo 3 2ª Fevereiro/artigo 3 Fevereiro/artigo 3 Dezembro/artigo 5 3ª Agosto/artigo 1 Agosto/artigo 3 Outubro/artigo 4 4ª Outubro/artigo 4 Outubro/artigo 4 Outubro/artigo 3 5ª Dezembro/artigo 5 Dezembro/artigo 5 Abril/artigo 3 6ª Abril/artigo 4 Agosto/artigo 1 7ª Abril/artigo 2 Outubro/artigo 1 8ª Outubro/artigo 1 Abril/artigo 3 9ª Outubro/artigo 3 Outubro/artigo 3 10ª Junho/artigo 1 Abril/artigo 2 Table 1: Resultado da consulta realizada pelo Google. Para a primeira consulta o Google recuperou dez documentos. Esse método leva em consideraçao os documentos que contém o termo de busca e uma estratégia de classificação de páginas criado por (Brin e Page, 1998), chamado de PageRank. Os primeiros documentos retornados foram: (1) Escondendo o Código Aberto, ou O Esoterismo Esclarecido, aborda a questão do código fonte de um programa livre ser não apenas "aberto", mas geralmente "coletivo", ou "socializado". (2) A determinação do campo científico da Ciência da Informação: uma abordagem terminológica, discute a questão do campo científico da Ciência da Informação. O modelo proposto, para essa mesma consulta, recuperou sete (7) documentos. Sendo os primeiros ordenados: (1) Relações históricas entre Biblioteconomia, Documentação e Ciência da Informação, apresenta uma breve e panorâmica história da Biblioteconomia, da Documentação e da Ciência da Informação, em especial, sob o ponto de vista dos processos de organização da informação. (2) Biblioteca Virtual: um novo território para a pesquisa científica no Brasil, retrata o estado da biblioteca virtual e a sua importância, dada pela comunidade de pesquisa no Brasil. Para a segunda consulta, ambos modelos recuperaram os mesmos documentos nas duas

13 primeiras posições. A terceira posição em ambos modelos retornou o mesmo documento - A Informação e Suas Profissões: A Sobrevivência ao Alcance de Todos, o objetivo deste texto é tentar situar as redefinições de práticas profissionais no âmbito da Informação, por força do novo contexto sócio-econômico e da convergência tecnológica. Para a terceira e última consulta realizada, percebemos que os dois mecanismos trouxeram nas quatro primeiras posições os mesmos documentos, porém em ordem diferentes. Analisando esses resultados podemos afirmar que o modelo proposto direcionou mais rapidamente ao objetivo da consulta, tanto em qualidade de resultado como em objetividade, uma vez que desde a primeira consulta apontava para o documento melhor relacionado ao tema buscado. É importante salientar que, mesmo apresentando os mesmos documentos recuperados na terceira consulta a ordem dos documentos no nosso modelo representa melhor o objetivo da consulta. É também importante salientar que o conjunto de documentos apresentados no espaço de busca, parecerem muito similares uns com os outros, com o uso de nossa estratégia, à medida que inseríamos mais termos a consulta -- aproximação sucessiva -- eles tenderam a se agrupar de forma mais coesa, diferente do outro modelo utilizado. Modelo proposto Posição 1ª Consulta 2ª Consulta 3ª Consulta 1ª Outubro/artigo 3 Outubro/artigo 3 Outubro/artigo 3 2ª Dezembro/artigo 5 Dezembro/artigo 5 Dezembro/artigo 5 3ª Fevereiro/artigo 2 Agosto/artigo 3 Agosto/artigo 3 4ª Fevereiro/artigo 3 Fevereiro/artigo 2 Outubro/artigo 4 5ª Outubro/artigo 4 Fevereiro/artigo 3 Fevereiro/artigo 2 6ª Agosto/artigo 5 Outubro/artigo 4 Fevereiro/artigo 3 7ª Agosto/artigo 4 6 Conclusões Tabela 2: Resultado da consulta realizada pela nossa metodologia. Os procedimentos que realizamos neste experimento indicaram que o processo de aproximação sucessiva, com agregação de termos a consulta, associado ao realce semântico dos termos contidos nos documentos através do modelo de indexação semântica, resultaram numa aproximação efetiva dos documentos similares. O modelo por nós proposto manteve uma aproximação maior entre os documentos recuperados e os seus similares, não permitindo que esses se perdessem com a agregação de mais termos, como ocorreu no outro modelo. O experimento mostrou

14 que o nosso modelo pode ser bastante eficiente no auxílio do usuário para encontrar documentos mais relevantes a sua consulta, sem a preocupação de o documento conter ou não os termos propostos para consulta. Para que essa afirmação fique mais significativa, seria interessante submeter a um especialista a coleção de documentos utilizada no experimento e a proposta da consulta, para validar os resultados obtidos. Desde que o experimento seja validado pelos especialistas, há, no entanto, algumas melhorias que podem ser realizadas para que o modelo apresente resultados mais satisfatórios. Como estávamos em fase de experimento, os agrupamentos foram identificados dentro da própria matriz. Para melhor visualização do usuário seria interessante que fosse criado uma interface mais amigável para essa identificação. Um procedimento plausível seria a possibilidade de organizar os documentos em grupos hierárquicos, aumentando, desta forma, a eficiência no uso desse modelo, uma vez que resultará em uma maior organização dos documentos, facilitando, ainda mais, o processo de busca realizado pelos usuários. Referências BAEZA-YATES, R.; RIBIERO-NETO, B. Modern Information Retrieval. 1. ed. New York: Addison-Wesley, BERRY, M. W. Survey of Text Mining: Clustering, Classification, and Retrieval. New York: Springer-Verlag, BERRY, M. W.; DUMAIS, S. T.; O BRIEN, G. W. Using Linear Algebra for Intelligent Information Retrieval. SIAM Review, v. 37, n. 4, p , BRIN, S.; PAGE, L. The Anatomy of a Large-Scale Hypertextual Web Search Engine. Computer Networks and ISDN Systems, v. 30, n. 1-7, p , Disponível em: <citeseer.ist.psu.edu/brin98anatomy.html>. CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra Linear e Aplicações. 6. ed. São Paulo: Atual Editora, CHEN, H.; DUMAIS, S. T. Bringing Order to the WEB: Automatically Categorizing Search Results. In: CHI 00: Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. The Hague, The Netherlands: ACM Press, p DEERWESTER, S. C. et al. Indexing by Latent Semantic Analysis. Journal of the American Society of Information Science, v. 41, n. 6, p , Disponível em: <citeseer.ist.psu.edu/deerwester90indexing.html>. DUMAIS, S. T.; CHEN, H. Hierarchical Classification of Web Content. In: Nicholas J. Belkin and Peter Ingwersen and Mun-Kew Leong (Ed.). Proceedings of SIGIR-00, 23rd ACM International Conference on Research and Development in Information Retrieval. Athens,

15 GR: ACM Press, New York, US, p Disponível em: <citeseer.ist.psu.edu/dumais00hierarchical.html>. EVERITT, B. S.; LANDAU, S.; LEESE, M. Cluster Analysis. 4. ed. London: Arnold, GOLUB, G. H.; LOAN, C. F. V. Matrix Computations. 3. ed. Baltimore, MD: Johns Hopkins University Press, GROGAN, D. A Prática do Serviço de Referência. 2. ed. Brasília: Briquet de Lemos, HE, X. et al. Locality Preserving Indexing for Document Representation. In: SIGIR Sheffield, UK: ACM Press, New York, US, p KIELGAST, S.; HUBBARD, B. A. Valor Agregado à Informação da Teoria à Prática. Ciência da Informação, v. 26, n. 3, LANCASTER, F. W. Indexing and Abstracting in Theory and Practice. 2. ed. Illinois: University of Illinois, MAES, P. PATTIE MAES on Software Agents: Humanizing the Global Computer Disponível em: < Acesso em: 31 março SHEN, D. et al. Web-page Classification through Summarization. In: 27 th Annual International Conference on Research and Development in Information Retrieval. Sheffield, UK: [s.n.], p Disponível em: < ZELIKOVITZ, S.; HIRSH, H. Using LSI for Text Classification in the Presence of Background Text. In: PAQUES, H.; LIU, L.; GROSSMAN, D. (Ed.). Proceedings of CIKM-01, 10 th ACM International Conference on Information and Knowledge Management. Atlanta, US: ACM Press, New York, US, p Disponível em: <citeseer.ist.psu.edu/zelikovitz01using.html>. ZENG, H.-J. et al. Learning to Cluster Web Search Results. In: SIGIR Sheffield, UK: ACM Press, New York, US, p Disponível em: <citeseer.ist.psu.edu/ html>.