Aplicação de Mineração de Textos na Indicação de Palavras-chave em Artigos Científicos

Transcrição

1 Aplicação de Mineração de Textos na Indicação de Palavras-chave em Artigos Científicos Mariane Regina Sponchiado Cassenote 1, Adriel Secco 1, Rodrigo Luiz Antoniazzi 1, Patricia Mariotto Mozzaquatro Chicon 1 1 Curso de Ciência da Computação Universidade de Cruz Alta Cruz Alta, RS Brasil {mariane.sponchiado,adsecco}@gmail.com, {rantoniazzi,pmozzaquatro}@unicruz.edu.br Abstract. This study aims to minimize the effects of the scarce precision of results obtained through research on search engines related to the academic field. For this, we used Text Mining techniques to qualitatively analyze the efficiency of Keyphrase Extraction Algorithm method. From this, it has proven tool efficiency while extracting keywords of scientific papers. Moreover, it became possible to add greater quality and accuracy to the recommendation of materials to scholars and professionals. Resumo. Este estudo visa minimizar os reflexos da escassa precisão de resultados obtidos por meio de pesquisas em motores de buscas relacionados à área acadêmica. Para tanto, foram utilizadas técnicas de Mineração de Textos a fim de analisar qualitativamente a eficiência do método Keyphrase Extraction Algorithm. A partir disso, comprovou-se a eficiência da ferramenta enquanto extratora de palavras-chave de documentos científicos. Ademais, tornou-se possível agregar maior qualidade e precisão à recomendação de materiais a acadêmicos e profissionais. 1. Introdução Diante da constante expansão tecnológica observada em todos os segmentos da sociedade contemporânea, é notável o emprego de recursos computacionais enquanto facilitadores do processo de ensino-aprendizagem. Tal fenômeno permite que o educando desempenhe um papel ativo na construção de seu próprio conhecimento. Todavia, é de fundamental importância que o aluno saiba interpretar e analisar as informações que chegam até ele, assim como classificá-las quanto à sua pertinência para o contexto desejado. Segundo Silva (2009), encontrar um documento relevante pode se tornar uma atividade trabalhosa e demorada, desestimulante para a maioria dos acadêmicos, os quais acabam por não recorrer a materiais complementares para enriquecer seu aprendizado. Nesse contexto, existem inúmeros mecanismos de buscas que permitem a seleção de materiais a partir de palavras-chave ou catálogos de assuntos. Entretanto, essas ferramentas apresentam limitações relacionadas à compreensão dos termos utilizados como delimitadores de pesquisas, recuperando materiais relacionados somente a esses vocábulos.

2 De acordo com Silva (2009), a recuperação de material relevante, direcionado aos objetivos de aprendizagem, de forma simples e rápida é desejável. Neste sentido, a utilização de ferramentas que identificam automaticamente materiais relevantes às necessidades dos alunos é extremamente importante para minimizar o tempo gasto na localização de material didático adequado e, sobretudo, maximizar as chances de sucesso no processo de assimilação de conteúdo. Frente ao exposto, este estudo visa apresentar uma análise sobre Processamento de Linguagem Natural (PLN) englobando técnicas de Mineração de Textos por meio do método de extração de palavras-chave Keyphrase Extraction Algorithm (KEA). A partir dos resultados obtidos, espera-se agregar maior qualidade e precisão à recomendação de materiais científicos à alunos e docentes, contribuindo para a fluência do processo de construção do conhecimento. 2. Descoberta de Conhecimento em Textos Mineração de Textos ou Knowledge Discovery from Texts (KDT) é o processo de descoberta de conhecimento potencialmente relevante e previamente desconhecido em bases de dados desestruturadas, ou seja, extração de conhecimento útil para o usuário em bases textuais (SOUZA, 2011). O processo de KDT é iterativo e interativo, sendo que transforma dados de baixo nível em conhecimento de alto nível, preocupa-se em extrair informações valiosas para o usuário a partir da recuperação de informações e faz com que o mesmo procure o que lhe interessa em um conjunto de textos pré-selecionados. Conforme Beppler e Fernandes (2005), KDT engloba técnicas e ferramentas inteligentes e automáticas que auxiliam na análise de grandes volumes de dados com o intuito de garimpar, beneficiando não somente usuários de documentos eletrônicos da internet, mas qualquer domínio que utiliza textos não estruturados. Em seu estudo, Beppler e Fernandes (2005) apontam que a forma mais comum de armazenamento de informação é a abrangida pelo KDT, visto que cerca de 80% das informações de grandes empresas e organizações estão contidas em documentos textuais. Esses arquivos podem estar armazenados como textos livres (escritos em alguma linguagem natural sem organização nenhuma), textos semiestruturados (contendo alguma estrutura), textos em linguagem restrita (um subconjunto de linguagem natural com formatos específicos), dicionários e campos tipo texto em sistemas estruturados (como o resumo de um livro em um sistema bibliográfico) (FURTADO, 2004). O processo de KDT tem sido aplicado em diversos meios e situações. No entanto, Moura (2004) afirma que as principais contribuições desta área estão relacionadas à busca de informações específicas em documentos, a análise qualitativa e quantitativa de grandes volumes de textos, além da melhor compreesão de informações. Esses materiais podem estar representados nas mais diversas formas, dentre elas: s; arquivos de diferentes formatos (.pdf,.doc,.txt, por exemplo); páginas Web; campos textuais em bancos de dados; textos eletrônicos digitalizados a partir de papéis.

3 3. Etapas do processo de Descoberta de Conhecimento em Textos Apesar da falta de consenso na literatura atual, o KDT é um processo que tem como objetivo a obtenção de conhecimento e pode ser segmentado em etapas. Aranha, Vellasco e Passos (2007) propõem um modelo dividido em cinco fases, sendo elas: Coleta, Pré-processamento, Indexação, Mineração de Texto e Análise. O método KEA, o qual foi utilizado na validação deste estudo, baseia-se nesse paradigma, conforme pode ser observado na Figura 1. Figura 1. Etapas do processo de KDT (ARANHA; VELASCO; PASSOS, 2007) A seguir apresenta-se uma breve descrição de cada uma das etapas do processo de KDT: Coleta de Dados: A primeira etapa do processo é a coleta de documentos, que consiste na busca de textos relevantes ao domínio da aplicação do conhecimento a ser extraído. Segundo Fayyad, Piatetsky-Shapiro e Smyth (1996), o sucesso da atividade de coleta de documentos depende, em parte, da intervenção de um especialista. Segundo os autores, ele não só fornece conhecimento sobre o domínio, como também apoia a tarefa de encontrar os objetos almejados. Basicamente, são três os principais ambientes de localização de fontes de dados: pastas de arquivos encontrados no disco rígido de usuários, tabelas de diversos bancos de dados e a internet (ARANHA, VELLASCO e PASSOS, 2007). Pré-processamento: Após a coleta é necessário formatar os documentos selecionados, pois serão submetidos aos algoritmos de Mineração de Textos. O principal objetivo do pré-processamento é aumentar a qualidade inicial dos dados, nos quais diversas técnicas podem ser aplicadas e até mesmo combinadas. De acordo com Carrilho (2007), a etapa de pré-processamento faz uso de técnicas de PLN e consiste nas seguintes fases: tokenização (análise léxica), eliminação de termos considerados irrelevantes, ou stopwords, assim como a normalização morfológica dos termos. Indexação: Pode-se afirmar que Indexação é o processo que organiza todos os termos adquiridos a partir de fontes de dados, facilitando seu acesso e recuperação. Uma boa estrutura de índices garante rapidez e agilidade ao processo, tal como funciona o índice de um livro. Para Filho (2009), indexar é criar uma estrutura de dados capaz de

4 armazenar os termos presentes nos documentos de forma a permitir o acesso eficiente ao conteúdo dos mesmos. Soares (2013) ressalta que a fase de Indexação é diretamente influenciada pela etapa de Pré-processamento, visto que todo o conteúdo que será indexado, ou não, foi determinado por esse estágio. Desta forma, quando a etapa de Préprocessamento faz uso de recursos de PLN e, com isso, fornece características linguísticas do texto processado, a etapa de Indexação utiliza esses dados ricos em semântica na construção do índice. Mineração de Texto: O objetivo da Mineração de Texto é a descoberta de conhecimento útil, novo e relevante a partir de dados não estruturados. Contudo, Filho (2009) afirma que, com a aplicação das etapas anteriores de KDT (Coleta, Pré- Processamento e Indexação), tem-se neste momento não mais dados não estruturados, mas sim dados estruturados, organizados com base na estrutura escolhida no processo de indexação. Soares (2013) comenta que a escolha do algoritmo a ser utilizado nesta etapa está relacionada com o propósito da tarefa de Mineração de Textos. Esse objetivo, definido no início do processo, irá determinar quais as opções possíveis de Aprendizado de Máquina que se aplicam ao problema. Além disso, outros detalhes devem ser considerados. Por exemplo, a necessidade ou não de que o conhecimento aprendido seja facilmente interpretável, o que pode descartar da lista de opções possíveis algoritmos de Aprendizado de Máquina do tipo caixa preta, como Redes Neurais. Isso se deve ao fato de que a compreensão da Rede Neural resultante de um processo de aprendizado não é uma tarefa trivial e requer esforço adicional para a extração das regras aprendidas por essa técnica. Análise da Informação: Esta fase do processo de KDT também pode ser chamada de Pós-processamento e diz respeito à verificação da eficiência da aplicação dos algoritmos da etapa anterior. Em outras palavras, é o momento de se avaliar se o objetivo de descobrir conhecimento novo e inovador a partir de grandes quantidades de documentos não estruturados foi cumprido da melhor forma possível (FILHO, 2009). 4. Metodologia A etapa inicial da validação deste estudo deu-se a partir da coleta dos materiais a serem analisados. Neste caso, optou-se pela utilização dos artigos científicos pertencentes aos anais do XVII Seminário Internacional de Educação do Mercosul 1, evento realizado na Universidade de Cruz Alta no ano de Ao todo foram elencados 132 (cento e trinta e dois) trabalhos que abrangem as mais diversas áreas do conhecimento. Logo após, foi realizado o pré-processamento dos textos a fim de formatar os documentos selecionados. Para tanto, eliminou-se manualmente as seções resumo e palavras-chave tanto na língua inglesa quanto no Português. Esse procedimento se fez necessário para que fosse possível fazer o levantamento de palavras-chave dos textos de forma pura, sem a interferência dos termos considerados importantes pelos autores dos artigos. Retirou-se também os segmentos dos textos que continham as referências bibliográficas, tendo em vista que as mesmas costumam conter hiperlinks e caracteres especiais que poderiam interferir na atividade de mineração. 1 Disponível em: <

5 A aplicação do algoritmo KEA 2 deu-se na terceira etapa de validação deste estudo a partir da plataforma Eclipse 3.8, executada na versão do Sistema Operacional Ubuntu. O método trabalhado, proposto por Witten et al. (1999) e projetado originalmente para a língua inglesa, foi adaptado para o Português em Dias (2004). Constatou-se, após as modificações efetuadas pela autora, que o recurso apresentou resultados satisfatórios e qualitativamente similares aos obtidos pela ferramenta original quando aplicada ao Inglês. A técnica de Aprendizado de Máquina envolvida no KEA constrói um modelo de predição usando documentos de Treinamento com palavras-chave conhecidas e então utiliza o modelo construído para encontrar termos importantes em novos textos, ou seja, em documentos cujas palavras-chave não são conhecidas. Assim, 32 (trinta e dois) artigos foram escolhidos aleatoriamente a fim de servirem como base para a etapa de Treinamento do algoritmo. O restante da massa de documentos levantada foi aplicada no estágio de Teste, cuja execução torna acessíveis os resultados do processo de mineração. Para este estudo definiu-se como 15 (quinze) o número de palavras-chave limite levantadas pelo KEA, tendo em vista que essa quantia foi considerada ideal nos experimentos realizados por Dias (2004). Por fim, a partir dos resultados obtidos pela fase de Teste do método KEA foram selecionados aleatoriamente cinco artigos. Assim, realizou-se um comparativo entre as palavras-chave apontadas pelos autores e aquelas descobertas pelo algoritmo, além de uma análise da pertinência dos termos processados frente ao assunto geral de cada um dos trabalhos. 5. Resultados e Discussões No decorrer do processo de validação deste estudo, objetivou-se analisar a qualidade das palavras-chave extraídas automaticamente pelo algoritmo KEA, tanto em relação aos termos associados pelos próprios autores, quanto em uma inspeção manual do conteúdo dos textos. Conforme descrito na seção anterior, foram utilizados 32 (trinta e dois) documentos para a etapa de Treinamento e 100 (cem) para a fase de Teste. A partir disso, selecionou-se aleatoriamente os seguintes artigos para análise de resultados: Oportunidades de Experiências Motoras em Crianças de Dez Anos (FORTES; PEDROSO; PANDA, 2015): Neste caso, é possível concluir que o método KEA conseguiu encontrar todos os termos eleitos pelos autores como palavras-chave, conforme pode ser observado na Tabela 1. O artigo traz uma pesquisa acerca das oportunidades de experiências motoras de alunos de escolas do centro e da periferia da cidade na faixa dos dez anos, objetivando analisar o espaço onde elas brincam, o tipo de atividade que realizam e a influência das mesmas em seu desenvolvimento motor. Assim, considera-se que as palavras-chave encontradas após o processo de mineração são condizentes com o conteúdo do texto. 2 Disponível em: <

6 Palavras-chave indicadas pelos autores Crianças desenvolvimento motor experiências motoras Tabela 1. Primeiro artigo avaliado crianças motoras brincadeiras periferia centro da cidade residem centro desenvolvimento motor alunos do centro alunos da periferia gráfico motoras em crianças fina dez anos experiências motoras Problema do Caixeiro Viajante Utilizando Algoritmo Genético no Ambiente em Nuvem (HAAS; PADILHA; MONTEIRO; BECK, 2015): Assim como no resultado anterior, foi possível localizar por meio do método KEA todas as palavras-chave eleitas pelos autores (Tabela 2). Observa-se, no entanto, que alguns termos simples se repetem em mais de uma palavra-chave, como em problema do caixeiro e problema do caixeiro viajante. No que tange a pertinência dos termos apontados em relação ao conteúdo geral do texto, acredita-se que a busca tenha obtido resultados satisfatórios, tendo em vista que o trabalho traz uma reflexão sobre o problema do caixeiro viajante associado à computação em nuvem. Tabela 2. Segundo artigo avaliado Palavras-chave indicadas pelos autores computação em nuvem algoritmo genético caixeiro viajante nuvem algoritmo algoritmo genético ambiente em nuvem genético caixeiro viajante computação

7 Palavras-chave indicadas pelos autores problema do caixeiro problema do caixeiro viajante computação em nuvem viajante caixeiro hardwares ambiente armazenamento Formação dos Tratados Internacionais e Importância da Aplicabilidade no Âmbito Comercial (NOGUEIRA; FALCONI, 2015): Neste documento o método KEA também encontrou todas as palavras-chave apontadas pelos autores, segundo a Tabela 3. Além disso, destacou termos que elucidam claramente o conteúdo do texto, sendo que o mesmo é constituído por uma análise dos tratados internacionais no âmbito do Direito Internacional Público e da importância de alguns dos principais tratados pertinentes a esse escopo para o comércio entre os Estados Membros. Palavras-chave indicadas pelos autores direito internacional tratados comércio Tabela 3. Terceiro artigo avaliado Internacionais comercial tratados âmbito comercial formação poder comércio direito internacional países pactuar relações de comércio comércio entre os estados estados partícipes advento âmbito As Fontes Constitucionais de Recursos Tributários Destinados à Educação no Brasil e os Respectivos Critérios de Distribuição (SANTOS; BARCELLOS; CASTRO;

8 LORENZI; PUHL, 2015): No decorrer do processo de mineração deste material, como pode-se visualizar na Tabela 4, o método KEA conseguiu localizar somente três das quatro palavras-chave indicadas pelos autores. Essa falha é resultante da forma de representação desse termo pelos pesquisadores, os quais por vezes utilizam Constituição Federal e em outras o vocábulo abreviado CF. Com relação ao conteúdo textual, acredita-se que as palavras-chave eleitas pelo algoritmo KEA representam adequadamente a ideia central do artigo. Palavras-chave indicadas pelos autores educação impostos recursos constituição federal Tabela 4. Quarto artigo avaliado Tributários constitucionais estado educação forma financiamento impostos financeira CF/88 distribuição respectivos destinados fontes recursos constitucionais de recursos Aplicação do Data Mining na Descoberta de Perfis de Risco de Câncer (MATHEUS; CHICON; ANTONIAZZI, 2015): Por fim, no último material escolhido para análise foi possível constatar que somente duas das três palavras apontadas pelos autores foram retornadas pelo KEA (Tabela 5). Isso se deve ao fato de que o vocábulo oncologia aparece somente duas vezes na extensão do texto, sendo por vezes substituído pela palavra câncer, comumente utilizada em referências a esse tipo de patologia. Tabela 5. Quinto artigo avaliado Palavras-chave indicadas pelos autores mineração de dados Dbscan oncologia Câncer perfis de risco data mining

9 Palavras-chave indicadas pelos autores mining mineração bases de dados mineração de dados algoritmos Dbscan dados formas KDD aplicações de técnicas conjunto de dados banco Com relação à correspondência entre as ideias representadas no texto e os termos determinados pelo KEA, observa-se a eficiência do método no apontamento de vocábulos importantes no escopo do trabalho. 6. Considerações Finais Estima-se que o presente trabalho tenha atingido os objetivos a que se propôs, tendo em vista que foi comprovada a eficiência do algoritmo KEA enquanto extrator de palavraschave de documentos científicos. Acredita-se que este estudo possa ser considerado relevante nas áreas de Processamento de Linguagem Natural e Mineração de Textos, visto que as pesquisas existentes ainda são insuficientes para que se possa apontar um método capaz de retornar um resultado ideal se comparado aos termos escolhidos pelos autores. Futuramente, espera-se buscar alternativas capazes de eliminar a redundância de termos simples em mais de uma palavra-chave, contribuindo para a otimização dos resultados apontados pelo algoritmo. Referências Aranha, C. N., Vellasco, M. M. B. R. e Passos, E. P. L. (2007) Uma abordagem de préprocessamento automático para mineração de textos em português: Sob o enfoque da inteligência computacional. Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro. Beppler, M. e Fernandes, A. (2005) Aplicação de text mining para a extração de conhecimento jurisprudencial. Primeiro Congresso Sul-Catarinense de Educação. Carrilho, J. R. (2007) Desenvolvimento de uma metodologia para mineração de textos. Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro.

10 Dias, M. A. L. (2004) Extração Automática de Palavras-Chave na Língua Portuguesa Aplicada a Dissertações e Teses da Área das Engenharias. Dissertação de Mestrado em Engenharia Elétrica e de Computação, Campinas. Fayyad, U.; Piatetsky-Shapiro, G.; Smyth, P. (1996) Advances in knowledge discovery and data mining. Menlo Park: AAAI Press. Filho, L. A. D. S. (2009) Mineração de Regras de Associação Utilizando KDD e KDT: Uma Aplicação na Segurança Pública. Dissertação de Mestrado em Ciência da Computação - Universidade Federal do Pará, Belém. Fortes, R. O.; Pedroso, M. L.; Panda, M. D. J. (2015) Oportunidades de Experiências Motoras em Crianças de Dez Anos. XVII Seminário Internacional de Educação no Mercosul, Cruz Alta. Furtado, M. I. V. (2004) Inteligência Competitiva para o Ensino Superior Privado: Uma Abordagem Através da Mineração de Textos. Tese de Doutorado em Ciências em Engenharia Civil - Universidade Federal do Rio de Janeiro, Rio de Janeiro. Haas, A.; Padilha, R. J.; Monteiro, T. B.; Beck, M. B. (2015) Problema do Caixeiro Viajante Utilizando Algoritmo Genético no Ambiente em Nuvem. XVII Seminário Internacional de Educação no Mercosul, Cruz Alta. Matheus, V. Q.; Chicon, P. M. M.; Antoniazzi, R. L. (2015) Aplicação do Data Mining na Descoberta de Perfis de Risco de Câncer. XVII Seminário Internacional de Educação no Mercosul, Cruz Alta. Moura, M. F. (2004) Proposta de utilização de mineração de textos para seleção, classificação e qualificação de documentos. Embrapa Informática Agropecuária. Nogueira, F. M.; Falconi, A. (2015) Formação dos Tratados Internacionais e Importância da Aplicabilidade no Âmbito Comercial. XVII Seminário Internacional de Educação no Mercosul, Cruz Alta. Santos, J. R. L.; Barcellos, M. N.; Castro, L. H. N.; Lorenzi, B. C. F.; Puhl, P. O. (2015) As Fontes Constitucionais de Recursos Tributários Destinados à Educação no Brasil e os Respectivos Critérios de Distribuição. XVII Seminário Internacional de Educação no Mercosul, Cruz Alta. Silva, L. O. E. (2009) BOOKISH - Uma ferramenta para contextualização de documentos utilizando mineração de textos e expansão de consulta. Dissertação de Mestrado em Computação da Universidade Federal de Goiás, Goiânia. Soares, F. D. A. (2013) Categorização Automática de Textos Baseada em Mineração de Textos. Tese de Doutorado em Engenharia Elétrica - Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro. Souza, J. G. D. (2011) Uma aplicação de Mineração de Texto para Descoberta de Características Psicológicas de Indivíduos. UFS, Itabaiana. Witten, I. H. et al. (1999) KEA: Practical Automatic Keyphrase Extraction. Proceedings of the fourth ACM conference in digital libraries, p