Tagtheweb: using wikipedia categories to automatically categorize text-based resources on the web

Medeiros, Jerry Fernandes

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Nunes, Bernardo Pereira
dc.contributor.author	Medeiros, Jerry Fernandes
dc.date.accessioned	2019-10-15T21:00:06Z
dc.date.available	2019-10-15T21:00:06Z
dc.date.issued	2018-09-25
dc.identifier.citation	MEDEIROS, Jerry Fernandes. Tagtheweb: using wikipedia categories to automatically categorize text-based resources on the web. 2018, 91f. Dissertação ( Mestrado em Informática ) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2018.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/12937
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	English	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Tagtheweb: using wikipedia categories to automatically categorize text-based resources on the web	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.advisor-co	Siqueira, Sean Wolfgand Matsui
dc.contributor.referee	Nunes, Bernardo Pereira
dc.contributor.referee	Garcia, Ana Cristina Bicharra
dc.contributor.referee	Nurmikko-Fuller, Terhi
dc.contributor.referee	Siqueira, Sean Wolfgand Matsui
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro, RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA	pt_BR
dc.subject.cnpq	CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Text Classification	pt_BR
dc.subject.en	Wikipedia	pt_BR
dc.subject.en	Categories	pt_BR
dc.subject.en	Category Graph	pt_BR
dc.description.abstracten	Identifying topics associated with a set of documents is a common task for many applications and can be used to improve various tasks involving documents on the Web, such as search, retrieval, recommendation, and clustering. Due to the significant amount of information produced and made available today, it becomes humanly impossible to organize, analyze, and extract the knowledge embedded. Consequently, mechanisms to accomplish such tasks as removing or at least diminishing the need for human intervention has gained importance in the last decades. One of the potential solutions for dealing with the challenge of organizing and retrieving documents is to use automated classification and categorization of Web information. In this research, a generic classification method to automatically categorize any text-based content on the Web according to the collective knowledge of Wikipedia contributors, through the semantic relation between nodes of the Wikipedia Category Graph, is proposed. The approach is based on three steps: extracting named entities from text, extracting categories associated with named entities, and finally representing and classifying the document. Computational experiments and a study involving users of a crowd-sourcing platform were used to validate the method. The results show that this approach can be used to correctly categorize most documents in a way that real users can understand, without the effort and input of domain experts.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	A identificação de tópicos associados a um conjunto de documentos é uma tarefa comum para muitas aplicações e pode ser usada para melhorar diversas tarefas envolvendo documentos na Web, tais como a busca, recuperação da informação, recomendação, armazenamento e agrupamento. Devido à quantidade significativa de informações produzidas e disponibilizadas hoje na Web, torna-se humanamente impossível organizar, analisar e extrair o conhecimento incorporado nesses documentos. Consequentemente, mecanismos para realizar tarefas como remover ou pelo menos diminuir a necessidade de intervenção humana ganharam importância nas últimas décadas. Uma das possíveis soluções para lidar com o desafio de organizar e recuperar documentos é usar classificação automatizadas de informações. Nesta pesquisa, propôe-se um método de classificação genérico para categorizar automaticamente conteúdo baseado em texto na Web de acordo com o conhecimento coletivo dos colaboradores da Wikipedia, por meio da relação semântica entre os nós do Gráfico de Categoria da Wikipédia. A abordagem é baseada em três etapas: extrair entidades nomeadas do texto, extrair categorias associadas a entidades nomeadas e, finalmente, representar e classificar o documento. Para validar o método aplicado, foram realizados experimentos computacionais e um estudo envolvendo usuários de uma plataforma de crowdsourcing. Os resultados mostram que a abordagem aplicada é capaz de categorizar corretamente a maioria dos documentos de uma maneira que os usuários reais possam entender, sem o esforço dos especialistas em domínio.	pt_BR
dc.subject.pt	Classificação de texto	pt_BR
dc.subject.pt	Wikipédia	pt_BR
dc.subject.pt	Categorias	pt_BR
dc.subject.pt	Grafo de Categorias	pt_BR