Qualificação do meu mestrado realizada em 01 de julho de 2011

1. CLASSIFICAÇÃO DE NOTÍCIAS
EM PORTUGUÊS DO BRASIL
Rodrigo Constantin Ctenas Zaccara
6367629

2. AGENDA
• Motivação
• Objetivos
• Reconhecimento de Entidades Nomeadas
• MUC7
• Aquisição e extração de conteúdo
• Classificação de conteúdo
• Próximos passos

3. MOTIVAÇÃO
• Direcionamento automático de notícias para nicho de
interesse

4. OBJETIVOS
• Desenvolvimento de córpus público baseado em notícias
esportivas
• Motor
de reconhecimento e classificação de entidades
nomeadas

5. RECONHECIMENTO DE
ENTIDADES NOMEADAS

6. CONCEITOS
• Subárea no campo de extração de informação
• Diminuir a distância entre computador e humanos na
interpretação de comandos em linguagem natural

7. DESAFIOS
• Ausência de informação
• Ambiguidade semântica
• Exemplo:
• “Pessoas fazem orações por São Paulo”

8. MUC7

9. INFORMAÇÕES GERAIS
• Message Understanding Conference Proceedings
• Financiado pela Defense Advanced Research Projects Agency
• Textos jornalísticos completos
• Temas:
• Quedas de aviões
• Lançamentos de mísseis e foguetes

10. ETIQUETAS
Tag Categoria Descrição de uso
ENAMEX LOCATION Nome político ou geográfico
ORGANIZATION Entidades organizacionais
PERSON Nome de pessoa ou famíla
NUMEX MONEY Expressão financeira
PERCENT Dados percentuais
TIMEX DATE Data completa ou parcial
TIME Horário completo ou parcial

11. EXEMPLO
<DOC>
<DOCID>nyt960214.0704</DOCID>
<STORYID>A4479</STORYID>
<SLUG>BC-MURDOCH-SATELLITE-NYT</SLUG>
<DATE>02-14</DATE>
<NWORDS>0608</NWORDS>
<TEXT>A Chinese rocket carrying a television satellite exploded seconds after launch
Wednesday, dealing a potential blow to Rupert Murdoch’s ambitions to offer satellite
programming in Latin America. ...</TEXT>
<TRAILER>NYT-02-14-96 2029EST</TRAILER>
</DOC>

12. AQUISIÇÃO E EXTRAÇÃO
DE CONTEÚDO

13. Inicio da decaca de 90
Googlebot
HISTÓRICO
• Excite em 1993
• Yahoo! em 1994
• Alta vista em 1995
• Google em 1997

14. OBJETIVOS

15. OBJETIVOS

16. OBJETIVOS

17. RESULTADOS
• Redução em 81 % de links irrelevantes
• Filtro AAAA/MM/DD
• Filtro baseado no header Content-Type

18. CLASSIFICAÇÃO
DE CONTEÚDO

19. DEMONSTRAÇÃO

20. PREMISSAS
• Mecanismo flexível e dinâmico para criação do conjunto de
etiquetas
• Sistema iterativo de classificação
• Pontos de recuperação
• Localização dos recursos de interface

21. TECNOLOGIAS
• HTML • Servlet
• CSS • jQuery
• JavaScript • log4j
• JSTL • MongoDB
• EL • MySQL

22. DEMONSTRAÇÃO

23. RESULTADOS
• Ganho de 43% na classificação da notícia
• Simples: 7 minutos
• Rica: 4 minutos
• Ganho de 99% na gerência de documentos
• Simples: 100 segundos
• Rica: 1 segundo

24. RESULTADOS
• Ganho de 54% no processo geral
• Simples: 8:40 minutos
• Rica: 4:01 minutos

25. ETIQUETAS
1a Fase 2a Fase 3a Fase
Pessoa Time Torcida
Lugar Estádio
Organização Campeonato

26. Uma vez que este trabalho
tem como principal objetivo a
classificação de entidades
CLASSIFICAÇÃO
ambıguas, a definicão de
categorias muito genéricas
poderia dificultar a operação
do algoritmo.
• Substantivos próprios
• Apelidos (mago, gladiador)
• Referências (tricolocor do Morumbi)

27. PRÓXIMOS PASSOS

28. CRONOGRAMA

29. CLASSIFICAÇÃO DE NOTÍCIAS
EM PORTUGUÊS DO BRASIL
Rodrigo Constantin Ctenas Zaccara
6367629