| Processo: | 09/03306-8 |
| Linha de fomento: | Bolsas no Brasil - Doutorado |
| Vigência (Início): | 01 de agosto de 2009 |
| Vigência (Término): | 30 de junho de 2013 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | Maria Cristina Ferreira de Oliveira |
| Beneficiário: | Robson Carlos da Motta |
| Instituição-sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Assunto(s): | Visualização de informação Mineração de dados Redes complexas |
Resumo A vasta quantidade de informações disponível sobre qualquer área de conhecimento torna cada vez mais difícil selecionar e analisar informações específicas e relevantes sobre determinado assunto. Uma maneira de apoiar usuários nestas tarefas consiste em apresentar uma representação visual da coleção. Recentemente, foram propostas diversas técnicas para gerar mapas visuais de coleções de documentos. Em particular, técnicas de projeção ou de posicionamento de pontos geram uma representação bidimensional da coleção que pode ser a base de diversas representações visuais em que a proximidade geográfica no espaço bidimensional indica similaridade de conteúdo entre os documentos. Essas representações são chamadas de mapas de documentos, e oferecem uma interface adequada para a exploração interativa da coleção, caracterizando um processo de mineração visual direcionado pelo usuário.Neste projeto, propomos utilizar medidas de redes complexas para apoiar tarefas de mineração visual de coleções de documentos científicos, a partir da construção de redes que modelam diferentes relações entre artigos. Partimos de duas hipóteses a serem investigadas: (i) o uso integrado de mapas de documentos por similaridade e de redes complexas extraídas do corpus pode contribuir decisivamente nos processos de descoberta de conhecimento e extração de padrões direcionados por usuários; e (ii) a análise de propriedades de redes de similaridade derivadas do corpus pode melhorar o desempenho de abordagens de aprendizado ativo em tarefas de classificação de documentos. | |