Representação Semântica para Classificação de Textos

Resumo

Em mineração de textos, normalmente os textos são representados com base na frequência das palavras presentes na coleção de documentos. Apesar dos bons resultados obtidos com esse tipo de representação, chamada de bag-of-words, tal modelo pode não ser adequado a todos os problemas de classificação. Representações mais ricas podem ser requeridas. Nesse contexto, o objetivo deste projeto de estágio em pesquisa é desenvolver uma representação de textos baseada na abordagem NASARI. Essa é uma abordagem para representação de conceitos, sendo utilizada para medir similaridade semântica com bons resultados em tarefas como similaridade de palavras e agrupamento de sentidos. As representações de conceitos na abordagem NASARI são baseadas em conhecimento de duas fontes, WordNet e Wikipedia. Assim, esse projeto busca o enriquecimento da representação de documentos por meio da representação de conceitos NASARI, que é semanticamente rica. A representação de documentos proposta será avaliada em tarefas de classificação de textos. É esperado que o uso da representação baseada na NASARI melhore os resultados da classificação de documentos. Esse projeto está relacionado com o projeto de doutorado da candidata, que está sendo desenvolvido na Universidade de São Paulo. O projeto de estágio em pesquisa proposto será desenvolvido na Sapienza - Università di Roma, sob a supervisão do professor Roberto Navigli, um dos autores da abordagem NASARI, um dos autores da abordagem NASARI.