CADWeb: categorização automática de documentos digitais

Abstract

INTRODUÇÃOCom a evolução da tecnologia para administrar e armazenar grandes quantidades de informações, a digitalização e a produção de conhecimento em meios eletrônicos cresceram de forma vertiginosa. Extrair conhecimento a partir dos dados armazenados deu origem à mineração de dados.Segundo Amo (2003), a mineração de dados teve início nos anos 80, quando se verificou a grande quantidade de dados armazenados que não eram utilizados de maneira propícia, e que depois de submetidos a um processamento, poderiam fornecer conhecimentos que contribuiriam para a tomada de decisões.Inicialmente, as pesquisas na área de extração de conhecimento a partir de dados eram focadas nos dados do tipo estruturado (Amo, 2003), utilizando técnicas de mineração, que permitem extrair padrões consistentes e vínculos das variáveis existentes no contexto das informações analisadas (FAYYAD et ResumoCom a evolução da tecnologia da informação e a disseminação de documentos digitais na Web, faz-se necessário criar meios que forneçam um mecanismo de organização de tais documentos, facilitando sua busca e recuperação. Em bibliotecas digitais ou repositórios de obras eletrônicas, por exemplo, existe a necessidade de uma ferramenta que possa classificar automaticamente os documentos, visto que o processo de classificação (categorização) é feito de forma manual. Esta ferramenta será de grande importância no apoio à catalogação. Este artigo apresenta o desenvolvimento de uma ferramenta que tem como objetivo principal classificar automaticamente documentos digitais em categorias preestabelecidas, nas quais cada documento pertencerá a uma ou mais categorias de acordo com seu conteúdo, tornando assim mais eficaz e rápida a classificação. Na elaboração da ferramenta foram utilizadas técnicas e algoritmos de mineração de textos, sendo definidas no estudo de caso algumas categorias e termos relacionados, tais como informática, direito e física, para validar a ferramenta. Palavras-chaveTecnologia da informação. Categorização. Biblioteca digital. Mineração de texto. Documentos digitais. Automatic categorization of digital documents Abstract