Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.
Transcript of Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.
![Page 1: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/1.jpg)
Propriedades de Documentos
Eveline Alonso VelosoPUC-MINAS
![Page 2: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/2.jpg)
Referências
BAEZA-YATES, Ricardo e RIBEIRO-NETO, Berthier. Modern Information Retrieval. 1ª edição, New York: ACM Press, 1999, capítulo 6.
![Page 3: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/3.jpg)
Introdução Documento:
unidade de informação. Pode ser uma unidade lógica
completa; um artigo científico; um livro; um
manual; um e-mail; uma página Web. Pode ser uma das partes de um
texto maior; um capítulo de um livro; um
parágrafo; uma passagem no texto; uma entrada em um dicionário.
![Page 4: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/4.jpg)
Introdução Um documento possui:
sintaxe e estrutura; ditadas pela aplicação ou pela pessoa que o
criou; semântica;
especificada por seu autor; estilo de apresentação;
que especifica como ele deve ser exibido. O estilo de apresentação usualmente é dado
pela sintaxe e estrutura do documento; e está relacionado com uma aplicação específica.
![Page 5: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/5.jpg)
Introdução
Um documento também pode ter metadados; que não são apresentados a
quem está visualizando-o.
sintaxe
documento
texto + estrutura +
outras mídias
estilo de apresentação
semântica
![Page 6: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/6.jpg)
Metadados Muitos documentos e coleções
possuem; associados a eles; o que é conhecido como metadados.
Metadados: “dados sobre os dados”. Tipos:
descritivos; semânticos.
Podem ser utilizados como uma das evidências para a recuperação do documento.
![Page 7: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/7.jpg)
Metadados Descritivos Metadados que são externos ao
significado do documento; estão mais relacionados a seu processo
de criação. Exemplos:
nome do autor do documento; data de publicação do documento; tamanho;
(em número de páginas; palavras ou bytes); tipo do documento;
(livro; página Web; etc).
![Page 8: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/8.jpg)
Metadados Semânticos Metadados que caracterizam o
assunto; que pode ser encontrado no
conteúdo do documento. Exemplos:
palavras-chave associadas a páginas Web;
relacionadas ao assunto por elas tratado;
códigos de assunto associados a livros em uma biblioteca.
![Page 9: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/9.jpg)
Metadados em Páginas Web<html lang="pt-br"><head><title>Portal PUC Minas</title><meta name="description" content="Portal
PUC Minas - Site institucional"><meta name="Author" content="Rodrigo
Dias"><meta name="keywords" content="PUC
Minas, Universidade, Escola Superior de Ensino, Graduacao, Pos-Graduacao">
<meta name="language" content="pt-br">
![Page 10: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/10.jpg)
Metadados Metadados também são úteis
para descrever textualmente objetos não textuais; como imagens; música; vídeo; etc.
Assim, as palavras-chave associadas ao objeto não textual; podem ser utilizadas para que
esses objetos sejam recuperados; utilizando-se técnicas clássicas de
recuperação de informação textual.
![Page 11: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/11.jpg)
Formato dos Documentos Não existe um único formato para
documentos textuais; e um sistema de recuperação de
informação deve ser capaz de recuperar documentos de diversos formatos.
Sistemas de recuperação de informação utilizam filtros (parsers); para extrair o conteúdo, na forma
textual, de documentos de diversos formatos.
![Page 12: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/12.jpg)
Formato dos Documentos É necessário construir um parser;
para cada formato de documento tratado pelo sistema de recuperação de informação.
A sintaxe de muitas linguagens é proprietária e específica; enquanto a de outras é aberta e pública.
É possível construir parsers eficientes para formatos públicos como o HTML.
![Page 13: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/13.jpg)
Exemplo de Documento HTML
<div class="boxnoticia"><font class='chamada'><b>Pós-graduação PUC Minas
Virtual</b></font><br><a href='/noticias/noticia.php?
codigo=2567&lateral=&cabecalho=&menu=&pagina=' class='link_capa' > Ensino a distância com a qualidade PUC Minas. Inscrições abertas. </a> </div>
<div class="boxnoticia"><font class='chamada'><b>Mestrado e Doutorado</b></font><br><a href='/concursos' class='link_capa' > Saiba tudo sobre os processos
seletivos </a> </div><div class="boxnoticia"><font class='chamada'><b>Canto Coral</b></font><br><a href='/noticias/noticia.php?
codigo=2579&lateral=&cabecalho=&menu=&pagina=' class='link_capa' > Diretoria de Arte e Cultura oferece oficina de Canto Coral </a> </div>
![Page 14: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/14.jpg)
Formato dos Documentos
Pode não ser possível construir bons parsers; se o formato for proprietário e
seus detalhes não forem públicos; como documentos Word que são
armazenados em um formato binário.
![Page 15: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/15.jpg)
Exemplo de Documento Word
æ â ðUa{#áÇH z  & ª æ $ [ 0 ‹ ¶ 0 ‡ < ‡ æ R H H 4 4 4 4 Ù EMBED UnknownPONTIFÍCIA UNIVERSIDADE CATÓLICA DE MINAS GERAIS
Exercício Curso : Sistemas de Informação
Disciplina : Recuperação de Informação Professora: Eveline Alonso Veloso
Selecione três sistemas de recuperação de informação que você costuma utilizar e indique as seguintes propriedades de suas bases de documentos textuais:
C L N O c y ” ® Á × ó òéÙòÒÉ¿ÒéÒ·Ò·Ò¿«Ò
![Page 16: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/16.jpg)
Freqüência de Ocorrência das Palavras Texto escrito possui certa semântica;
e é uma forma de disseminar informação. Embora seja difícil capturar
formalmente quanta informação existe em um dado texto; a freqüência de ocorrência das palavras
que aparecem no texto está relacionada a isso.
Por exemplo, um texto onde a mesma palavra aparece repetidas vezes;
não apresenta muita informação.
![Page 17: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/17.jpg)
Palavras muito freqüentes: stopwords;
palavras que não apresentam muito significado; artigos; preposições; etc.
Geralmente são descartadas durante o processo de recuperação de informação;
diminui o espaço de armazenamento necessário; acelera o processamento de consultas.
Palavras muito pouco freqüentes: podem ser palavras escritas incorretamente;
depende das características do meio de onde os documentos da coleção foram selecionados.
Freqüência de Ocorrência das Palavras
![Page 18: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/18.jpg)
Características da Língua A língua em que o documento
foi escrito pode apresentar particularidades; que podem ser exploradas; ou não devem ser
desconsideradas durante o processo de recuperação de informação.
Exemplo: acentuação de palavras da língua
portuguesa.
![Page 19: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/19.jpg)
Tamanho da Coleção de Documentos Vocabulário:
conjunto de palavras distintas de uma coleção.
É possível estimar, com bastante precisão, o tamanho do vocabulário de uma coleção; a partir do tamanho da própria coleção; o que pode ser utilizado para estimar o
tamanho do índice.
![Page 20: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/20.jpg)
Estrutura dos Documentos Documentos podem apresentar
alguma estrutura; ainda que básica; que pode ser explorada durante o
processo de recuperação de informação.
![Page 21: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/21.jpg)
Título
Corpo da página
![Page 22: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/22.jpg)
TítuloLista de autores
Resumo
Corpo do documento
![Page 23: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/23.jpg)
Estrutura dos Documentos
![Page 24: Propriedades de Documentos Eveline Alonso Veloso PUC-MINAS.](https://reader036.fdocumentos.tips/reader036/viewer/2022081518/552fc0fe497959413d8bbc5d/html5/thumbnails/24.jpg)
Qualidade dos Documentos
As características do meio de onde os documentos da coleção foram selecionados;
podem influenciar algumas outras características desses documentos, como:
qualidade; documentos podem apresentar, com maior
freqüência, erros de digitação e/ou ortografia; autenticidade; veracidade.
O processo de recuperação de informação deve utilizar mecanismos para priorizar documentos de maior qualidade.