Desenvolvimento e Avaliação de uma Estrutura Multitesauro para Recuperação de Informações

1. Desenvolvimento e Avaliação de umaEstrutura Multitesauro para Recuperação de Informações Luiz Augusto Sangoi Pizzato Vera Lúcia Strube de Lima pizzato@inf.pucrs.br vera@inf.pucrs.br CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

2. Introdução Desenvolvimento e Avaliação de uma Estrutura Multitesauro para Recuperação de Informações • Tesauro • Estrutura Multitesaural • Recuperação de Informações (RI) • Resultados obtidos CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

3. Tesauro? "É uma compilação ordenada de conceitos, com ênfase na associação entre eles, que serve, no campo da informação e da documentação, para indexação e recuperação em um dado domínio documentário" (Ruge, 1999) Caminhoneiro -> Caminhão, Motorista, CargaCobra -> Animal, Réptil, Cobra VenenosaComputador -> Processador, CPU, Processamento CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

4. Relações Semânticas da ISO 2788 • Relação de Equivalência • Sinonímia, Quase-sinonímia, Equivalentes Lexicais • Computação USE Informática • Relações Hierárquicas • Hiponímia (Narrower Term) • Mamífero NT Leão • Hiperonímia (Broader Term) • Leão BT Mamífero • Relações Associativas • Termos Relacionados • Passageiro RT Automóvel CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

5. Multitesauro • LDPUCRS • Lista de descritores da Biblioteca Ir. José Otão – PUCRS; • VCUSP • Vocabulário Controlado da USP – Tesauro em CDROM; • VCBS • Vocabulário Controlado Básico do Senado; • LTOCSS • Tesauro construído automaticamente através do corpus do NILC da “Folha de São Paulo” do ano de 1994. • Relações obtidas por cálculo de similaridade sintática através das técnicas descritas por Grefenstette (1994), adaptadas ao português por Gasperin (2001). CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

6. Características • Tesauros LDPUCRS, VCUSP e VCBS: • São facilmente convertidos para a uma estrutura baseada na ISO 2788; • Apresentam informações que podem podem ser descartadas • Scope Note (Notas de Escopo) são úteis para bibliotecários, mas não aparentam utilidade na RI automática • Tesauro LTOCSS • Como os significados das relações não são conhecidos, elas são associadas à relação RT da ISO 2788. • As relações semânticas apresentam uma medida de similaridade entre os termos. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

7. ISO 2788 LTOCSS Estrutura Multitesauro <THESAURUS> <TERM term=“Eletroeletrônicos”> <TERM term=“Televisão”> <UF term=“TV”/> <RT term=“Audiência”/> <RT term=“Telespectador” value=“0.99”/> </TERM> <NT term=“Videocassete”/> </TERM> <TERM term=“Videocassete”> <SN>Utilize este termo quando for um aparelho com mídia em fita magnética.</SN> <BT term=“Eletroeletrônicos”/> </TERM> <TERM term=“Audiência”/></THESAURUS> CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

8. Recuperação de Informações • Desenvolvimento de uma Heurística de Expansão de Consultas • Utilizar a estrutura em uma aplicação de RI; • Demonstrar que, através de uma estrutura padrão é possível a utilização conjunta de diferentes tesauros (multitesauro) por uma mesma aplicação. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

9. Termo C Termo A Termo B Expansão de consulta? • A adição de termos a uma consulta de forma que o conjunto de documentos relevantes encontrados seja maior que o conjunto da consulta original. Documentos Relevantes CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

10. O que é o QET? É uma ferramenta de expansão de consulta (EC) que utiliza tesauros definidos de acordo com uma estrutura padrão. O nome QET é um acrônimo para Query Expansion Tool e a ferramenta teve seu desenvolvimento em Borland Kylix 2 - Open Edition sobre uma plataforma Linux. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

11. UF (0.8) Automóvel RT RT (0.2) (0.2) Direção Perigosa Acidente de Trânsito Heurística de Expansão de Consultas Relação Semântica com pesos em [0,1) Acidente de Carro β = 0.8 β = 0.16 β = 0.032 < σ (0.1) XXXXXXXXX CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

12. UF (0.8) Automóvel NT (0.6) RT (0.2) Acidente de Trânsito Heurística de Expansão de Consultas Acidente de Carro β = 0.16 β = 0.6 δ = 0.76 > λ (0.7) CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

13. Medidas de avaliação • Precisão: • Recall: • F-Measure: Documentos Relevantes Corpus a c Documentos Recuperados b CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

14. Avaliação • Testes em corpus • Corpus do NILC de artigos diversos da folha de São Paulo do ano de 1994, com 1.323.700 palavras em 5093 artigos. Cada artigo corresponde a um arquivo diferente. • Indexação e consulta aos arquivos realizada pela ferramenta ASPSeek, através de interface Web/CGI. • Verificação manual de relevância. • Geração semi-automática de estatísticas. • Marcação de relevância para 13 assuntos. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

15. Definição dos pesos para as relações Peso de RT altos diminuem a precisão Peso de BT elevado aumenta o recall mas reduz a precisão CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

16. Recall CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

17. Precisão CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

18. F-Measure CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

19. Avaliação • Médias das 13 consultas CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

20. Considerações • A estrutura tesaural desenvolvida possibilita a utilização conjunta de diferentes tipos de tesauros e demonstrou sua utilidade na RI através do método de expansão de consultas desenvolvido. • O método de expansão apresenta bons resultados (F-Measure) e melhora a RI. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

21. Trabalhos Futuros • Indexação e recuperação de documentos no QET; • Utilizar outros tipos de tesauros construídos automaticamente; • Descobrir melhores valores para os parâmetros da heurística; CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

22. Foco do estudo • O desenvolvimento da estrutura multitesauro; • A heurística utilizada na expansão de consulta implementada na ferramenta QET. • Uma avaliação da utilização da estrutura na RI. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

23. Agradecimentos • Artigo/projeto parcialmente suportado pelo convênio DELL/PUCRS • Conselho Nacional de Pesquisa Científica • Departamento Técnico do Sistema Integrado de Bibliotecas da USP • Subsecretaria de Biblioteca do Senado Federal • Biblioteca Ir. José Otão da PUCRS • Núcleo Interinstitucional de Lingüística Computacional CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

24. Referências GASPERIN, Caroline Varaschin. Extração automática de relações semânticas a partir de relações sintáticas. Dissertação de Mestrado. Faculdade de Informática da Pontifícia Universidade Católica do Rio Grande do Sul. 2001. GREFENSTETTE, Gregory. Explorations in Automatic Thesaurus Discovery. EUA: Kluwer Academic Publishers. 1994. 305 p. ISO 2788. International Organization for Standardization. ISO 2788: Guidelines for the establishment and development of monolingual thesauri. 2nd ed. Geneva: ISO, 1986. RUGE, G. Combining Corpus Linguistics and Human Memory Models for Automatic Term Association. In: STRZALKOWSKI, Tomek. Natural Language Information Retrieval. 1999. p75-98. CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002

25. Desenvolvimento e Avaliação de uma Estrutura Multitesauro para Recuperação de Informações Luiz Augusto Sangoi Pizzato Vera Lúcia Strube de Lima pizzato@inf.pucrs.br vera@inf.pucrs.brhttp://www.inf.pucrs.br/~pizzato CLEI’2003, Montevidéu, Uruguai - 25-29 novembro de 2002