Metodologia de categorização de textos a partir de documentos não rotulados utilizando um processo de resolução de anáforas

Resumo

A expansão do conteúdo digital exige métodos eficientes para organizar informações. Neste contexto, o processo de categorização de textos emerge como solução, dividindo informações em categorias temáticas. Enquanto a abordagem supervisionada é tradicional, demandando um conjunto de dados pré-classificados, as abordagens semi e não supervisionadas são alternativas viáveis que não necessitam de dados rotulados para treinamento. Todavia, essas técnicas geralmente ignoram nuances semânticas, como a anáfora - uso de termos variados para a mesma entidade. Este estudo propõe um método de categorização não supervisionado baseado na Estrutura Nominal do Discurso (END) para a resolução de anáforas, aplicando bootstrapping para gerar rotulações iniciais e desenvolver um modelo categorizador. A integração da resolução de anáforas mostrou-se benéfica para a precisão do sistema de categorização não supervisionada, conforme evidenciado pelos resultados das experimentações realizadas.