<\/p>\n
TOPIXTRACT<\/a> \u00e9 um extractor de palavras chave de documentos, independente da lingua dos mesmos e foi desenvolvido no \u00e2mbite da minha Tese de Mestrado. Mais informa\u00e7\u00e3o pode ser encontrada no artigo: Lu\u00eds Teixeira, Gabriel Lopes, and Rita A. Ribeiro, \u201cAutomatic Extraction of Document Topics,\u201d in DoCEIS’11 – 2nd Edition of the Doctoral Conference on Computing, Electrical and Industrial Systems, Costa da Caparica, Portugal, 2011, pp. 101\u2013108. <\/a><\/p>\n Este projecto tem como objectivo permitir a representa\u00e7\u00e3o visual desses documentos e relacion\u00e1-los entre si, mas tamb\u00e9m para explorar essas rela\u00e7\u00f5es. Na p\u00e1gina do pror\u00f3tipo<\/a> os estudos realizados para o desenvolvimento deste sistema <\/p>\n Qualquer informa\u00e7\u00e3o adicional, n\u00e3o hesite em contactar-me.<\/strong><\/p>\n lst…<\/a>teixeira.org<\/p>\n <\/p>\n TOPIXTRACT <\/a> is a language independent keyterm extractor from documents developed by Me in the framework of my MSC Thesis. More information can be obtained in the paper:Lu\u00eds Teixeira, Gabriel Lopes, and Rita A. Ribeiro, \u201cAutomatic Extraction of Document Topics,\u201d in DoCEIS’11 – 2nd Edition of the Doctoral Conference on Computing, Electrical and Industrial Systems, Costa da Caparica, Portugal, 2011, pp. 101\u2013108. <\/a> In the prototype page<\/a> the studies for developing a navigation <\/p>\n For any aditional information, please don’t hesitate in contacting me<\/strong><\/p>\n lst…<\/a>teixeira.org<\/p>\n <\/p>\n","protected":false},"excerpt":{"rendered":" Prot\u00f3tipos TOPIXTRACT TOPIXTRACT \u00e9 um extractor de palavras chave de documentos, independente da lingua dos mesmos e foi desenvolvido no \u00e2mbite da minha Tese de Mestrado. Para alcan\u00e7ar esta tarefa, tem em linha de conta palavras, multi-palavras ou prefixos de Continue reading Prot\u00f3tiposPrototypes<\/span>
\nPara alcan\u00e7ar esta tarefa, tem em linha de conta palavras, multi-palavras ou prefixos de palavras ( com comprimento fixo a 4 ou 5 caracteres ). Depois aplica 24 medidas estatisticas para indentificar a import\u00e2ncia de determinado termo nos documentos onde ocorre.
\n
\nOs Resultados obtidos podem ser avaliados por avaliadores independentes, e o seu grau de concord\u00e2ncia \u00e9 medido recorrendo \u00e0 estatistica Kappa. As medidas baseadas em Tf-Idf e Chi-Square mostraram maior precis\u00e3o. Os prefixos de palavras foram utilizados para lidar com a problem\u00e1tica das l\u00ednguas altamente flexionadas. Os Prefixos foram utilizados para ajudar a promover as palavras e as multi-palavras como possiveis palavras chave dos documentos.
\nBrainMap<\/h2>\n
\nQuantidades enormes de informa\u00e7\u00e3o presentes nas empresas podem tornar a tarefa de fazer uma pesquisa , ver um t\u00f3pico ou informa\u00e7\u00f5es espec\u00edficas uma tarefa muito dif\u00edcil.
\nPortanto, \u00e9 de suma import\u00e2ncia desenvolver ferramentas que facilitem a pesquisa de informa\u00e7\u00f5es espec\u00edficas e que permitam apoiar a explora\u00e7\u00e3o pelos utilizadores de intranets corporativas (composto de v\u00e1rias centenas de gigabytes de documentos). Embora n\u00e3o explicitamente identificados, muitos destes documentos est\u00e3o relacionados entre si (direta ou implicitamente). <\/p>\n
\nA representa\u00e7\u00e3o, navega\u00e7\u00e3o intuitiva e sele\u00e7\u00e3o desses conceitos \u00e9 o grande objectivo deste prototipo. Quando certas rela\u00e7\u00f5es entre estes conceitos s\u00e3o particularmente relevantes que
\npodem levar a um fluxo natural de informa\u00e7\u00e3o e consequente navega\u00e7\u00e3o entre eles. <\/p>\n
\nde apoio de explora\u00e7\u00e3o de grafos, aplicados \u00e0 correla\u00e7\u00e3o de documentos e utilizando conceitos de redes complexas pesadas juntamente com o conte\u00fado textual dos documentos em quest\u00e3o. <\/p>\nPrototypes<\/h1>\n
TOPIXTRACT<\/h2>\n
\nFor this purpose, it takes either words, or multi-words, or word prefixes (with fixed length 4 or 5 characters) as features to represent documents.Then uses 24 measures to identify feature importance for each document discimination.
\n
\nResults obtained may be evaluated by independent evaluators and their agreement is meaured usig Kappa statistics. Tf-idf and Chi-square based metrics have shown a higher precision.Word prefixes were used for dealing with highly inflected languages, and topic prefixes were just used as an aid for promoting words and multi-words as possible document topics.
\n
\n
\nBrainMap<\/h2>\n
\nOverwhelming amounts of information in corporations can make search and browse for a specific topic or information a very hard task. Therefore, it is of paramount importance to develop tools to ease the retrieval of specific information and to support the exploration by users on corporate intranets (composed of several hundreds of gigabytes of documents). Although not explicitly identified, many of these documents are related among themselves (directly or implicitly).
\nThis project aims to enable the visual representation of documents found to be related among themselves, but also to explore\/mine those relations.
\nThe representation, intuitive navigation and selection of these concepts is our major goal. When certain relations between these concepts are particularly relevant they
\nmay lead to a natural flow of information and consequent navigation between them. <\/p>\n
\nsupport system to explore graphs applied to document correlations, using concepts from the weighted complex network field, and using their unstructured textual content are presented. <\/p>\n