Esta cuarta fase del modelo propuesto constituye un pilar esencial dentro de la misma. Si bien es importante seleccionar bien las fuentes de información y métodos a utilizar en la extracción de información relevante, no menos lo es la definición del sistema de clasificación. Este sistema es el que posibilitará la búsqueda y recuperación eficiente de la información, que realmente es lo que, al final, los usuarios perciben de un sistema software. Es decir, lo rápido o lento que un sistema responde a las peticiones formuladas, o lo preciso que éste puede llegar a ser.
El sistema de clasificación que se propone en esta tesis doctoral, está basado en un etiquetado semántico de los contenidos o también denominado tagging [GOL06]. Esta técnica consiste en que cada uno de los elementos de interés es anotado con una serie de etiquetas que sirven para cualificarlo con respecto a unas determinadas categorías previamente establecidas. De esta definición se desprende que el sistema de clasificación propuesto debe tener al menos un conjunto de categorías que describan alguna característica de los elementos clasificados. Para representar y organizar dichas categorías, existen multitud de sistemas de representación formal en función del nivel de expresividad que sea necesario en cada caso [WELL07][LAS01][GOM04], como por ejemplo, las taxonomías, tesauros, folksonomías, vocabularios controlados, ontologías, e incluso listas planas de términos. Todos ellos establecen un modelo particular que describe un dominio concreto. El modelo propuesto pretende ser lo suficientemente genérico como para no limitarse a ningún sistema de representación. En adelante, se referenciará dicho modelo como esquema de clasificación.
Este esquema de clasificación es una pieza clave dentro del sistema, no sólo porque permite ordenar (etiquetar) los elementos, sino porque también permite buscarlos y recuperarlos de manera eficiente posteriormente. La definición del esquema de clasificación es otra de las tareas que, como sucedía en la fase de extracción, deben realizarse con anterioridad al proceso propio de clasificación.
Fase IV: Clasificación
En la presente tesis doctoral se proponen dos métodos para la elaboración del esquema de clasificación:
1) Basado en clasificaciones existentes. Este método consiste en reutilizar algún sistema de clasificación (índice, taxonomía, vocabulario controlado, etc.) ya existente que se ajuste a las necesidades de cada caso. Este enfoque requiere un trabajo exhaustivo de búsqueda para localizar las clasificaciones existentes. En la práctica puede resultar difícil encontrar una clasificación que se ajuste 100% a un propósito concreto, por lo que será necesario realizar un proceso de adaptación en la mayoría de los casos. Este método está pensado principalmente para aquellos dominios o áreas de investigación bien establecidas sobre las que se haya trabajado en temas de clasificación utilizando enfoques manuales.
2) Basado en folksonomías. En ocasiones se dará la circunstancia de la inexistencia de clasificaciones previas que puedan servir de guía, debido, por ejemplo, a que no se hayan realizado trabajos parecidos antes o que se trate de una nueva disciplina. Sea como fuere, el problema es que el esquema de clasificación debe desarrollarse desde cero. Para estos casos, en la presente tesis doctoral, se propone un método basado en la idea subyacente en las folksonomías [QUI05][PET09].
El término folksonomía fue acuñado por Thomas Vander Wal en el año 2004 [VAN04] y hace referencia a un sistema de clasificación basado en etiquetas que son usadas para anotar contenidos. Estas etiquetas son creadas colaborativamente por una comunidad de usuarios, por lo que también recibe el nombre de etiquetado colaborativo, clasificación social, indexación social o etiquetado social. Las folksonomías han llegado a ser populares como parte de la Web 2.0, donde los contenidos son anotados por los usuarios y dichas anotaciones sirven para clasificar y localizar la
Métodos información en Internet. Algunos sitios tan populares como del.icio.us40,
Flickr41 o Tagzania42 usan este sistema como método de clasificación. Las folksonomías utilizan espacios de nombres simples, sin jerarquías ni relaciones de ningún tipo y son criticadas principalmente por la ausencia de un vocabulario controlado previamente establecido, aunque existen estudios que demuestran la idoneidad de este enfoque para crear vocabularios consensuados [HAL07]. Por otro lado, sus principales ventajas, en contraposición con los sistemas tradicionales de clasificación, son la exhaustividad, actualidad y adaptabilidad. Las folksonomías son generadas por los usuarios de un dominio para ese dominio, teniendo en cuenta los contenidos existentes. Por eso se puede decir que se adaptan a la realidad actual existente en ese dominio. Y son exhaustivas y mínimas porque cubren todo el dominio de interés de los usuarios, sin que existan etiquetas sin utilizar. En los sistemas tradicionales, las clasificaciones suelen venir impuestas por expertos que establecen una serie de categorías y relaciones de acuerdo con su visión del dominio. El problema puede surgir si existe una visión sesgada o parcial del mismo, provocando la creación de categorías que no resulten útiles para clasificar los elementos que se estén tratando en cada momento. En este sentido, las folksonomías ayudan a aliviar este problema.
Por estas razones surge la idea de utilizar la filosofía de las folksonomías para la creación de esquemas de clasificación en aquellos casos donde, por ejemplo, tenga que crearse dicho esquema desde cero, o no se tenga acceso a expertos que creen el esquema por falta de tiempo. En este punto se asume que, aunque las folksonomías no constituyen un sistema de clasificación puro, desde el punto de vista más estricto de la definición—se trata de un tipo de clasificación laxa—, su eficacia e idoneidad para cumplir los objetivos planteados en este trabajo, queda refrendadad tanto por el uso generalizado y exitoso que se hace de las
40https://delicious.com 41http://www.flickr.com 42http://www.tagzania.com
67
Fase IV: Clasificación
mismas en la actualidad, como por los estudios mencionados anteriormente. En estos casos, el principal problema es el punto de partida: ¿qué categorías debo definir? ¿serán estas categorías suficientes para cubrir todo mi dominio?, etc. La idea principal consistiría en: primero, detectar aquellos términos y conceptos más relevantes y usados dentro del dominio de interés y segundo, utilizar dichos términos y conceptos para crear el esquema de clasificación estableciendo relaciones entre los mismos, siempre que sea posible.
El problema que se plantea en este punto consiste en determinar dónde detectar los conceptos. Puesto que esta tesis se enmarca dentro del área de la minería de textos, la propuesta es utilizar la literatura especializada en el área en cuestión. Con los términos “literatura especializada” se hace referencia, principalmente, a artículos publicados en revistas y congresos especializados. Esta idea se fundamenta principalmente en la premisa de que la mejor forma de etiquetar un dominio es utilizar los mismos términos y conceptos que los expertos en ese dominio utilizan habitualmente para describir sus investigaciones y trabajos realizados. Una vez establecidas estas fuentes, el siguiente paso consistiría en la detección de los términos y conceptos más relevantes en función de criterios tales como frecuencia, co-ocurrencia, morfología, semántica, etc., con los que se crearía una lista de términos. Usando los términos de esa lista, se intentarían encontrar manualmente relaciones entre dichos términos con el objetivo de definir una jerarquía.
Una de las principales ventajas aportadas por este enfoque es que el esquema de clasificación se genera sin la intervención directa y consciente de los expertos en el área en cuestión, ya que se extrae directamente de las publicaciones realizadas por los mismos. De esta forma se elimina el tiempo que dichos expertos deberían dedicar a la elaboración del esquema de clasificación y pueden concentrar sus esfuerzos en tareas de revisión y refinamiento de dicho esquema. Estas tareas de revisión, generalmente, resultan más livianas que crear un esquema desde cero, por lo que se podrá encontrar mayor predisposición de los expertos a colaborar.
Métodos
Como se comentó con anterioridad, en la realidad es difícil encontrar una clasificación existente que se ajuste 100% a un propósito concreto, por lo que será necesaria su adaptación en la mayoría de los casos. En estos casos, este segundo método puede ser utilizado para facilitar dicha adaptación, por lo que se encuentra con que ambos métodos, lejos de ser excluyentes, pueden resultar complementarios.
Independientemente de cómo sea obtenido el esquema de clasificación, tal y como se muestra en la figura 3.5, la siguiente tarea consiste en una revisión y refinamiento del mismo por parte de expertos en ese dominio. Estos expertos deberán revisar las categorías y jerarquías definidas con el fin de validar su adecuación al dominio descrito. Una vez validado el esquema, éste podrá ser utilizado para las tareas propias de la clasificación.
Hasta este punto, en lo que se refiere a la fase de clasificación, se han descrito las tareas previas que deben realizarse antes de poder clasificar ningún elemento. El proceso de clasificación, como ya se mencionó previamente, está basado en un etiquetado semántico de los contenidos. Este etiquetado se realizará sobre la información extraída en la fase de extracción utilizando los términos y categorías establecidos en el esquema de clasificación. El proceso de clasificación tiene como entradas: (i) el esquema de clasificación, (ii) la información extraída en la
Figura 3.5 – Descripción del proceso de clasificación de la información extraída
Fase V: Curación
fase de extracción, y (iii) el conjunto de documentos obtenido en la fase 2 de preprocesamiento. Este último conjunto de documentos se utiliza de nuevo en esta fase para tareas de desambiguación. Estos documentos deberán ser procesados nuevamente utilizando técnicas de minería de textos, para identificar los conceptos y términos definidos en el esquema de clasificación. Con el fin de maximizar la eficiencia en la detección de términos y conceptos en los documentos de entrada, las comparaciones deberán realizarse utilizando la forma “lematizada” de dichos términos.
De esta forma, como salida del proceso de clasificación, se obtendrá un conjunto de elementos anotados con una serie de términos y conceptos tomados del esquema de clasificación. En este sistema de clasificación, los elementos pueden ser clasificados fácilmente en múltiples categorías del esquema de clasificación sin incrementar la complejidad del sistema. Es decir, por ejemplo, no es necesario duplicar información para clasificar un elemento en 7 categorías diferentes, lo cual redunda en una simplificación en la gestión y mantenimiento del sistema.
Tanto la fase de extracción como la de clasificación han sido presentadas como fases independientes porque tratan problemas diferentes. Pero en realidad ambas son muy similares en cuanto a que tratan el mismo corpus textual de entrada y realizan un procesamiento del mismo utilizando las mismas (o muy similares) técnicas de minería de textos. Desde un punto de vista práctico, aunque ambas fases hayan sido presentadas como independientes y “lógicamente” separadas, pueden llegar a realizarse simultáneamente con el fin de mejorar el rendimiento y la eficiencia global del sistema. De esta forma, cada documento del corpus de entrada sería tratado una única vez.