Meta-aprendizagem aplicada a classificação de texto multirrótulo

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMerschmann, Luiz Henrique de Campos-
Autor(es): dc.contributorPereira, Denilson Alves Pereira Paiva-
Autor(es): dc.contributorFaria, Elaine Ribeiro de-
Autor(es): dc.creatorSantos, Vânia Batista dos-
Data de aceite: dc.date.accessioned2026-02-09T11:43:48Z-
Data de disponibilização: dc.date.available2026-02-09T11:43:48Z-
Data de envio: dc.date.issued2020-06-05-
Data de envio: dc.date.issued2020-06-05-
Data de envio: dc.date.issued2020-06-03-
Data de envio: dc.date.issued2020-02-21-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/41363-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1146171-
Descrição: dc.descriptionClassification is a predictive task of Data Mining that uses a set of data (instances), previously labeled, to train an algorithm that has the function of learning from the data presented and being able to predict the labels of new instances. The multi-label classification, in turn, differs from the traditional single-label classification in that it allows each instance of the dataset to be associ- ated with more than one label. Thus, in the domain of texts, characterized by diversity, volume, and increasing production, the multi-label classification plays an important role in allowing the maximum amount of information embedded in this data to be automatically extracted. Through texts, it is possible to identify the contents of great value for decision making, such as interests, opinions, and feelings. Some areas that explore ways to work with textual data are Natural Language Processing, Data Mining, and Machine Learning. The multi-label classification has a significant number of learning techniques available for its execution. However, finding the one that is most appropriate for a given dataset is not a trivial task, as it requires knowledge of techniques, consecutive experiments and, consequently, time. In this context, metalearning shows the relevance of its application when investigating ways to automate the process of se- lecting the best techniques for a given problem. Therefore, the objective of this work is to apply metalearning in the development of a method for the classification of multi-label texts, which seeks to select the best classification algorithm for each instance of the presented dataset. The experimental results demonstrated the effectiveness of the proposed method.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionA classificação é uma tarefa preditiva da Mineração de Dados que utiliza um conjunto de dados (instâncias), previamente rotulados, para o treinamento de um algoritmo que tem a função de aprender com os dados apresentados e ser capaz de predizer os rótulos de novas instâncias. A classificação multirrótulo, por sua vez, difere da tradicional classificação monorrótulo ao per- mitir que cada instância do conjunto de dados esteja associada a mais de um rótulo. Dessa forma, no domínio de textos, caracterizado pela diversidade, volume e produção crescente, a classificação multirrótulo desempenha um papel importante ao permitir que, de forma automá- tica, seja extraído o máximo de informação embutida nesses dados. Por meio dos textos, é possível identificar conteúdos de grande valor para a tomada de decisão, como interesses, opi- niões e sentimentos. Algumas áreas que exploram formas de trabalhar com os dados textuais são Processamento de Linguagem Natural, Mineração de Dados e Aprendizado de Máquina. A classificação multirrótulo dispõe de um significativo número de técnicas de aprendizagem disponíveis para a sua execução. Porém, encontrar a que seja mais apropriada para um de- terminado conjunto de dados, não é uma tarefa trivial, pois exige conhecimento das técnicas, consecutivos experimentos e, consequentemente, tempo. Nesse contexto, a meta-aprendizagem apresenta a relevância de sua aplicação ao investigar formas de automatizar o processo de se- leção das melhores técnicas para determinado problema. Portanto, o objetivo deste trabalho é aplicar a meta-aprendizagem no desenvolvimento de um método para a classificação de textos multirrótulo, o qual busca selecionar o melhor algoritmo de classificação para cada instância do conjunto de dados apresentado. Os resultados experimentais demonstraram a eficácia do método proposto.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Ciência da Computação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciência da Computação-
Direitos: dc.rightsrestrictAccess-
Palavras-chave: dc.subjectMeta-aprendizagem-
Palavras-chave: dc.subjectClassificação de texto-
Palavras-chave: dc.subjectClassificação multirrótulo-
Palavras-chave: dc.subjectProcessamento de linguagem natural-
Palavras-chave: dc.subjectMineração de dados-
Palavras-chave: dc.subjectMetalearning-
Palavras-chave: dc.subjectText classification-
Palavras-chave: dc.subjectMulti-label classification-
Palavras-chave: dc.subjectNatural language processing-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectCiência da Computação-
Título: dc.titleMeta-aprendizagem aplicada a classificação de texto multirrótulo-
Título: dc.titleMetalearning applied to multi-label text classification-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.