Contenidos
Introducción
Introducción a análisis y recuperación de información (RI). Componentes y procesos de un sistema de RI. Sistemas de RI en la Web. Modelos básicos de recuperación: modelo booleano, modelo probabilístico y modelo de espacio de vectores. Medidas de similitud y ranking de documentos. Extensiones de los modelos básicos.
Análisis y Recuperación de Información Textual
Representación de texto. Reducción de dimensionalidad. Selección de términos: técnicas estadísticas, lingüísticas y basadas en conocimiento. Stop-words. Algoritmos de stemming: eliminación de sufijos, variedad de sucesores, diccionarios y n-grams. Ley de Zipf. Identificación de Idioma. Uso de diccionarios semánticos. Funciones de asignación de pesos a términos. Procesamiento de consultas: optimización y expansión. Indexación automática: estructuras y algoritmos de búsqueda.
Clasificación de Documentos
Definición y aplicaciones. Métodos de RI aplicados a clasificación: feedback de relevancia y algoritmo de Rocchio, clasificadores TF-IDF (term frequency/inverse document frequency). Aprendizaje inductivo de clasificadores: naïve Bayes, inducción de árboles de decisión, k-NN, razonamiento basado en casos (CBR – Case-Based Reasoning), CBR textual y otros algoritmos. Evaluación de la clasificación. Métricas: exactitud, precisión, taza de error y otros medidas.
Clustering de Documentos
Definición y aplicaciones. Caracterización de algoritmos de clustering. Algoritmos basados en particionamiento. Algoritmos de clustering jerárquico aglomerativos y divisivos. Algoritmos de clustering conceptual. Evaluación del clustering. Métricas externas e internas: entropía, pureza, F-Measure, cohesividad y otras medidas.
Análisis de Links
La Web como grafo. Relación entre texto e hyperlinks. Redes sociales y análisis de co-citaciones. Nociones de Hubs y Authorities. Algoritmos Page Rank, HITS y variaciones. Inferencia de comunidades Web a partir de la topología de links.
Agentes para Recuperación de Información
Introducción a agentes: definición y aplicaciones a RI. Enfoques de construcción. Enfoque basado en contenido: aprendizaje de perfiles de usuario, adaptación y predicción. Enfoques de filtrado colaborativo. Filtrado centrado en usuarios: comparación de perfiles, identificación de vecinos y predicción. Filtrado centrado en ítems: coeficientes de correlación, similitud y predicción. Filtrado basado en modelos: clustering de usuarios y/o ítems, reglas de asociación. Enfoques híbridos.
Evaluación y Experimentación
Métricas de performance en recuperación de información: precision, recall, F-measure y otras medidas. Colecciones estándar de documentos para evaluación de sistemas de recuperación, filtrado, clasificación, clustering y filtrado colaborativo de información.
Bibliografía
Baeza-Yates, R. and Ribeiro-Neto, B.: Modern Information Retrieval. Addison-Wesley, 1999.
Croft, W. B.: What Do People Want from Information Retrieval?: The Top 10 Research Issues for Companies That Use and Sell IR Systems. D-Lib Magazine, November 1995.
Gospodnetic, O. and Hatcher, E.: Lucene in Action. In Action series. Manning Publications, 2004.
Jain, A. K., Murty, M. N. and Flynn, P. J.: Data Clustering: A Review. ACM Computing Surveys, 31(3): 264-323, 1999.
Konchady, M.: Building Search Applications: Lucene, LingPipe, and Gate. Mustru Publishing, 2008.
Maes, P.: Agents that Reduce Work and Information Overload. Communications of the ACM, 37(7): 30-40, 1994.
Klusch, M.: Information Agent Technology for the Internet: A Survey. Data & Knowledge Engineering, 36(3): 337-372, 2001.
Korfhage, R.: Information Storage and Retrieval. New York: John Wiley & Sons, 1997.
Liu, B.: Web Data Mining: Exploring Hyperlinks, Contents and Usage Data. Springer, 2007.
Sebastiani, F.: Machine Learning in Automated Text Categorization. ACM Computing Surveys, 34(1): 1-47, 2002.
Sparck Jones, K. and Willett, P.: Readings in Information Retrieval. San Francisco: Morgan Kaufmann, 1997.
Introducción a análisis y recuperación de información (RI). Componentes y procesos de un sistema de RI. Sistemas de RI en la Web. Modelos básicos de recuperación: modelo booleano, modelo probabilístico y modelo de espacio de vectores. Medidas de similitud y ranking de documentos. Extensiones de los modelos básicos.
Análisis y Recuperación de Información Textual
Representación de texto. Reducción de dimensionalidad. Selección de términos: técnicas estadísticas, lingüísticas y basadas en conocimiento. Stop-words. Algoritmos de stemming: eliminación de sufijos, variedad de sucesores, diccionarios y n-grams. Ley de Zipf. Identificación de Idioma. Uso de diccionarios semánticos. Funciones de asignación de pesos a términos. Procesamiento de consultas: optimización y expansión. Indexación automática: estructuras y algoritmos de búsqueda.
Clasificación de Documentos
Definición y aplicaciones. Métodos de RI aplicados a clasificación: feedback de relevancia y algoritmo de Rocchio, clasificadores TF-IDF (term frequency/inverse document frequency). Aprendizaje inductivo de clasificadores: naïve Bayes, inducción de árboles de decisión, k-NN, razonamiento basado en casos (CBR – Case-Based Reasoning), CBR textual y otros algoritmos. Evaluación de la clasificación. Métricas: exactitud, precisión, taza de error y otros medidas.
Clustering de Documentos
Definición y aplicaciones. Caracterización de algoritmos de clustering. Algoritmos basados en particionamiento. Algoritmos de clustering jerárquico aglomerativos y divisivos. Algoritmos de clustering conceptual. Evaluación del clustering. Métricas externas e internas: entropía, pureza, F-Measure, cohesividad y otras medidas.
Análisis de Links
La Web como grafo. Relación entre texto e hyperlinks. Redes sociales y análisis de co-citaciones. Nociones de Hubs y Authorities. Algoritmos Page Rank, HITS y variaciones. Inferencia de comunidades Web a partir de la topología de links.
Agentes para Recuperación de Información
Introducción a agentes: definición y aplicaciones a RI. Enfoques de construcción. Enfoque basado en contenido: aprendizaje de perfiles de usuario, adaptación y predicción. Enfoques de filtrado colaborativo. Filtrado centrado en usuarios: comparación de perfiles, identificación de vecinos y predicción. Filtrado centrado en ítems: coeficientes de correlación, similitud y predicción. Filtrado basado en modelos: clustering de usuarios y/o ítems, reglas de asociación. Enfoques híbridos.
Evaluación y Experimentación
Métricas de performance en recuperación de información: precision, recall, F-measure y otras medidas. Colecciones estándar de documentos para evaluación de sistemas de recuperación, filtrado, clasificación, clustering y filtrado colaborativo de información.
Bibliografía
Baeza-Yates, R. and Ribeiro-Neto, B.: Modern Information Retrieval. Addison-Wesley, 1999.
Croft, W. B.: What Do People Want from Information Retrieval?: The Top 10 Research Issues for Companies That Use and Sell IR Systems. D-Lib Magazine, November 1995.
Gospodnetic, O. and Hatcher, E.: Lucene in Action. In Action series. Manning Publications, 2004.
Jain, A. K., Murty, M. N. and Flynn, P. J.: Data Clustering: A Review. ACM Computing Surveys, 31(3): 264-323, 1999.
Konchady, M.: Building Search Applications: Lucene, LingPipe, and Gate. Mustru Publishing, 2008.
Maes, P.: Agents that Reduce Work and Information Overload. Communications of the ACM, 37(7): 30-40, 1994.
Klusch, M.: Information Agent Technology for the Internet: A Survey. Data & Knowledge Engineering, 36(3): 337-372, 2001.
Korfhage, R.: Information Storage and Retrieval. New York: John Wiley & Sons, 1997.
Liu, B.: Web Data Mining: Exploring Hyperlinks, Contents and Usage Data. Springer, 2007.
Sebastiani, F.: Machine Learning in Automated Text Categorization. ACM Computing Surveys, 34(1): 1-47, 2002.
Sparck Jones, K. and Willett, P.: Readings in Information Retrieval. San Francisco: Morgan Kaufmann, 1997.