Combinação de classificadores

Combinação de múltiplos classificadores, também conhecida como conjunto (ensemble) de classificadores, tem sido abordada por diferentes métodos para aumentar o poder da classificação. Há duas estratégias principais amplamente aceitas para esse tipo de técnica: fusão e seleção de classificadores (Kuncheva, 2004). Na fusão, classificadores

Referencial Teórico 19

paralelos devem cobrir todo o espaço de características em que cada classificador pro- duz uma saída (rótulo da classe ou valor contínuo), que são fundidas usando diferentes funções. Na seleção, supõe-se que cada classificador conhece bem uma região local no espaço de características e é perito somente por esta parte do espaço, onde um conjunto desses classificadores são combinados em série e um único classificador é selecionado. Em relação ao esquema de combinação, os quatro níveis de saída são distinguidos de acordo à informação obtida dos classificadores individuais, que são: abstrato (rótulo da classe), hierárquico (lista de possíveis classes de saída), probabilidade (lista de probabilidades das possíveis classes) e óraculo (decisão correta ou errada).

Especificamente, a estrutura paralela para a fusão de classificadores pode ser visua- lizada na Figura 2.4, e as regras de fusão mais utilizadas são: voto majoritário, soma, produto, média, mínimo e máximo. No voto majoritário, os rótulos da classe, defini- dos individualmente pelos classificadores, são levados em consideração e aquele que tem maior número de votos é atribuído à nova instância. Faz-se o uso das regras de soma, produto e média para as probabilidades das classes de cada classificador e a classe cujo resultado de alguma das operações for o mais elevado, é declarada vencedora. O mí- nimo e máximo são regras de decisão simples, onde a classe com a menor e a maior probabilidade respectivamente é a vencedora.

. . .

Fusão

C

C

C

20 Referencial Teórico

espaço de características, a Saída indica o nível de confiança (probabilidades) das classes candidatas, se este for baixo a classe é descartada e um outro classificador é chamado, as Rejeições indicam as probabilidades das classes descartadas pelo classificador anterior que são re-avaliadas pelo classificador atual. Assim, assume-se que na seleção de classi- ficadores há um oráculo que decide qual o melhor classificador para o dado de entrada específico. . . .

classe

final

C

C

C

Capítulo 3

Trabalhos Relacionados

Uma organização hierárquica dos diversos métodos é proposta por Ferreira et al. (2012a) em uma nova taxonomia baseada nos tipos de técnicas (agrupamento e atribuição a autores) ou nas evidências exploradas (atributos das registros de citações, informação da Web ou dados implícitos). Os trabalhos que se concentram no primeiro grupo são divididos em duas categorias: (i) agrupamento de autores tenta colocar os registros de citações que contém atributos similares em um mesmo grupo e (ii) atribuição a autores visa atribuir diretamente os registros de citações a seus respectivos autores.

Ambas as abordagens podem utilizar técnicas de aprendizado de máquina (super- visionadas ou não supervisionadas) tanto para definir funções de similaridade ou de desambiguação, quanto para agrupar as citações do mesmo autor real. O segundo grupo é dividido em três categorias de acordo com os tipos de informações extraídas sobre as publicações: evidências das citações (as mais comuns são: nomes de autores, título do trabalho e do veículo de publicação), evidências de páginas da Web (informações cole- tadas por uma busca na Web) ou evidências implícitas (são inferidas através de técnicas que exploram as evidências das citações).

Como este trabalho se insere no primeiro grupo da taxonomia, as seções a seguir irão mostrar os principais métodos em desambiguação de nomes de autores relacionados ao primeiro grupo e suas duas categorias. As Seções 3.1 e 3.2 apresentam os métodos que abordam o agrupamento e a atribuição de autores, respectivamente. A Seção 3.3 descreve os novos métodos automáticos que usam a colaboração de usuários para aumentar o desempenho de desambiguação, além de trabalhos relacionados ao uso de conjunto de

22 Trabalhos Relacionados

3.1

Métodos baseados em agrupamento de autores

Nesses métodos, alguma técnica de clustering é utilizada junto com uma função de si- milaridade para resolver o problema da ambiguidade de nomes de autores agrupando registros de citações de um mesmo autor. A função de similaridade pode ser (i) pre- definida, baseada em funções existentes e aplicadas sobre os atributos (Bhattacharya and Getoor, 2007; Carvalho et al., 2011; Cota et al., 2010; Han et al., 2005b; On and Lee, 2007; Soler, 2007), (ii) aprendida usando alguma técnica de aprendizado de má- quina supervisionada (Culotta et al., 2007; Huang et al., 2006; Levin et al., 2012; Torvik and Smalheiser, 2009), ou (iii) extraída de relacionamentos entre autores e coautores, normalmente representados como um grafo (On et al., 2006).

Alguns trabalhos (Bhattacharya and Getoor, 2007; Carvalho et al., 2011; Cota et al., 2010) exploram funções de similaridade predefinidas (Jaccard, TFIDF, Jaro, Jaro-Winkler, Comparação por Fragmentos-Levenshtein, distância do cosseno, entre outras) para os atributos mais básicos dos registros de citações, que são usados por um algoritmo de clustering aglomerativo a fim de agrupar os registros com nome de autor similar e um ou mais coautores em comum.

Outros (Han et al., 2005b; On and Lee, 2007) são caracterizados por utilizar méto- dos de clustering que representam os registros de citações como vértices de um grafo conectado e o peso das arestas é dado pela similaridade do cosseno e TFIDF entre os atributos dos registros. Soler (2007) apresenta uma nova função de similaridade baseada nas probabilidades calculadas usando os atributos: nomes de autores, e-mail, endereço, palavras-chaves, campo de pesquisa, nomes de veículo e ano da publicação.

Dos métodos que seguem abordagens supervisionadas para aprender uma função de similaridade a partir de características dos registros de citações, vale destacar Culotta et al. (2007), que considera todas as características da coleção (ao contrário de pares de registros de citações) para aprender um score baseado em ranking, em que os scores no topo indicam as desambiguações corretas.

Torvik and Smalheiser (2009) exploram os algoritmos de clustering para gerar auto- maticamente os exemplos de treinamento que são usados para aprender uma função e inferir se dois registros de citações pertencem ou não ao mesmo autor. Levin et al. (2012) usam conjunto de regras para produzir clusters de registros de citações do mesmo au- tor gerados para produzir automaticamente exemplos de treinamento fornecidos a um classificador logístico para inferir uma função de similaridade entre os clusters que são

Trabalhos Relacionados 23

fundidos por um algoritmo aglomerativo.

Huang et al. (2006) usam algoritmo DBSCAN para agrupar os registros de citações similares. A similaridade é definida pelo classificador LASVM que aprende através de vetores de características, onde cada característica é definida pelas funções de simila- ridade TFIDF, Jaccard e Levenshtein para os atributos nomes de autores, endereço, afiliação, e-mail e da página da publicação.

On et al. (2006) propõem um método baseado em grafo que usa a informação de coautoria para agrupar citações dos mesmos autores, de modo a representar cada vértice como o nome de um autor e cada aresta uma coautoria entre dois autores. Então o método encontra a distância quasi-clique entre dois vértices que é usada como medida de similaridade entre os nomes de autores.