Una aplicación utilizando CRISP-DM que permita búsquedas óptimas de artículos de investigación

Abstract

RESUMEN En este trabajo de tesis se investigaron los métodos para identificar patrones en el texto introducido previo a una búsqueda web[1], este procedimiento implementa un procedimiento que funcione como un agente que reconozca los patrones introducidos apoyándose en una base de conocimientos previa que contienen los posibles casos en el área de lenguajes de programación, así como una técnica de búsqueda en modo de clusters[2] para tener un mejor tiempo de respuesta en las búsquedas. La búsqueda de información por parte de investigadores para la generación de nuevos contenidos lleva a usar motores de búsqueda convencionales para localizar información, estos motores no tienen ningún filtro previo que ayude al investigador a obtener, existen actualmente metabuscadores pero están hechos solo para información que se encuentra previamente procesada para ser localizada por los metabuscadores. Este tipo de limitaciones genera una necesidad para encontrar un método que nos ayude a la clasificación y localización de información contenida en artículos de investigación comúnmente localizada en lenguaje natural, por lo cual se necesita de una herramienta que nos ayude a facilitar el trabajo de los investigadores en la localización de artículos de investigación. La utilización de técnicas para la clasificación de información lleva como fin la implementación de técnicas comúnmente utilizadas en minería de datos[3] para adaptarlas hacia un funcionamiento asociando directamente documentos de texto mediante técnicas utilizadas en minería de textos donde destaca la utilización de filters que es la utilización de un filtro que ayuda a catalogar la información contenida de un documento utilizando como base principal una base de conocimiento que ayudara a determinar el contenido de dicho contenido mediante frases o palabras que estén asociadas a un tema específico a catalogar, este enfoque es utilizando un esquema de aprendizaje semiautomático debido a que depende en gran parte de la información contenida en la base de conocimiento para lograr una clasificación acertada. Existen también técnicas de aprendizaje automático[4] que se adaptan al mismo documento y en base a la información que encuentran determinan la clasificación a la cual pertenecen , este tipo de técnicas son llamadas wrappers tienen como desventaja ante un filter el hecho de que tarda más en procesar y clasificar la información debido a que se adaptan al tipo de documento, es decir no necesitan de una base de conocimiento y también es compleja su implementación debido a que se necesita de una meta heurística o heurística para optimizar un poco el funcionamiento, los resultados que se obtienen mediante esta técnica son mucho mejores que los del uso de un filter pero tienen como desventaja el tiempo que tardan en procesar y clasificar el documento. El presente trabajo de tesis plantea la utilización como base un filter apoyándose en una base de conocimientos que leerá un documento pdf para determinar el tipo de contenido que tiene y clasificarlo según el tipo de información que tenga con las categorías principales de programación, base de datos y sistemas operativos. El uso de una base de conocimiento será la principal herramienta que utilizaremos para clasificar pero tiene como agregado un algoritmo 5 de colonia de hormigas que ayudara a recorrer el documento pdf de una mejor manera para optimizar el funcionamiento y obtener el mejor resultado posible de la clasificación. Una vez establecida la categoría se asignara el documento al cluster que le corresponde, los clusters serán especificados mediante el algoritmo k-­‐means[5].