PDF de programación - Text mining versus redes neuronales

Text mining versus redes neuronales.

Dos métodos de análisis

aplicados al caso de las políticas de las

revistas sobre datos

Alicia García-García, Xavier García-Massó, Antonia Ferrer, Luis-Millán González,

Fernanda Peset, Miguel Villamón y Rafael Aleixandre

*Agradecimientos a Rosaura Santos Serra*

4ª Conferencia internacional sobre calidad de revistas de ciencias

sociales y humanidades (CRECS 2014)

Madrid, 8-9 de mayo de 2014.

15’45-16’15 Casa del Lector de la Fundación Germán Sánchez Ruipérez

http://www.thinkepi.net/crecs2014

Planteamiento del problema

Importancia del tema: En la actual sociedad de la

información cada día a día se multiplica la cantidad
de datos almacenados casi de forma exponencial.
Contienen valiosa información que puede resultar
muy útil para determinados procesos. Actualmente
se buscan las vías para explotarlos de forma eficaz
con diferentes objetivos. Además, estos datos
pueden ser reutilizados

LÍMITACIONES COGNITIVAS Y DE
RECURSOS nos empujan a buscar
esos métodos de análisis del BigData

Nuestro objeto de estudio
• Políticas de revistas: cómo las revistas indicaban a los autores

qué debían hacer con el material adicional, es decir con los
datos que subyacen a las publicaciones.

• El almacenamiento de datos junto a las revistas es una vía
reconocida (junto a subirlos a repositorios y bancos). Como
ejemplo: Data Conservancy, IEEE y Portico han recibido una
subvención (600.000 $ para dos años, mayo 2014) de la Alfred
P. Sloan Foundation para conectar publicaciones y sus datos.

• Nosotros estudiamos las políticas en el proyecto DATASEA

sobre las vías de almacenamiento y reutilización de datos de
investigación *OPENDATASCIENCE, centro de recursos para la
preservación y gestión de datos abiertos de investigación*",
CS02012-39632-C02-02.

• El objetivo final de DATASEA es crear

un buscador que permita recuperar
conjuntos de datos de investigación

• El problema de la recuperación de la
información es complejo, sobre todo
siendo tan específica

Factores determinantes de la eficiencia en la RI

A) existencia de estándares aceptados

con los que trabajar

B) recopilación de la información

C) creación de algoritmos específicos

Verdadero problema (al menos en revistas)

Que las ideas están expresadas

en lenguaje natural (NLP)

Las ideas tienen identidad respecto a algo que no son. No hay

relación directa con el soporte que las contienen

a) Estándares
• Si los datos estuvieran estructurados y disponibles

de forma uniforme universalmente sería “fácil”
analizarlos, reutilizarlos, recombinarlos...

• Pero...

• UNREALISTIC: cada grupo empresarial tiene sus

propias políticas de expansión

• El acceso abierto o no a la información científica aun

no tiene universalidad; mucho menos en datos

b) Recopilación de fuentes de origen de datos

La búsqueda de información excelente y puesta a disposición en algún
sistema lo hacemos sistemáticamente los documentalistas (directorios,
bibliotecas, inventarios...). Pero cuando cambian, hay que volver a
revisar.

En 2011 creamos ODiSEA, como inventario de bancos de datos de
investigación. Desde la aparición de Databib (2012) y Re3data (2013),
unidos desde 2014, lo reenfocamos a la recopilación de sedes web de
revistas de mayor impacto de todas las disciplinas que aceptan datos

Esto nutre el futuro OpenDataScience por parte de expertos

La interpretación de las políticas por un analista hace que los métodos
sean muy dependientes de quién realiza esa calificación; al tiempo que
están limitados a los recursos humanos que se dediquen a ello.

•

•

•

•

c) creación de algoritmos específicos

• Algoritmo es una secuencia de órdenes que tienen una lógica interna entre sí.

•

El de Google usa palabras y luego rankiniza resultados, pero no parece que
utilice modelos avanzados.

• Como ejemplo, en ajedrez se ha de usar inteligencia artificial en los

simuladores, pues no puede calcular tanto número de variantes hasta final del
juego. Así que le introducen algoritmo de análisis con premisas lógicas
adaptadas al juego, por ejemplo asignando peso mayor al centro del tablero

• Hay modelos matemáticos que refinan las búsquedas cuando se escriben en

lenguajes de programación estándar como matlab. Por ejemplo, asignan
determinada fuerza a ciertas palabras, o indican que x término sea la palabra
central dentro del grupo de palabras recuperadas

• Indagamos qué sistemas existen en el mercado a

nivel matemático o informático para hacer más
inteligente el futuro buscador. Que no sea la simple
recuperación en las fuentes indicadas. Ambos son
complementarios. Pero no buscan de igual manera.
La colaboración con otros expertos/disciplinas nos
permite alimentarlo

• Pretende crear algoritmos de búsqueda que nutran
el modelo de recuperación contemplando premisas
lógicas especiales para el problema estudiado.

• De esa forma, filtran la información hoy, y en el

futuro

¿Qué es lo que estamos buscando?

• Método de análisis más eficaz para encontrar

datos que puedan ser reutilizados

• En este momento estamos probando

diferentes soluciones matemáticas para
conseguir el objetivo: un buscador avanzado

• El año pasado ya se presentó un tipo de

método basado en redes neuronales

Aproximación al problema a
partir de los mapas auto-
organizados

•

•

•

SOM-Self Organizing Maps es un Clasificador avanzado de
características o vectores (Teuvo Kohonen en 1981-82)

Es una clase de algoritmos de redes neuronales competitivas en la
categoría de aprendizaje no supervisado. Construye 1º una red de
nodos con un peso aleatorio. Iterativamente el algoritmo analiza los
distintos casos y los resitúa en nodos (neuronas). Produce una
neurona ganadora y modifica la forma de la red.

Se representa en un mapa de dos dimensiones, que puede ser
interpretado de forma cualitativa. A diferencia del análisis de
clusters, SOM toma en cuenta todas las variables al tiempo

Empleado para la clasificación de información, redes (Moya, Guerrero-Bote, Herrero-

Solana, Campanario, Olmeda, Ortiz-Repiso...)

Primeros resultados con SOM

Falta U-Matrix

Resumen de SOM

• VENTAJAS

– Menos subjetivo que la recopilación de fuentes

– Más automatizado que la interpretación de las fuentes recopiladas

– Puede clasificar no sólo los contenidos buscados sino los no

buscados/los contrarios y por tanto el grado de cumplimiento del
criterio que se analiza (discovery y serendipity)

– Emplea lenguaje matemático que puede ser implementado en

algoritmos de búsqueda

• DESVENTAJAS

– Necesita cierta acción del recopilador del material

– Más lento que un buscador normal: el proceso de computación

puedes llevar a durar horas

Aproximación al problema a partir de la
minería de texto

• Definición: MINERÍA DE DATOS se define como la extracción no trivial de

información implícita, previamente desconocida y potencialmente útil, a partir
de datos.

• Minería de texto: ofrece con sistemas automáticos una solución, sustituyendo o
complementando el trabajo de personas, sin que importe la cantidad de texto.
Analiza grandes colecciones de texto para descubrir información antes
desconocida. Pueden ser relaciones o patrones escondidos que de otro modo
serían extremadamente difícil o imposibles de descubrir.

http://sitecore.jisc.ac.uk/publications/briefingpapers/2008/bptextminingv2.aspx

• Conjunto de técnicas pero nosotros solo vamos a explicar una: co-word

• Definición. Recuenta las veces en que dos palabras se relacionan en un entorno
de lenguaje natural. Se convierte en un método de procesamiento de lenguaje
natural para encontrar algo de nuestro interés

Courtial, J. P. A coword analysis of scientometrics.

Courtial, J. P. A coword analysis of scientometrics.
Scientometrics NOVEMBER–DECEMBER 1994, Volume 31, Issue 3, pp 251-260

• Punto crítico es la sinonimia del término datos (en

revistas).

• Para este experimento

– Hemos tenido que identificar las fuentes y los párrafos

exactos donde se habla de datos ya que está en diferentes
lugares: instrucciones para autor, políticas generales o
específicas de revista...

– Hemos unido en un concepto único las palabras clave que

hemos identificado o generalizado como datos ya que
utilizan todo tipo de términos: supplemental information o
supplementary material. En el futuro cualquier otra que se
utilice

Aproximaciones previas
• Piwowar y Chapman utilizan métodos

de análisis del lenguaje natural para
identificar los autores que están
utilizando un tipo determinado de
datos, los microarrays, para después
consultar en los bancos de datos que
almacenan los microarrays. De esta
manera, cuantifican cómo los están
depositando.

1.

2.

3.

4.

5.

Nuestro procesamiento

Obtener el material: los textos (manualmente) y refinar el texto con
stop words (de bibexcel)

Generar las redes de co-ocurrencia (bibexcel) con la intención de
automatizarlo con lenguaje de programación como matlab

Establecer unos umbrales de interés: reducir la red (pajek o bibexcel)

Seleccionar las conexiones que tienen que ver con data (momento
manual del experimento)

Calcular (registrar) la fuerza de las relaciones del término de interés
(data) con otros significativos (file u otras similares). Existen muchos
cálculos distintos por ejemplo centralidad de la palabra/s (pajek),
intermediación, densidad (vosviewer) etc. Al buscador se le incluirían
las palabras relacionadas, pero también sus ramificaciones, algo que
nunca haría un buscador convencional

6.

Con los cálculos realizados, seleccionar la fuente de donde
provienen las palabras “premiadas” y en consecuencia las revistas

2. Primeros resultados coword

3. Umbral de interés

4. Selección de relaciones significativas

Los grises son palabras autoridades y las blancas intermediadoras

5a. Cálculo  de Hubs and authority

5. Cálculo de fuerza de las palabras

5b. Dendograma

Agrupa los términos en cluste