Weight Your Words: The Effect of Differente Weighting Schemes on Wordification Performance

Bancos de dados relacionais são amplamente utilizados para armazenar dados reais como operações financeiras e registros médicos. Nesse tipo de estrutura, os dados são representados em tabelas, que são interconectadas por chaves estrangeiras. Para realizar a classificação desses dados, podemos optar por duas abordagens: utilizar um classificador multirelacional para gerar um modelo diretamente sobre os dados relacionais ou utilizar um método de proposicionalização para transformar o banco de dados em uma tabela única e em seguida, aplicar um classificador propositional padrão. Neste trabalho, focamos em um algoritmo de proposicionalização chamado Wordification. Este algoritmo se destaca por ser simples e rápido comparado com outros métodos. O Wordification constrói atributos, também chamados de witems, a partir do nome da tabela, da coluna e do valor de cada célula. O conjunto de atributos criados para cada registro do banco forma um documento de texto. Cada documento é então convertido em um vetor, em que os witems são os atributos e seus valores são dados por um esquema de pesagem. A implementação original do Wordification permite utilizar apenas os seguintes métodos de pesagem: TF-IDF, o TF e o binário. No entanto, diversos trabalhos na área de classificação de texto e mineração de dados tem mostrado que a escolha do método de pesagem pode influenciar bastante o desempenho da classificação. Por esse motivo, nós avaliamos o desempenho do Wordification associado a outros métodos de pesagem que se mostraram estatisticamente melhores que o TF-IDF nas áreas de classificação de textos e recuperação de informações. Os resultados deste trabalho mostram que é possível melhorar o desempenho da classificação com a combinação certa do esquema de pesagem e do tipo de classificador.