Exposición: Clustering

Juan de Dios Murillo Morera

A37520

Miércoles 9 de Junio, 2004

Universidad de Costa Rica

Agenda Motivación Qué es clustering ? Modelo Conceptos importantes Ejemplo Algunos algoritmos utilizados El algoritmo de árbol de sufijos(STC) Resultados y evaluaciones de algoritmos de

clustering Conclusiones

Motivación

Problema: La baja precisión del Web search engine hace dificil para el usuario la tarea de localizar rapidamente la información esperada

Solución:

Web Document Clustering

Qué es Clustering ?

Es un método alternativo que permite organizar los resultados obtenidos a través de grupos de documentos(cluster base) tomando en cuenta algún tópico en especial.

Según el artículo es una técnica para presentar los documentos despúes de haberlos recuperado en grupos pequeños que están relacionados por un tema en especial.

Modelo

UserSearchEngine

ClusteringEngine

query

clusters

Requerimientos principales

Relevance: método que produce clusters que agrupan los documentos relevantes separandolos de los irrelevantes.

Browsable Summaries: Cuando el usuario necesita determinar si los contenidos de un cluster son de interés

Overlap: Es importante por que se asigna un documento a más de un cluster.

Snippets : Lista de documentos ordenadas por orden de relevancia, relativamente pequeños.

Ejemplo # 1 Compartir frases en un clustering es una forma de resumir su contenido.

Algunos algoritmos utilizados

Single-Pass: es el más popular de los algoritmos incrementales, sin embargo tiene tendencia a producir clusters largos. K-means: permite aplicar overlapping y es una aproximación de GAHC. Buckshot y Fractionation : son más rápido que los dos primeros STC: árbol de sufijos, a diferencia de los anteriores tratan a los documentos como una secuencia ordenada de palabras.

Suffix Tree Clustering (STC)

Es un algoritmo de cluster de tiempo lineal, que está basado en el árbol de sufijos y el cual con eficiencia identifica el conjunto de documentos que comparten frases comunes. El STC trata los documentos como un conjunto de strings y hace uso de información próxima entre palabras. Resume el contenido de los clusters para los usuarios Es bastante rápido por que trabaja con un conjunto pequeño de documentos en forma incremental e independiente.

Procedimiento de operación

Pasos:1. “Limpiar” los documentos2. Identificar los clusters base3. Combinar los clusters base

“Limpiar” los documentos

La cadena de texto que representa cada documentos es transformado haciendo uso de un algoritmo de stemming. Se eliminan los prefijos y sufijos. Se pasa de plural a singular. Se eliminan los tags así como signos de puntuación.

Identificar los clusters base

Está compuesto de una raíz que direcciona el árbol Cada nodo interno tiene dos hijos. Cada línea entre nodos está etiquetada con un sub-string del string(S). Ninguna de las aristas fuera del mismo nodo pueden tener las etiquetas que comiencen con la misma palabra. Puede verse como la creación de un índice invertido.

Identificar los clusters base(cont)clusters base

Combinar los clusters base Los documentos pueden compartir más de una frase. Los documentos de distintas bases pueden aplicar overlap.

Phrase: tooDocuments: 2,3

Phrase: ateDocuments: 1,2,3

Phrase: mouseDocuments: 2,3

Phrase: ate cheeseDocuments: 1,2

Phrase: cheeseDocuments: 1,2

Phrase: cat ateDocuments: 1,3

c

e f

a

d

b

Clustering de clustering bases

mouse too

catate

cheese

ate

cheese

cheese

3,23,1

2,2

2,3 2,1too

mouse too too

too

too

mouse

ate cheese too

b c

f

a ed

1,1 1,2

3,42,41,3

3,3

Diagrama del árbol de sufijos

Dadas las siguientes cadenas

Cadena1: “cat ate cheese”.

Cadena2: “mouse ate cheese too”.

Cadena3: “cat ate mouse too”.

Objetivo: Agrupar documentos que

compartan temas comunes

Experimento # 1 Uso de frases para identificar los clusters. Los clusters usan overlapping 72 % de los documentos fueron puestos en más de un cluster. Se trabajaron 10 colecciones de documentos de 200 documentos.

Single-Pass

K-means

Fractionation

GAHC

Buckshot

STC

original list

0.00

0.10

0.20

0.30

0.40

algorithm

aver

age

prec

ison

Experimento # 2 Las frases son claves para identificar los clusters así

como también el overlap.

STC-no-overlap

STC

STC-no-phrases

0.00

0.10

0.20

0.30

0.40

algorithm

ave

rag

e p

recis

ion

Experimento # 3 El uso de frases son claves en STC y el de palabras en el de GAHC. La diferencia de K-Means entre el uso de frases y no uso de las

mismas es más pequeño en relación con el de STC.

GAHC

STC

K-Means

0

0.1

0.2

0.3

0.4

0.5

algorithm

ave

rag

e p

recis

ion

single wordsphrases

Experimento # 4 El impacto de K-Means y Buckshot en relación a overlap es

considerablemente pequeño.

Buckshot

STC

K-Means

0

0.1

0.2

0.3

0.4

algorithm

aver

age

prec

isio

n

no overlap

overlap allowed

Experimento # 4 (cont) Si los documentos aparecen en múltiples clusters:

1-) Es ventajoso si el doc es relevante.

2-) Es desventajoso si el documento es irrelevante.

K-Means Buckshot STCAvg. num of clusters:Relevant document.

1.40 1.40 2.60

Avg. num of clusters:Irrelevant document

1.55 1.35 1.90

Ratio of the above 0.90 1.04 1.37

Propuesta de artículo de investigación

Implementar un algoritmo de los descritos y hacer un análisis de resultados en términos de tiempo, precisión, agrupamiento de documentos etc.

Conclusiones

El clustering es un método de recuparar la información a través del agrupamiento de documentos en base a temas específicos.

Una secuencia ordenada de palabras es mucho más significativas que simples palabras claves.

El uso del custering facilitaría al usuario localizar rapidamente la información esperada.

El STC es mucho más rápido que el uso tradicional de clustering.

Gracias!!!