Propuesta para mejorar el proceso automatizado de clasificación de documentos en MOCIC

• Author: Aleida Eva Sáez Aldana/Carlos Sáez Aldana
• Pages: 485-501

485

Propuesta para mejorar el proceso automatizado

de clasificación de documentos en MOCIC

Proposal for improving the automated classification

of documents MOCIC

ALEIDA EVA SÁEZ ALDANA

CARLOS SÁEZ ALDANA

Cuba

Resumen

En la Universidad de las Ciencias Informáticas se desarrolla un Motor de

Clasificación Inteligente por Contenidos (MOCIC) con el fin de que clasifi-

que de forma automática y por categorías, según el tema, la información que

está en las páginas Web. Este motor posee entre otros módulos uno para la

clasificación de texto. Para este módulo se desea implementar la función de

ponderación ACC (Combinación Analítica de Criterios), que se basa en una

combinación heurística de criterios analizando solo el Lenguaje de Marcación

de Hipertexto (HTML) de las páginas, para detectar los términos relevantes y

saber a qué categoría puede pertenecer. La tendencia actual en el mundo de

la Web es el uso de las Hojas de Estilo en Cascada (CSS) para dar estilo a las

páginas y se propone en este trabajo un método que permite la obtención de

términos relevantes en las páginas HTML a través del análisis de las CSS en

función de uno de los criterios que combina la ACC, el “enfatizado”.

Palabras clave

ACC, CSS, K-NN: k, Libxml2, Libxslt, XSLT

Abstract

At the University of Information Sciences is developing an Intelligent Clas-

sification Engine for Content (MOCIC) so that automatically classified and ca-

tegorized according to subject, the information that is in Web pages. This en-

gine has among other modules specifically one for text classification. For this

486

Propuesta para mejorar el proceso... / Aleida E. Sáez y Carlos Sáez

module you want to implement the weighting function ACC (Combination

Analytical Criteria), which is based on a heuristic combination of criteria to

analyze only the Hypertext Markup Language (HTML) pages to identify re-

levant terms and know what category can belong. The current trend in the

world of Web design is the use of Cascading Style Sheets to style pages and is

proposed in this paper a method for obtaining relevant terms in HTML pages

by analyzing the CSS based on a criterion that combines the ACC, the “stressed”.

Keywords

ACC, CSS, K-NN: k, Libxml2, Libxslt, XSLT

Introducción

Internet es una infraestructura de redes que conecta a la vez todo tipo de

ordenadores. Conocida como la “red de redes”, es la autopista de la información

por excelencia permitiendo la comunicación de millones de usuarios en todo

el mundo [1]. Es una combinación de hardware (ordenadores interconectados

por vía telefónica o digital) y software (protocolos y lenguajes que hacen que

todo funcione) que crece vertiginosamente a un ritmo sorprendente, pues

cada día se publican en la “red de redes” miles de nuevos documentos y se

conectan por primera vez miles de personas. Tras el impacto que ha tenido en

el mundo el uso de esta potente herramienta, se trabaja constantemente con

el fin de aumentar la rapidez de envío y recepción de datos para así mejorar la

comunicación entre los usuarios desde cualquier parte del planeta.

La World Wide Web (WWW): conjunto de información multimedia ubicado

en diferentes máquinas a lo largo del mundo y que están conectadas a Inter-

net, es en la actualidad el punto más usado en este ámbito y como columna

vertebral en la navegación ofrece gran cúmulo de información y diversos ser-

vicios. Se está hablando no más que del amplio mundo de la Web, páginas en

formato electrónico que tratan temas específicos, poseen enlaces a otras pá-

ginas y tienen una estructura en general basada en el Lenguaje de Marcación

de Hipertexto (HTML) definido por etiquetas que estructuran un texto para su

visualización.

Se estima en nuestros días, que la información existente en formato digital

o electrónico supere 3 000 000 de veces la cantidad de libros escritos en la his-

toria. Tanto cúmulo de contenido hace engorrosa la búsqueda de temas muy

particulares y los usuarios desean consultar la información más precisa en el

menor espacio de tiempo posible, existiendo una dificultad en este sentido y