-
http://repositorio.febab.libertar.org/files/original/46/5120/SNBU2004_175.pdf
224f2ab78490d84e4c54974cb3f39368
PDF Text
Text
REPRESENTAÇÃO DINÂMICA DE DOCUMENTOS COM A UTILIZAÇÃO DE
ALGORITMOS GENÉTICOS
Edberto Ferneda∗
RESUMO
O desenvolvimento dos Algoritmos Genéticos, campo da Ciência da Computação
ligado à Inteligência Artificial, é baseado na teoria evolucionista de Darwin e nas
descobertas sobre a reprodução humana e a genética. Entre suas diversas áreas
de aplicação está a Recuperação de Informação (Information Retrieval). Neste
domínio, a utilização dos algoritmos genéticos pode ser considerada um novo
paradigma, pois rompe com a forma tradicional de representação de documentos
em um sistema de informação ao incorporar a tais representações características
evolutivas, dinâmicas, tal como em diversos sistemas naturais. Este artigo
apresenta um método de aplicação dos algoritmos genéticos em sistemas de
informação no qual possíveis representações de um mesmo documento podem
ser vistas como um tipo de “código genético”. Neste código genético um
cromossomo é representado por uma seqüência de uns e zeros, correspondendo
respectivamente à presença ou ausência de um determinado termo de indexação
na representação do documento. O conjunto das buscas realizadas pelos
usuários é visto como o “meio ambiente” no qual os documentos estão inseridos.
Nesse ambiente, as representações competem entre si na busca de uma
representação ótima para cada documento do corpus do sistema de informação.
PALAVRAS-CHAVE: Representação de documentos, Recuperação de
Informação, Algoritmos genéticos.
1 INTRODUÇÃO
Desde o surgimento dos primeiros computadores eletrônicos diversos
métodos computacionais foram propostos na tentativa de gerenciar o constante e
acelerado aumento das informações científicas, principalmente a partir da
Segunda Guerra Mundial. A maioria desses métodos se caracteriza pela
utilização de modelos matemáticos, criados a partir de hipóteses extremamente
restritas e aplicados de forma absoluta nos sistemas de recuperação de
informação. Em tais sistemas cada documento é geralmente representado por um
conjunto de termos de indexação ou palavras-chave, associados a um número
�que indica o grau de relevância do termo para a descrição do conteúdo do
documento.
Ferneda (2003, cap.4) apresenta detalhadamente diversos modelos
matemáticos (“quantitativos”) e argumenta que o processo de representação e
recuperação de informação é inerentemente impreciso, sendo sua modelagem
matemática possível apenas por meio de simplificações teóricas e da adequação
de conceitos subjetivos tais como o próprio conceito de “informação” e o conceito
de “relevância”. Estas simplificações geram limitações qualitativas que podem ser
percebidas nas atuais ferramentas de busca na Web.
Tendo em vista as limitações e o esgotamento dos modelos matemáticos,
surgem novas abordagens para o problema do tratamento da informação. Essas
abordagens buscam reduzir o caráter impositivo e absoluto dos sistemas
computacionais, atribuindo-lhes características evolutivas, tal como percebidas
nos sistemas naturais.
Diversas obras recentes apresentam os sistemas evolutivos como
alternativas aos tradicionais sistemas computacionais. Segundo Johnson (2003),
esse tipo de sistema apresenta um comportamento “emergente” (“botton-up”),
permitindo solucionar problemas relativamente complexos com o auxílio de regras
simples, inspiradas em mecanismos da natureza. Bentlet (2002) apresenta
diversos modelos computacionais inspirados em processos biológicos, tais como
as Redes Neurais e os Algoritmos Genéticos. Cordón et al (2003) analisam a
aplicação da Computação Evolutiva no desenvolvimento de sistemas de
recuperação de informação.
Este artigo apresenta um exemplo simplificado da utilização dos algoritmos
genéticos na representação de documentos de um sistema de informação. A
aplicação dos conceitos dos Algoritmos Genéticos permite o desenvolvimento de
sistemas “auto-organizáveis”, nos quais os usuários, através de suas buscas, são
elementos participantes do processo de representação dos documentos do
corpus do sistema.
�2 ALGORITMOS GENÉTICOS
Sabe-se hoje que todos os organismos vivos são constituídos de células
que possuem o mesmo conjunto de cromossomos. Os cromossomos são cadeias
de DNA (ácido desoxirribonucléico) que servem como “molde” na “fabricação” de
seres vivos. Um cromossomo é formado por genes que ditam os aspectos da
hereditariedade dos indivíduos. Pode-se dizer que cada gene é responsável por
uma característica do ser vivo: altura, cor dos olhos, a cor dos cabelos, etc.
Durante a reprodução cada um dos pais passa metade de seus cromossomos aos
filhos, em um processo denominado crossover. Durante esse processo, o material
genético pode sofrer mutações, tendo como conseqüência uma diversificação nas
características de um indivíduo.
Sobre a inerente casualidade do processo de reprodução age a seleção
natural, que seleciona os indivíduos cujas características os fazem mais
adaptados ao meio ambiente onde vivem. Esses indivíduos possuem mais
chances de sobreviverem e se reproduzirem, transmitindo assim seu material
genético para gerações futuras.
A primeira tentativa de representar matematicamente a teoria da evolução
das espécies foi apresentada no livro The Genetic Theory of Natural Selection de
Fisher (1930). Segundo o autor, a aprendizagem e a evolução são formas de
adaptação que se diferem apenas na escala de tempo. A evolução, em vez de ser
o processo de uma vida, é o processo de várias gerações. Como é feita
simultaneamente por um conjunto de organismos, a evolução torna-se mais
poderosa do que a aprendizagem.
Em meados da década de 60, John Holland (1975), juntamente com seus
alunos da Universidade de Michigan, desenvolveu diversas pesquisas com o
objetivo de estudar o fenômeno da adaptação como ocorre na natureza e
desenvolver modelos que pudessem ser utilizados em sistemas computacionais.
Os Algoritmos Genéticos (MITCHELL, 2002) são técnicas que simulam o
processo de evolução natural em uma população de possíveis soluções para um
determinado problema. A cada iteração do algoritmo (“geração”), um novo
�conjunto de estruturas é criado através da troca de informações entre estruturas
selecionadas da geração anterior. O resultado tende a ser um aumento da
adaptação dos indivíduos ao meio ambiente, podendo acarretar também um
aumento da aptidão de toda a população a cada nova geração, aproximando-se
de uma solução ótima para o problema em questão. A estrutura funcional de um
algoritmo genético está representada na Figura 1.
Figura 1 Seqüência de execução de um algoritmo genético
Um algoritmo genético é estruturado de forma que as informações
referentes a um determinado sistema possam ser codificadas de maneira análoga
aos cromossomos biológicos. Busca-se implementar um processo iterativo que se
assemelhe ao processo de evolução natural.
A partir dos anos 80 os Algoritmos Genéticos receberam um grande
impulso em diversas áreas científicas devido principalmente à versatilidade e aos
excelentes resultados apresentados. A popularização dos computadores e o
aparecimento de sistemas cada vez mais rápidos e potentes também ajudaram
muito o seu desenvolvimento.
3 ALGORITMOS GENÉTICOS NA RECUPERAÇÃO DE INFORMAÇÃO
�A aplicação dos algoritmos genéticos em sistemas de informação
representa uma nova forma de pensar o processo de recuperação de informação
na qual as representações dos documentos do sistema são alteradas de acordo
com a necessidade de informação da comunidade de usuários, manifestada
através de suas buscas.
Gordon (1988) e Blair (1990, p.254) apresentam um modelo no qual cada
documento é representado por um conjunto de “cromossomos” binários. Segundo
Blair, a inerente indeterminação da representação de um documento pode ser
interpretada como um tipo de variabilidade genética que permite aos documentos
se adaptarem progressivamente ao meio ambiente. Entenda-se por “meio
ambiente” o conjunto das buscas realizadas pelos usuários do sistema de
informação.
3.1
CODIFICAÇÃO DOS INDIVÍDUOS
O ponto de partida para a utilização de um algoritmo genético consiste em
definir uma representação adequada dos indivíduos (soluções) envolvidos no
problema, de maneira que o algoritmo possa operá-los. No algoritmo proposto por
Holland (1975), cada cromossomo é representado por uma cadeia binária de
tamanho fixo, onde cada gene pode assumir o valor “0” (zero) ou o valor “1” (um),
como exemplificado na Figura 2.
Figura 2 Representação de um cromossomo de genes binários
Em um sistema de recuperação de informação os documentos são
geralmente representados por um conjunto de termos de indexação ou palavraschave. A representação de um documento pode ser visto como o seu “código
genético” no qual um gene binário de valor “1” representa a presença de um
determinado termo de indexação na representação do documento, o valor “0”
representa a sua ausência. A Figura 3 apresenta um exemplo de um documento
representado por apenas três de cinco possíveis termos: “algoritmos genéticos”,
“Recuperação de informação” e “WEB”.
�1 Algoritmos genéticos
Recuperação
de
1
informação
0 Banco de dados
1 WEB
0 Redes de computadores
Figura 3 Representação de um documento através de um cromossomo binário
3.2 POPULAÇÃO INICIAL
A tarefa de associar termos de indexação aos documentos de um sistema
de informação pode ser efetuada por profissionais da informação, como
bibliotecários, ou por especialistas da área de conhecimento do corpus
documental do sistema. Porém, mesmo utilizando uma equipe de profissionais
qualificados e uma política de indexação consistente, a subjetividade desse
processo pode levar a situações em que um mesmo documento pode ser
representado de diferentes formas. Um algoritmo genético utiliza essa variação de
forma pró-ativa, adequando progressivamente as representações de um mesmo
documento às necessidades dos usuários do sistema, observadas através de
suas buscas.
As diversas representações de um mesmo documento, a população inicial,
pode também ser conseguida através da geração automática de indivíduos,
obedecendo a certas condições pré-estabelecidas.
O número de indivíduos da população inicial pode afetar o desempenho e a
eficiência dos algoritmos genéticos. Populações muito pequenas podem perder a
diversidade necessária para convergir para uma boa solução do problema que se
deseja resolver. Por outro lado, se a população tiver um número excessivo de
indivíduos o algoritmo poderá perder grande parte de sua eficiência. Blair (1990,
p.256) sugere a utilização de aproximadamente dez indivíduos na representação
de um mesmo documento. O exemplo da Figura 4 apresenta o documento Doc1
representado por quatro indivíduos (cromossomos) contendo cinco termos de
indexação (genes): t1, t2, t3, t4 e t5.
�Figura 4. “Código genético” de um documento (Doc1).
A população inicial deve ser composta por um conjunto de indivíduos
razoavelmente plausível para a solução do problema em questão. Através da
competição esses indivíduos serão continuamente modificados, tornando-se
progressivamente mais efetivos na identificação de documentos relevantes.
3.3 CÁLCULO DO GRAU DE ADAPTAÇÃO (FITNESS)
Para a população inicial e a cada nova geração é calculado o grau de
adaptação (fitness) de cada indivíduo. Esse cálculo é feito através de uma função
de adaptação (função de fitness) que deve ser definida tendo em vista o tipo de
problema a ser resolvido. A função de fitness deve refletir a qualidade de cada
indivíduo em solucionar o problema. Uma função de fitness bastante utilizada é o
Coeficiente de Similaridade de Jaccard (van Rijsbergen, 1979). Esta função
calcula o valor da similaridade entre duas seqüências binárias e é definida como o
número de posições com valor “1” em ambas as seqüências, dividido pelo número
de posições com valor “1” em pelo menos uma das seqüências.
Quantidade de posições com "1" em ambas as seqüências
Quantidade de posições com "1" em pelo menos uma das seqüências
Da mesma forma dos documentos, as buscas dos usuários podem ser
também representadas através de uma seqüência binária, como por exemplo,
01110. Esta seqüência representa uma expressão de busca contendo os termos
t2, t3 e t4. Supondo que, após a execução da busca, o documento Doc1 tenha sido
considerado relevante pelo usuário, este documento apresentará os valores de
fitness descritos na Tabela 1.
�t1 t2 t3 t4 t5
Expressão de busca 0 1 1 1 0
1
1
1
1
fitness
0.4
0.2
0.5
0.5
fitness do documento
0.4
1
Doc1 2
3
4
1
1
0
0
0
0
0
1
1
1
1
1
1
0
1
0
Tabela 1. Cálculo do grau de adaptação (fitness) após uma busca.
Estes cálculos são feitos para todos os documentos recuperados e
considerados relevantes pelo usuário. O fitness dos documentos, calculado pela
média aritmética do fitness de cada indivíduo, pode ser utilizado no ordenamento
dos documentos resultantes das buscas futuras.
3.4 REPRODUÇÃO (CROSSOVER)
De acordo com a teoria de Darwin, os indivíduos mais adaptados (com
maior fitness) ao meio ambiente têm maior chance de se reproduzirem. Para
simular a seleção natural, um algoritmo genético pode utilizar alguns métodos
para selecionar aleatoriamente os indivíduos que deverão se reproduzir. Um dos
métodos mais utilizados é chamado de “Roleta” (Roulette Wheel).
No método da Roleta o fitness de cada indivíduo é utilizado para construir
uma “roleta” que fornecerá a base para o processo de seleção. Para cada
indivíduo é calculado o percentual do fitness em relação à soma do fitness dos
indivíduos. Dessa forma cada indivíduo terá chance de reprodução proporcional
ao seu fitness, como exemplificado na Tabela 2.
1
2
Doc1
3
4
10111
10101
00111
01101
total
fitness percentual
0.4
25%
0.2
12,5%
0.5
31,25%
0.5
31,25%
1.6
100%
Tabela 2. Formação da ”roleta” com as probabilidades de reprodução.
A roleta é “girada” quatro vezes a fim de selecionar dois casais de
indivíduos para reprodução. Para cada casal utiliza-se uma posição aleatória para
�a troca de “material genético”. Supondo-se que para o documento Doc1 foram
escolhidos os casais de cromossomos 3-4 e 4-1, e as posições 3 e 2,
respectivamente, a reprodução será executada conforme o exemplo da Figura 5.
3 0 0 1 1 1
0 0 1 0 1
4 0 1 1 0 1
0 1 1 1 1
4 0 1 1 0 1
0 1 1 1 1
1 1 0 1 1 1
1 0 1 0 1
Posição = 3
Posição = 2
Figura 5. Representação do processo de crossover.
Após a reprodução, o documento Doc1 será representado por quatro novos
cromossomos, conforme a Figura 6.
1
Doc1 2
3
4
t1
0
0
0
1
t2
0
1
1
0
t3
1
1
1
1
t4
0
1
1
0
t5
1
1
1
1
fitness
0.4
0.2
0.5
0.5
Figura 6. Representação do documento Doc1 após a reprodução.
3.5 MUTAÇÃO
A capacidade dos algoritmos genéticos provém da diversidade dos
indivíduos. As mutações ajudam a prevenir a estagnação das populações,
ajudando a preservar esta diversidade através das gerações. Para uma adequada
simulação do processo natural, a mutação inclui um parâmetro ao sistema: a
“probabilidade de mutação”. Este parâmetro regula a freqüência que as mutações
serão efetuadas.
Após a reprodução, e observada a freqüência de mutação, será
selecionado aleatoriamente um ou mais indivíduos que deverão sofrer uma
modificação compulsória em seus cromossomos. Para cada indivíduo será
escolhida aleatoriamente a posição (gene) onde esta mutação será efetuada.
Utilizando ainda o documento Doc1 como exemplo, e supondo terem sido
escolhidos os cromossomos 4 e 1 e os respectivos genes 3 e 4, a mutação será
processada da forma como representada na Figura 7.
�mutação no gene
4 1 0 1 0 1 Æ 1 0 0 0 1
3
mutação no gene
1 0 0 1 0 1 Æ 0 0 1 1 1
4
Figura 7. Representação do processo de mutação.
O processo de mutação deve obedecer a certos critérios. Um índice de
mutação muito alto destruirá os indivíduos mais adaptados, impedindo uma rápida
evolução da população. Após a operação de mutação, o documento Doc1 será
descrito por um novo conjunto de cromossomos, apresentado na Figura 8.
1
Doc1 2
3
4
t1
0
1
1
1
t2
0
0
0
0
t3
1
1
1
0
t4
1
1
0
0
t5
1
1
1
1
fitness
0.4
0.2
0.5
0.5
Figura 8. Representação do documento Doc1 após o processo de mutação.
Fecha-se assim um ciclo da evolução dos documentos, exemplificado
através do documento Doc1. Assim como o Doc1, todos os documentos do corpus
do sistema terão o seu “código genético” modificado em função da expressão de
busca do usuário.
Posteriormente, em uma nova busca, expressa pela seqüência 10011, por
exemplo, o documento Doc1 terá os valores de fitness apresentados na Tabela 3.
t1 t2 t3 t4 t5
Expressão de busca 1 0 0 1 1
10 0 1 1 1
Doc1 1 0 1 1 1
2
0.4
0.2
31 0 1 0 1
1 0 0 0 1
4
0.5
0.5
0.5
0.7
5
0.5
0.6
7
fitness do documento
(novo)
fitness
0.45
0.475
0.5
0.585
0,5025
Tabela 3. Fitness do documento Doc1 após uma segunda busca.
�O novo valor do fitness de cada cromossomo é calculado através da média
aritmética entre o fitness da busca anterior e o fitness da busca atual. A nova
configuração do documento Doc1 é apresentada na Figura 9.
1
Doc1 2
3
4
t1
0
1
1
1
t2
0
0
0
0
t3
1
1
1
0
t4
1
1
0
0
t5
1
1
1
1
fitness
0.4
0.2
0.5
0.5
Figura 9. Representação do documento Doc1 após uma segunda busca.
Para efeito didático, o exemplo utilizado para ilustrar o funcionamento dos
algoritmos genéticos foi bastante simplificado. Os algoritmos genéticos possuem
diversos parâmetros e funções que podem variar, dependendo do tipo de
aplicação a que se destinam. Essa variabilidade faz com que os algoritmos
genéticos se configurem como um campo experimental regido apenas por uma
idéia genérica, permitindo uma diversidade nas formas de implementação.
Gordon
(1988)
implementou
um
pequeno
sistema
contendo
18
documentos, cada um contendo 17 diferentes descrições fornecidas por usuários.
O pequeno sistema de Gordon obteve resultados expressivos. Após 40 gerações,
as descrições dos documentos estavam cerca de 19% mais aptas para identificar
documentos relevantes.
Vrajitoru (1998) apresenta uma proposta de algoritmo genético na qual
cada documento é representado por um único cromossomo não-binário e define
um operador de crossover específico, denominado “dissociated crossover”, que
obteve melhor desempenho do que outras forma de reprodução.
Apesar de utilizar funções relativamente simples, os algoritmos genéticos
exigem um processamento exaustivo e sua aplicação em grandes bases
documentais torna-se dependente do modelo de algoritmo e dos recursos
computacionais utilizados.
�4 CONCLUSÃO
A utilização dos algoritmos genéticos na recuperação de informação
apresenta-se
como
uma
possibilidade,
uma
proposição
para
futuras
implementações de sistemas com características evolutivas. Sua aplicação rompe
com a rigidez dos modelos puramente matemáticos, reconhecendo e agregando a
inerente indeterminação do processo de representação do conteúdo dos
documentos.
Os trabalhos práticos disponíveis na literatura apresentam apenas testes
utilizando pequenos protótipos de sistemas, não determinando sua aplicabilidade
em
sistemas
reais
(GORDON,
1988;
VRAJITORU,
2000).
Apesar
da
característica evolutiva representar uma forma inovadora de abordar o problema
da recuperação de informação, introduz diversos questionamentos relacionados
aos efeitos de sua inerente imprevisibilidade quando utilizado em situações reais.
No atual contexto da Web, cuja dinamicidade muitas vezes não permite
uma indexação adequada dos documentos a serem disponibilizados, os
algoritmos genéticos poderiam representar uma alternativa, ao permitir que as
representações dos documentos se configurem adequadamente ao longo de um
período, conforme a recuperação desses documentos pelos usuários. Diversos
projetos (MARTÍN-BAUTISTA, 1999; CHEN, 2001) buscam incorporar as idéias
evolutivas dos algoritmos genéticos ao contexto heterogêneo, complexo e
dinâmico da Internet.
REFERÊNCIAS
BENTLET, Peter J. Biologia Digital: como a natureza está transformando nossa
tecnologia e nossas vidas. São Paulo: Berkeley Brasil, 2002. 320p.
BLAIR, David C. Language and representation in information retrieval.
Amsterdam: Elsevier, 1990.
CHEN, Yi-Shin; SHAHABI , Cyrus. Automatically Improving the Accuracy of User
Profiles with Genetic AlgorithmT. IASTED International Conference on Artificial
Intelligence and Soft Computing. Cancun, Mexico, Mai.2001
�CORDÓN, Oscar; HERRERA-VIEDMA, Enrique.; LÓPEZ-PUJALTE, Cristina.;
LUQUE, María; ZARCO, Carmen. A Review on the Application of Evolutionary
Computation to Information Retrieval. International Journal of Approximate
Reasoning, v.34, n.2-3, p.241-264, nov.2003.
FERNEDA, Edberto. Recuperação de Informação: estudo sobre a contribuição
da Ciência da Computação para a Ciência da Informação. São Paulo, 2003. 147p.
Tese (doutorado em Ciência da Informação). Escola de Comunicação e Artes,
Universidade de São Paulo.
FISHER, Ronald. A. The Genetic Theory of Natural Selection. Oxford:
Clarendon Press, 1930.
GORDON, Michael. Probabilistic and genetic algorithms for document retrieval.
Communications of the ACM, v.31, n.10, p.1208-1218, out.1988.
HOLLAND, John H. Adaptation in Natural and Artificial Systems. University of
Michigan Press: Ann Arbor, 1975.
JOHNSON, Steven. Emergência: a dinâmica de rede em formigas, cérebros,
cidades e softwares. Rio de Janeiro: Jorge Zahar, 2003. 231p.
MARTÍN-BAUTISTA, Maria J.; MIRANDA, María-Amparo V.; LARSEN , Henrik L.
A Fuzzy Genetic Algorithm Approach to an Adaptive Information Retrieval Agent.
Journal of the American Society for Information Science Journal (JASIS)
v.50, n.9, p.760-771. jul.1999.
MITCHELL, Melaine. An introduction to genetic algorithms. Cambridge: MIT
Press, 2002. 209p.
RIJSBERGEN, Cornelis J. Information retrieval. London: Butterworths,
1979. 152p.
VAN
VRAJITORU, Dana. Crossover improvement for the Genetic Algorithm in
Information Retrieval. Information Processing and Management, v.34, n.4.
p.405-415, 1998.
VRAJITORU, Dana. Large Population or Many Generations for Genetic
Algorithms? Implications in Information Retrieval. In: Crestani, F., Pasi, G. (eds.):
Soft Computing in Information Retrieval: Techniques and Applications.
Heidelberg: Physica-Verlag, p.199-222. 2000.
�∗
Universidade de São Paulo Faculdade de Filosofia Ciências e Letras de Ribeirão Preto. Curso de
Ciências da Informação e Documentação. Av. Bandeirantes, 3900
14.040-901 - Ribeirão Preto – SP – Brasil. ferneda@ffclrp.usp.br
�
Dublin Core
The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/.
Title
A name given to the resource
SNBU - Edição: 13 - Ano: 2004 (UFRN - Natal/RN)
Subject
The topic of the resource
Biblioteconomia
Documentação
Ciência da Informação
Bibliotecas Universitárias
Description
An account of the resource
Tema: Bibliotecas universitárias: (Re) Dimensão de bibliotecas universitárias: da gestão estratégica à inclusão social.
Creator
An entity primarily responsible for making the resource
SNBU - Seminário Nacional de Bibliotecas Universitárias
Publisher
An entity responsible for making the resource available
UFRN
Date
A point or period of time associated with an event in the lifecycle of the resource
2004
Language
A language of the resource
Português
Type
The nature or genre of the resource
Evento
Coverage
The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant
Natal (Rio Grande do Norte)
Event
A non-persistent, time-based occurrence. Metadata for an event provides descriptive information that is the basis for discovery of the purpose, location, duration, and responsible agents associated with an event. Examples include an exhibition, webcast, conference, workshop, open day, performance, battle, trial, wedding, tea party, conflagration.
Dublin Core
The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/.
Title
A name given to the resource
Representação dinâmica de documentos com a utilização de algoritmos genéticos.
Creator
An entity primarily responsible for making the resource
Ferneda, Edberto
Coverage
The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant
Natal (Rio Grande do Norte)
Publisher
An entity responsible for making the resource available
UFRN
Date
A point or period of time associated with an event in the lifecycle of the resource
2004
Type
The nature or genre of the resource
Evento
Description
An account of the resource
O desenvolvimento dos Algoritmos Genéticos, campo da Ciência da Computação ligado à Inteligência Artificial, é baseado na teoria evolucionista de Darwin e nas descobertas sobre a reprodução humana e a genética. Entre suas diversas áreas de aplicação está a Recuperação de Informação (Information Retrieval). Neste domínio, a utilização dos algoritmos genéticos pode ser considerada um novo paradigma, pois rompe com a forma tradicional de representação de documentos em um sistema de informação ao incorporar a tais representações características evolutivas, dinâmicas, tal como em diversos sistemas naturais. Este artigo apresenta um método de aplicação dos algoritmos genéticos em sistemas de informação no qual possíveis representações de um mesmo documento podem ser vistas como um tipo de “código genético”. Neste código genético um cromossomo é representado por uma seqüência de uns e zeros, correspondendo respectivamente à presença ou ausência de um determinado termo de indexação na representação do documento. O conjunto das buscas realizadas pelos usuários é visto como o “meio ambiente” no qual os documentos estão inseridos. Nesse ambiente, as representações competem entre si na busca de uma representação ótima para cada documento do corpus do sistema de informação.
Language
A language of the resource
pt