Geocodificação de Documentos Textuais com Classificadores Hierárquicos Baseados em Modelos de Linguagem

A maioria dos documentos textuais, produzidos no contexto das mais diversas aplicacoes, encontra-se relacionado com algum tipo de contexto geografico. Contudo, os metodos tradicionais para a prospeccao de informacao em coleccoes de documentos veem os textos como conjuntos de termos, ignorando outros aspectos. Mais recentemente, a recuperacao de informacao com suporte ao contexto geografico tem capturado a atencao de diversos investigadores em areas relacionadas com a prospeccao de informacao e o processamento de linguagem natural, envisionando o suporte para tarefas como a pesquisa e visualizacao de informacao textual, com base em representacoes cartograficas. Neste trabalho, comparamos experimentalmente diferentes tecnicas automaticas, as quais utilizam classificadores baseados em modelos de linguagem, para a atribuicao de coordenadas geoespaciais de latitude e longitude a novos documentos, usando apenas o texto dos documentos como evidencia de suporte. Medimos os resultados obtidos com modelos de linguagem baseados em n-gramas de caracteres ou de termos, usando coleccoes de artigos georreferenciados da Wikipedia em tres linguas distintas, nomeadamente em Ingles, Espanhol e Portugues. Experimentamos tambem diferentes metodos de pos-processamento para atribuir as coordenadas geoespaciais com base nas classificacoes. O melhor metodo utiliza modelos de linguagem baseados em n-gramas de caracteres, em conjunto com uma tecnica de pos-processamento que utiliza as coordenadas dos knn documentos mais similares, obtendo um erro de previsao medio de 265 Kilometros, e um erro mediano de apenas 22 Kilometros, para o caso da coleccao da Wikipedia Inglesa. Para as coleccoes Portuguesa e Espanhola, as quais sao significativamente mais pequenas, o mesmo metodo obteve um erro de previsao medio de 278 e 273 Kilometros, respectivamente, e um erro de previsao mediano de 28 e de 45 Kilometros.