Diseño Editorial Social
en Portales de Información
utilizando Técnicas de
Minería de Datos
Indexación de Documentos
El modelo de espacio vectorial permite representar el conjunto inicial de documentos, donde cada palabra
representa una dimensión, y cada documento es un vector dentro del espacio de palabras. De esta manera,
cada artículo se representa como:
 Cada componente del vector corresponde al peso (la influencia) del término-j en el documento-i. Para esto existen diversas funciones de peso (ejemplo: TF-IDF). La idea es calcular cuanto ayuda cada término para distinguir unos documentos de otros. Se premia el término frecuente dentro del documento o si aparece en el título o al principio. Se castiga si el término es muy común en la colección (no discrimina). Principales desafíos: 1) encontrar las palabras que más aportan significado. 2) el problema de la dimensionalidad del espacio: es necesario mantener acotado el vocabulario.  El resultado de este proceso es la creación del espacio de palabras, formado por el vocabulario encontrado. Cada documento es representado como un punto de ese espacio. 
Resumen del proceso de filtrado de documentos:
 |
|