Solución Informática para la representación del corpus textual de archivos digitales

Abstract

La recuperación de información es el área del conocimiento mediante la cual se localiza y accede a los recursos de información que son pertinentes para la resolución de un problema determinado. Incluye la representación, el almacenamiento, la organización y el acceso a elementos de información. Uno de los problemas actuales en la recuperación de información es la representación del contenido de archivos digitales, debido a la necesidad de realizar actividades de clasificación de archivos digitales para la identificación y el agrupamiento de documentos semejantes con características comunes. En esta investigación se tiene como objetivo el desarrollo de una solución informática para la representación del corpus textual de archivos digitales textuales en contribución a la recuperación de información. Para el logro del objetivo se realiza un estudio de los antecedentes de los sistemas informáticos de recuperación de información y se prepara el entorno de desarrollo de software para resolver el problema en cuestión. Se utiliza el modelo de espacio vectorial que permite la representación del corpus textual de los archivos digitales mediante el álgebra de vectores. Basado en este modelo se diseña y desarrolla un algoritmo y se obtiene como resultado una matriz de semejanza que establece una medida de similitud entre los archivos textuales representados por vectores, lo que es necesario para la etapa de organización y clasificación automática de archivos digitales textuales así como tareas que incluyan la organización, clasificación, indexación y búsqueda en sistemas informáticos de recuperación de información.