O uso da mineração de textos para o incremento da segurança dentro de sistemas de recuperação da informação da área financeira

Abstract

Processos de mineração de textos e processamento de linguagem natural são áreas de estudo difundidas dentro da ciência atual e com aplicações reais no cenário corporativo, sendo assim, o objetivo deste trabalho foi identificar qual dessas técnicas pode ser utilizada para incrementar a segurança documental em sistemas de recuperação da informação e também quais as melhores formas de isto ser feito de forma aplicada. Apresentando as condições dos sistemas em estudo, a pesquisa se propõe a avaliar como a combinação de algoritmos de inteligência artificial pode auxiliar no processo de controle de acesso aos documentos, avaliando qual a acurácia dos algoritmos selecionados de aprendizagem de máquina para identificar se o documento pertence ao usuário que está tentando acessá-lo. Resultados satisfatórios trouxeram a possibilidade de ser utilizado um módulo extra de segurança, a fim de se evitar o acesso a um documento restrito devido a um possível erro dentro de seus atributos e/ou metadados. A fim de ter uma base de comparação de resultados e métodos utilizados, foram levantados estudos anteriores que possuem afinidade com o tema, auxiliando, assim, a escolha de passos adotados nos futuros métodos e encontrado o estado da arte atual dentro de mineração de textos em documentos. Foram escolhidos dois tipos de algoritmos que pudessem fazer o processo de recuperar os atributos do documento para servir de base para o controle de acesso. Os algoritmos escolhidos foram os de Support Vector Machine (SVM) e Bidirectional Long Short-Term Memory (BiLSTM). Foi realizada a aprendizagem de máquina dentro do dataset, levantado anteriormente, de documentos de um sistema de recuperação da informação pertencente à área financeira. Durante os testes, ficou evidente que o processo de extração bag-of-words se torna ineficaz, mas modelos utilizando conjuntos mais extensos de palavras foram capazes de resultados acima de 90%. Foi testada também a utilização de um segundo conjunto de documentos utilizado por pessoas distintas, porém, a mudança nos indicadores se mostrou muito tímida. Por fim, os testes realizados com a utilização do modelo BiLSTM obtiveram uma melhor acurácia, próxima dos 99%. Com estes resultados foi possível sugerir formas nas quais possa ser incrementada a segurança dos documentos com os usos dos métodos apresentados.

The processes of text mining and natural language processing are increasingly widespread within different uses on our current world, so the objective of work identifies which of these techniques can be used to increase the document security in information retrieval systems and also which is the best way that this can be achieved. This project brings a theoretical base that did intend to bring information on important topics on the topics of Artificial Intelligence, Metadata, Information Retrieval Systems, Information Security, Natural language processing. To have a basis to compare results and methods used were raised some previous studies that have some similarities with the topic, helping on this on choosing the steps adopted in future methods and thus finding the current state-of-the-art within document classifications. At this point 2 types of algorithms were chosen that could classify a document to serve as a basis for access control, the chosen algorithms were the Support Vector Machine SVM and Bidirectional Long Short-Term Memory BiLSTM. The learning process was executed on the dataset that were been previously collected from documents of a financial information retrieval system. During the tests. It was evident that the bag-of-words model becomes ineffective, but models using a larger number of words were able to obtain results above 90% of accuracy, the use of a different set of documents used by different people was also tested, but the change in the indicators proved to be small on results. After all, tests were made using the BiLSTM model obtained excellent accuracy above the mark of 99 %. With these results, it was possible to suggest ways where the security of documents can be increased with the uses of the presented methods.