Filtrado de información mediante prototipos borrosos y perfiles basados en criterios de calidad de datos

Transcripción

1 Fltrado de nformacón medante prototpos borrosos y perfles basados en crteros de caldad de datos Francsco P. Romero 1, Ismael Caballero 2, Jose A. Olvas 1, Eugeno Verbo 2 1 Departamento de Tecnologías y Sstemas de la Informacón. Grupo SMILE. Unversdad de Castlla La Mancha Paseo de la Unversdad, 4, 13071, Cudad Real {FrancscoP.Romero, JoseAngel.Olvas}@uclm.es 2 Centro Mxto de I+D Indra UCLM Indra Software Labs Ronda de Toledo,s/n, 13004, Cudad Real {caballerom, emverbo}@ndra.es Resumen Las nuevas formas de manpulacón y acceso de la nformacón que han aparecdo por el uso de Internet, están generando grandes volúmenes de datos en constante crecmento. Las herramentas cláscas de gestón utlzadas por los usuaros fracasan en el objetvo de satsfacer sus necesdades de nformacón. La utlzacón de técncas de fltrado basadas en categorías conceptuales se ha mostrado como una estratega útl en estos entornos, aunque fracasa relatvamente en las stuacones en que los datos que se recogen son ncompletos o ncorrectos como sucede en entornos de uso tan general como el correo electrónco. En este trabajo es presentada una aproxmacón a la resolucón de estos problemas medante la utlzacón snérgca del fltrado de nformacón medante categorías defndas medante prototpos conceptuales junto con la aplcacón de perfles basados en crteros de caldad de datos. Palabras Clave: Fltrado de Informacón, Prototpos Borrosos, Caldad de Datos. 1 INTRODUCCIÓN Los recentes avances en las tecnologías software y de redes han llevado a las organzacones a desarrollar nuevos sstemas de nformacón basados en Internet, como una forma de acercarse lo máxmo posble a sus clentes, a sus trabajadores, y en general, a cualquer persona mplcada en la actvdad organzaconal. Para que esta actvdad sea lo más fructífera posble, las compañías consderan necesaro recoplar, guardar y mantener grandes volúmenes de documentos electróncos. De hecho, son cada vez más las que se concencan de que los datos son, junto con sus empleados, uno de sus actvos más mportantes [9]. Es tal el nterés por recoger datos, que muchas organzacones están dgtalzando su nformacón hstórca para que pueda ser procesada junto con los datos nuevos que se van generando en el día a día. Además, dada la tendenca a la globalzacón es frecuente que estos datos se encuentren dstrbudos entre dstntos puntos [2], lo que ncrementa la dfcultad de la gestón de estos datos. Pero a la hora de desarrollar un trabajo, por ejemplo, recuperacón de nformacón, búsqueda de contendos o categorzacón [4], manejar tal cantdad de datos supone sacrfcar en rendmento de los Sstemas de Informacón. Como este sacrfco puede dsmnur la satsfaccón de los usuaros con los sstemas, se hace necesaro fltrar convenentemente las coleccones de datos que se van a procesar. Actualmente las técncas de soft-computng se presentan como una herramenta efcente para resolver estos problemas [14] [7] en sus dferentes tareas [4][6]. En concreto técncas como el fltrado basado en categorías [19], suponen un ncremento de rendmento consderable en los procesos de tratamento de documentos repostoros dnámcos. La utlzacón de la lógca borrosa, y en concreto de los prototpos borrosos [16], con el objetvo de representar las categorías del modelo de fltrado permte crear un modelo más entendble y actualzable para realzar las tareas de fltrado de nformacón. Para poder palar carencas de los modelos semántcos y borrosos de fltrado en repostoros heterogéneos es necesaro ntroducr en el proceso polítcas de caldad de datos defndas por los propos usuaros para los correspondentes contextos [3], ya que la caldad de los datos es el prncpal crtero para la dscrmnacón de los datos que no son útles a los usuaros en un contexto. De esta manera, se logrará una mayor efcaca en la gestón del repostoro de documentos. XIV Congreso Español sobre Tecnologías y Lógca fuzzy 643

2 El presente trabajo se organza de la sguente manera. En el apartado 2 se explcarán los crteros de caldad de datos que van a ser utlzados para el fltrado de los documentos. En el apartado 3 se explcará el modelo de fltrado que aúna la utlzacón de estos crteros con la utlzacón de prototpos deformables borrosos. En el apartado 4 se presentará el proceso de tratamento de nuevos documentos. Para conclur, en los últmos apartados, se descrbrán los expermentos realzados y las conclusones y el trabajo futuro a realzar. 2 CRITERIOS DE CALIDAD DE DATOS PARA EL FILTRADO DE OCUMENTOS. Los marcos de trabajo para la gestón de la caldad de los datos la caldad de datos (en adelante DQ), proporconan a los usuaros un conjunto de técncas y herramentas fundamentales para evaluar la caldad de los contendos de un documento. Conocendo el nvel global de caldad de datos de un documento, un usuaro o un sstema pueden decdr s utlzarlo o descartarlo. Para determnar s el documento es útl se analzarán s los datos contendos para comprobar presentan un nvel adecuado de caldad estudado con respecto a certas dmensones de caldad de datos. Tenendo en cuenta que la adecuacón para el uso depende de la tarea y del rol del agente o stakeholders que maneje las fuentes y los documentos, es necesaro dentfcar a partr de los requstos de usuaro, aquellas dmensones que mejor representan las necesdades de caldad de datos para cada uno de los tpos de usuaros. La nocón de gestón lleva aparejada ntrínsecamente la dea de medcón [18], por lo que es precso establecer los mecansmos adecuados de medcón. Dada la naturaleza de los datos, la realzacón de esta medcón mplca tener en cuenta una sere de aspectos tal y como se descrbe en [5] a la hora de defnr las correspondentes meddas, como puedan ser la subjetvdad o el método de medcón. Los aspectos propuestos están alneados con el estándar de medcón de software ISO/IEC (ISO/IEC 2000), lo que hace que los térmnos específcos de caldad de datos puedan ser fáclmente utlzados por desarrolladores que ya utlcen este estándar. En este trabajo el modelo de caldad de datos utlzado para evaluar los documentos entrantes al sstema de fltrado consta de las tres sguentes dmensones: 1. Complecón: El documento posee todos sus ítems completos y con nformacón. 2. Fabldad: La fuente de la nformacón, ben sea el autor u otro tpo de fuente dentfcada es fable en cuanto a sus contendos. 3. Oportundad: La nformacón recbda es adecuada al contexto temporal en el que es ubcado el tema sobre el que trata. Con el fn de medr la complettud se calcula la proporcón, en prmer lugar entre los ítems que contene el documento y los que debería tener (en documentos XML se valda con respecto a su esquema XSD), y posterormente se valda cuales de los que posee poseen valor. La fórmula sería la sguente: tems complettu d = tems completos ( d) (1) totales De esta manera se medrá la proporcón entre los ítems completos y los ítems que teórcamente tendría que tener el documento según su esquema. La fabldad del documento debe evaluarse de forma cualtatva con respecto a los datos que se dspongan de él, por ejemplo, a partr del autor. Se necesta dsponer por lo tanto de una calfcacón medante etquetas lngüístcas de la fabldad de estos autores (Tabla 1). Estos son metadatos que complementan el sgnfcado del dato en la dmensón de caldad elegda.s no se dspone de autor esta dmensón no puede ser medda. Tabla 1: Fabldad por autores Autor Fabldad Tm Harford Collen McCullough Dan Brown Alta Meda Baja La oportundad del documento se medrá a partr de la dferenca exstente entre una fecha establecda (dependente del contexto de la tarea) y la fecha en que se generó el documento. S no se cuenta con esta últma fecha, la oportundad no podrá ser medda. Los grados de oportundad posbles se dentfcarán medante etquetas lngüístcas (muy oportuno, oportuno, poco oportuno). Dferentes categorías pueden tener dferentes crteros de oportundad en sus temas. A partr de estas tres dmensones es necesaro establecer el nvel de caldad de datos del documento en cuestón, para ello se realzará una agregacón de los tres valores penalzando aquellos documentos en los que no se pueda medr alguna de estas dmensones. Dado que la percepcón de la caldad es algo subjetvo e mprecso se hace necesaro el uso de reglas borrosas para medr/determnar/evaluar adecuadamente la caldad de los datos. Las varables lngüístcas de entrada serían las dmensones de caldad de datos y la varable de salda sería la caldad de datos del documento con un conjunto de etquetas como el sguente: muy alta, alta, normal, baja, muy baja. La nferenca sobre estas reglas será de tpo Mamdan [12]. 644 XIV Congreso Español sobre Tecnologías y Lógca fuzzy

3 3. MODELO DE FILTRADO DE INFORMACIÓN El modelo de fltrado que se presenta en este trabajo está basado en una estructura basada en categorías conceptuales. Para construr esta estructura partendo de un conjunto de documentos no estructurados, es necesaro segur los sguentes pasos: 1. Calcular la caldad de datos de todos los documentos y descartar aquellos cuyas medcones no estén dentro de los rangos de aceptacón establecdos en los requstos de caldad de datos de los usuaros.que no superen un umbral mínmo de caldad. 2. Preproceso lngüístco: Seleccón de las palabras que van a representar conceptualmente a las categorías de la estructura. 3. Representacón de los documentos en base a los conceptos tratados en sus contendos. Para ello se utlza el modelo FIS-CRM [13]. 4. Agrupacón de los documentos conceptualmente smlares medante clusterng [15]. 5. Extraccón de conceptos claves. 6. Creacón de una base de conocmento utlzando Categorías Prototípcas Borrosas ESTRUCTURA BASADA EN CATEGORÍAS La estructura básca de fltrado se basa en las dferentes categorías extraídas medante procesos de clusterng. Estas categorías comprenden una sere de documentos conceptualmente smlares. Las categorías estarán organzadas en una jerarquía que reflejará los dferentes nveles de especfcdad tratados en los conceptos. Cada uno de esos documentos puede estar clasfcado en dferentes categorías sobre las cuales poseerán un grado de pertenenca. Cada categoría de la estructura vendrá representada por una Categoría Prototípca Borrosa, que se podrá defnr medante una representacón formal a partr de números borrosos y una defncón parámetrca realzada medante marcos que en este caso obtendrán pares de accónprobabldad, los cuales ayudarán en la toma de decsones de gestón sobre los documentos entrantes CONCEPTOS CLAVE Cada agrupacón posee un vocabularo propo obtendo a partr de los conceptos reflejados en los documentos que contene. Debdo a que un porcentaje reducdo de los conceptos defnen a la categoría es necesaro establecer mecansmos para dentfcar los grupos de conceptos claves para posterormente utlzarlos en el fltrado. Para la extraccón de los conceptos clave que defnen el contendo de la agrupacón se defne una medda de la mportanca de éste dentro de la agrupacón tenendo en cuenta el número de documentos de la categoría en los que aparece, su peso dentro estos documentos y tambén su aparcón dentro del resto de agrupacones de la estructura. El peso del concepto en la categoría C (w c ) vendrá dado en funcón de la de sus peso en los documentos de la categoría (w j ), la cantdad normalzada de documentos en los que aparece (docs(,c)) y un factor logarítmco que determne su aparcón en otras categorías: w C = w j C j docs(, C) cats 1 + Ln C cats + 1 ( C) Para su posteror utlzacón este valor se normalza dvdéndolo por la meda de los valores obtendos en la categoría. A partr del estudo de la dstrbucón de estos valores entre los dferentes conceptos se pueden determnar los tres nveles de mportanca que se van a utlzar en este modelo. (Tabla 2). Tabla 2: Nveles de relevanca de los conceptos. NOMBRE DESCRIPCIÓN Nvel 1 Térmnos con mayor mportanca (cuarto superor) Nvel 2 Térmnos con mportanca sufcente para ser utlzables (2º cuarto superor) Nvel 3 Térmno de nula mportanca (debajo de la meda) Los conceptos de nvel 1 serán los que se utlcen para dentfcar la categoría dentro de la estructura, es decr, conformarán la etqueta de la agrupacón. Los conceptos de nvel 1 y de nvel 2 serán los utlzados en el proceso de fltrado. 3.3 PROTOTIPICALIDAD DE LOS DOCUMENTOS El grado de prototpcaldad de un objeto dentro de un conjunto depende postvamente de la semejanza haca otros objetos del su categoría, y su dferenca con los objetos del resto de categorías. En este caso, tambén se ve nfludo por su nvel de caldad de datos ya que s el documento no tene un nvel adecuado de caldad entonces los resultados podrían verse falseados al utlzar documentos que no deben ser tendos en cuenta. Estos factores se calcularán de la sguente forma: Grado de compatbldad: El grado de compatbldad de un documento con el cluster al que pertenece será la meda de smltud entre el documento y el resto de los documentos presentes en la agrupacón. (Formula 3) sm( d, d j ) j C d comp( d, C) = (3) C 1 (2) XIV Congreso Español sobre Tecnologías y Lógca fuzzy 645

4 Grado de ncompatbldad: El grado de ncompatbldad de un documento con el resto de clusters vendrá dado por la meda de la dferenca entre la smltud meda (cohesón) de los documentos de su propo cluster y su smltud con los documentos del resto de los cluster. sm d, d sm d, d comp ( d C) ( j ) ( h ) C h c c C C c, = (4) C Coefcente agregado de caldad de datos calculado a partr de la agregacón de los valores de las tres dmensones de caldad de datos descrtas en la seccón segunda. Esta labor de fusón debe realzarse de forma automátca ejecutando una vez más el algortmo de clusterng jerárquco sobre los centros de los números borrosos obtendos. Cada uno de los grupos obtendos tras la realzacón de esta segunda agrupacón supondrá la construccón de un número borroso dferente y por lo tanto de un prototpo. Cada uno de esos números borrosos, será trangular s tene un solo elemento que lo defna o trapezodal en el caso de que venga defndo por más de un elemento. En la Fgura 1 se pueden observar un ejemplo de esta segunda fase de agrupamento en la que se pasa de 10 prototpos a una representacón agregada de úncamente tres. Agregando estos tres valores se obtendrá el grado fnal de prototpcaldad del documento dentro de la agrupacón REPRESENTACIÓN FORMAL DE LOS PROTOTIPOS. Con el fn de representar los números borrosos correspondentes a las Categorías Prototípcas Borrosas es necesaro determnar o ben el número de prototpos que se queren tener en el modelo de predccón o ben el porcentaje de smltud mínmo para que los elementos que lo posean puedan formar parte del msmo grupo. En el caso de estar obtenendo prototpos borrosos según [21] sería sufcente con dvdr el grupo en tres grupos, pero al estar trabajando con Categorías Prototípcas Deformables Borrosas el número de subdvsones es ndetermnado. Esta aproxmacón ndefnda es mucho más cercana a la realdad, sobre todo en el ámbto documental donde exste una gran dversdad de coleccones y agrupacones dentro de ellas cuya representacón suele ser compleja. Para el caso de los prototpos de agrupacones documentales se procederá en dos fases. En la prmera fase se ejecutará el clusterng jerárquco hasta obtener un certo umbral de smltud (meda de los valores). Luego se agregarán los valores de cada uno de los grupos con lo que obtendremos el centro de cada uno de los prototpos obtendos. Teórcamente, estos grados obtendos vendrían a ser los centros de los números borrosos trangulares que representarían a los prototpos, pero esto depende del número de prototpos obtendos. S como resultado de este proceso el número de prototpos obtendos es mayor que un número razonable entonces se procede a fusonar aquellos números borrosos que se consderen muy solapados. Fgura 1: Obtencón de los números borrosos. El marco de defncón de cada prototpo servrá para determnar las accones especales a realzar con cada documento entrante según su afndad a la categoría en la que sea clasfcada. A cada uno de los prototpos le corresponderá una defncón paramétrca de accones. Los marcos están conformados por pares accónprobabldad. Las accones que se pueden ejecutar ante la llegada de un documento entrante son las sguentes: leer nmedatamente, clasfcar, enfatzar, poner en espera, descartar, etc. Las probabldades de accón o ben vendrán dadas de forma automátca o defndas por el usuaro medante varables lngüístcas como las sguentes: seguro (100%), muy probable (75%), probable (50%), poco probable (25%), no realzable (0%). En la tabla 3 se puede observar un ejemplo de esta defncón paramétrca Tabla 3: Defncón paramétrca de los prototpos. Parámetro Prototpo 1 Prototpo 2 Prototpo 3 Enfatzacón No Probable Seguro Elmnacón Probable No No Puesta en Espera Seguro Probable No Clasfcar Probable Seguro Seguro 646 XIV Congreso Español sobre Tecnologías y Lógca fuzzy

5 3. FILTRADO DE DOCUMENTOS ENTRANTES El proceso de tratamento de un documento entrante a un repostoro debe ser transparente el usuaro. Este proceso se realzará en las sguentes etapas. 1. Obtencón del grado de caldad de datos del nuevo documento a partr de las dmensones anterormente. S el documento no supera un umbral mínmo de caldad de datos el documento no será procesado. 2. Preproceso lngüístco del documento, elmnacón de stop words y extraccón de raíces léxcas. 3. Representacón de los conceptos reflejados en el contendo del documento. 4. Comparacón conceptual entre cada una de las categorías y el numero documento. Para ello se utlzan, por un lado los conceptos exstentes en el documento y por otro los conceptos relevantes y subrelevantes (notados por R y S respectvamente) de cada categoría. De esta manera se obtendrá un valor X de smltud conceptual entre documento y categoría. El cálculo se realzará medante la fórmula 5: X = Ln d c Ln w w d, c ( D ( ( R + S) ( R S) D )) (5) 5. Agregacón al valor de smltud conceptual el valor de caldad de datos obtendo para el documento. Obtencón de un valor X que supone una smltud enrquecda. 6. Determnacón de la afndad a las dferentes Categorías Prototípcas Borrosas (Fgura 2). 7. Determnar el prototpo correspondente al documento medante la modfcacón de los prototpos orgnales. Este proceso se realza medante una combnacón lneal modfcada de éstos medante el grado de afndad a los prototpos y los parámetros que los defnen. 4. EXPERIMENTACIÓN Para la evaluacón del proceso de fltrado de nformacón se ha utlzado la coleccón Reuters [10], que es una coleccón de notcas que han sdo formateadas y preparadas para su utlzacón en la evaluacón de sstemas de categorzacón de documentos [10]. Con el fn de evaluar el modelo de fltrado es necesaro trabajar con dos subconjuntos de documentos, uno de entrenamento del sstema y otro de evaluacón. En los trabajos exstentes en la lteratura se utlza normalmente dvsones estándar de la coleccón, prncpalmente la dvsón ModApte [1]. El expermento se ha realzado en dos etapas prncpales, el entrenamento del sstema y la evaluacón en sí. El entrenamento del sstema se ha realzado en los sguentes pasos: 1. Extraer los documentos de Reuters que cumplen la dvsón ModApté y que corresponden a la subdvsón de entrenamento. 2. Realzar la medcón de los crteros de caldad de datos correspondentes sobre los documentos de entrenamento. 3. Descartar aquellos que no superen una caldad mínma. 4. Construr la estructura borrosa y conceptual necesara para el fltrado por categorías. Se utlza para ello la clasfcacón dada por la propa coleccón de Reuters (clasfcacón deal). a. Extraccón de conceptos relevantes. b. Determnacón de los grados de pertenenca de los documentos en base a sus conceptos y a su caldad. La fase de evaluacón del modelo de fltrado se ha ejecutado en los sguentes pasos para cada documento: Fgura 2: Afndad calculada de un documento (X =0,37) a los números borrosos de una categoría (µ 1 =0,53, µ 2 =0,28). 1. Cálculo de las dmensones de caldad de datos para el documento entrante. 2. Elmnacón del documento s no cumple los crteros mínmos de caldad. 3. Comparacón del documento entrante con las categorías exstentes en el modelo. Obtencón del grado de comparacón. 4. Calcular el grado de compatbldad con los prototpos y determnar que accones realzar. 5. Comprobar que las accones corresponden a las teórcamente establecdas. XIV Congreso Español sobre Tecnologías y Lógca fuzzy 647

6 Una vez fltrados y clasfcados todos los documentos de la coleccón de evaluacón, se comparan las clases obtendas con las clases defndas de forma teórca. De esta forma se pueden calcular los sguentes parámetros: - n: Número de documentos que se han clasfcado en la categoría. - t: Número de documentos que teórcamente deberían haberse clasfcado en la categoría. - c: Número de documentos que se han clasfcado correctamente en la categoría. Una vez obtendos estos parámetros se pueden calcular las dos métrcas fundamentales en sstemas de recuperacón [17] de nformacón que son: - Precsón: Proporcón entre los documentos clasfcados correctamente dentro de la categoría y el total de elementos clasfcados en ella. c p = (6) n - Exhaustvdad (recall): Proporcón entre el número de documentos clasfcados correctamente dentro de la categoría j y el total de elementos de los que dspone teórcamente la categoría. c r = (7) t Dada la relacón nversa entre precsón y exhaustvdad, se establece a su vez la medda F [17] que combna en su formulacón la precsón y el exhaustvdad (formula 8). Los valores más altos ndcarán un mejor resultado rj pj F(, j) = 2 (8) r + p En la Tabla 4 se puede observar los valores de precsón, exhaustvdad y métrca F obtendas en el expermento para las dferentes categorías del modelo. Tabla 4:Resultados del expermento. categoría p r F acq 94% 95% 94% coffee 69% 89% 77% crude 85% 73% 79% earn 99% 90% 94% gran 93% 86% 89% nterest 71% 83% 76% money-fx 87% 62% 72% shp 76% 67% 71% trade 89% 76% 82% j TOTAL 83% j La medcón de la precsón y exhaustvdad en el expermento ha arrojado valores sufcentemente altos lo cual nos lleva a consderar a las técncas elegdas como herramentas efcentes para llevar a cabo tareas de fltrado de nformacón. A su vez, el resultado ofrecdo en cuanto a la métrca F (F = 83%) es bastante satsfactoro, s se compara con el obtendo sn utlzar crteros de caldad de datos (F = 80%). 5. CONCLUSIÓN Y TRABAJO FUTUROS En este trabajo se ha presentado una aproxmacón al problema del fltrado de nformacón en base a Categorías Prototípcas Borrosas. La creacón de una estructura jerárquca y borrosa conformada por dferentes agrupacones de documentos que defnen medante conceptos a estas categorías proporcona una estratega efcente de fltrado de documentos ante una actualzacón constante de los contendos. Al análss conceptual de los documentos se le ha ncorporado un mprescndble análss en base a crteros de caldad de datos que proporconan la segurdad de que la nformacón fltrada va a ser sufcentemente relevante para el usuaro. Como prmera amplacón futura de este trabajo se realzarán nuevos expermentos utlzando coleccones de mayor volumen como puede ser RCV1[11]. A su vez se nclurán en el modelo de caldad de datos otros aspectos relaconados con la relevanca como la exacttud del documento, la presentacón, la comprensón, etc, amplándose de esta manera los crteros a utlzar en el fltrado. En el apartado teórco se ve necesaro la defncón completa de operadores de agregacón (OWA [20]) para la formalzacón de las dferentes funcones de agregacón que se utlzan en el proceso de fltrado. Dentro de un enfoque más práctco se persgue la aplcacón de estas técncas en entornos reales como puede ser el fltrado de documentos clíncos según el formato CDA [8]. Agradecmentos La nvestgacón realzada está fnancada por el proyecto TIN del Mnstero de Educacón y Cenca, el proyecto PAC y PBI de la Junta de Comundades de Castlla-La Mancha. 648 XIV Congreso Español sobre Tecnologías y Lógca fuzzy

7 Referencas [1] C. Apté, F. Damerau, S.M. Wes: Automated Learnng of Decson Rules for Text Categorzaton, ACM Transactons on Informaton Systems, [2] C. Batn. M. Scannapeco Data Qualty: Concepts, Methodologes and Technques. Berln, Sprnger- Verlag Berln Hedelberg, [3] C. Bzer, R. Cyganak,. The TrQL.P Browser: Flterng Informaton usng Context-, Content- and Ratng-Based Trust Polces. 4th Internatonal Semantc Web Conference, Galway, Ireland, [4] G. Bordogna; M. Pagan, M.; G. Pas: A dynamcal Herarchcal fuzzy clusterng algorthm for document flterng, Soft Computng n Web Informaton Retreval: Models and Applcatons, Seres Studes n fuzzness and Soft Computng, Sprnger Verlag, Vol. 197, pp. 1-23, [5] I. Caballero, E. M. Verbo, A Data Qualty Measurement Informaton Model based on ISO/IEC th Internatonal Conference on Informaton Qualty, MIT, Cambrdge, MA, [6] Guha, R., R. McCool,. Semantc Search. World Wde Web, Budapest (Hungary), ACM, [7] E. Herrera-Vedma, G. Pas. Fuzzy approaches to access nformaton on the Web: recent developments and research trends, Proc. of the Thrd Conference of the EUSFLAT, pp , [8] H.S. Km, T. Tran, A Clncal Document Archtecture (CDA) to Generate Clncal Documents wthn a Hosptal Informaton System for E- Healthcare Servces Proceedngs of the Sxth IEEE Internatonal Conference on Computer and Informaton Technology (CIT'06) - Volume 00 IEEE Computer Socety: [9] Y. W. Lee, L. L. Ppno, Journey to Data Qualty Cambrdge, MA, USA, Massachussets Insttute of Technology, [10].D.D. Lews, Reuters text categorzaton text collecton [11] D. D. Lews Reuters collecton RCV1 [12] E.H. Mamdan; S. Asslan; An experment n lngustc synthess of fuzzy controllers. Internatonal Journal Man-Machne. Studes, vol. 7, pp. 1 13, [13] J.A. Olvas; P.J. Garcés; F.P. Romero: An applcaton of the FIS-CRM model to the FISS metasearcher: Usng fuzzy synonymy and fuzzy generalty for representng concepts n documents. Int. Jour. of Approx. Reasonng (Soft Computng n Recognton and Search) Vol. 34, pp , [14] G. Pas,. Flexble nformaton retreval: some research trends, Mathware and Soft Computng Vol 9, pp , [15] F.P. Romero; J.A. Olvas; P.J. Garcés: A soft Approach to Hybrd Models for Document Clusterng. Proceedngs of the Informaton Processng and Management of Uncertanty n Knowledge-based Systems IPMU'06, Pars Les Cordelers, France. Vol 1, pp , [16] F.P. Romero; J.A. Olvas; P.J. Garcés: Inference Based On Fuzzy Deformable Prototypes For Informaton Flterng In Dynamc Web Repostores, Proceedngs of the FUZZ-IEEE 2007., Londres, GB [17] C. J. van Rjsbergen. Informaton Retreval. Butterworths, London, 2nd edton, [18] G. Shankaranarayanan, Y. Ca. Supportng data qualty management n decson-makng. Decson Support Systems Vol. 42, nº 1: pp , [19] L.H. Ungar, D.P. Foster. Clusterng Methods for Collaboratve Flterng. Proceedngs of the Workshop on Recommendaton Systems, AAAI Press, Menlo Park Calforna, [20] Yager, R.: On Ordered Wethted Averagng Aggregaton Operatons n Multcrtera Decson makng. IEEE Transactons on Systems, Man and Cybernetcs Vol. 18, pp , [21] L. A. Zadeh, A note on prototype set theory and fuzzy sets. Cognton 12, pp , XIV Congreso Español sobre Tecnologías y Lógca fuzzy 649