Tratamento de texto extraído de livros digitais para a indexação em mecanismo de busca.

• Autor(a) principal: VAZ, G. J.
• Data de Publicação: 2023
• Outros Autores: VEIGA, P. H. R. da C. da, CALDAS, R. G., VIDAL, W. C. L., ASSIS, C. P. de, CORREA, J. L., MOURA, M. F.
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da EMBRAPA (Repository Open Access to Scientific Information from EMBRAPA - Alice)
• Texto Completo: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1155913; https://doi.org/10.26512/rici.v16.n2.2023.42740
• topic: Curadoria digital; Recuperação da informação; Processamento de texto; Disseminação da informação; Indexação; Livros digitais; Digital curation; Text processing; Indexing; Digital books; Information retrieval; Information dissemination

Este trabalho apresenta uma metodologia de tratamento dos textos extraídos dos livros digitais da Coleção 500 Perguntas 500 Respostas da Embrapa a fim de que seu conteúdo possa ser indexado e acessado via um mecanismo de busca específico. A metodologia envolve a extração dos elementos essenciais dos livros, como imagens e arquivos HTML, o pré-processamento desses elementos, sua análise e edição, e a construção de componentes adequados para sua indexação. Além de um intenso trabalho de análise humana, são consideradas tecnologias como o formato Epub para livros digitais, o editor Sigil, scriptspara processamento de texto, padrões web de representação e Elasticsearch. Experimentos mostram que a metodologia viabiliza a disponibilização de textos bem formatados para sua indexação e seu uso em mecanismos de busca, propiciando uma rica experiência ao usuário, além de possibilitar a construção de novas soluções digitais. Nesse contexto, a curadoria digital é fundamental para agregar valor aos recursos digitais e atender às necessidades específicas de seus usuários.