Resumen

"En Internet y en otras muchas fuentes de datos con poca estructuración, se encuentran esparcidos datos, que generalmente pueden ser de mucha importancia, pero para llegar a obtener dicha información, es necesario, aplicar algunas técnicas de datamining y extracción de información, entre estas técnicas encontramos algunas que son convencionales como MBR, clustering y las estadísticas como la clasificación bayesiana, sin embargo no todas tienen el mismo desempeño y dependen del escenario donde se encuentren. Los documentos "texto" son una clase de fuente que se considera no estructurada o semiestructurada; por esto es necesario realizar algún tipo de mining, que permita encontrar patrones o información oculta, un ejemplo de esto es los documentos FAQ (Frecuently Asked Questions) o PUF (Preguntas Usadas Frecuentemente). Del mismo modo, el texto es una forma de comunicación entre humanos; por ejemplo se puede leer textos en revistas, periódicos, memos; y por eso el texto se ha constituido como un medio que posee mucho significado en su información..."--Tomado de la Introducción.