Definição: categorizar docs, podendo ser única categoria ou múltiplas (multirrótulo), utilizando técnicas de Aprendizado de Máquina, um ramo da Inteligência Artificial onde algoritmos aprendem padrões em conj. de dados por meio de treinamentos: assimilação de padrões para predições, os quais podem ser:

• Supervisionado: conhecimento da resposta ideal
• Semi supervisionado: mistura de amostras com e sem resposta
• Não supervisionado: não possuem resposta ideal, podendo ser por clustering (categorias desconhecidas) ou classificação ingênua (categorias conhecidas, mas dados de treinamento limitados)

Algoritmo de cluster k-médias:

• Representa docs como vetores em um espaço algébrico, utilizando esquemas de ponderação como TF-IDF para essa representação. Na versão básica, o número de categorias (k) deve ser conhecido, criando k grupos de docs baseando-se na proximidade entre seus vetores.

Funcionamento:

1. Representa o doc $j$ como o vetor $x^{(j)}$.

2. Seleciona $k$ docs, colocando cada em um agrup. distinto, sendo usados como centroides (centro geográfico do grupo) iniciais para cada um dos agrups. $A_i$.

3. Atribui cada um dos $N$ docs ao agrup. $i$ do centroide mais próximo.

4. Recalcula o centroide de cada agrup. $i$ como a média dos vetores atribuídos nele.

   $$ C_i=\frac{1}{\left|A_i\right|} \sum_{x^{(j)} \in A_i} x^{(j)} $$

5. Repete do passo 3 até que os centroides não mudem mais.