Compositional data analysis (CoDA) approaches to distance in information retrieval

Many techniques in information retrieval produce counts from a sample, and it is common to analyse these counts as proportions of the whole - term frequencies are a familiar example. Proportions carry only relative information and are not free to vary independently of one another: for the proportion of one term to increase, one or more others must decrease. These constraints are hallmarks of compositional data. While there has long been discussion in other fields of how such data should be analysed, to our knowledge, Compositional Data Analysis (CoDA) has not been considered in IR. In this work we explore compositional data in IR through the lens of distance measures, and demonstrate that common measures, naïve to compositions, have some undesirable properties which can be avoided with composition-aware measures. As a practical example, these measures are shown to improve clustering. Copyright 2014 ACM.

CoDa-dendrogram: A new exploratory too

The use of orthonormal coordinates in the simplex and, particularly, balance coordinates, has suggested the use of a dendrogram for the exploratory analysis of compositional data. The dendrogram is based on a sequential binary partition of a compositional vector into groups of parts. At each step of a partition, one group of parts is divided into two new groups, and a balancing axis in the simplex between both groups is defined. The set of balancing axes constitutes an orthonormal basis, and the projections of the sample on them are orthogonal coordinates. They can be represented in a dendrogram-like graph showing: (a) the way of grouping parts of the compositional vector; (b) the explanatory role of each subcomposition generated in the partition process; (c) the decomposition of the total variance into balance components associated with each binary partition; (d) a box-plot of each balance. This representation is useful to help the interpretation of balance coordinates; to identify which are the most explanatory coordinates; and to describe the whole sample in a single diagram independently of the number of parts of the sample

Coda wave attenuation in the Parecis Basin, Amazon Craton, Brazil: sensitivity to basement depth

Small local earthquakes from two aftershock sequences in Porto dos GaA(0)chos, Amazon craton-Brazil, were used to estimate the coda wave attenuation in the frequency band of 1 to 24 Hz. The time-domain coda-decay method of a single backscattering model is employed to estimate frequency dependence of the quality factor (Q (c)) of coda waves modeled usingwhere Q (0) is the coda quality factor at frequency of 1 Hz and eta is the frequency parameter. We also used the independent frequency model approach (Morozov, Geophys J Int, 175:239-252, 2008), based in the temporal attenuation coefficient, chi(f) instead of Q(f), given by the equation for the calculation of the geometrical attenuation (gamma) and effective attenuation Q (c) values have been computed at central frequencies (and band) of 1.5 (1-2), 3.0 (2-4), 6.0 (4-8), 9.0 (6-12), 12 (8-16), and 18 (12-24) Hz for five different datasets selected according to the geotectonic environment as well as the ability to sample shallow or deeper structures, particularly the sediments of the Parecis basin and the crystalline basement of the Amazon craton. For the Parecis basin for the surrounding shield and for the whole region of Porto dos GaA(0)chos Using the independent frequency model, we found: for the cratonic zone, gamma = 0.014 s (-aEuro parts per thousand 1), nu a parts per thousand 1.12; for the basin zone with sediments of similar to 500 m, gamma = 0.031 s (-aEuro parts per thousand 1), nu a parts per thousand 1.27; and for the Parecis basin with sediments of similar to 1,000 m, gamma = 0.047 s (-aEuro parts per thousand 1), nu a parts per thousand 1.42. Analysis of the attenuation factor (Q (c)) for different values of the geometrical spreading parameter (nu) indicated that an increase of nu generally causes an increase in Q (c), both in the basin as well as in the craton. But the differences in the attenuation between different geological environments are maintained for different models of geometrical spreading. It was shown that the energy of coda waves is attenuated more strongly in the sediments, (in the deepest part of the basin), than in the basement, (in the craton). Thus, the coda wave analysis can contribute to studies of geological structures in the upper crust, as the average coda quality factor is dependent on the thickness of sedimentary layer.

Aquisição da coda vibrante: o estabelecimento de pistas fonético-acústicas

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

As grafias não convencionais da coda silábica nasal: análise de dados de EJA

Este artigo trata das grafias não convencionais da sílaba com coda nasal encontradas em textos escritos por jovens e adultos. Para a descrição desses dados de escrita, são consideradas duas complexidades: (i) a fonético-fonológica da sílaba, particularmente do elemento nasal em coda, e (ii) a da representação ortográfica da nasalidade em português. Sob o aspecto fonético, a coda corresponde a uma redução de energia, o que pode tornar os segmentos que preenchem essa posição da sílaba menos audíveis. Sob o aspecto fonológico, a coda pode ser vista como um constituinte não imediato da sílaba cujo preenchimento sofre restrições. Sob o aspecto ortográfico, são três as possibilidades de registro da nasalidade: , como, respectivamente, em campo, canto, maçã. Argumenta-se que as grafias não convencionais analisadas podem ser motivadas pelas características fonético-fonológicas dos enunciados falados (particularmente, da sílaba com coda nasal) e, também, pelas características das convenções ortográficas dos enunciados escritos (especificamente, as convenções para representação da nasalidade da coda). Defende-se que essas grafias não sejam vistas como erros decorrentes da interferência da fala na escrita, mas como pistas da relação constitutiva dos enunciados falados e escritos.

Grafias não-convencionais da coda silábica nasal em dados de escrita de jovens e adultos em processo de alfabetização

Pós-graduação em Estudos Linguísticos - IBILCE

Trocas ortográficas na grafia da coda silábica simples por alunos da Educação de Jovens e Adultos (EJA)

Pós-graduação em Estudos Linguísticos - IBILCE

Os registros não-convencionais da coda nasal em dados de EJA

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

As grafias não-convencionais da coda silábica nasal: análise de dados de EJA

Este artigo trata das grafias não convencionais da sílaba com coda nasal encontradasem textos escritos por jovens e adultos. Para a descrição desses dados de escrita, sãoconsideradas duas complexidades: (i) a fonético-fonológica da sílaba, particularmente doelemento nasal em coda, e (ii) a da representação ortográfica da nasalidade em português.Sob o aspecto fonético, a coda corresponde a uma redução de energia, o que pode tornar ossegmentos que preenchem essa posição da sílaba menos audíveis. Sob o aspecto fonológico,a coda pode ser vista como um constituinte não imediato da sílaba cujo preenchimento sofrerestrições. Sob o aspecto ortográfico, são três as possibilidades de registro da nasalidade:, como, respectivamente, em “campo”, “canto”, “maçã”. Argumenta-se que asgrafias não convencionais analisadas podem ser motivadas pelas características fonéticofonológicasdos enunciados falados (particularmente, da sílaba com coda nasal) e, também,pelas características das convenções ortográficas dos enunciados escritos (especificamente,as convenções para representação da nasalidade da coda). Defende-se que essas grafias nãosejam vistas como erros decorrentes da interferência da fala na escrita, mas como pistas darelação constitutiva dos enunciados falados e escritos.

A complexidade da coda silábica na escrita de pré-escolares

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)