Restauração automática de hierarquias em documentos corporativos: uma comparação entre métodos de vetorização e similaridade

Abstract

O crescimento acelerado da documentação digital nas empresas tem aumentado significativamente o desafio de organizar e recuperar informações. Um exemplo comum dessa dificuldade é a perda das relações hierárquicas entre documentos corporativos devido à fragmentação do armazenamento em múltiplas bases de dados. Neste trabalho, investigou-se o problema da restauração automática das relações hierárquicas de pai–filho entre documentos corporativos, a partir de seus títulos e resumos. Inicialmente, implementou-se uma abordagem baseada em Bag of Words e similaridade de cosseno (limiar = 0,60), que apresentou alta precisão, porém baixa cobertura. Em seguida, conduziram-se experimentos comparativos envolvendo cinco técnicas de vetorização (TF-IDF, Word2Vec, FastText, SBert e OpenAI embeddings) combinadas com três métricas de similaridade (cosseno, distância euclidiana e Jaccard) sobre uma base de aproximadamente 9 000 artigos científicos. Os resultados mostram que os embeddings SBert com similaridade de cosseno alcançaram a maior média de Similaridade Temática (0,8619), seguidos pelos embeddings OpenAI (0,8537). A comparação com a versão inicial do projeto evidenciou que SBert duplicou ou triplicou a cobertura de pares pai–filho, mantendo mais de 85% de correspondência com os pares originais. Conclui-se que a combinação SBert + similaridade de cosseno oferece o melhor equilíbrio entre cobertura, consistência e custo, sendo recomendada para aplicações práticas.