Conjunto de notícias para avaliação de investimentos em regiões do estado de São Paulo
Resumo
Este artigo apresenta um conjunto de dados com notícias jornalísticas sobre investimentos produtivos no Estado de São Paulo (2016–2024), coletadas e classificadas pela Fundação Seade e que antecede a curadoria efetuada pela Pesquisa de Investimentos Anunciados no Estado de São Paulo (PIESP). A base inclui dados como título, fonte, texto integral e classificação manual de relevância. Descrevemos o processo de coleta e organização dos dados. Em seguida, discutimos potenciais aplicações como agrupamento semântico, extração de entidades nomeadas e sumarização automática. Também abordamos o desbalanceamento de classes nas notícias recentes e estratégias de amostragem para mitigação. O conjunto de dados visa apoiar pesquisas em economia regional, mineração de textos e aprendizado de máquina.
Referências
Barros, T. et al. (2021). Sumarizacão automática de notícias crime no contexto da polícia federal. In Anais Estendidos do XXXVI Simpósio Brasileiro de Bancos de Dados, pages 127–133, Porto Alegre, RS, Brasil. SBC.
Campello, R J G B.. et al. (2013). Density-based clustering based on hierarchical density estimates. In Advances in Knowledge Discovery and Data Mining, pages 160–172, Berlin, Heidelberg. Springer Berlin Heidelberg.
Cavalcanti, A. et al. (2024). Avaliação de técnicas de balanceamento de dados na detecção de fraude em transações online de cartão de crédito. In Anais do XXXIX SBBD, pages 694–700, Porto Alegre, RS, Brasil. SBC.
Chawla, N. V. et al. (2002). Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16:321–357.
Davis, P. (2022). Indicadores e dados municipais: Um banco de dados para avaliar a eficiência das despesas públicas. In Anais do IV Dataset Showcase Workshop, pages 79–90, Porto Alegre, RS, Brasil. SBC.
Freitas, J. B., Clarindo, J. P., and Aguiar, C. (2023). Spsafe: um dataset sobre dados de criminalidade no estado de são paulo. In Anais do V Dataset Showcase Workshop, pages 48–57, Porto Alegre, RS, Brasil. SBC.
Fundação Sistema Estadual de Análise de Dados (SEADE) (2025). Anexo metodológico — seade investimentos.
Goodfellow I. et al. (2020). Generative adversarial networks. CACM, 63(11):139–144.
Grootendorst, M. (2022). BERTopic: neural topic modeling with a class-based TF-IDF procedure. ArXiv Ref. 2203.05794, page 10.
McInnes, L., Healy, J., and Melville, J. (2018). Umap: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426.
Reips, L., Musicante, M., Vargas-Solar, G., Pozo, A., and Hara, C. (2023). Enow - extrator de dados de notícias da web. In Anais Estendidos do XXXVIII Simpósio Brasileiro de Bancos de Dados, pages 78–83, Porto Alegre, RS, Brasil. SBC.
Souza, F., Nogueira, R., and Lotufo, R. (2020). Bertimbau: Pretrained bert models for brazilian portuguese. In Cerri, R. and Prati, R. C., editors, Intelligent Systems, pages 403–417, Cham. Springer International Publishing.
