5 October, 2022 Revista Digital sobre Patentes, Marcas y Propiedad Intelectual

Lingüística computacional: ¿qué se dice en redes sociales?

Por Tomás Dávalos

Aguascalientes, Aguascalientes.(Agencia Informativa Conacyt).- Científicos mexicanos han elaborado un modelo de categorización de texto utilizando técnicas de vanguardia de aprendizaje computacional y procesamiento de lenguaje natural. Estos algoritmos desarrollados permiten clasificar la polaridad de un mensaje, así como determinar la edad, género y región a partir de la que escriben los usuarios de redes sociales. Con estos métodos, han participado en diversos concursos internacionales, obteniendo lugares destacados.

En este proyecto participan investigadores del Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación (Infotec) y del Centro de Investigación en Geografía y Geomática (Centrogeo), quienes han desarrollado tres algoritmos para clasificación de texto: B4MSA, un clasificador de sentimientos multilenguaje; MicroTC, un método de categorización de texto; y EvoDAG, que basado en cómputo evolutivo funciona como integrador.

Daniela Moctezuma Ochoa, Eric Sadit Téllez Ávila, Mario Graff Guerrero y Sabino Miranda Jiménez, todos ellos adscritos al programa Cátedras Conacyt, forman parte de un equipo de investigación que estudia la aplicación de herramientas de aprendizaje computacional para procesamiento de lenguaje en grandes cantidades de datos, proceso que consta de modelado de texto y espacio vectorial, así como clasificación automática.

Modelado de texto

Al respecto, Eric Téllez comentó en entrevista para la Agencia Informativa Conacyt: “Lo primero que quisimos intentar fue el proceso tradicional: primero normalizar el texto, luego dividir los textos en palabras y puntuaciones, para después crear un modelo matemático para los clasificadores tradicionales. Sin embargo, el esquema típico tenía muchas deficiencias, ya que en redes sociales como Twitter, muchas personas introducen variantes de palabras, ya sea de manera intencionada como pueden ser los hashtags, o por errores, ya sea gramaticales u ortográficos”.

Sabino Miranda Jimenez Mario Graff Guerrero Daniela Moctezuma Ochoa y Eric Sadit Tellez Avila 1Sabino Miranda Jiménez Mario Graff Guerrero Daniela Moctezuma Ochoa y Eric Sadit Téllez Ávila.Dado que la cantidad de errores en el texto es muy grande, las herramientas tradicionales no funcionan tan bien como deberían, esto es, en mayor medida, porque el enfoque tradicional supone que el texto se escribe de manera correcta, tanto ortográfica como sintácticamente. Esto no sucede en redes sociales, provocando que los modelos tradicionales tengan baja calidad en la resolución de tareas de clasificación. Por ello, comenzaron a experimentar con diferentes técnicas.

“Empezamos a ver otro tipo de transformaciones, le intentamos por simplicidad y cantidad de transformaciones, pero también por multiplicar el número de tokenizadores, esto es, en el cómo se divide un texto para poderlo analizar. Normalmente lo haces por palabras o pares de palabras, pero ahora fuimos un poco más allá, que es por subcadenas”, señaló.

Por su parte, Sabino Miranda detalló que al igual que el número de maneras de combinar las posibles subcadenas formadas a partir del texto, también se incrementa la robustez de los métodos. En este punto, ya no se consideran palabras a esas partes del texto, sino tokens o secuencia de caracteres de diferentes tamaños, también denominados q-gramas.

“Lo que haces normalmente después de la segmentación del texto es tratar de ver si lo que vas a comparar, q-gramas, se empareja con lo que ya conoces, es decir, otros q-gramas extraídos de textos definidos y etiquetados previamente como base de conocimiento. Los tokens (q-gramas), a diferencia de las palabras, permiten un margen de error, porque si escribes mal un carácter, las secuencias formadas pueden omitir el uso de ese carácter durante el proceso de segmentación, en contraste con una palabra mal escrita, entonces, el error en el texto se puede ir desvaneciendo y, en cierto sentido, se vuelve más robusto a los errores”, precisó.

Adicionalmente, el modelo es altamente paramétrico, por lo que las posibles configuraciones se cuentan en millones. Para ser práctico, el problema se plantea como un problema de optimización combinatoria, donde en poco tiempo se encuentra una solución competitiva a un problema que podría tomar años de cómputo para ser resuelto.

Todo esto diseñado para que la técnica general sea independiente del lenguaje, ya que no depende de un vocabulario predefinido ni tampoco de una manera de escribir. En la práctica, ha sido probado en varios lenguajes, como el árabe, español e inglés.

Espacio vectorial

Mario Graff sostuvo que el siguiente paso de este modelo de categorización consiste en transformar los símbolos en un espacio vectorial, así, una secuencia de números se asocia a una frase. De esta manera, el algoritmo puede utilizarse para distintas tareas —polaridad del mensaje o perfil de usuarios—, pues tiene la capacidad de autoconfigurarse para la asignación que se le brinde.

ling head 82117“Utilizas un algoritmo de aprendizaje de máquina que aprende estos patrones y cuando le presentas un nuevo ejemplo te sabe decir a qué clase pertenece ese nuevo ejemplo. Todo este procedimiento hace que sea sencillo pasar de un idioma a otro, porque todas las competencias te dan un corpus inicial de entrenamiento, entonces te dan tuits etiquetados en el idioma, y entonces a partir de ahí aprende al algoritmo”, apuntó.

Con relación a los concursos, Daniela Moctezuma refirió que conforme definieron los algoritmos B4MSA, MicroTC y EvoDAG, comenzaron a inscribirse en competencias donde podrían aplicar su desarrollo en diferentes idiomas, como el árabe, español, inglés, italiano y portugués.

Comentó que ya han publicado varios artículos científicos; sin embargo, una competencia es más compleja, ya que hay un tercero que pone las reglas y todos deben acatarlas, además de que les permite medirse en igualdad de condiciones con científicos que están trabajando en tareas de lingüística computacional en distintas partes del mundo.

“Las competencias nos han ayudado un poco a ver la robustez de nuestro trabajo en diferentes tareas, no solo en polaridad sino también en perfilado de usuarios, esto es, saber el género de la persona que escribe, de qué lenguaje es y de qué lugar —español de España, de México, de Argentina, etcétera—. Sirve para mejorar, añadir otras técnicas de procesamiento, de clasificación, y es así como hemos estado participando en las competencias”, especificó.

image icon01

Comparte tu opinión sobre este artículo

Comentarios

Related Posts

M3, un sistema para saber de qué hablan los medios de comunicación

12 octubre, 2018

12 octubre, 2018

Por Marytere Narváez Mérida, Yucatán.  (Agencia Informativa Conacyt).- ¿Sabes cuántas veces se ha publicado en los principales medios electrónicos mexicanos...

Construye IPN Dron Aeroplano que simula planeo de aves

22 junio, 2017

22 junio, 2017

FUENTE: Asociación Nacional de Universidades e Instituciones de Educación Superior, ANUIES, www.anuies.mx Su finalidad es monitorear zonas forestales de difícil...

Desarrollan investigadores de la UNAM biomateriales con menor impacto ecológico

26 enero, 2017

26 enero, 2017

Con su uso, las emisiones de CO2 se reducen hasta en 90 por ciento en comparación con la gasolina Con...

Instala CICESE estación gravimétrica en Nayarit

20 junio, 2016

20 junio, 2016

AUTOR: Claudia Karina Gómez   FUENTE: CONACYT, AGENCIA INFORMATIVA CONACYT Tepic, Nayarit.  (Agencia Informativa Conacyt).- El efecto que ejerce la gravedad sobre...

Van jaliscienses a RoboCup 2017 en Japón

11 junio, 2017

11 junio, 2017

Por Montserrat Muñoz Guadalajara, Jalisco. (Agencia Informativa Conacyt).- Tres equipos jaliscienses obtuvieron su pase a la XXI edición de RoboCup,...

Impulsa la UAM bioconstrucción de baños secos

18 abril, 2017

18 abril, 2017

FUENTE: Asociación Nacional de Universidades e Instituciones de Educación Superior, ANUIES, www.anuies.mx *El tratamiento de excretas disminuye los riesgos sanitarios...

Celebra México proyecto de restauración de corales con República Dominicana

16 junio, 2016

16 junio, 2016

AUTOR: Marytere Narváez FUENTE:  AGENCIA INFORMATIVA CONACYT Mérida, Yucatán. (Agencia Informativa Conacyt).- Como parte del proyecto de restauración de corales en México,...

Crean estudiantes clasificadora de frutas a bajo costo que trabaja con energía solar

6 marzo, 2017

6 marzo, 2017

Aunque inicialmente se diseñó para los productores de limón de Michoacán, el equipo puede ser adaptado para clasificar distintos tipos...

¿Cómo hacer eficiente la producción de biogás?

1 julio, 2017

1 julio, 2017

Por Ana Luisa Guerrero Ciudad de México.  (Agencia Informativa Conacyt).- ¿Cuál es el mejor modelo para producir biogás?, ¿qué variables...

Hidrojurica, sistema de alerta temprana para lluvias torrenciales

25 julio, 2018

25 julio, 2018

Por Israel Pérez Valencia Santiago de Querétaro, Querétaro.  (Agencia Informativa Conacyt).- Investigadores y estudiantes de la Red de Monitoreo de...

Volkswagen de México ofrece espacios para prácticas profesionales

8 julio, 2017

8 julio, 2017

FUENTE: Asociación Nacional de Universidades e Instituciones de Educación Superior, ANUIES, www.anuies.mx Para alumnos universitarios mexicanos, en varias áreas del...

La Casa de Hidalgo invita a sus alumnos de Arquitectura a participar en concurso internacional de diseño

14 agosto, 2017

14 agosto, 2017

FUENTE: Asociación Nacional de Universidades e Instituciones de Educación Superior, ANUIES, www.anuies.mx La convocatoria fue emitida por la Universidad de...

Con energía de rodilla logran… cargar dispositivos electrónicos

27 enero, 2016

27 enero, 2016

Con información de Agencia ID Desarrollo de alumnos del IPN permite que al realizar una caminata pueda cargarse un smartphone...

Tecnologías de bajo impacto para evitar inundaciones

13 julio, 2017

13 julio, 2017

Por Génesis Gatica Porcayo Ciudad de México.  (Agencia Informativa Conacyt).- La Universidad Autónoma del Estado de Hidalgo (UAEH) busca implementar...

FCQ Orizaba desarrolló proyecto para tratamiento de residuos grasos

14 julio, 2017

14 julio, 2017

FUENTE: Claudia Peralta Vázquez, Asociación Nacional de Universidades e Instituciones de Educación Superior, ANUIES, www.anuies.mx La importancia del experimento radica...