2 April, 2025 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

Nuevo planetario, un oasis de ciencia en Chimalhuacán

17 agosto, 2018

17 agosto, 2018

Por Armando Bonilla Ciudad de México.  (Agencia Informativa Conacyt).- A 30 minutos del Centro de la Ciudad de México —18...

Obtienen biodiesel de algas

29 marzo, 2016

29 marzo, 2016

AUTOR: Felipe Sánchez   FUENTE: AGENCIA INFORMATIVA CONACYT Saltillo, Coahuila. 22 de marzo de 2016 (Agencia Informativa Conacyt).- El Departamento de Biotecnología...

Crean estudiantes método que enseña robótica a niños con contenidos universitarios

28 marzo, 2017

28 marzo, 2017

Bajo este esquema, los chicos en la escuela han construido lanchas de radio control, electroimanes, brazos robóticos, robots seguidores de...

Asclepia, sistema para tratamiento de trastornos digestivos

8 octubre, 2018

8 octubre, 2018

Por Israel Pérez Valencia Santiago de Querétaro, Querétaro.  (Agencia Informativa Conacyt).- Investigadores y estudiantes del Tecnológico Nacional de México (Tecnm),...

Nuevas tecnologías para desgrane y triturado de maíz

21 julio, 2016

21 julio, 2016

AUTOR: Israel Pérez FUENTE: AGENCIA INFORMATIVA CONACYT Santiago de Querétaro, Querétaro. (Agencia Informativa Conacyt).- Ante la necesidad de ofrecer alternativas para reducir...

Día Mundial de la Libertad de Prensa: las redes sociales, un espejo de la realidad

3 mayo, 2016

3 mayo, 2016

AUTOR: Boletín de prensa FUENTE: AGENCIA INFORMATIVA CONACYT México, DF.  (Agencia Informativa Conacyt).- En México, el 76.57 por ciento de las personas...

Fibras de PET para la construcción

18 julio, 2017

18 julio, 2017

Por Israel Pérez Valencia Santiago de Querétaro, Querétaro. (Agencia Informativa Conacyt).- Investigadores de la especialidad en materiales de la Facultad de...

José A. Rodríguez, el SNI III más joven de la universidad en Hidalgo

18 diciembre, 2016

18 diciembre, 2016

Ciudad de México.  (Agencia Informativa Conacyt).- Para ser aceptado como miembro nivel III del Sistema Nacional de Investigadores (SNI), se necesitan...

Equipo infantil de robótica participará en Copa Mundial en Alemania

18 mayo, 2016

18 mayo, 2016

AUTOR: Felipe Sánchez FUENTE: AGENCIA INFORMATIVA CONACYT Monterrey, Nuevo León.  (Agencia Informativa Conacyt).- HornoBots, el equipo de robótica del Museo del Acero Horno3,...

Proyecto de SECITI beneficiará a millones de usuarios del metro, al reducir ruido y temperatura en túneles

20 abril, 2017

20 abril, 2017

SECRETARÍA DE CIENCIA, TECNOLOGÍA E INNOVACIÓN DEL DISTRITO FEDERAL – CDMX Ciudad de México, a 10 de abril de 2017...

Nodos Binacionales de Innovación del Conacyt: ideas sin fronteras

16 agosto, 2018

16 agosto, 2018

Por Hugo Valencia  Ciudad de México.  (Agencia Informativa Conacyt).- En el marco del Foro Nacional de Ciencia, Tecnología e Innovación 2018,...

Universitario crea prometedor sistema de memoria con gran almacenamiento

19 septiembre, 2016

19 septiembre, 2016

El desarrollo fue uno de los reconocidos en la premiación del Programa de Fomento al Patentamiento y la Innovación 2015...

Un nobel de física entre libros y universitarios

9 diciembre, 2018

9 diciembre, 2018

Por Pablo Miranda Ramírez Guadalajara, Jalisco.  (Agencia Informativa Conacyt).- Ver el pasado puede ser tan simple como mirar las estrellas. Para...

La importancia de la ciberseguridad

14 mayo, 2018

14 mayo, 2018

Por Ricardo Capilla Si piensas que la tecnología por sí misma puede resolver tus problemas de seguridad, entonces no entiendes...

Inician producción de jurel en Baja California Sur

5 octubre, 2018

5 octubre, 2018

Por Joel Cosío La Paz, Baja California Sur.  (Agencia Informativa Conacyt).-  En la Unidad Pichilingue de la Universidad Autónoma de Baja...