Prototipado rápido de minería de texto usando campos conceptuales

Solanas Navarro, Israel
Miguel Casado, Gregorio de (dir.)

Universidad de Zaragoza, EINA, 2021
Departamento de Informática e Ingeniería de Sistemas, Área de Lenguajes y Sistemas Informáticos

Graduado en Ingeniería Informática

Resumen: Hoy en día la mayor parte de la información reside en textos. Existen multitud de formas de extraer información de ellos, algunas manuales como la lectura o un análisis sintáctico de una frase tradicional y, otras automáticas como la aplicación de ciertos algoritmos de minería de texto.
Las aplicaciones de minería de textos en el ámbito de la informática son inmensas y de diversos tipos, una de ellas es la clasificación de textos que trata de predecir a qué categoría pertenece un determinado texto. Precisamente este tipo de aplicación, la clasificación de textos, es la que se lleva a la práctica en este trabajo de fin de grado.
Por otro lado, un concepto no muy explotado en el ámbito de la informática y empleando el lenguaje castellano es el de campo conceptual que hace referencia a una serie de palabras relacionadas con una idea. Existen diccionarios conceptuales incluso disponibles en la web como Zirano con el que se pueden encontrar de forma sencilla palabras relacionadas con una determinada idea. En este sentido, los campos conceptuales resultan ser una herramienta muy útil para enriquecer la información de un determinado texto.
El trabajo se ha centrado en el desarrollo de un sistema de minería de texto basado en campos conceptuales para lo cual se han empleado las técnicas de Aprendizaje SVM y árboles de decisión. La implementación de este sistema de minería se ha llevado a cabo en un entorno de prototipado rápido que ha permitido llevar a cabo el desarrollo de forma más amena que de la forma tradicional empleando solamente un lenguaje de programación.
En este trabajo se han desarrollado y evaluado varios prototipos de sistemas, uno de los cuales emplea campos conceptuales que obtiene de Zirano relacionados con ciertos sustantivos (sustantivos comunes) presentes en los textos que se emplean para entrenar los clasificadores basados en SVM y árbol de decisión. La fuente de datos de la que se extraen los textos es Twitter de la que se obtienen tweets de diferentes categorías y de extensión razonablemente uniforme, entre 270 y 280 caracteres.
Tras los experimentos realizados, se ha obtenido que el mejor sistema de minería de textos desarrollado con el conjunto de datos que se ha probado ha obtenido un 100% de acierto en la predicción, empleando árbol de decisión, entrenando con un conjunto de 70 tweets y validando con otro conjunto de otros 30 tweets.

Tipo de Trabajo Académico: Trabajo Fin de Grado