Técnicas NLP para análisis de sentimiento y resumen de noticias financieras

Ballarín Corvinos, Jorge
Fernández Martínez, Juan Luis (dir.) ; Fernández Brillet, Lucas (dir.)

Universidad de Zaragoza, CIEN, 2023
Departamento de Matemática Aplicada, Área de Matemática Aplicada

Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación

Resumen: Nuestra capacidad de comunicación a través del lenguaje nos permite expresar pensamientos o sentimientos; no parece disparatado pensar que la habilidad de las máquinas para comprenderlo y analizarl ha sido un objetivo fundamental en la inteligencia artificial. El procesamiento natural del lenguaje (NLP) y el análisis de sentimiento son disciplinas clave que permiten a las computadoras entender y responder al lenguaje humano de manera más sofisticada.
Estas tecnologías tienen un amplio rango de aplicaciones, desde la comprensión de opiniones en redes sociales hasta la detección de noticias falsas, y están transformando la forma en que interactuamos con la información. Esto se sabe en el mundo financiero, donde la toma de decisiones informadas es crucial. Surge, por tanto, la necesidad de aprovechar la información disponible en noticias y redes sociales. Es por ello, que el propósito de este trabajo es desarrollar un modelo de lenguaje que funcione como un clasificador de noticias con análisis de sentimiento.
Para alcanzar este objetivo, se recurrirá a técnicas de vanguardia en procesamiento de lenguaje natural y análisis de sentimiento. El proceso comenzará con la adaptación de un modelo preexistente, FinBERT, a través de un entrenamiento utilizando datos de noticias financieras. A continuación, se aplicará una reducción de dimensionalidad mediante un análisis de componentes principales (PCA), para después desarrollar nuevos modelos utilizando algoritmos como XGBoost, k-NN de vecinos próximos y redes neuronales. Estos modelos se afinarán aún más utilizando algoritmos de optimización global. Posteriormente, se podrán comparar con el modelo BERT base, analizando las métricas de cada modelo. Además, se investigarán nuevas bases de datos que evaluarán el rendimiento del modelo con otros conjuntos de datos distintos.
El objetivo final es crear un clasificador especializado, eficiente y rápido en el ámbito financiero que pueda resultar valioso para diversas actividades dentro de este sector.

Tipo de Trabajo Académico: Trabajo Fin de Master