PLC Analisis de Documentos PDF

Universidad Nacional de San Luis
Tesis de Maestra en Ingeniera de Software
UN FRAMEWORK DE INGENIERA DEL

LENGUAJE PARA EL PRE-PROCESADO
SEMNTICO DE TEXTOS
Lic. Mara Vernica Rosas
Director: Dr. Paolo Rosso, Universitat Politcnica de Valncia.
Codirector: Dr. Marcelo Errecalde, Universidad Nacional de San Luis.
San Luis Argentina

2012
Prefacio
Esta Tesis es presentada como parte de los requisitos para optar al grado acadmico
de Magister en Ingeniera de Software, de la Universidad Nacional de San Luis, y no ha
sido presentada previamente para la obtencin de otro ttulo en esta Universidad u otras.
La misma contiene los resultados obtenidos en investigaciones llevadas a cabo bajo la
direccin del Dr. Paolo Rosso y el Dr. Marcelo Errecalde.
Lic. Mara Vernica Rosas
mvrosas@unsl.edu.ar
Departamento de Informtica
Universidad Nacional de San Luis
San Luis.
Agradecimientos
La gratitud es una de las grandes bendiciones de la vida. Nos permite ver todo como
posibles dones de Dios.
A todas las personas que fueron y son dones que Dios ha puesto en mi camino durante mi
vida...a las que me alentaron, a las que me tuvieron paciencia, a las que estuvieron a mi
lado (a pesar de la distancia y del cielo que nos separa), a las que corrigieron mis errores,
a las que enriquecieron mi trabajo con su experiencia y sabidura, a las que fueron mi
gua y ejemplo, a las que compartieron horas de mate y cubrieron mi ausencia: MUCHAS
GRACIAS.
Dedico esta tesis con todo el amor a mi hermosa familia: Ariel, Martina y Bauti, a
mi mam, a JuanMa y Luci, a mis cuados, a mi Nono Herminio y a Santiago que me
acompa con su sonrisa espontnea y amplia estos ltimos meses. A mis amigos de toda
la vida y a los que comparten y disfrutan da a da las horas de docencia.
Agradezco a mi director y codirector, sin cuya ayuda, dedicacin y constancia no
hubiera podido alcanzar las metas propuestas para este trabajo y a los profesores de la
carrera que brindaron su conocimiento en aspectos importantes para el desarrollo nal de
mi proyecto.
Principalmente agradezco a Dios cada da que me regala y que me acompaa incon-
dicionalmente en este camino, hacindose presente en cada una de las personas que estn
a mi lado.
ndice general
1. Introduccin 1
1.1. Descripcin de la problemtica . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Aspectos surgidos desde el rea del PLN . . . . . . . . . . . . . . . 2
1.1.2. Aspectos surgidos desde el rea de la IS . . . . . . . . . . . . . . . . 3
1.2. Motivacin y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Contexto de la tesis en el marco de la Maestra . . . . . . . . . . . . . . . 6
1.4. Principales contribuciones y publicaciones . . . . . . . . . . . . . . . . . . 7
1.5. Organizacin de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2. Procesamiento del lenguaje natural 11

2.1. Niveles de la lingustica general . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2. PLN estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Aplicaciones de PLN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3. Indexacin y categorizacin de textos 19

3.1. Indexacin de documentos . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.1. Modelos de indexacin . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2. Modelo de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Categorizacin de textos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2.1. Aprendizaje de un clasicador . . . . . . . . . . . . . . . . . . . . . 27

3.2.2. Evaluacin de un clasicador . . . . . . . . . . . . . . . . . . . . . 28
3.3. Reduccin de dimensionalidad . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4. Semntica en la categorizacin de textos . . . . . . . . . . . . . . . . . . . 32
4. Resolucin de la ambigedad semntica 35

4.1. Indexacin conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2. Estrategias de desambiguacin . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3. WordNet: una base de datos lxica . . . . . . . . . . . . . . . . . . . . . . 38
5. WSD basado en conocimiento 47

5.1. Mtodo heurstico del sentido ms frecuente . . . . . . . . . . . . . . . . . 48
5.2. Algoritmo de Lesk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.1. Algoritmo de Lesk Mejorado . . . . . . . . . . . . . . . . . . . . . . 51
5.3. Sistema CIAOSENSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6. Aspectos de Ingeniera de Software aplicados a PLN 59

6.1. Conceptos introductorios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.1.1. Ingeniera del Lenguaje Natural . . . . . . . . . . . . . . . . . . . . 61
6.1.2. Reuso de componentes . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.1.3. APIs para WordNet . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.2. Trabajos Relacionados en Ingeniera del Lenguaje . . . . . . . . . . . . . . 68
6.3. Descripcin del framework desarrollado . . . . . . . . . . . . . . . . . . . . 70
6.4. Experiencias en el uso del framework . . . . . . . . . . . . . . . . . . . . . 74
6.5. Plugin semntico para GATE . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.5.1. Modelo de componentes de GATE . . . . . . . . . . . . . . . . . . . 76
6.5.2. Descripcin del recurso de procesamiento semntico . . . . . . . . . 78

7. Conjuntos de datos y detalle de los experimentos 81
7.1. Descripcin de los conjuntos de datos . . . . . . . . . . . . . . . . . . . . . 82
7.2. Diseo experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.3. Resultado y anlisis de los experimentos . . . . . . . . . . . . . . . . . . . 86
7.3.1. Enfoque I: incorporacin de informacin semntica . . . . . . . . . 87
7.3.2. Enfoque II: reduccin de dimensionalidad . . . . . . . . . . . . . . . 90
7.3.3. Enfoque III: incorporacin de hipernimos . . . . . . . . . . . . . . 92
7.4. Clustering utilizando informacin semntica . . . . . . . . . . . . . . . . . 93
8. Conclusiones y trabajos futuros 99

8.1. Aportes realizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
8.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
A. Acrnimos 103
B. Documentacin del Framework 105

B.1. Propsito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
B.2. Utilizacin y ejecucin del framework . . . . . . . . . . . . . . . . . . . . . 106
C. Documentacin de Pre.Se.Do 109
Bibliografa 115
ndice de tablas
3.1. Representacin binaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2. Representacin real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3. Nomenclatura SMART para la codicacin de textos . . . . . . . . . . . . 24
3.4. Matriz de Decisin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5. Matrz de contingencia para la categora ci . . . . . . . . . . . . . . . . . . 29
4.1. Clasicacin de los mtodos de WSD . . . . . . . . . . . . . . . . . . . . . 38
4.2. Relaciones en WordNet segn las categoras gramaticales . . . . . . . . . . 41
4.3. Conceptos en la cima de la jerarqua de WordNet . . . . . . . . . . . . . . 43
4.4. Archivos de la base de datos WordNet (versin 2.1) . . . . . . . . . . . . . 44
5.1. Algoritmo de Lesk (adaptado desde [9]) . . . . . . . . . . . . . . . . . . . . 50
5.2. Puntajes para los pares en la guras 5.1, 5.2 y 5.3 . . . . . . . . . . . . . . 56
5.3. Clculos para la Figura 5.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.1. Caractersticas del corpus CICling-2002 . . . . . . . . . . . . . . . . . . . 82
7.2. Caractersticas del corpus EasyAbstracts . . . . . . . . . . . . . . . . . . . 83
7.3. Caractersticas del corpus R8 . . . . . . . . . . . . . . . . . . . . . . . . . 84
7.4. Mejores valores para codicacin#clasicador#WSD . . . . . . . . . . . 88
7.5. Mejores valores de precisin de CICling-2002, EasyAbstract y R8 . . . . . 89
7.6. Mejores valores de precisin de R8+ y R8- . . . . . . . . . . . . . . . . . . 90
7.7. Mejores valores de precisin de R8porc+ y R8porc- . . . . . . . . . . . . . 90

7.8. Resultados sin hipernimos vs con hipernimos . . . . . . . . . . . . . . . 93
7.9. Mejores valores de medida F por coleccin. . . . . . . . . . . . . . . . . . . 98

ndice de guras
2.1. Estructura de un sistema PLN . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.1. Relaciones para el synset pine, pine true, pine cone (adaptada de [76]) . 41
4.2. Fragmento del archivo index.noun . . . . . . . . . . . . . . . . . . . . . . . 43
4.3. Fragmento del archivo data.noun . . . . . . . . . . . . . . . . . . . . . . . 44
5.1. Comparacin del primer par (adaptado de [8]) . . . . . . . . . . . . . . . . 54
5.2. Comparacin del segundo par (adaptado de [8]) . . . . . . . . . . . . . . . 54
5.3. Comparacin del tercer par (adaptado de [8]) . . . . . . . . . . . . . . . . 55
5.4. Subjerarqua y synsets relevantes . . . . . . . . . . . . . . . . . . . . . . . 57
5.5. Subjerarquas para la desambiguacin de brake con CIAOSENSO . . . . 58
6.1. Estructura del framework . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.2. Diagrama de tareas e interaccin de clases . . . . . . . . . . . . . . . . . . 74
6.3. Interfaz grca de GATE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.4. Archivo creole.xml del mdulo SMF . . . . . . . . . . . . . . . . . . . . . . 79
6.5. Plugin semntico instalado y ejecutado en GATE . . . . . . . . . . . . . . 79
7.1. Diagrama de actividades para generar los distintos vectores . . . . . . . . . 86
7.2. Sin Informacin Semntica vs. Con Informacin Semntica . . . . . . . . 87
7.3. Reduccin del tamao de vocabulario para la coleccin R8 . . . . . . . . . 91
7.4. Reduccin del tamao de vocabulario para la coleccin R8+ . . . . . . . . 92

?
7.5. El algoritmo PAntSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
B.1. Ejemplo clase POSTagging . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
B.2. Ejemplo clase WSD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
C.1. Ventana inicial de Pre.Se.Do . . . . . . . . . . . . . . . . . . . . . . . . . . 111
C.2. Ventana principal de Pre.Se.Do. . . . . . . . . . . . . . . . . . . . . . . . . 111
C.3. Explorador para seleccionar la coleccin . . . . . . . . . . . . . . . . . . . 112
C.4. Ventana de dilogo de aviso de error . . . . . . . . . . . . . . . . . . . . . 113
C.5. Ventana de dilogo para Cancelar el proceso . . . . . . . . . . . . . . . . . 113
C.6. Ventana procesando una tarea . . . . . . . . . . . . . . . . . . . . . . . . . 114
C.7. Solapa para la tarea de WSD . . . . . . . . . . . . . . . . . . . . . . . . . 114
C.8. Solapa para la tarea de Vectores . . . . . . . . . . . . . . . . . . . . . . . . 115
C.9. Solapa para la tarea de Relaciones . . . . . . . . . . . . . . . . . . . . . . 115

Captulo 1
Introduccin
Este trabajo de tesis surge de la necesidad de brindar una solucin integradora a los
planteos originados en dos reas de estudios diferentes, como son el Procesamiento del
Lenguaje Natural (PLN) y la Ingeniera del Software (IS). Por lo tanto, el objetivo general
se plantea para dar una respuesta unicada a dos necesidades:
Determinar la efectividad de la categorizacin de textos, concretamente en textos
cortos, cuando se utiliza informacin semntica obtenida mediante la aplicacin de
diferentes mtodos de desambiguacin del sentido de las palabras.
Disponer de una herramienta en Ingeniera del Lenguaje (IL) que sea especca y
sencilla para el desarrollo de los experimentos necesarios para el anlisis anterior.
En la primera seccin del captulo se describen los aspectos principales asociados a las
dos reas de estudio y la problemtica que dio origen a este trabajo. Las motivaciones y los
objetivos planteados para el desarrollo de la tesis son enunciados en la segunda seccin.
En un apartado especial se enmarca el contexto de esta tesis dentro de la maestra en
Ingeniera de Software, haciendo mencin de las contribuciones en este mbito de investi-
gacin y detallando las publicaciones presentadas. Finalmente, se expone la organizacin
de la tesis resumiendo los diferentes captulos que la componen.

Captulo 1. Introduccin 2
1.1. Descripcin de la problemtica
Las tecnologas de la informacin y la comunicacin han hecho posible el acceso a gran
cantidad de informacin de manera sencilla. Gran parte de dicha informacin es de tipo
textual, razn por la cual, las aplicaciones vinculadas al PLN (como la Categorizacin
de Textos) adquieren, da a da, una mayor relevancia. En este sentido, es importante
y necesario obtener mejoras en estas tareas, tanto desde el mbito del PLN como en la
aplicacin de conceptos provenientes del dominio ingenieril.
Teniendo en cuenta la problemtica que surge de las distintas reas de investigacin
involucradas en esta tesis, es conveniente para una mejor descripcin considerar las falen-
cias existentes en las mismas en forma separada. Posteriormente, se mostrar la necesidad
de llevar a cabo un enfoque integrado que compense las dicultades expuestas.
1.1.1. Aspectos surgidos desde el rea del PLN

El exceso de informacin a la que una persona est expuesta hoy en da, generalmente
ocasiona la imposibilidad de identicar, seleccionar y procesar lo que realmente se nece-
sita. Debido al hecho de que generalmente se recibe ms informacin de la que se desea o
es posible procesar, las aplicaciones y tcnicas vinculadas al procesamiento y organizacin
automtica de documentos (recuperacin, categorizacin, agrupamiento, etc.) juegan un
papel relevante. Una de las aplicaciones del PLN es la Categorizacin de Textos (tam-
bin referenciada como CT supervisada ) que consiste en asignar documentos a clases o
categoras existentes. La CT ha despertado un notable inters ya que permite abordar,
a partir de un conocimiento ms profundo del lenguaje, los problemas de organizar y
clasicar el cmulo de informacin que se recibe habitualmente en categoras predenidas
[106]. En este sentido, numerosas aplicaciones de la categorizacin de documentos han
realizado valiosos aportes en diversas reas como la deteccin de spam [41], el ltrado
de noticias [4], la deteccin de plagios e identicacin de autores [85, 86, 70, 55, 110], el
anlisis de opinin [27], la organizacin de patentes en categoras [60], y la clasicacin y
organizacin de pginas Web [57, 127], entre otras.
Un aspecto importante a ser observado en este contexto, es que a pesar de que la
informacin textual en lenguaje natural con el que trabajamos tiende a aumentar expo-
nencialmente, sta tiene la particularidad de tener un nmero reducido de palabras en

Descripcin de la problemtica 3
cada texto. Hoy en da, la comunicacin escrita entre personas hace un uso constante de
este tipo de textos restringidos en tamao buscando optimizar el uso de palabras en in-
teracciones ecientes, cortas y veloces, a travs de correo electrnico, mensajes de textos,
reportes internos, faxes, fragmentos de pginas Web, cables de noticias, opiniones en blogs
y redes sociales, entre otros. Con respecto a este punto, se puede decir que existe an un
nmero limitado de estudios realizados sobre la categorizacin de textos especialmente
cuando las caractersticas de los mismos es una acotada cantidad de palabras, por lo que
el desarrollo de mtodos efectivos para lograr mejoras en esta tarea, contina siendo un
tema abierto de investigacin que resulta interesante de ser profundizado.
Por lo planteado anteriormente, se deduce que la CT y concretamente en textos cortos
puede redundar en benecios para una variedad de mbitos. Por lo tanto, surge la nece-
sidad de incorporar y plantear nuevas mejoras a dicho proceso, que faciliten y permitan
mayor exactitud al momento de seleccionar la categora a la que pertenece un determinado
documento.
1.1.2. Aspectos surgidos desde el rea de la IS

La IS ha realizado aportes signicativos al PLN a partir del rea denominada IL, consi-
derada en muchos casos como la interseccin entre ambas disciplinas. Sin embargo, si bien
la IL provee de mtodos y herramientas especcos para abordar algunos de los proble-
mas citados en la seccin anterior [9, 15, 106], ciertos aspectos ingenieriles de relevancia,
tales como robustez, productividad (a travs del reuso de componentes) y exibilidad, no
han recibido la necesaria atencin. Por ejemplo, la baja reutilizacin de componentes en
aplicaciones de PLN sigue siendo uno de los problemas ms complejos a solucionar. Esto
se debe a que la reutilizacin en este caso presenta una doble limitacin, necesitando no
slo intercambiar datos usando el mismo formato e interpretacin, sino que tambin se
necesita realizar la comunicacin entre componentes que pueden estar escritos en distintos
lenguaje e incluso ejecutar en diferentes plataformas. Por todo esto, generalmente cuando
se hace mencin al reuso de componentes en PLN en realidad se est trabajando en un
tpico problema de integracin. Claramente, el obstculo mencionado previamente puede
ser superado aplicando conceptos bsicos de la IS como son las Interfaces de Programacin
de Aplicaciones (APIs ) o los marcos de trabajo (en ingls, Frameworks ).

Distintos trabajos en IL, han realizado aportes interesantes al tratar de solucionar el
problema de la baja tasa de reuso e integracin de componentes que en general se puede
observar en los desarrollos de PLN [22, 21]. Sin embargo, estos trabajos suelen presentar
como problema un alto costo de entendimiento y uso de sus abstracciones que en muchos
casos supera el costo estimado por el programador en desarrollarlo nuevamente desde cero.
En estos casos, un problema adicional es el hecho de que muchas de las arquitecturas
introducidas se han concentrado en modelos muy generales y poco exibles para ciertos
problemas particulares de PLN.
1.2. Motivacin y objetivos
Un problema intrnseco del lenguaje natural, que es de gran inters en el mbito del
PLN, es el hecho de que una palabra pueda tener, dependiendo del contexto, distintos
sentidos o signicados, conocido como ambigedad semntica. La resolucin de este
tipo de ambigedad puede considerarse como una tarea intermedia necesaria y esencial
para diversas aplicaciones del PLN que son sensibles a la identicacin del sentido de
las palabras, tales como Recuperacin de la Informacin, Categorizacin de Textos y
Traduccin Automtica, entre otras. El procedimiento para decidir los signicados de las
palabras a partir del contexto que las rodea se conoce como desambiguacin del sentido
de las palabras (WSD las siglas en ingls para Word Sense Disambiguation ). La hiptesis
fundamental de la WSD es que existe un nico concepto (o sentido) para cada trmino
en una frase determinada.
Diferentes trabajos relacionados a tareas de CT como los presentados en [45, 112, 89]
han analizado las ventajas de enriquecer la representacin original de los documentos
con conceptos de una ontologa genrica para introducir generalidad al identicar tpicos
relacionados. Por ejemplo, si se tiene en un documento la frase: Luego de ir al banco

a cobrar el cheque me sent en el banco de la plaza. (relacin de polisemia del trmino
banco) o la frase La alegra que me da verte me embarga de jbilo. (relacin de
sinonimia entre los trminos alegra y jbilo). En este sentido, si en los documentos hay
trminos ambiguos y/o relacionados es conveniente utilizar un mtodo de WSD para los
mismos, de modo tal de seleccionar el concepto ms apropiado para ser agregado a la
representacin.
Motivacin y objetivos 5
Generalmente dichos estudios estn enfocados a documentos donde es factible, en la
mayora de los casos, disponer de una coleccin de entrenamiento para la tarea de WSD.
Este enfoque basado en corpus (tambin conocido como supervisado) no siempre es viable
de ser aplicado en todos los dominios en los cuales estamos interesados. Por ejemplo,
cuando se trabaja con determinados tipos de documentos cortos, no siempre se dispone
de colecciones de entrenamiento para la tarea de WSD que reejen las particularidades de
los mismos. Una alternativa para abordar el problema anterior, es el uso de mtodos de
WSD basados en conocimiento que obtienen informacin desde recursos lxicos externos.
Si bien este tipo de mtodos suelen mostrar resultados de menor calidad que los obtenidos
con mtodos basados en corpus, constituyen en muchos casos la nica alternativa realista
si se desea hacer uso de informacin semntica en la representacin de documentos [120].
Teniendo en cuenta esto, se puede pensar al enfoque basado en conocimiento como una
opcin apropiada para la tarea en la que decidimos enfocarnos, la CT cortos.
Es importante destacar que, para que un conjunto de documentos pueda ser evaluado
por un clasicador, es necesario obtener una representacin de los mismos. Una de las
formas ms simple de identicar a los documentos es utilizar un vector de atributos o
descriptores ndice. Es comn que cada elemento de este vector represente una palabra de
la coleccin, donde el valor de cada componente pueda ser binario, lo que indica presencia
o ausencia del trmino en el documento, o pueda ser un nmero (entero o real) calculado
en base a la frecuencia de aparicin de la palabra en el texto y en la coleccin completa de
documentos. Dependiendo del sistema de CT utilizado y especialmente de la dimensin
de los vectores utilizados para representar a los documentos de una coleccin, pueden
surgir otros problemas vinculados al tiempo y espacio de memoria requeridos para la
tarea de categorizacin. Un aspecto interesante a analizar en estos casos es el uso de
mtodos clsicos de reduccin de la dimensionalidad de los vectores de trminos. El proceso
consiste en descartar los trminos (tambin denominados atributos o caractersticas) que
son irrelevantes, redundantes o que brinden mnima informacin al clasicador.
Por otra parte, la nalidad de las aplicaciones de PLN es obtener un resultado efec-
tivo para la tarea particular que se realiza. En el caso de la CT sera clasicar todos los
documentos pertenecientes a una coleccin lo ms correctamente posible. En la mayora
de los casos, la eciencia y calidad del desarrollo de un sistema vinculado al PLN, son
relegadas a un segundo plano sin tener en cuenta que esto ocasiona, algunas veces, de-
moras en el diseo de los experimentos y en la obtencin de resultados, la inviabilidad de

poder comparar o reproducir exhaustivamente experimentos previos y la imposibilidad de
reutilizar cdigo. Todos estos aspectos plantean la necesidad de indagar en tcnicas de
Ingeniera de Software para buscar posibles soluciones a algunos de estos problemas.
Tomando en cuenta las consideraciones previas, en este trabajo buscamos responder
los siguientes interrogantes:
1. En qu medida la incorporacin de informacin semntica en la representacin de
los textos puede beneciar la categorizacin de textos cortos? Qu rol juega en
estos casos la reduccin de vocabulario?
2. Qu ventajas aporta en el desarrollo del estudio anterior, la implementacin de un
prototipo de marco de trabajo (framework ) especcamente adaptado a esta tarea?
1.3. Contexto de la tesis en el marco de la Maestra
Esta tesis ha sido desarrollada como parte de los requisitos para obtener el ttulo de
la carrera de postgrado Maestra en Ingeniera de Software. A tal n, se han empleado
conceptos de la IS en aplicaciones del PLN, con el propsito de realizar aportes en la
IL. Para abordar los tpicos relacionados a la IS fueron fundamentales los conceptos
impartidos por cursos que forman parte de la currcula de la maestra. En el desarrollo de
este trabajo, fue un importante aporte el estudio comparativo de los distintos enfoques
y herramientas de modelado de sistemas (incluyendo la evaluacin de sus ventajas y
desventajas) realizado en el curso Modelos de sistemas de software. De la misma manera,
los conceptos introducidos en el curso Estudio Comparativo de Metodologas facilitaron el
planteo adecuado de los requerimientos de las tareas de PLN para ser implementados en un
sistema concreto aplicando un mtodo apropiado. La seleccin de herramientas adecuadas
para la generacin de cdigo, lenguajes y ambientes de programacin fue posible gracias a
los temas vertidos en Mtodos Formales y Anlisis de Herramientas para la Produccin de
Software. Finalmente, el diseo y creacin del framework descripto en este informe utiliza
los conceptos relacionados a modelos y mtodos formales orientados a la arquitectura
estudiados en el curso Arquitectura de sistemas de software.
Por otra parte, fueron esenciales para sentar las bases en lo que respecta a los con-
ceptos relacionados al PLN y la CT, los cursos extracurriculares realizados, entre ellos
Principales contribuciones y publicaciones 7
Aprendizaje Automtico y Minera de Datos que imparte los temas fundamentales vin-
culados al rea de la CT y Aplicaciones de la Lingstica Computacional en el cual se
abordan con mayor detalle tpicos referentes al PLN y WSD.
1.4. Principales contribuciones y publicaciones
En esta tesis se ha realizado, en primera instancia, el estudio exhaustivo de tpicos
relacionados al PLN, sus fundamentos y aplicaciones, analizando con mayor detalle los
contenidos vinculados a la indexacin de documentos y la CT. Diferentes estrategias
de desambiguacin fueron comparadas y analizadas, profundizando sobre los algoritmos
basados en conocimiento que en muchos casos constituyen la nica alternativa realista
si se desea hacer uso de informacin semntica en la representacin de documentos. La
investigacin realizada sobre estos temas est incluida en los primeros captulos de esta
tesis.
La literatura vinculada a la IL analizada en este trabajo, nos brinda ejemplos intere-
santes de sistemas, prototipos y propuestas de entornos de integracin y herramientas
vinculadas a PLN. La elaboracin de un relevamiento de las diferentes arquitecturas exis-
tentes orientadas al desarrollo de componentes y su integracin para la creacin de sis-
temas PLN fue una de las tareas ms importantes. Los principales aspectos surgidos de
este estudio estn incluidos en el captulo 6.
Los resultados prometedores que se obtuvieron al incorporar informacin semntica
en la representacin de documentos mediante la aplicacin de mtodos de WSD basados
en conocimiento, fueron la motivacin para continuar en esta lnea de investigacin. Estas
primeras conclusiones fueron plasmadas en los artculos

1
Un anlisis comparativo de estrategias para la categorizacin semntica de textos
cortos . Mara V. Rosas, Marcelo Errecalde y Paolo Rosso. Revista del Procesamien-
to del Lenguaje Natural, Sociedad Espaola para el Procesamiento del Lenguaje
Natural (SEPLN 45), pginas 1118, 2010.
Tpicos avanzados en categorizacin de textos . Diego Ingaramo, Mara V. Rosas,
Amparito Asensio y Marcelo Errecalde. Anales del XI Workshop de Investigadores
en Ciencias de la Computacin (WICC 2009), pginas 7579, 2009.
1 Corresponden a las referencias [48, 95] de la bibliografa.

Las tareas involucradas en el pre-procesamiento semntico de documentos constituyen
una parte importante en la ejecucin de los experimentos. Con el propsito de favorecer
la ejecucin de dichas tareas, se implement un prototipo de marco de trabajo que sea
sencillo de aplicar, brindando interfaces y clases abstractas bsicas. Uno de los bene-
cios principales del framework desarrollado es la reusabilidad de cdigo, generando un
ahorro de tiempo importante en la implementacin de experimentos. Estos desarrollos se
describen en el siguiente trabajo

2
Un framework de Ingeniera del Lenguaje para el pre-procesado semntico de tex-
tos . Marcelo Errecalde, Mara V. Rosas y Paolo Rosso. Workshop Ingeniera de
Software - XVI Congreso Argentino de Ciencias de la Computacin (CACIC 2010),
pginas 587596, 2010.
El agrupamiento de textos ( clustering ) es un rea muy importante de investigacin,
que puede jugar un rol fundamental en organizar grandes volmenes de documentos, en
un nmero pequeo de grupos signicativos. El clustering de documentos, tambin refe-
renciado como CT no supervisada, consiste en la asignacin de documentos a categoras
desconocidas. Esta tarea es ms difcil que la CT supervisada debido a que la informacin
acerca de las categoras y los documentos correctamente clasicados no se proporciona
con anterioridad. Como anexo a los trabajos realizados en CT, se realizaron experimentos
que permitieron concluir que los enfoques de clustering iterativo pueden tambin verse
beneciados signicativamente con la incorporacin de informacin semntica en la repre-
sentacin de los documentos. La descripcin de esta propuesta y los resultados obtenidos
de dichos experimentos fueron publicados en

3
Clustering Iterativo de Textos cortos con representaciones basadas en conceptos .
Marcelo Errecalde, Mara V. Rosas, Diego Ingaramo y Paolo Rosso. Proc. Works-
hop on Natural Language Processing and Web-based Technologies, 12th edition of
the Ibero-American Conference on Artitial Intelligence, IBERAMIA-2010, Baha
Blanca, Argentina, pginas 8089, 2010.
2 Corresponde a la referencia [33] de la bibliografa.

Organizacin de la tesis 9
La publicacin anterior fue seleccionada para ser incorporada como artculo de la revis-
ta del Procesamiento del Lenguaje Natural de la Sociedad Espaola para el Procesamiento
del Lenguaje Natural (SEPLN), y ha sido recientemente publicada en

4
Clustering Iterativo de textos cortos con representaciones basadas en conceptos .
Mara V. Rosas, Marcelo Errecalde, Diego Ingaramo y Paolo Rosso. Revista del
Procesamiento del Lenguaje Natural, Sociedad Espaola para el Procesamiento del
Lenguaje Natural (SEPLN 46), pginas 1926, 2011.
1.5. Organizacin de la tesis
Las nociones principales que son tratadas en este trabajo referentes a la IS son cono-
cidas por los investigadores en esta rea, no as los temas que conciernen al PLN por lo
que en los primeros captulos se realiza una descripcin ms detallada de aquellos temas
vinculados al PLN, que son necesarios para comprender los restantes captulos. De esta
forma los captulos que conforman esta tesis estn organizados de la siguiente manera:
Captulo 2: En este captulo se describen los principales aspectos del PLN y las tareas
que involucran dicho proceso. Finalmente, se incluyen algunos proyectos que se encuentran
en desarrollo en este mbito.
Captulo 3: Se explican los aspectos relacionados a los modelos utilizados para la inde-
xacin de textos, en particular el sistema SMART. Luego, se presenta una visin general
de los principales conceptos sobre CT y el problema de ambigedad presente en la mayora
de las aplicaciones de PLN.
Captulo 4: Se introduce una variante al modelo tradicional de representacin de los
documentos que permita subsanar el problema de la ambigedad semntica. Se analizan
diferentes estrategias de desambiguacin, dedicando una seccin al nal del captulo a
presentar uno de los recursos externos ms utilizado en las tareas de desambiguacin: la
ontologa WordNet.
Captulo 5: En este captulo se describen los algoritmos basados en conocimiento son
utilizados en el proceso de desambiguacin de los distintos experimentos realizados: M-
todo heurstico de mayor frecuencia, CIAOSENSO y Lesk Mejorado. Una seccin de este

captulo est destinada a profundizar sobre mtodos para la reduccin de trminos que
pueden ser conveniente aplicar para optimizar los tiempos de procesamiento y el espacio
de memoria.
Captulo 6: Usando el concepto de marco de trabajo (framework ) de IS, en este captulo

se muestra un prototipo para mejorar la productividad y reusabilidad de componentes en
el preprocesado semntico de documentos para la CT. Como complemento al captulo se
incluye el acoplamiento de un mdulo del framework desarrollado a un sistema mayor,
denominado GATE.
Captulo 7: Se presenta el trabajo experimental realizado, con una descripcin de los
conjuntos de datos utilizados y la explicacin de cada experimento. Finalmente, se realiza
el anlisis y evaluacin de los resultados obtenidos.
Captulo 8: Finalmente se describen las conclusiones obtenidas y las posibles extensiones

al trabajo presentado.
Captulo 2
Procesamiento del lenguaje natural
"Hasta el viaje ms largo comienza con un solo paso."
Proverbio chino.
El exceso de informacin disponible cada da, hace necesaria la tarea de procesar los
datos de manera efectiva. La mayor parte de esta informacin est expresada en lenguaje
natural. La computadora personal era, hasta hace un tiempo atrs, slo una herramienta
para la creacin y almacenamiento de documentos de texto, pero con limitaciones en el
procesamiento de los mismos. Uno de los grandes sueos inalcanzable en el pasado, era
contar con mecanismos ecaces que, desde el punto de vista computacional, permitan que
las personas puedan comunicarse directamente con las mquinas en lenguaje humano y
que stas sean capaces de extraer conocimiento a travs del mismo. La idea de dar a las
computadoras la habilidad de procesar el lenguaje natural ya es una realidad [17].
La utilizacin de la computadora para generar y comprender el lenguaje humano na-
tural es el eje principal del PLN. Con el objetivo de modelar el lenguaje humano desde un
punto de vista computacional, en su estudio intervienen diferentes disciplinas (matemti-
ca, psicolingstica y dialectologa, entre otras) pero la combinacin de la lingstica y la
informtica constituye la esencia del PLN. En este sentido, se estn obteniendo resultados
prometedores pero existen todava varias metas a alcanzar por lo que representa un tema
abierto de investigacin.
En este captulo se presenta una visin general de los principales conceptos del PLN. Se
analiza la necesidad de un estudio previo del lenguaje para el desarrollo de todo sistema
Captulo 2. Procesamiento del lenguaje natural 12
vinculado al PLN y cmo muchos de los componentes de dichos sistemas son modelos
estadsticos provenientes del campo de la Inteligencia Articial. Finalmente, se introducen
diversas aplicaciones desarrolladas en el mbito del PLN.
2.1. Niveles de la lingustica general
Las aplicaciones vinculadas al procesamiento de lenguaje se distinguen de otros sis-
temas de procesamiento de datos por la necesidad de contar con un conocimiento sobre
lngstica general para su correcto desarrollo [51]. Para ejemplicar lo anteriormente
expresado consideremos las siguientes aplicaciones:
1. WC: es un sistema que cuenta el total de nmero de bytes, palabras, y lneas en
un archivo de texto. Al usarla como contador de bytes y lneas, WC sugiere un
procesamiento de datos simple. Sin embargo, cuando es usado para contar palabras
en un archivo, se requiere conocimiento acerca de cmo distinguir una palabra en
el texto, por lo que esta aplicacin se interpreta como un sistema de procesamiento
del lenguaje.
2. HAL: es un sistema que debe reconocer palabras desde una seal de audio y generar
una seal nueva desde una secuencia de palabras [51]. Estas tareas de reconocimiento
y sntesis del habla requiere conocimiento acerca de fontica y fonologa, es decir,
la forma en que las palabras son pronunciadas en trminos de secuencia de sonidos
y en que cada uno de estos sonidos es realizado acsticamente. Adems, produce y
reconoce de igual forma variaciones de palabras individuales, tales como singular y
plural, por lo tanto necesita tambin tener conocimiento sobre morfologa. Reconocer
el signicado exacto de una palabra, la composicin semntica y las relaciones de
palabras en la estructura sintctica es necesario para un buen sistema. Nuevamente
el procesamiento del lenguaje es parte de este sistema.
La lingstica general se estructura normalmente en cuatro niveles:
Nivel Morfolgico : dene la relacin que se establece entre las unidades mnimas
que forman una palabra, como puede ser el reconocimiento de sujos o prejos.
Este nivel mantiene una estrecha relacin con el lxico. En el nivel lxico se inclu-
ye la informacin morfolgica, la categora gramatical, irregularidades sintcticas y

Niveles de la lingustica general 13
Figura 2.1: Estructura de un sistema PLN
representacin del signicado. Las palabras que forman parte del diccionario estn
representadas por una entrada lxica, y en caso de que sta tenga ms de un sig-
nicado o diferentes categoras gramaticales, tendr asignada diferentes entradas.
Normalmente el nivel lxico contempla la raz de las palabras con formas regulares.
Por ejemplo, la palabra preregistracin puede ser morfolgicamente analizado a
partir de tres morfemas: el prejo pre, la raz registra y el sujo cin, en otro
sentido si por ejemplo se agrega el sujo ado o ido a un verbo se puede suponer
que la accin del verbo ocurri en el pasado.
Nivel Sintctico : las palabras pueden unirse para formar oraciones, jando el papel
estructural que cada palabra juega en la oracin. A este nivel, se obtiene un cono-
cimiento sobre la relacin estructural entre palabras. Por ejemplo, en las sentencias
El perro persigue al gato y El gato persigue al perro se plantea una diferencia a
nivel sintctico. Mientras que en la primera oracin el sujeto de la oracin es el pe-
rro y el gato es slo el objeto directo de la accin que se realiza (perseguir), en

la segunda oracin ocurre lo inverso cambiando el papel estructural de las palabras
perro y gato.
Nivel Semntico : dene el signicado de cada palabra, lo cual no es una tarea sen-
cilla y puede dar lugar a diversas interpretaciones. Es posible distinguir entre sig-
nicado independiente y signicado dependiente del contexto. El primero, tratado
a nivel semntico, hace referencia al signicado que las palabras tienen por s mis-
mas ignorando el signicado adquirido segn el uso en un determinado contexto.
La semntica, por tanto, hace referencia a las condiciones de verdad de la frase,
ignorando la inuencia del contexto o las intenciones del hablante. Por ejemplo, si
la palabra granada tiene dos posibles acepciones: 1) una fruta comestible o 2) un
artefacto explosivo, es indiscutible que en la sentencia La granada est muy dulce
y sabrosa se est haciendo referencia al primer signicado.
Nivel Pragmtico : el signicado de una palabra est inuenciado por las circuns-
tancias, intenciones o planes del sujeto que hace uso del lenguaje, denido como
signicado dependiente del contexto. Aade informacin adicional al anlisis del
signicado de la frase en funcin del contexto donde aparece. Incorpora informa-
cin sobre las relaciones que se dan entre los hechos que forman el contexto y entre
diferentes entidades. Por ejemplo, si se tiene la frase Juan sustituy a Pedro de-
pendiendo del sujeto que interprete esta sentencia pueden surgir dos signicados: 1)
Juan ocup el lugar de Pedro o 2) Juan busc otra persona para que ocupe el lugar
de Pedro.
La lingstica estudia el lenguaje humano en sus dos ramas principales: el habla y la
escritura. Debido a esto, otros niveles de conocimiento pueden ser includos, como es la
informacin fonolgica, referente a la relacin de las palabras con el sonido asociado a
su pronunciacin o el anlisis del discurso, que estudia cmo la informacin precedente
puede ser relevante para la comprensin de otra informacin; o lo que se denomina co-
nocimiento del mundo, referente al conocimiento general que las personas han de tener
sobre la estructura del mundo para mantener una conversacin.
Lo anteriormente expresado determina que todo sistema de PLN, para ser eciente,
debe presentar un conjunto de mdulos bsicos que se correspondan al anlisis de los
niveles de la lingustica que fueron denidos.

PLN estadstico 15
En la Figura 2.1 [120] se muestra un ejemplo de un sistema de procesamiento de texto
donde se pueden distinguir tres mdulos principales:
1. Mdulo de anlisis lxico : identica las diferentes palabras. Es necesario detectar
adems de las palabras simples, las palabras compuestas, frases hechas, siglas, etc.
Adems tambin es necesario diferenciar entre la forma (la palabra tal como apa-
rece) y el lema (la forma cannica de la palabra). El objetivo nal de este mdulo
es asociar a cada palabra su lema correspondiente, etiquetar cada palabra con su
posible categora lxica (sustantivo, verbo, adjetivo o adverbio) y aadir algunos
rasgos gramaticales (gnero, nmero, tiempo verbal).
2. Mdulo de anlisis sintctico : divide el texto en segmentos para luego seleccionar la
etiqueta gramatical ms apropiada para cada palabra, divide el texto en segmentos
analizables formando un rbol sintctico (sujeto, predicado, sustantivo, adjetivo,
etc.).
3. Mdulo de anlisis semntico : se ocupa de asignar el sentido correspondiente a cada
palabra, resolviendo la ambigedad semntica cuando sea apropiado. Este mdulo
puede funcionar en paralelo con el mdulo de anlisis sintctico o posteriormente.
Los diferentes mdulos de un sistema de PLN necesitan recursos lxicos externos
tales como diccionarios, gramticas u ontologas, que sean adecuados para el idioma o
para el dominio de los textos a procesar. Estas bases externas de conocimiento proveen
informacin para poder establecer la salida para cada mdulo con la mayor precisin
posible. En la seccin 4.3 se describe la ontologa WordNet que se emplea en este trabajo.
2.2. PLN estadstico
La aplicacin de mtodos estadsticos para el PLN es uno de los modelos clsicos
utilizado actualmente. Muchos de los componentes de sistemas complejos de PLN (tales
como, analizadores morfolgicos o etiquetadores sintcticos) son modelos estadsticos que
hacen posible el uso de modernas tcnicas de aprendizaje.
La tecnologa del PLN estadstico proviene principalmente del Aprendizaje Automtico
(AA) y de la Minera de Datos (MD), que son los campos de la Inteligencia Articial que
logran el aprendizaje a partir de los datos, en este caso del lenguaje natural. El PLN
estadstico se basa, principalmente, en la lingstica, la teora probabilstica, la teora de
la informacin y la programacin, entre otras; utilizando la estocstica, probabilstica y
los mtodos estadsticos.
Las tcnicas de AA, a partir de las cuales deriva el PLN estadstico, pueden ser divi-
didas en dos tipos: supervisadas y no supervisadas. El aprendizaje supervisado se ocupa
principalmente de la prediccin de la informacin que falta sobre la base de la informacin
observada. Por ejemplo, la prediccin de categora gramatical de una palabra basada en la
oracin completa. Emplea mtodos estadsticos para, a partir de datos de entrenamiento
etiquetados, construir una regla de prediccin para datos no etiquetados. En cambio, en
el aprendizaje no supervisado no se cuenta con informacin previa por lo que el objetivo
est puesto en la unin de datos en agrupaciones (clustering). Algunos algoritmos de
aprendizaje supervisado incluyen mquinas de soporte vectorial y mtodos bayesianos,
mientras que los algoritmos de maximizacin representan las principales tcnicas para el
caso del aprendizaje no supervisado. Debido a que profundizar en estos tpicos va ms
all de los prpositos de este trabajo, una descripcin ms detallada de cada algoritmo
de aprendizaje y de conceptos relacionados puede ser encontrada en [133, 52, 72].
2.3. Aplicaciones de PLN
Las aplicaciones vinculadas al PLN pueden ser divididas principalmente en dos grupos:
Aplicaciones basadas en texto : involucra tareas que se valen de la escritura, como
la bsqueda por un cierto tpico o por una palabra clave en una base de datos,
extraccin de informacin desde documentos escritos o la confeccin de resmenes
de texto para diferentes propsitos, etc.
Aplicaciones basadas en dilogo : algunos de los ejemplos tpicos de este tipo son sis-
temas que por medio del habla dan respuesta a alguna necesidad, como por ejemplo
servicios que dan informacin por telfono sin operador, mquinas controladas por
la voz, etc.
EL PLN proporciona tanto la teora como las herramientas de implementacin para
una gama variada de aplicaciones. Las ms frecuentes son:

Aplicaciones de PLN 17
La correccin de textos que permite la deteccin y correccin de errores ortogr-

cos y gramaticales. La computadora necesita entender en cierto grado el sentido
del texto para detectar estos errores. Los correctores de gramtica detectan las es-
tructuras incorrectas en las oraciones aunque todas las palabras en la oracin estn
bien escritas. El problema de detectar los errores de este tipo es complejo debido a
la existencia de gran variedad de estructuras permitidas. Para describir las estruc-
turas de las oraciones en el idioma, se usan las llamadas gramticas formales, o sea
conjuntos de reglas de combinacin de palabras y su orden relativo en las oraciones.
La traduccin automtica se reere a la traduccin correcta de un lenguaje a
otro, tomando en cuenta lo que se quiere expresar en cada oracin.
En el campo de la recuperacin de la informacin se han desarrollado siste-
mas que permiten obtener informacin sobre estadsticas deportivas, informacin
turstica, geogrca, etc.
La tarea de clasicacin o categorizacin de textos describe el problema de
asignar automticamente un conjunto de documentos a un conjunto predenido de
categoras o clases. Esta tarea puede resultar complicada ya que suele ser ambigua
an para los humanos.
Se han desarrollado sistemas con la capacidad de crear resmenes de documentos

a partir de datos suministrados. Estos sistemas son capaces de realizar un anlisis
detallado del contenido del texto y elaborar un resumen.
Los tutores inteligentes que permiten modelar el comportamiento del estudiante,

reconocer y procesar sus errores, desarrollar habilidades en la resolucin de proble-
mas y otras actividades del proceso enseanza-aprendizaje.
Como ya se plante anteriormente, el crecimiento de la disponibilidad de nuevos re-
cursos computacionales, de fuentes de informacin y de usuarios de computadoras ha
llevado a un primer plano todo lo referente a la tecnologa y como una parte de ello a las
aplicaciones en el rea del PLN.
Los siguientes son ejemplos de aplicaciones del PLN que estn en proceso de produccin
o siendo evaluadas actualmente:

Aerolneas de renombre y otros proveedores de viajes utilizan agentes articiales que
guan a los usuarios a travs del proceso de hacer la reserva y obtener informacin
de llegada y salida de vuelos, simulando la conversacin humana.
En la actualidad podemos encontrar los primeros autos con facilidades de recono-
cimiento de voz y sistemas que permiten a los conductores llevar el control de su
medio ambiente, entretenimiento y navegacin por medio de sistemas de voz. El
mismo sistema de dilogo hablado se ha desarrollado para los astronautas en el
espacio.
Google proporciona tareas de recuperacin de la informacin y servicios de tra-
duccin en el cul los usuarios pueden proporcionar consultas en su idioma nativo
a buscadores en otro idioma. Google traduce la consulta, considera la mayora de
las pginas correspondientes y luego los traduce automticamente de nuevo a los
usuarios en su idioma nativo.
Las grandes editoriales educativas usan sistemas automatizados para el anlisis de
ensayos de estudiantes, su clasicacin y evaluacin, ya que resulta una tarea muy
compleja para realizar manualmente.
Algunas empresas emplean mecanismos de anlisis de textos a partir de mediciones
automatizadas realizada de opiniones, preferencias, actitudes y modos de expresarse
en weblogs de diferentes usuarios.

Captulo 3
Indexacin y categorizacin de textos
Aquel que quiera construir torres altas, deber permanecer largo tiempo en los
fundamentos.
Anton Bruckner. Compositor austraco.
En todo trabajo de PLN la primera etapa que se debe realizar es la de obtener una
representacin de los documentos para realizar experimentos, denominado proceso de in-
dexacin. Esta tarea supone la utilizacin de un conjunto de trminos o descriptores ndice
que identiquen a los documentos. La eleccin de dichos trminos es uno de los procesos
ms complicados pero a la vez el ms importante.
En este captulo se analizan diferentes modelos de representacin de documentos y
se dene uno en particular que es el ms utilizado en aplicaciones vinculadas al PLN.
Finalmente, se enumeran y describen los pasos que incluyen la tarea de CT y se plantea el
problema de la ambigedad del lenguaje natural como una de sus principales limitaciones.
3.1. Indexacin de documentos
La opcin ms simple para el proceso de indexacin de documentos es representar a
cada documento por todas sus palabras. Esto no es conveniente si se considera que no
todos los trminos son igualmente importantes para describir el contenido de un docu-
mento y que implicara un coste computacional muy alto para colecciones de documentos
de tamao grande. La tarea de decidir la relevancia de cada trmino no es fcil si se tiene

Captulo 3. Indexacin y categorizacin de textos 20
en cuenta que est determinada generalmente por la aplicacin de PLN a desarrollar. Por
ejemplo, en ciertas aplicaciones de categorizacin por temas donde el signicado de las
palabras juega un papel preponderante, los artculos, las preposiciones y las conjunciones
son palabras casi vacas de contenido semntico, poco tiles para los nes de la tarea a
implementar. Sin embargo, en aplicaciones donde es importante capturar aspectos estilo-
grcos del autor (identicacin de autora, deteccin de plagio), este tipo de informacin
puede ser relevante para la tarea a realizar.
En todo proceso de indexacin el objetivo a alcanzar es encontrar aquellos trminos que
mejor representen a los documentos y que adems permitan diferenciar unos de otros. Por
todo lo descripto anteriormente, es necesaria la seleccin de un modelo de representacin
de documentos que sea conable y eciente.
3.1.1. Modelos de indexacin

En general, todo modelo de indexacin puede ser denido por:
1. la identicacin de qu es un trmino
2. el mtodo para computar el peso de un trmino
Para la representacin de documentos, se ha determinado que la utilizacin de pala-
bras individuales es una de las mejores maneras de indexacin de documentos. sto es
a menudo llamado el enfoque del conjunto de palabras o bolsa de las palabras (en ingls,
bag of words) [105]. Varios modelos ms complejos para la indexacin de documentos
han surgido a partir de distintas aplicaciones del PLN, pero sin mejorar signicativamente
la versin ms simple.
Los modelos con fuerte base matemtica para determinar el peso de un trmino se
originaron en la rama de la recuperacin de la informacin. En este contexto se pueden
mencionar:
Modelo booleano o terico : es un modelo simple basado en el lgebra booleana.
Un documento se representa como un conjunto de trminos, de tal forma que un
trmino estar presente o ausente en un determinado documento, sin contemplar la
posibilidad de establecer diferentes grados de pertenencia. Las principales ventajas

Indexacin de documentos 21
del modelo booleano se centran en su sencillez. Esto hace que sea muy intuitivo,
fcil de implementar y formalizar. Las principales desventajas de este modelo se
centran en su rigidez, al estar acotado a valores tales como 1(uno) o 0(cero), es decir
pertenece o no.
Son ejemplos de este tipo de enfoque el Modelo booleano estndar y el Modelo
booleano extendido [56, 35].
Modelo estadstico o algebraico : es un modelo que representa los documentos usual-
mente como vectores, matrices o tuplas de trminos. La similaridad entre vectores es
representada con un valor escalar. En este modelo, la forma ms simple de asignar
un peso a los trminos es a partir del modelo tf-idf que ser explicado en detalle en
la subseccin 3.1.2. El modelo vectorial tiene una mayor exibilidad en la valoracin
de los pesos (valores reales) y el orden de los resultados se basa en la frecuencia
de los trminos y la relevancia de los trminos, sin favorecer a los documentos ms
largos. Con respecto a sus desventajas se centran en la prdida de parte de la in-
formacin sintctica y semntica del documento y que se basa en la independencia
de los trminos dentro de un documento, aseveracin que no siempre se mantiene.
En captulos posteriores se presentarn trabajos que solucionan en gran parte las
desventajas planteadas [45].
Son ejemplos de este tipo de enfoque el Modelo de espacio vectorial (representa una
variante al modelo introducido anteriormente y es el utilizado en este trabajo por
lo que se explica en detalle en 3.1.2), el Modelo de espacio vectorial generalizado,
el Modelo de espacio vectorial basado en tpico y el Modelo de espacio vectorial
basado en tpico mejorado [99, 10].
Modelo probabilstico : trata todo proceso como una inferencia probabilstica. Este
modelo postula que la mejor manera de representar los documentos es mediante la
teora de las probabilidades. Las similaridades son computadas como probabilidades
a partir de la relevancia o no de un documento dado. El modelo probabilstico se
basa en un proceso iterativo. Este proceso se inicia con un primer conjunto de docu-
mentos relevantes, que es paulatinamente recalculado en funcin de la informacin
que proporciona el usuario de aquellos documentos que considera relevantes y no
relevantes. El conjunto resultante proporciona un ordenamiento de los documentos
en base a su probabilidad de relevancia. Dentro de sus desventajas, cabe destacar la
necesidad de iniciar el modelo a partir de una primera estimacin del conjunto de

documentos relevantes, y el hecho de que no se tiene en cuenta el nmero de veces
que cada trmino aparece en un documento a la hora de estimar su probabilidad de
relevancia.
Son ejemplos de este tipo de enfoque, Bayes' Theorem, Binary Independence
Retrieval, Probabilistic Relevance Model, entre otros [92, 58].
3.1.2. Modelo de espacio vectorial

Este modelo estadstico denominado Modelo de Espacio Vectorial (VSM, las siglas en
ingls para Vector Space Model [99]) representa a los documentos en lenguaje natural de
una manera formal mediante el uso de vectores en un espacio lineal multidimensional.
Este modelo es usado en mltiples aplicaciones de ltrado, recuperacin e indexado de
informacin. A pesar de que el VSM ha sido ampliamente utilizado en CT [43], ste debe
su origen al rea de Recuperacin de la Informacin [66, 99, 100] como gran parte de los
modelos presentados anteriormente.
En VSM cada documento ser representado por un vector de pesos de tamao n donde
n es el nmero de trminos que pertenecen al conjunto de documentos. De este modo, si
se toma como base lo mencionado en 3.1.1 se puede describir al VSM como:
1. Los trminos son representados con las palabras aisladas que conforman los docu-
mentos de una coleccin. A las palabras se les suelen aplicar dos procesos:
Eliminacin de palabras de paro : las palabras que son muy frecuentes entre los
documentos y no relevantes para una aplicacin determinada son eliminadas
ya que no son buenos discriminadores y resultan intiles para algunas tareas de
clasicacin o recuperacin de la informacin. Por ejemplo, las preposiciones y
los artculos pueden ser considerados palabras de paro (o stopword).
Stemming : el objetivo es reducir las palabras a su raz gramatical. Un stem
es la parte de la palabra que queda luego de remover sus ajos (prejos y
sujos). Por ejemplo, la palabra conec es el stem de conectado, conectando y
conecciones, entre otras.
2. Cada peso de un trmino en el vector representa la relevancia del trmino co-
rrespondiente en relacin con un determinado sentido en la expresin del lenguaje

Indexacin de documentos 23
natural. ste puede ser un valor binario o uno real. Si es un valor binario simplemente
determina la presencia o no del trmino en el documento. Para el caso de valor no
binario, ste puede computarse con diversas tcnicas siendo el modelo tf-idf uno de
los aplicados con mayor frecuencia.
Ejemplicando lo anteriormente expresado, en las Tablas 3.1 y 3.2 se muestran las
representaciones binaria y real para la frase :

1
Azul, como el cielo azul, como el mar azul, como tus ojos, mi cielo y mar azul...
la cielo luna como ojos el azul tus mios mar mi claro y
0 1 0 1 1 1 1 1 0 1 1 0 1
Tabla 3.1: Representacin binaria
la cielo luna como ojos el azul tus mios mar mi claro y
0 2 0 3 1 2 4 1 0 2 1 0 1
Tabla 3.2: Representacin real
El modelo tf-idf, como fue planteado, es uno de los ms utilizados para obtener el
peso de vectores con valores reales de componentes a partir del clculo de Frecuencia de
Trminos * Frecuencia de Documento Inversa ( TF*IDF). La TFd,i es la frecuencia de

ocurrencia del i-simo trmino dentro del documento d. TF es una estadstica especca
del texto, ya que vara de un documento a otro, intentando medir la importancia del
trmino dentro de un documento dado. Por otro lado, la IDF es una estadstica global
y caracteriza un trmino dentro de la coleccin entera de N documentos. Es decir, la
Frecuencia de Documento ( DFi ) del i-simo trmino representa el nmero de documentos

de la coleccin en los cules aparece dicho trmino. El propsito es subestimar aquellos
trminos que ocurren en muchos de los documentos de la coleccin y por lo tanto, cuales
no son relevantes (cuando un trmino ocurre en los N documentos de la coleccin, su
valor IDF es igual a 0). Para permitir la variacin en el tamao de los documentos, el
peso es usualmente normalizado. El objetivo y efecto de la normalizacin del peso, es que
el peso de un trmino en un documento dependa sobre su frecuencia de ocurrencia con
respecto a los otros trminos del mismo documento, no sobre su frecuencia absoluta de
1 En estos ejemplos, se asume que las palabras la, luna, mios y claro han sido utilizadas en otros
textos y que el pre-procesamiento no incluye ningn proceso de stemming o de eliminacin de palabras
de paro.
ocurrencia. Obtener el peso de un trmino por su frecuencia absoluta puede favorecer a
los documentos largos sobre los cortos. Una tcnica para computar el peso que ha sido
ampliamente usada en CT y surgi en el rea de la Recuperacin de la Informacin es la
nomenclatura SMART [99] que se describe en la Tabla 3.3.
Nomenclatura SMART para la codicacin de textos
di : Es el i-simo componente del vector d de tamao n.
N: Nmero de documentos.
T Fd,i : Frecuencia del i-simo trmino en el documento d.
DFi : Frecuencia del i-simo trmino del documento sobre la coleccin.
Denicin:
0 0
wi = T Fd,i .IDFi .N ORM
0 0
T Fd,i IDFi N ORM
n : none = T Fd,i n : none = 1 n : none = 1
N 1
b : binary = 1 t : tf idf = log( DF i
) c : cosine = qP
0 0 2
i (T Fd,i IDFi )
T Fd,i
m : max norm = maxi (T Fd,i )
TF
a : aug norm = 0,5 + 0,5 maxi (Td,iFd,i )
l : log = 1 + log(T Fd,i )
Tabla 3.3: Nomenclatura SMART para la codicacin de textos
Lo anteriormente expuesto determina que en el sistema SMART, cada codicacin
estar compuesta por 3 letras: un valor para TF (Ocurrencia del Trmino), uno para
IDF (Frecuencia Inversa del Documento) y el ltimo para determinar si la operacin
de normalizacin es empleada o no. Con este esquema de representacin se generan 20
diferentes codicaciones a partir de las posibles combinaciones de las 3 letras componentes.

Categorizacin de textos 25
Por ejemplo, una codicacin ntc (con n representando la frmula utilizada para TF, t
para computar IDF y c para determinar si se aplica normalizacin) para computar el peso
del i-simo componente del vector para el documento d se obtiene calculando la frmula
N
T Fd,i log( DF i
) y luego realizando la normalizacin coseno.
A pesar de ser uno de los modelos ms utilizados, el VSM presenta las siguientes
limitaciones:
se pierde parte de la informacin sintctica y semntica de los documentos.
el orden en el que aparecen los trminos no es representado en los vectores.
3.2. Categorizacin de textos
Entre las distintas aplicaciones del PLN, la Categorizacin de Textos (CT ) ha desper-
tado un notable inters debido a la necesidad urgente de organizar, mantener y procesar
la informacin textual disponible a partir de un conocimiento ms profundo del lenguaje
[106]. La CT consiste bsicamente en realizar la clasicacin de un conjunto de documen-
tos (corpus) dentro de categoras predenidas tambin denominadas clases, por lo que
la tarea suele ser referenciada tambin como Clasicacin de Textos [105].
Sobre la denicin anterior es importante destacar dos aspectos. Lo primero a sealar
es que, cuando se reere a categora se est haciendo referencia a rtulos simblicos, ya
que su signicado no proporciona conocimiento adicional que pueda ser usado para la
tarea del clasicador. El contenido de cada documento es lo nico relevante al momento
de asociar cada uno a su correspondiente clase. La segunda cuestin, que deriva de la
primera, nos remite a la subjetividad presente en toda tarea de clasicacin de textos,
ya que es muy comn encontrar un desacuerdo de expertos al decidir clasicar un deter-
minado documento bajo una categora especca. Por ejemplo, si se tiene un documento
para clasicar un discurso presidencial donde se expone ...la ingesta de cerdo mejora la
2
actividad sexual... , ste puede ser catalogado como un artculo de Poltica o de Medici-
na, o en su defecto como perteneciendo a otra categora diferente. La clase que se escoja
depende del juicio subjetivo del experto.
2 http://edant.clarin.com/diario/2010/01/28/elpais/p-02128743.htm
Aunque es posible construir un sistema de CT creando conjuntos de reglas de forma
manual, el enfoque ms utilizado consiste en usar tcnicas de Recuperacin de la Infor-
macin (RI) y AA para inducir un modelo de clasicacin. Si las tcnicas de AA apuntan
a reproducir las clasicaciones previas realizadas manualmente por un experto el enfoque
de categorizacin se denomina supervisado, ya que se realiza el aprendizaje a partir del
conocimiento de datos preclasicados. Por el contrario, si las categoras no se conocen con
anterioridad ni se disponen de ejemplos previos de asignaciones correctas a las mismas, la
categorizacin automtica se conoce como no supervisada o agrupamiento.
Se puede denir a la CT como la tarea de determinar un valor del conjunto {T , F}

(denotados True y False respectivamente) para cada entrada de la matriz de decisin
de la Tabla 3.4.
d1 ... ... dj ... ... dn

c1 a11 ... ... a1j ... ... a1n
... ... ... ... ... ... ... ...
ci ai1 ... ... aij ... ... ain

... ... ... ... ... ... ... ...
cm am1 ... ... ami ... ... amn
Tabla 3.4: Matriz de Decisin
Formalmente, si se dene a C = { c1 , . . . , cm } como el conjunto predenido de
categoras, a D = {d1 , . . . , dn } como el conjunto de documentos y a cada valor en
{a11 ,..., amn } como representando la estimacin realizada por el experto de la pertenencia
(o no) de un documento a una categora, entonces se podra especicar la tarea de CT
por medio de una funcin , tal que : D C {T, F }.

De esta manera, si (dj , ci ) = T luego dj es llamado un ejemplo positivo (o miembro)
de ci , de lo contrario si (dj , ci ) = F es llamado un ejemplo negativo de ci . El objetivo
es aproximar la funcin , mediante un clasicador 0 tal que y 0 coincidan tanto
como sea posible.
Teniendo en cuenta la aplicacin de la CT, sta puede considerarse como tarea de:
Simple rotulado, donde un elemento debe ser asignado a una nica categora (un
caso particular de este tipo es el clasicador binario).
Mltiple rotulado, donde un elemento puede ser asignado a ms de una categora o
clase.
La CT automtica ha sido aplicada con xito en muchos problemas de categorizacin
de la vida real pudindose mencionar como ejemplo a la clasicacin de pginas Web
en directorios temticos [78], la deteccin y ltrado de pginas Web pornogrcas [44] y
mensajes de correo masivo no solicitado ( spam) [108, 42, 98], el ltrado de noticias [4],
la deteccin de plagios e identicacin de autores [86, 85, 110, 73], el anlisis de opinin
[68] y la organizacin de pginas Web en general [57, 129], entre otras.
La tarea de CT incluye a grandes rasgos los siguientes pasos:
1. Representar o indexar un conjunto de documentos.
2. Seleccionar y aplicar un clasicador de textos.
3. Evaluar el clasicador utilizado.
Con respecto al primer punto, es importante destacar que los documentos en la CT
son generalmente representados como vectores de pesos de trminos (ver seccin 3.1).
Dependiendo del sistema de CT utilizado y de la dimensin de los vectores, puede ser
necesario seleccionar un subconjunto de los trminos ndices originales para mejorar los
resultados del clasicador. En la seccin 3.3 se presentan las diferentes maneras de llevar
a cabo la reduccin de dimensionalidad del espacio de trminos.
3.2.1. Aprendizaje de un clasicador

Un clasicador de texto para una clase ci se genera automticamente a travs de un
proceso inductivo general, llamado aprendiz (o learner ). A partir de las particularidades de
un conjunto de documentos preclasicado en la categora ci , se deducen las caractersticas

que deben tener los documentos an no clasicados para pertenecer a ci . Para construir un
clasicador para un conjunto de clases C, es necesario un conjunto D de documentos tal
que el valor de (dj , ci ) sea conocido para cada hdj , ci i D C . En una de las primeras
etapas del clasicador el conjunto original de documentos D es generalmente dividido en
tres conjuntos disjuntos, no necesariamente del mismo tamao:
Un conjunto de entrenamiento Tr (training set ): es el conjunto de documentos
usados por el aprendiz para construir el clasicador.

Un conjunto de validacin Va (validation set ): es el conjunto de documentos con
los cuales se ajustan las conguraciones del clasicador. Por ejemplo, para un par-
metro p del cual depende el clasicador, seleccionar el valor que produce la mayor
efectividad cuando es evaluado con Va.
Un conjunto de prueba Te (test set ): es el conjunto de documentos con el cual se
evala nalmente la efectividad del clasicador.
Tanto en la fase de validacin como en la de prueba, evaluar la efectividad signica ejecu-
tar el clasicador con un conjunto de documentos preclasicados (Va o Te ) y controlar el
grado de correspondencia entre la salida de los clasicadores y de las clases preasignadas.
Diferentes aprendices pueden aplicarse a la CT. Algunos de estos mtodos generan
clasicadores de valores binarios de la forma h:D C T { , F }, otros generan funciones
de valores reales de la forma

h:D C [0, 1]. En este ltimo caso, es necesario utilizar
una estrategia para convertir dicho valor a uno nal de tipo binario [124].
Diversas tcnicas de aprendizaje de clasicadores han sido desarrolladas para las ta-
reas de CT, que incluyen mtodos de regresin [36, 125], rboles de decisin [64], redes
neuronales [122], algoritmos probabilsticos de Bayes [118, 64], algoritmos de aprendizaje
inductivo [19, 65], mtodo de los K vecinos ms cercanos [125, 72], mquinas con soporte
de vectores [113, 28] y ensamblaje de clasicadores [83, 101]. En el captulo 7 de este
trabajo se ha experimentado con varios de estos algoritmos.
3.2.2. Evaluacin de un clasicador

La evaluacin experimental de un clasicador se mide en la mayora de los casos por
su efectividad, es decir, su habilidad para tomar las decisiones correctas al clasicar. Las
mtricas para la evaluacin de la efectividad provienen usualmente del rea de la RI y
adaptadas a CT para su uso. Las ms utilizadas incluyen: recall, precision, accuracy, error
y F-measure.
A n de aplicar la mtrica seleccionada para evaluar la clasicacin, se debe obtener
en primer lugar la matriz de contingencia (o matriz de confusin) para cada categora ci

como la mostrada en la Tabla 3.5.
Donde los valores para cada celda representan:

Categora ci Decisin del experto
Decisin del clasicador TRUE FALSE
TRUE T Pi F Pi
FALSE F Ni T Ni
Tabla 3.5: Matrz de contingencia para la categora ci
T Pi (positivos verdaderos) representa el nmero de documentos que han sido co-
rrectamente clasicados bajo la categora ci ,
F Pi (positivos falsos) representa el nmero de documentos que han sido incorrecta-
mente clasicados bajo la categora ci ,
T Ni (negativos verdaderos) representa el nmero de documentos que han sido co-
rrectamente clasicados como no perteneciendo a la categora ci y

F Ni (negativos falsos) que representa el nmero de documentos que han sido inco-
rrectamente clasicados como no perteneciendo a la categora ci .
Teniendo en cuenta la notacin introducida y que Ni = T Pi + F Pi + T Ni + F Ni , las
distintas mtricas pueden ser denidas de la siguiente manera:
T Pi
P recisioni =
(T Pi +F Pi )
T Pi
Recalli =
(T Pi +F Ni )
(T Pi +T Ni )
Accuracyi =
Ni
(F Pi +F Ni )
Errori =
Ni
= 1 Accuracyi
La Precision se determina como la probabilidad de que si un documento cualquiera
es clasicado bajo una determinada categora, esta decisin sea correcta. Con respecto
a Recall, es denida como la probabilidad de que, si un documento cualquiera debe ser
clasicado bajo un determinada categora, esta decisin es tomada.
Generalmente, el valor de N en la CT es grande, lo que produce que las mtricas de
Accuracy y Error sean mucho ms insensibles a las variaciones en el nmero de decisiones
correctas (TP + TN) que para el caso de Precision y Recall. Por esta razn, Recall
y Precision se usan ms frecuentemente que Accuracy y Error en las evaluaciones de
clasicadores.
En la prctica, nuevas alternativas de medicin de la efectividad surgen de la combina-
cin de las medidas de Precision y Recall, una de stas es la denominada F-measure [107].
La expresin 3.1 permite calcular el valor proporcionando un parmetro (0 1)

que permite ponderar tanto la Precision como el Recall.
1
F = 1 1 (3.1)
P recision + (1 ) Recall
En esta frmula puede verse a como el grado relativo de importancia atribuda
a Precision y Recall: si = 1, luego el valor de F coincide con Precision, si = 0

entonces F coincide con Recall. Usualmente, un valor de = 0,5 da igual importancia a
la Precision y al Recall, dicha medida es conocida como F1 [63].
En la CT de mltiple rtulo, el mtodo ms sencillo para calcular el puntaje total
de las categoras consiste en obtener el promedio de las valores calculados para todas las
tareas binarias. El resultado obtenido se llama macro-promedio de la mtrica utilizada.
Otra forma es sumar los valores TP, FP, TN y FN para todas las categoras y luego
calcular cada una de las mtricas planteadas. Los resultados obtenidos de esta forma son
llamados micro-promedio.
En [107, 123, 63] se da una explicacin ms detallada sobre las mtricas de evaluacin
descriptas y otras tcnicas alternativas a la efectividad, como por ejemplo eciencia y
utilidad.
3.3. Reduccin de dimensionalidad
Cuando se deben categorizar colecciones con un tamao grande de vocabulario es de
esperar un impacto negativo de la eciencia en tiempo y espacio de memoria para la

Reduccin de dimensionalidad 31
mayora de los sistemas de categorizacin [93]. Un aspecto interesante a analizar en estos
casos es el uso de mtodos clsicos de reduccin de la dimensin del espacio de trminos
(T ) para hacer posible un procesamiento ms eciente. El objetivo nal es restringir |T |

0 0
a |T | donde |T ||T |. La intencin es descartar atributos o caractersticas
3 irrelevantes,
redundantes o que brinden mnima informacin al clasicador. Sin embargo, el proceso
de remover trminos debe ser realizado cuidadosamente, debido a que se puede correr el
riesgo de remover informacin til para la clasicacin de ciertos documentos.
En base a la naturaleza de los trminos resultantes se pueden distinguir dos enfoques
principales para la reduccin de dimensionalidad:
Seleccin de trminos : se obtiene el conjunto T0 que es un subconjunto de T. Se
seleccionan los trminos que al ser usados para el indexado de documentos logren
mayor efectividad. En [126] se ha demostrado que la efectividad en CT al utilizar
este enfoque depende en gran medida del clasicador utilizado, de la agresividad de
la reduccin y de la tcnica utilizada para dicha reduccin. Dentro de este enfoque
se plantean varias alternativas. La tcnica de envoltura (en ingls, wrapper ) es una
alternativa que plantea determinar T0 por medio del mismo mtodo de aprendizaje
usado para construir el clasicador, con la desventaja que el costo computacional que
implica hace imposible aplicarla en algunas tcnicas estndar de CT [81, 49]. Una
alternativa computacionalmente ms sencilla es denominada ltrado (en ingls,

0
ltering ) que mantiene la diferencia |T ||T | y selecciona los trminos que reciben
el ms alto puntaje de acuerdo a una funcin que mide la importancia del trmino
para la tarea de CT. Diferentes funciones pueden ser utilizadas para calcular la
medida en que inuye un trmino en dicha tarea, como por ejemplo, Frecuencia de
documento [126], Ganancia de informacin [105], Punto de transicin [12, 5], Factor
de asociacin [36], Informacin mutua [28, 64] y la funcin 2 [16, 37, 103], entre
otras.
Extraccin de trminos : en este enfoque los trminos del conjunto T0 no son un
subconjunto de T, sino que son obtenidos como una combinacin o transformacin
de los trminos de T , buscando maximizar la efectividad. La idea de utilizar trminos

articiales (en lugar de los originales) es que debido al problema de ambigedad
3 Los datos de entrada de un clasicador y de un sistema de seleccin son denominados de esta forma
indistintamente, que representan una palabra o frase.

los trminos original pueden no ser los ms adecuados para la representacin de los
documentos. Estos mtodos resuelven el problema en dos pasos, primero extraen
los nuevos trminos desde los viejos utilizando algn mtodo de extraccin y luego
aplican un mtodo que convierta la representacin original a la nueva representacin
con los trminos elaborados. En CT se han realizado distintos experimentos con este
enfoque, destacndose los de Agrupamiento [66, 7] e Indexacin semntica latente
[26, 122].
3.4. Semntica en la categorizacin de textos
La unidad de indexacin elegida para la representacin de los documentos es crtica
en las diferentes aplicaciones vinculadas al PLN. En la CT es importante debido a
la relevancia de los trminos al momento de clasicar un documento perteneciendo
a una categora. Como fue referenciado en la seccin 3.1, los trminos deben ser
conables desde el punto de vista sintctico y semntico, ya que deben capturar lo
mximo posible el signicado de los textos, y deben permitir un aprendizaje ecien-
te y efectivo. En muchos casos incluso, y principalmente en comunicaciones usando
lenguaje informal o coloquial (slang language ) se puede requerir de complejos siste-
mas de normalizacin que obtengan un conjunto aceptable de trminos normalizados
para su uso en aplicaciones de PLN.
La ambigedad propia del lenguaje natural diculta la tarea de indexar las palabras
y representa una de las limitaciones de la CT. Al igual que para otras aplicaciones
del PLN, para la CT la tarea intermedia de determinar el signicado correcto de los
trminos es esencial para operar ecientemente.
La ambigedad del lenguaje suele ser clasicada en tres tipos diferentes [120]:
Ambigedad lxica : una misma palabra puede pertenecer a diferentes ca-
tegoras gramaticales. Por ejemplo, la palabra para puede ser: preposicin o
forma del verbo parar.
Ambigedad sintctica o estructural : se produce cuando debido a la forma
en que se asocian las palabras, podemos interpretar una oracin de distintas
formas. En algunos casos, esta forma de ambigedad es casi imposible de solu-
cionar. Por ejemplo, Juan vio a su hermana con unos prismticos (Juan us
Semntica en la categorizacin de textos 33
los prismticos para ver a su hermana o Juan vio que su hermana tena unos
prismticos?)
Ambigedad semntica o conceptual : basada en el signicado de las pa-
labras se pueden mencionar los fenmenos de polisemia y sinonimia.
1. Ambigedad por polisemia : una misma palabra puede tener distintos sig-
nicados dependiendo del contexto en el que est inserta. Por ejemplo, la
palabra vela en la oracin La vela da suciente luz se reere al cilindro
de cera que sirve para alumbrar, mientras que en la frase La vela mayor
del barco se ve a lo lejos hace referencia a la lona que recibe viento para
impulsar un barco.
2. Ambigedad por sinonimia : diferentes palabras pueden tener el mismo sig-
nicado. Por ejemplo, las palabras can y perro reeren al mismo concepto,
en este caso, mamfero cnido.
Con el n de solucionar los inconvenientes que surgen de la ambigedad, a partir
de la representacin de los trminos se han planteado alternativas que incluyen
frases de palabras obtenidas por anlisis estadstico o lingstico [16, 66], patrones
de extraccin de informacin [91] y conjuntos de sinnimos o synsets de WordNet
[40, 104, 45]. Esta ltima opcin representa uno de los ejes principales del presente
trabajo y se explica en detalle en la seccin 4.1.

Captulo 4
Resolucin de la ambigedad
semntica
Ms vale una palabra con sentido que un centenar sin sentido...
Autor annimo.
Toda aplicacin de PLN tiene por objetivo fundamental la comprensin del lenguaje
natural. Una de las propiedades intrnsecas del lenguaje humano es contar con ele-
mentos ambiguos que inuye negativamente en el rendimiento de diversas tareas de
PLN. Con la incorporacin de informacin semntica en el indexado de documentos
se han obtenido benecios importantes frente al problema planteado.
En la primera seccin de este captulo se introduce una variante al modelo tradi-
cional de representacin de los documentos que permite subsanar el problema de la
ambigedad semntica. A partir de los recursos utilizados por las diferentes tcnicas
de desambiguacin se presentan, en la segunda seccin, clasicaciones de las mismas
de acuerdo a caractersticas particulares. Finalmente, se presenta una de las bases
de datos ms importante en el rea de desambiguacin, la ontologa WordNet, que
es usada ampliamente en este trabajo.
4.1. Indexacin conceptual
La incorporacin de informacin semntica en la representacin de los documentos
supone agregar o sustituir una palabra con el concepto que mejor la represente.
Captulo 4. Resolucin de la ambigedad semntica 36
Por ejemplo, si se tiene un documento con la palabra vacuna y otro con la palabra
porcina, un concepto ms general podra ser agregado como el trmino carne.
La determinacin de dicho concepto (o signicado) que corresponde a los distintos
trminos no es una tarea directa debido a los eventuales problemas de ambigedad
que puedan surgir y que fueron descriptos en la seccin 3.4.
La tarea de desambiguacin del sentido de las palabras (WSD las siglas en in-
gls para Word Sense Disambiguation) se puede denir como el proceso de asociar
una palabra en un texto o discurso a la denicin (o concepto) ms apropiada con
respecto a otros signicados potencialmente atribuibles a esa palabra. WSD es con-
siderado una tarea intermedia o complementaria necesaria para obtener un buen
rendimiento en las aplicaciones vinculadas al PLN.
Si se toma como base la representacin estndar de los textos por vectores de tr-
minos, el uso de informacin semntica plantear distintas alternativas respecto a
cmo esta informacin puede ser incorporada. Una propuesta fue introducida en
[45, 112] en la cual se plantea enriquecer los vectores de trminos con conceptos
a partir de una ontologa genrica (una combinacin de diccionario y tesauro). En
dichos trabajos los resultados obtenidos a partir de esta variante logran una mejora
en el rendimiento y efectividad de las tareas de PLN.
La idea bsica de la indexacin conceptual es encontrar un signicado o sentido
que haga referencia a cada palabra en un documento, para luego usarlos en reemplazo
de los trminos (o en concatenacin con ellos) en la representacin de los documentos
con el VSM. Usar los conceptos como espacio de indexacin en lugar de los trminos
combina dos benecios: a) los trminos se desambiguaran totalmente favoreciendo

la medida de Precision, y b) los trminos equivalentes podran ser identicados,
permitiendo una posible mejora en el Recall. En [40, 45] el uso de este tipo de
vectores mostr mejoras importantes en tareas de PLN y de RI.
4.2. Estrategias de desambiguacin
Desde los primeros sistemas de WSD hasta la actualidad han surgido nuevas pro-
puestas y distintos enfoques para resolver el problema de ambigedad descripto en la
seccin 3.4. Consistente con la cantidad de nuevos mtodos propuestos han surgido
tambin una variedad de formas de clasicar dichos mtodos.

Estrategias de desambiguacin 37
Una manera general y simple de clasicar los distintos mtodos utilizados para WSD
es diferenciando al grupo de las estrategias que necesitan corpus de entrenamiento
etiquetados semnticamente, denominado el grupo de los sistemas supervisados

de aquellos que no necesitan esa anotacin para poder funcionar correctamente, los
sistemas no supervisados.
Otra forma de clasicar los sistemas de WSD es basndose en la principal fuente
de conocimiento utilizada para establecer los diferentes sentidos. En primer lugar,
tenemos los mtodos que utilizan diccionarios, tesauros y bases de conocimiento l-
xicas, sin utilizar ningn corpus, mtodos denominados Basados en diccionario o

Basados en conocimiento. Las principales tcnicas en este contexto utilizan res-
tricciones de seleccin, el solapamiento de textos y medidas de similitud semntica.
En el captulo 5, se estudian en mayor detalle estos mtodos, incluyendo una descrip-
cin de los algoritmos utilizados en este trabajo. Por otra parte, tenemos aquellos
mtodos que evitan casi completamente la informacin externa y trabajan directa-
mente con corpus sin etiquetar, son los denominados mtodos No supervisados
basados en corpus. Estos mtodos tienen la ventaja de evitar el inconveniente que
se produce cuando se requiere anotacin manual para adquirir nuevo conocimiento
[14, 88]. En [102] se han obtenido resultados alentadores, reuniendo palabras simi-
lares en clusters (agrupamientos) y clasicando nuevas ocurrencias de las mismas.
Los sistemas Supervisados y Semi-supervisados, utilizan corpus etiquetados
semnticamente como entrenamiento [77]. A pesar de que son los mtodos que han
reportado los mejores resultados en gran cantidad de problemas, en muchos casos
no son factibles de ser aplicados debido a que generalmente no se cuenta con un
corpus etiquetado previamente.
Finalmente, los Mtodos hbridos utilizan en el proceso de desambiguacin tanto

fuentes de conocimiento externas como corpus anotados o no anotados. Por ejemplo,
en [69] se implementa un mtodo que combina la utilizacin de diccionarios con
corpus no anotados y en [74, 24, 23] se publican tambin otros mtodos destacables
de este tipo. Existen otros mtodos que utilizan la combinacin de tesauros y corpus
no anotados, como es el caso del mtodo ideado en [128]. Por ltimo se encuentran
los mtodos que combinan diferentes fuentes lxicas estructuradas con corpus como
en los trabajos propuestos en [67, 1, 90, 114].

En la Tabla 4.1 se muestra un resumen de las distintas aproximaciones a WSD
planteadas anteriormente con un detalle de los procedimientos involucrados.
Mtodos Procedimiento
X Comparacin de las deniciones de los
diccionarios con el contexto (mtodo de Lesk).
Basados en conocimiento X Seleccin del sentido ms similar al contexto,
utilizando medidas de similitud semntica.
X Un sentido por discurso y otras heursticas
X Mtodos no supervisados que clasican palabras
o contextos en diferentes clusters, obteniendo
Basados en corpus no supervisados los diferentes sentidos.
X Utilizacin de corpus paralelos para
inferir sentidos entre diferentes idiomas.
X Aprendizaje automtico supervisado, utilizando
Basados en corpus supervisados corpus de entrenamiento etiquetados
manualmente.
X Mtodos de bootstrapping (semi-supervisados).
X Utilizacin de tcnicas de clustering no
supervisadas combinadas con mtodos
basados en conocimiento.
Mtodos hbridos X Utilizacin de mtodos basados en conocimiento
para buscar ejemplos que sirvan de entrenamiento
en mtodos supervisados.
X Utilizacin de corpus paralelos combinados
con mtodos basados en conocimiento.
Tabla 4.1: Clasicacin de los mtodos de WSD
4.3. WordNet: una base de datos lxica
La indexacin conceptual como fue previamente planteada, suele requerir de algn
recurso externo que, en primera instancia, puede ser cualquier base de conocimien-
to lxica que dena los diferentes sentidos de las palabras y relaciones entre ellas
(conocida como ontologa). La ontologa ms utilizada es WordNet, una base de
datos lxica para el idioma ingls que se origin como un diccionario electrnico
siguiendo principios psicolingsticos [75, 34]. Fue desarrollada por el Laboratorio
de Ciencias Cognitivas de la Universidad de Princeton que lograron combinar los

WordNet: una base de datos lxica 39
elementos de un diccionario (deniciones y algunos ejemplos) y los de un tesauro
(sinnimos) convirtiendo a WordNet en un recurso muy til para PLN en lo que
respecta a WSD.
WordNet se organiza en conjuntos de sinnimos o synsets que representan las uni-
dades bsicas de informacin y organizacin. Cada uno de stos es codicado como
un nmero nico de ocho dgitos que dene un nico concepto (oset ). De esta
manera, distintos sentidos de las palabras pertenecen a diferentes synsets. Entre los
synsets existen conexiones que expresan relaciones semnticas, conceptuales o lxi-
cas. El resultado de este conjunto de conexiones es una extensa red que proporciona
un gran nmero de interrelaciones entre palabras convirtiendo a WordNet en una
red semntica u ontologa, ms que en el simple diccionario electrnico planteado
inicialmente.
WordNet contiene tanto palabras compuestas, frases verbales y colocaciones

1 como
frases idiomticas. Segn las diferentes reglas gramaticales, sustantivo (noun ), verbo
(verb ), adjetivo (adj ) y adverbio (adv ) se establecen cuatro categoras gramatica-
les para los trminos o palabras en un documento. De esta forma, como se dene
a continuacin las relaciones presentes en WordNet pueden variar dependiendo la
categora gramatical.
1. Para todas las categoras
sinonimia : es una relacin entre palabras las cules pueden sustituirse
unas por otras dentro de un contexto determinado sin modicar su signi-
cado siempre teniendo en cuenta que pertenezcan a la misma categora.
Por ejemplo, en la frase Si buscas un resultado distinto no hagas siempre
lo mismo puede ser cambiada por Si buscas una solucin distinta no ha-
gas siempre lo mismo, donde resultado y solucin son sinnimos ya que
al reemplazar una por la otra no cambia el sentido de la oracin.
antonimia : dene a la relacin entre palabras que tienen signicados
opuestos. Por ejemplo, arriba es el antnimo de abajo, fro representa el
antnimo de calor.
2. Para sustantivos
1 Es una secuencia de palabras que juntas tienen un signicado concreto, por ejemplo en ingls dining
car referencia al vagn comedor de un tren.

hiponimia : es una relacin que sucede slo para el caso de los sustantivos
y est denida como ES-UN. Por ejemplo, peridico es un medio de comu-

nicacin. Por lo tanto, peridico es hipnimo de medios de comunicacin.
meronimia : esta relacin suele estar denida como ES-PARTE-DE, que

representa que algn concepto es una parte de otro. Por ejemplo, un neu-
mtico es un mernimo de un auto y un dedo de la mano.
hiperonimia : dene la relacin inversa de la hiponimia. Segn el ejemplo
anterior, medios de comunicacin es hipernimo de peridico y vehculo es
hipernimo de tren.
holonimia : esta relacin se dene como la inversa de la meronimia, deter-
mina la relacin TIENE-UN, entre un trmino denotando un todo y un

trmino denotando una parte del todo, suele estar dedinida como . Por
ejemplo, casa es holnimo de dormitorio.
3. Para verbos
troponimia : es la relacin semntica de hacer algo en la forma de otra
cosa. Por ejemplo, caminar es tropnimo de mover (caminar es una forma
de moverse) y renguear es un tropnimo de caminar.
hiperonimia : es la relacin inversa a la troponimia y anloga a la relacin
de hiperonimia de los sustantivos. Por ejemplo, mover es hipernimo de
correr, caminar, trotar y saltar.
implicacin lgica : se reere a la relacin entre los verbos en la cual hacer
algo requiere hacer otra cosa tambin, es decir un trmino implica al otro.
Por ejemplo, comer implica masticar y roncar implica estar durmiendo.
causalidad : se reere a la relacin de los verbos que una accin produce
o acciona para que se ejecute otra. Por ejemplo, insultar causa la accin
de ofenderse, debido a que si se insulta a alguien seguramente la causa
inmediata es que la persona se ofenda.
4. Para adjetivos y adverbios
similaridad : dene la relacin de dos adjetivos con signicados similares
pero no lo sucientemente iguales como para estar en el mismo synset.
Por ejemplo, claro como un color muy cercano al blanco y el propio color
blanco que es el ms claro que existe.

En la Tabla 4.2 se muestra un resumen de las diferentes relaciones para las distintas
categoras.
Sustantivos Verbos Adjetivos

hiperonimia troponimia sinonimia
hiponimia entailment antonimia
meronimia cause similaridad
holonimia hiperonimia
sinonimia sinonimia
antonimia antonimia
Tabla 4.2: Relaciones en WordNet segn las categoras gramaticales
En la Figura 4.1 se muestra un ejemplo del synset pine, pine tree, true pine en
WordNet conectado a travs de las relaciones de hiponimia, hiperonimia, meronimia
y holonimia, donde los synset son representados por valos conteniendo los miembros
del synset y la glosa para dicho synset.
Figura 4.1: Relaciones para el synset pine, pine true, pine cone (adaptada de [76])
La estructura jerrquica de WordNet contiene un conjunto de conceptos esenciales
de los que derivan el resto de los synsets. Los mismos son mostrados en la Tabla 4.3.
Adems de distinguir mediante synsets los signicados de cada trmino, WordNet
establece una relacin de orden entre los diferentes sentidos de las palabras, de
acuerdo a su frecuencia de aparicin. De esta forma, para plane en la versin de
WordNet online 3.0 existen cuatro signicados diferentes:

1. {02691156} airplane#1, aeroplane#1, plane#1 (an aircraft that has a xed
wing and is powered by propellers or jets) the ight was delayed due to trouble
with the airplane
2. {13861050} plane#2, sheet#4 ((mathematics) an unbounded two-dimensional
shape) any line joining two points on a plane lies wholly on that plane
3. {13941806} plane#3 (a level of existence or development) he lived on a worldly
plane
4. {03955296} plane#4, planer#1, planing machine#1 (a power tool for smoo-
thing or shaping wood)
Cada concepto asociado al trmino plane adems de tener asociado su synset, tam-
bin tiene asociado un nmero de sentido: plane#1, plane#2, plane#3 y plane#4,
estos sentidos indican la frecuencia de aparicin de cada concepto, siendo plane#1
el ms frecuente usado en el idioma ingls segn WN. A cada synset le corresponde
una denicin o glosa que dene el concepto representado por el sentido especco
de cada trmino. As, para plane#1 su glosa asociada es an aircraft that has a xed
wing and is powered by propellers or jets.
La amplia cobertura de WordNet y su libre disponibilidad (a travs de la Universidad
de Princeton [76]) ha promovido su utilizacin para una gran variedad de tareas de
PLN. El uso de WN para CT no ha demostrado ampliamente su efectividad en [104,
117] pero, en diversos trabajos que usan synsets de WordNet para la indexacin, los
resultados fueron alentadores [40, 123, 79, 54].
Las cuatro categoras gramaticales y las relaciones lxicas existentes entre ellas de-
terminan la estructura de la base de datos WordNet. El formato y organizacin de
los archivos en WN han sido desarrollados de manera tal que faciliten el acceso de
las aplicaciones que lo utilizan como recurso externo (se darn ms detalles en el
captulo 6).
En la Tabla 4.4 aparece el conjunto de archivos que constituyen la base de datos para
la versin 2.1 de WordNet. Los archivos data.* e index.* son los ms importantes.
Las cuatro categoras sintcticas (noun, verb, adj y adv ) se utilizan para almacenar
la informacin correspondiente en diferentes archivos.
En la Figura 4.2 se muestra un fragmento del archivo index.noun. En todo archivo
de ndices (index.*) se almacena la informacin relativa a cada trmino (stos se

Concepto Denicin
entity todo aquello que se percibe, se sabe o se inere como de existencia
propia (vivo o no vivo)
psychological rasgo o caracterstica mental de un organismo viviente
feature
abstraction un concepto general formado por la extraccin de rasgos comunes desde
ejemplos especcos
la forma en que algo se muestra con respecto a sus principales atributos;
state en ingls, sera por ejemplo: the current state of knowledge,
his state of health o in a weak nancial state
event algo que pasa en un lugar y tiempo determinado
act,
human action, algo que la gente hace o har que suceda
human activity
group, grouping conjunto de entidades (miembros) que se consideran como una unidad
possession todo lo que pueda ser apropiado o posedo
phenomenon cualquier estado o proceso conocido a travs de los sentidos en lugar de
por intuicin o razonamiento
Tabla 4.3: Conceptos en la cima de la jerarqua de WordNet
Figura 4.2: Fragmento del archivo index.noun
encuentran ordenados alfabticamente para facilitar la bsqueda) y los synsets a
los que se encuentra asociado cada uno de ellos. En el ejemplo, el trmino car
se encuentra asociado con los synsets a travs de los osets [02929975 02931574
02906118 02932115 02931966] correspondientes a cada uno de sus cinco posibles
signicados. En cada lnea se incluyen, bsicamente, el trmino y los identicadores
de los synsets correspondientes.
En el caso de los archivos data.* para cada oset se almacenan todos los identi-
cadores de los synset a los que se encuentra asociado por las diferentes relaciones
Archivo Tamao (KBytes)

data.noun 14643
data.verb 2673
data.adj 3154
data.adv 507
index.noun 4639
index.verb 507
index.adj 830
index.adv 162
index.sense 7127
noun.exc 27
verb.exc 30
adj.exc 19
adv.exc 1
sentidx.vrb 72
sents.vrb 5
cntlist 857
Tabla 4.4: Archivos de la base de datos WordNet (versin 2.1)
Figura 4.3: Fragmento del archivo data.noun

lxicas. Por ejemplo, en la Figura 4.3 se puede encontrar informacin correspon-
diente al archivo data.noun, el oset 02929975 corresponde a uno de los cinco
signicados del trmino car de la Figura 4.2.

Captulo 5
WSD basado en conocimiento
Uno no es lo que es por lo que escribe, sino por lo que ha ledo...
Jorge Luis Borges. Escritor argentino.
De las estrategias de WSD planteadas en la seccin 4.2 el enfoque supervisado basa-
do en corpus (tambin conocido como supervisado) ha mostrado uno de los mejores
comportamientos con respecto a los resultados observados [120]. No obstante, debi-
do a la necesidad de contar con un corpus etiquetado previamente, este enfoque no
siempre es viable de ser aplicado. Una alternativa para abordar el problema anterior
es el uso de mtodos basados en conocimiento que obtienen informacin desde recur-
sos lxicos externos. Si bien este tipo de mtodos suele mostrar resultados de menor
calidad que los obtenidos con mtodos basados en corpus, constituyen en muchos
casos la nica alternativa realista si se desea hacer uso de informacin semntica en
la representacin de documentos [120].
En este captulo se analizarn 3 lneas generales en los que se fundamentan los
mtodos basados en conocimiento:
1. Los mtodos heursticos, analizados en la seccin 5.1, que consisten en reglas
que asignan un sentido a ciertas categoras de palabras en base a un criterio
particular. Por ejemplo, el sentido ms frecuente, un sentido por colocacin o
un sentido por discurso.
2. Los mtodos cuyo nico recurso externo requerido es un conjunto de entradas en
un diccionario (una por cada posible sentido) y el contexto inmediato donde se

Captulo 5. WSD basado en conocimiento 48
desarrolla la desambiguacin. En esta lnea se incluye al algoritmo de Lesk con
sus variantes, analizados en la seccin 5.2, donde los sentidos de las palabras de
un contexto se identican basndose en una medida de solapamiento contextual
a partir de las deniciones de una base de conocimiento externa.
3. Medidas de similitud extradas a travs de redes semnticas. Esta categora
incluye mtodos que tratan de encontrar la distancia semntica existente entre
diferentes conceptos. Dependiendo del tamao del contexto, estas medidas se
dividen en dos grandes categoras: aplicables a un contexto local, donde las me-
didas de similitud semntica se utilizan para desambiguar palabras conectadas
por relaciones sintcticas o por su localizacin y aplicables a contextos globa-
les, donde las cadenas lxicas son derivadas basndose en medidas de similitud
semntica. Un ejemplo de este enfoque es el sistema CIAOSENSO introducido
en [96].
5.1. Mtodo heurstico del sentido ms frecuente
Una forma sencilla para intentar establecer el sentido correcto de las palabras en un
texto es utilizar heursticas basadas en propiedades lingsticas aprendidas a travs
de textos. Una de las heursticas ms utilizadas es la denominada del sentido ms
frecuente. Entre todos los posibles sentidos que puede tener una palabra, general-
mente existe uno que ocurre ms a menudo que los otros sentidos. Por lo tanto,
un sistema muy simple de desambiguacin sera aquel que asigne a cada palabra su
sentido ms frecuente. El mtodo de desambiguacin que se basa en esta frecuencia
es referenciado en este trabajo como Mtodo del sentido ms frecuente (MFS, de sus
siglas en ingls para Most Frequent Sense). Este mtodo se utiliza a menudo como
baseline para evaluar el rendimiento de un mtodo WSD de acuerdo a lo expuesto
en [38].
Aunque conceptualmente es muy sencillo, y casi trivial de implementar, hay un
inconveniente asociado a este mtodo: no siempre disponemos de la distribucin de
las ocurrencias de los sentidos en todos los lenguajes, ya que, no existen sucientes
textos disponibles para extraer esa distribucin. Adems, un cambio en el dominio
por lo general altera la distribucin de los sentidos, disminuyendo as la calidad de
los resultados obtenidos por esta heurstica [1]. En este sentido, WordNet provee una
Algoritmo de Lesk 49
frecuencia para cada synset, de acuerdo a su frecuencia de uso en el idioma ingls .

1
El orden muestra la utilizacin de este concepto y, de este modo, los conceptos
ubicados al principio de la lista son los ms comnmente empleados. En la seccin
4.3 se mostr un ejemplo en WordNet para el synset plane que ejemplica lo
anteriormente expresado.
Adems de esta heurstica, existen otras dos comnmente utilizadas que no son
analizadas en este trabajo pero es conveniente mencionar. Las dos alternativas se
basan en la suposicin de que una palabra siempre tiene el mismo sentido en todas
sus ocurrencias en un mismo discurso (un sentido por discurso) o en la misma
colocacin (un sentido por colocacin) [120].
5.2. Algoritmo de Lesk
El algoritmo de Lesk [62] es uno de los primeros algoritmos desarrollados para la
desambiguacin semntica de palabras. El nico recurso externo requerido por el
algoritmo es un conjunto de entradas de un diccionario tradicional, una por cada
sentido posible de la palabra a desambiguar.
Dada una palabra ambigua, la denicin de cada uno de sus sentidos en el diccionario
(o glosa) es comparada a la de cada otra palabra en la frase o contexto inmediato.
A una palabra se le asigna aquel sentido cuya glosa comparte el nmero mayor
de palabras en comn con las glosas de las otras palabras. El algoritmo comienza
nuevamente para cada palabra y no utiliza el signicado previamente asignado.
Bsicamente, dadas dos palabras W1 y W2 , cada una con sus respectivos sentidos
NW1 y NW2 denidos en un diccionario, para cada par de posibles sentidos W1i
y W2j , i = 1 . . . NW1 , j = 1 . . . NW2 , primero se determina el solapamiento con las
correspondientes deniciones contando el nmero de palabras que tienen en comn.
A continuacin, el par de sentidos con el mayor solapamiento es seleccionado y
entonces se le asigna un sentido a cada palabra del par inicial. Las tareas simples
que involucran el algoritmo se muestran en la Tabla 5.1.
En [62] se muestra el funcionamiento de este algoritmo para el ejemplo pine co-
ne , valindose de deniciones encontradas en diccionarios tradicionales tales como
1 Esta frecuencia corresponde, en realidad, a la determinada por la cantidad de ocurrencias de las
palabras en el corpus Brown [76].

(1) Se determinan los sentidos de cada palabra W1 y W2 .

(2) Para cada sentido i de W1 y cada sentido j de W2 .
(3) Determinar el solapamiento (i, j), calculando la cantidad de palabras que tiene en comn
las deniciones de los dos sentidos analizados.
(4) Se seleccionan los sentidos i y j tales que el solapamiento (i, j) sea el mximo
Tabla 5.1: Algoritmo de Lesk (adaptado desde [9])
Oxford, Webster y Collins entre otros. De este modo, se determina que la palabra
pine tiene dos sentidos o signicados:
1. kind of evergreen tree with needle-shaped leaves.
2. waste away through sorrow or illness.
La palabra cone tiene tres sentidos:
1. solid body which narrows to a point.
2. something of this shape whether solid or hollow.
3. fruit of certain evergreen tree.
Cada uno de los dos signicados de la palabra pine es comparado con cada uno de
los tres sentidos de la palabra cone y de esta forma se encuentra que las palabras
evergreen tree ocurren en un sentido para cada una de las dos palabras (el sentido
1 para pine y el sentido 3 para cone ). Estos dos sentidos se consideran los ms
apropiados cuando se utiliza en conjunto las palabras pine cone teniendo en cuenta
el algoritmo Lesk original.
Al introducir variantes en el algoritmo original surgen nuevas versiones, como por
ejemplo:
Mtodos que tratan de resolver el problema de la explosin combinatoria cuan-
do se consideran ms de dos palabras [115].
Mtodos donde se considera en forma aislada a cada palabra, esto es, cada
trmino es desambiguado individualmente midiendo el solapamiento entre cada
denicin del diccionario y el contexto en el cual aparece [119].

Mtodos que utilizan las relaciones semnticas de las palabras y sus corres-
pondientes deniciones para ampliar el contexto [9]. En la siguiente subseccin
se detalla una variante mejorada del algoritmo de Lesk que se basa en esta
modicacin.
5.2.1. Algoritmo de Lesk Mejorado

Basado en el algoritmo original de Lesk, Banerjee y Pedersen en [9] presentan una
variante denominada Algoritmo de Lesk Mejorado o Algoritmo de Lesk Adaptado
(en ingls Enhanced Lesk Algorithm o Adapted Lesk Algorithm ) que introduce
nuevos cambios con respecto a:
Tamao de la ventana de contexto : en [18] se plantea que el ser humano de-
termina el signicado de una palabra a travs del contexto inmediato de dicha
palabra, lo que motiva a reducir a slo tres palabras la ventana de contexto. Por
otro lado, las limitaciones en los recursos computacionales tambin inuyen en
el hecho de elegir un tamao de ventana acotado.
Recurso externo utilizado : el diccionario tradicional utilizado por el algoritmo
original es reemplazado por la ontologa WordNet con el n de usar las rela-
ciones jerrquicas (tales como hiperonimia, hiponimia, holonimia, meronimia
y troponimia). Esta interconexin entre diferentes conceptos permite construir
un contexto ms amplio a partir de las deniciones semnticas.
Esquema para elegir las glosas a comparar : para comprender el cambio
implementado es importante, en primer lugar, presentar algunas notacio-
nes de WordNet. De esta manera, si se representa con word#pos#sense
a un nico synset, con gloss(word#pos#sense) a la glosa de un syn-
set y con hype(word#pos#sense) a todos los hipernimos del synset
word#pos#sense, entonces la notacin gloss(hype(word#pos#sense)) deno-
ta la glosa de los hipernimos del synset identicado por word#pos#sense.
Si existen mltiples hipernimos para el synset word#pos#sense, entonces
gloss(hype(word#pos#sense)) se usa para denotar la concatenacin de las glo-
sas de todos los hipernimos. Si no existen hipernimos para word#pos#sense
entonces hype(word#pos#sense) corresponde a la cadena vaca. Finalmente,
se pueden aplicar dos esquemas para analizar la superposicin de las glosas

obtenidas. El esquema homogneo compara dos sentidos de dos palabras,
analizando la superposicin entre sus glosas y entre las glosas de synsets que
estn relacionados a este synset a travs de la misma relacin (esto es, las glosas
de hipernimos entre s, las glosas de hipnimos entre s, pero no superponiendo
glosas de diferentes relaciones en la comparacin). Por otra parte, en el modo
heterogneo las glosas relacionadas a una palabra simple en la ventana de
contexto es comparada a las deniciones de otra palabra en la misma ventana,
observando todas los posibles superposiciones y relaciones entre dos palabras.
Deteccin de superposicin entre glosas : un nuevo modelo para detectar el sola-
pamiento entre glosas y su posterior mecanismo de clculo fueron introducidos
en [9]. ste se basa en encontrar la secuencia ms larga de palabras que sean
iguales, y darles un peso mayor comparado con las que se igualan en menor
cantidad de palabras.
Medida de puntuacin : luego de encontrar una o ms coincidencias entre dos
glosas, es necesario asignar una puntuacin a la informacin que provee acerca
de la relacin de los dos synsets que se comparan. El algoritmo de Lesk original
realiza un conteo del nmero de palabras que se superponen y otorga este valor
como puntuacin entre las dos glosas que se comparan. La nueva alternativa da
un valor mayor a solapamientos multipalabras, de este modo un par de glosas
donde coinciden n palabras en forma consecutiva obtienen una puntuacin
ms alta que si la superposicin de las n palabras hubiera ocurrido en dos
o ms solapamientos diferentes. Para cumplir el objetivo propuesto se eleva
al cuadrado la cantidad de palabras que coincidan en cada solapamiento (es
decir, n2 ) y luego se suman todas las superposiciones distintas encontradas. Por

ejemplo, si hay un solapamiento de 4 palabras consecutivas su puntaje ser de
42 = 16, pero si el solapamiento de las 4 palabras hubiera ocurrido en dos
superposiciones diferente una de 1 y la otra de 3 palabras el resultado asignado
sera 12 + 32 = 10, dando una puntuacin ms alta a una nica secuencia larga
de palabras superpuestas que al combinarse los resultados de las secuencias
ms cortas.
En base a lo anterior y a modo de sntesis, el algoritmo de Lesk original desambigua
cada palabra por separado, por lo tanto el sentido que se le asigna a una palabra ele-
gida para ser desambiguada no se determina por los sentidos que tienen las palabras
de su ventana de contexto. La nueva propuesta sugiere que todas las palabras en
la ventana de contexto sean desambiguadas simultneamente en un solo paso para
obtener la mejor combinacin entre todas las palabras y no slo para la palabra
elegida, dando un puntaje mayor al solapamiento de glosas con mayor cantidad su-
perpuestas de palabras. Este enfoque se referencia como global para diferenciarlo
del local que denota al algoritmo original. El algoritmo completo est descripto en
[8].
Por ejemplo, si se tienen tres palabras en la ventana de contexto: sentence, bench y
oender con las siguientes glosas para los diferentes signicados de cada palabra:
gloss(sentence#n#1) = a string of words satisfying the grammatical rules of a language

gloss(sentence#n#2) = the nal judgment of guilty in criminal cases and the punishment
that is imposed
gloss(bench#n#1) = a long seat for more than one person

gloss(bench#n#2) = persons who hear cases in a court of law
gloss(oender#n#1) = a person who transgresses law
Surgen de esta forma las siguientes combinaciones:
Combination 1: sentence#n#1 y bench#n#1 y oender#n#1

Para cada combinacin se pueden formar 3 pares de signicados a comparar. En las
Figuras 5.1, 5.2 y 5.3 se muestran los pares formados por la combinacin nmero 4.
En todas las guras se usa la siguiente notacin: un valo para representar cada syn-
set conteniendo en su interior los miembros del synset y la glosa que est delimitada
con comillas doble, teniendo en cuenta que cuando existen dos o ms relaciones de
hiperonimia o hiponimia los miembros del synset son concatenados por un punto y
coma y las glosas unidas por un punto, las echas punteadas representan cada com-
paracin entre glosas y las palabras resaltadas en negrita son las que forman parte de
la superposicin. Mientras que para las palabras sentence y oender se tienen hiper-
nimos e hipnimos, para bench slo se obtuvieron hipernimos. En estas guras se
aplica un esquema heterogneo de la seleccin de glosas donde cada comparacin es

representada con un echa punteada. Por lo tanto, las tres glosas para sentence#n#2
(gloss(sentence#n#2), gloss(hype(sentence#n#2)) y gloss(hypo(sentence#n#2)) )
son comparadas con las dos glosas asociadas a bench#n#2 (notar que son slo dos
glosas porque no tiene hipnimos). De la misma manera, las glosas asociadas con
oender#n#1 son comparadas a las vinculadas con sentence#n#2 y con las de
bench#n#2.
Figura 5.1: Comparacin del primer par (adaptado de [8])
Figura 5.2: Comparacin del segundo par (adaptado de [8])
En base a la medida de puntuacin asignada por el algoritmo de Lesk Mejorado y
teniendo en cuenta la Figura 5.1 se puede observar una superposicin de tres palabras
( court of law ) y una de una palabra ( case ) que produce un puntaje de 32 +12 = 10
Sistema CIAOSENSO 55
Figura 5.3: Comparacin del tercer par (adaptado de [8])
para el par de glosas gloss(hype(sentence#n#2)) y gloss(bench#n#2 ). Los valores
para los pares restantes son mostrados en la Tabla 5.2 y luego sumados entre s
de acuerdo a cada combinacin para calcular el puntaje total. La combinacin de
synsets con la calicacin ms alta se selecciona como la ms apropiada para las
palabras en la ventana de contexto. En este ejemplo, a partir del valor total en la
Tabla 5.2 y los datos calculados en [9] para las otras tres combinaciones posibles,
se determina a sentence#n#2, bench#n#2 y oender#n#1 como la combinacin
ms conveniente teniendo como ventana de contexto las palabras sentence, bench y
oender.
5.3. Sistema CIAOSENSO
Un nuevo modelo de WSD basado en el concepto de densidad conceptual fue intro-
ducido por Rosso, Masulli y Buscaldi en [96]. En este caso, la Densidad Conceptual
(DC ) se determina como la medida de correlacin entre el sentido de una palabra
y su contexto, est basada en la distancia conceptual que constituye la longitud de
camino ms corto que conecta dos synsets en la taxonoma que utiliza WordNet.
El mtodo utiliza las relaciones jerrquicas de hiperonimia e hiponimia presentes
en WordNet, es automtico y no necesita proceso de entrenamiento. Cada jerarqua
conceptual en WordNet puede verse como un rbol donde cada nodo es un synset
Primera glosa Segunda Glosa Superposicin Puntaje

hype(sentence#n#2) bench#n#2 court of law, case 10
sentence#n#2 bench#n#2 cases 1
hype(sentence#n#2) oender#n#1 law 1
sentence#n#2 hypo(oender#n#1) criminal 1
hype(bench#n#2) hype(oender#n#1) person 1
hype(bench#n#2) oender#n#1 person 1
hype(bench#n#2) hypo(oender#n#1) person 1
bench#n#2 hype(oender#n#1) person 1
bench#n#2 oender#n#1 person, law 2
bench#n#2 hypo(oender#n#1) person 1
Puntaje para la combinacin 4 20

Tabla 5.2: Puntajes para los pares en la guras 5.1, 5.2 y 5.3
diferente. Para una palabra que tiene varios sentidos (o signicados) cada uno de
estos cae en una diferente subjerarqua (o aglomeracin) cada una conteniendo uno
de los sentidos.
En [2] se dene la distancia conceptual con la siguiente frmula:
Pm1
nhypi
DC(c, m) = Pi=0
h1
(5.1)
i=0 nhypi
donde c es el synset raz de la subjerarqua, m el nmero de sentidos de las palabras

a desambiguar, h la altura de la subjerarqua y nhyp el nmero medio de hipnimos
por cada nodo (synset) de la subjeraqua. La Figura 5.4 representa una aglomeracin
destacando las palabras a desambiguar de las palabras del contexto. Los nodos
terminales se correponden a los synsets relevantes y aquellos para los cuales se
debe calcular la densidad. Lo planteado anteriormente se ejemplica con la Figura
5.5.
En [96] se introduce una variante de la ecuacin 5.1 que tiene en cuenta espe-
cialmente el nmero de synsets relevantes con respecto a los dems synsets en la
aglomeracin. La nueva frmula 5.2 mide la distancia conceptual entre el nmero M

de synsets relevantes dividido el nmero total nh de synsets de la aglomeracin. En
el resultado obtenido no se tienen en cuenta los caminos que no conducen a algn
synset relevante.
Sistema CIAOSENSO 57
Figura 5.4: Subjerarqua y synsets relevantes
M
DC(M, nh) = (5.2)
nh
A pesar de las modicaciones incorporadas a la ecuacin 5.2, en ciertos experimentos
analizados en [96] no se determina el sentido correcto de la palabra debido a que el
contexto de la palabra a desambiguar no resulta ser lo bastante signicativo. Por
lo tanto, se introduce un nuevo cambio a la frmula agregando la variable f (valor
entero) que determina la frecuencia de cada sentido proporcionada por WordNet
(detallado en la seccin 5.1).
M logf
DC(M, nh, f ) = M ( ) (5.3)
nh
A modo de ejemplo, en la Figura 5.5 se muestran las subjerarquas de WordNet en
la desambiguacin de brake en la frase: Brakes howled and horn blared furiously,
but the man would have been hit if Phil hadn't called out to him a second before .
Los sustantivos del contexto son horn, man y second que estn gracados con lnea
punteada. Teniendo en cuenta la ecuacin 5.3 los clculos para cada subjerarqua son
mostrados en la Tabla 5.3, donde se puede observar que el signicado perteneciente
al synset 1 es el ms adecuado para brake segn el mtodo CIAOSENSO.

Figura 5.5: Subjerarquas para la desambiguacin de brake con CIAOSENSO
Synset (i) Mi nhi Ecuacin (5.3)

1 9 21 90,1 * (9/21)log1 = 1.24
2 1 1 1
3 1 1 1
0,1
4 1 5 1 * (1/5)log4 = 0.07
Tabla 5.3: Clculos para la Figura 5.5

Captulo 6
Aspectos de Ingeniera de Software

aplicados a PLN
Los diseadores de autos no reinventan la rueda cada vez que planean un nuevo modelo,
pero los ingenieros de software se encuentran a menudo produciendo repetidamente ms
o menos la misma pieza de software en forma ligeramente diferente
Hamish Cunningham. PhD in Computer Science
Distintos trabajos en Ingeniera del Lenguaje, han realizado aportes interesantes al
tratar de solucionar el problema del escaso reuso e integracin de componentes que en
general se puede observar en los desarrollos de PLN. Sin embargo, estos trabajos suelen
presentar la falencia de que el costo de entenderlos y usar sus abstracciones es ms alto
que el costo estimado por el programador en desarrollarlos nuevamente desde cero. Un
problema adicional e igualmente importante es el hecho de que muchas de las arquitecturas
introducidas se han concentrado en modelos muy generales y poco exibles para ciertos
problemas particulares de PLN. En este contexto, uno de los propsitos de esta tesis es
brindar un prototipo de marco de trabajo para el pre-procesado semntico de textos que
sea lo sucientemente exible para ser usado en experimentos similares a los realizados en
este trabajo, permitiendo adems, la seleccin de diferentes algoritmos de desambiguacin
y/o de etiquetado sintctico.
El captulo comienza con una descripcin general de la IS y la IL, para luego detallar los
diferentes aspectos de la IS que generalmente no son tomados en cuenta por la comunidad

Captulo 6. Aspectos de Ingeniera de Software aplicados a PLN 60
de investigadores en el rea del PLN [61]. Finalmente, se presentan las APIs utilizadas en
esta tesis junto con una descripcin detallada de la propuesta implementada.
6.1. Conceptos introductorios
Todo software est compuesto por programas, datos y documentos. El software di-
seado y construdo por los ingenieros de sistemas, tiene caractersticas propias que lo
distingue de los dems productos que el hombre pueda construir, debido a que:
El software se desarrolla, no se fabrica. La contruccin de software de computadora
supone un diseo y enfoque especial que no puede compararse con la elaboracin
clsica de cualquier producto fsico.
El software no se estropea. El software sufre cambios (mantenimiento) que pueden
producir nuevos defectos que provocan un deterioro del mismo. Cada fallo en el
software indica un error en el diseo o en la traduccin de ste a cdigo ejecutable.
El mantenimiento del software es, por lo tanto, bastante complejo.
La mayora del software se construye a medida. En este sentido, la disciplina del
software est evolucionando al reutilizar o ensamblar componentes, una tarea propia
del proceso ingenieril que debera ser aplicada en este contexto. Dichos componentes
se crean para que el ingeniero pueda concentrarse en cuestiones innovadoras de un
diseo.
El contenido y el determinismo de la informacin son factores fundamentales para
determinar la naturaleza de una aplicacin. El contenido se reere al signicado y a la
forma de la informacin de entrada y salida. Mientras que el determinismo est relacionado
a la predictibilidad del orden y el tiempo de llegada de los datos utilizados. La construccin
de sistemas de software de forma sistemtica y apropiados a cada situacin es una tarea
difcil, por lo que el riesgo de fallo en la mayora de los sistemas suele ser muy alto [87].
Se dene a la ingeniera como un proceso de construccin que debe tener como objetivo
la conformidad del producto resultante a criterios de adecuacin bien especicados bajo
restricciones sobre la naturaleza propia del proceso [87]. Tanto el proceso de construccin
como sus salidas deben ser medibles y predecibles. La IS es una disciplina que integra el
Conceptos introductorios 61
proceso, los mtodos y las herramientas para el desarrollo de software de computadora de
alta calidad de manera rpida, simple y a bajo costo tratando de mitigar mediante este
enfoque disciplinado el riesgo inherente de los diferentes proyectos de software. Para tal
n, un nmero de diferentes modelos de proceso para la IS han sido propuestos a lo largo
del tiempo, como por ejemplo, el modelo en cascada y el modelo en espiral. Todos estos
modelos exhiben fortalezas y debilidades, adaptndose a distintos tipos de desarrollos. En
este contexto, todos se componen de una serie de fases genricas en comn:
Fase de denicin: se enfoca en determinar lo que debe hacer el sistema, la infor-
macin a ser procesada, la funcin y desempeo deseado y el comportamiento que
se espera.
Fase de desarrollo: corresponde a un proceso de mltiples pasos que se enfoca en
cuatro atributos de un programa: estructura de datos, arquitectura de software,
representaciones de la interface y detalle de los algoritmos. El proceso de diseo
traduce los requerimientos a una nueva representacin del software donde es factible
un proceso de evaluacin de la calidad del sistema.
Fase de soporte: se evalan los diferentes cambios a realizar, ya sea, debido a errores
encontrados, adaptaciones a cambios en el entorno externo o mejoras requeridas por
el cliente.
6.1.1. Ingeniera del Lenguaje Natural

La IL incluye el desarrollo de software, por lo tanto se la puede considerar como parte
del rea de la IS [87]. As mismo, el tpico principal de estos sistemas es el procesamiento
del lenguaje humano por lo que tambin es apropiado vincular a la IL con el rea del
PLN. Por lo tanto, una denicin acertada, clara y completa sera la expuesta en [21] que
detalla: IL es una de las ramas de la IS que se enfoca en la construccin de sistemas de
software vinculados al PLN para algo ms que slo modelar el lenguaje en s mismo y que
sea til no slo a los lingistas. .
Un conjunto de factores fueron determinantes en dar origen a la IL:
la demanda de aplicaciones para la manipulacin de textos electrnicos, los cuales
han crecido exponencialmente en volmen y disponibilidad.

los avances en el hardware tales como mayor la velocidad de procesamiento, capa-
cidad de memoria y de almacenamiento.
la disponibilidad de recursos relacionados al lenguaje natural con un importante
tamao de datos (diccionarios, tesauros, ontologas, etc.).
los altos niveles de precisin logrados en los experimentos vinculados al PLN.
Por lo tanto, se puede identicar a la IL como la aplicacin de la ciencia del lenguaje a la
solucin de tareas prcticas.
A los problemas bsicos que afectan a todo desarrollo de software convencional,
se deben aadir otras complejidades cuando se reere a la implementacin de sistemas
vinculados al PLN, tales como: exactitud, eciencia, productividad, robustez, exibilidad,
uso de mltiples lenguajes y escalabilidad, entre otros.
Exactitud : las tcnicas del PLN no pueden garantizar que se encontrarn todos y
nicamente los resultados correctos. El sistema debe tener esto en cuenta y tener
un plan alternativo (o un retroceso apropiado) en caso de ser necesario.
Eciencia : la obtencin de resultados (supuestamente correctos) es decisivo en el
desarrollo de los sistemas PLN. Por otro lado, las mejores polticas de diseo y
seleccin de tecnologa solamente representan un detalle ms de implementacin y
no son cruciales.
Productividad : el tiempo es un producto muy escaso en todo desarrollo y por lo
tanto el factor que ms inuye en la productividad de un sistema. La prdida de
productividad se puede deber a diferentes causas como son el desconocimiento de
la existencia de recursos, la desconanza en los componentes que no son propios, o
la imposibilidad de instalar e integrar el software existente debido a la poca docu-
mentacin de los mismos.
Robustez : en ingeniera, la robustez se determina como la habilidad de los dispo-
sitivos para trabajar aun bajo condiciones variantes. En el rea del lenguaje, los
trminos robustez y portabilidad tienen un signicado ms limitado, ya que ambos
son usados para describir la viabilidad de que un mtodo lingstico sea aplicado a
diferentes tipos de textos o dominios (en trminos de precision/recall vistos en el
Captulo 3).
Flexibilidad : como todo sistema, los desarrollos de PLN necesitan ser exibles. En el
caso de PLN, se debe tener en cuenta la variedad en los formatos de las colecciones
de datos para hacer a los sistemas lo ms exibles posible.
Mltiples lenguajes : en el mundo globalizado, los usarios necesitan sistemas capa-
ces de reconocer y trabajar con mltiples lenguajes. Las aplicaciones de PLN son
complejas debido a que ellas se valen de modelos estadsticos y conjuntos de reglas
gramaticales y lxicas que son especcos de cada idioma. De esta manera, en la ma-
yora de los sistemas PLN es necesario crear nuevos componentes para cada idioma
diferente.
Escalabilidad : frecuentemente las partes de un sistema PLN dependen de otros com-
ponentes y la demanda de recursos en general es bastante alta. Los recursos de
memoria y tiempo no son reportados en PLN con anticipacin, a diferencia de los
sistemas en general que planican con antelacin los recursos necesarios.
Algunas de las falencias en lo que respecta a sistemas de PLN, tales como robustez,
productividad (a travs del reuso de componentes) y exibilidad, han sido y son temas de
relevancia en el mbito ingenieril. Tanto es as que cada vez ms proyectos y programas
de investigacin estn abocados a buscar posibles soluciones a algunos de estos problemas
o por lo menos tratar de atenuarlos [61]. Por lo tanto, cuando se hace mencin al reuso
de componentes en PLN en realidad se est trabajando en un tpico problema de inte-
gracin [21, 121] que puede ser superado aplicando conceptos bsicos de la IS como son
las interfaces de programacin de aplicaciones (APIs ) o los marcos de trabajo (en ingls
frameworks ).
6.1.2. Reuso de componentes

A partir de lo expuesto en la seccin 6.1.1, y sin entrar en cuestiones complejas del
dominio del PLN, se concluye que la baja reutilizacin de componentes resulta uno de los
problemas ms complejos a solucionar. Esto se debe a que la reutilizacin en este caso
presenta una doble limitacin, necesitando no slo intercambiar datos usando el mismo
formato e interpretacin, sino que tambin se necesita realizar la comunicacin entre com-
ponentes que pueden estar escritos en distintos lenguajes e incluso ejecutar en diferentes
plataformas. El concepto de reutilizar en nuevos sistemas componentes desarrollados pre-
viamente no es nuevo en el rea de la IS [131]. Asimismo, ha comenzado a ser un tema a
discutir en IL [21] especialmente en sistemas de gran escala. En este contexto, podemos
distinguir: reutilizacin de datos para entrenamiento o como recursos internos de cono-
cimiento y reutilizacin de cdigo (o algoritmos) usados en el procesamiento de dichos
datos.
En los ltimos aos ha surgido un gran inters en la reutilizacin de repositorios de
datos, algunos de los cuales estn disponibles pblicamente para investigacin, como por
ejemplo:
El diccionario Longman de Ingls Contemporneo (LDOCE por sus siglas en ingls),
http://www.ldoceonline.com/
Wordnet, http://wordnet.princeton.edu/ [76]
El diccionario EDR, http://www2.nict.go.jp/r/r312/EDR/index.html [130]
El Consorcio de Datos Lingusticos (LDC por sus siglas en ingls), http://www.

ldc.upenn.edu/
La Asociacin Europea de Recursos del Lenguaje (ELRA por sus siglas en ingls),
http://www.elra.info/
A los recursos nombrados se deben agregar los innumerables sitios que cuentan con
colecciones de documentos para nes experimentales varios de las cuales han sido utiliza-
das en este trabajo [30, 59, 25]. Si bien el uso de colecciones estndar ha permitido hacer
comparable los resultados, en ocasiones el uso de sub-colecciones ha introducido proble-
mas segn se muestra en [25]. En este sentido, a pesar de que existen an inconvenientes
para resolver el reuso de datos, los avances superan notoriamente a la reutilizacin de
cdigo. Una de las principales razones de que el porcentaje de reutilizacin algortmica
sea bajo es la gran dicultad que implica la integracin, ya que los desarrolladores usan
diferentes lenguajes de programacin, entornos obsoletos o diferentes paradigmas. Por lo
tanto, la reimplementacin e integracin causan la mayor prdida de productividad.
Las dos formas de reutilizacin (de datos y de cdigo) fueron tenidas en cuenta para
el desarrollo de este trabajo. En lo que respecta a la reutilizacin de fuentes de datos se
utiliz:
la ontologa WordNet que fue usada en diferentes tareas del procesamiento de textos
(ver Figura 6.2). Como se explic en la seccin 4.3 sta es una de las bases de datos
lxica ms utilizada en PLN.
los conjuntos de colecciones de textos que sern descriptos en la seccin 7.1 y son
ampliamente usados en el rea de PLN.
Aparentemente, la utilizacin de las anteriores fuentes de datos no representan un
problema. No obstante, hay que tener en cuenta que es necesario contar con una interface
para acceder a ellos desde el sistema desarrollado.
En el aspecto de la reutilizacin algortmica, se trabaj sobre:
Una API para interactuar con WordNet. En http://wordnet.princeton.edu/

wordnet/related-projects/#local se mencionan algunas de las APIs ms usa-
das para acceder a WordNet disponibles en distintos lenguajes de programacin y
entornos. En la seccin 6.1.3 se describen las APIs analizadas y la seleccionada para
ser usada en este trabajo.
Distintos algoritmos de desambiguacin, para seleccionar el sentido ms apropiado
de una palabra especca en un contexto determinado.
1. CIAOSENSO (descripto en la seccin 5.3), al ser un algoritmo desarrollado
en C++ se us la API que permite la ejecucin de componentes externos a la
Maquina Virtual Java para poder interactuar con este sistema desde Java.
2. Lesk Mejorado (descripto en la seccin 5.2.1), se tradujo a lenguaje Java la
versin desarrollada en C# en http://www.codeproject.com/KB/string/

semanticsimilaritywordnet.aspx. WordNet es utilizado en este algoritmo.
Se podra haber dejado en C# y ser invocado desde Java, pero representa un
aporte ms la implementacin realizada.
3. Mtodo heurstico del sentido de ms frecuente (descripto en la seccin 5.1), es
uno de los algoritmos ms sencillos, por lo que directamente fue desarrollado
en Java.
Distintos algoritmos de etiquetado sintctico, que rotulan las palabras segn su ca-
tegora gramatical (noun, verb, adjective y adverb ) para realizar la desambiguacin

semntica dependiendo de la etiqueta aplicada. Fue implementado el mtodo ms
simple que tiene en cuenta la frecuencia determinada por WordNet.
6.1.3. APIs para WordNet

Una API representa una interfaz de comunicacin entre componentes de software. Se
trata de utilizar bibliotecas que ofrecen acceso a ciertos servicios desde procesos internos
y representan un mtodo para conseguir abstraccin en la programacin, generalmente
entre los niveles o capas inferiores y los superiores del software. Uno de los principales ob-
jetivos de una API consiste en proporcionar un conjunto de funciones de uso general. De
esta forma, los programadores se benecian de las APIs haciendo uso de su funcionalidad,
evitndose el trabajo de programar todo desde el principio. Las APIs son abstractas, es
decir el software que proporciona una cierta API generalmente es llamado la implemen-
tacin de dicha API . Al implementar una API se debe llegar a un cierto equilibrio entre
su potencia, simplicidad y prdida de exibilidad.
Como se menciona en la seccin 4.3, WordNet es una base de datos lxica compuesta
por un conjunto de archivos que contienen la jerarqua de synsets de esta ontologa.
Para acceder a estos archivos se necesita una interface denida en algn lenguaje de
programacin que permita recuperar datos de los mismos. Existen interfaces disponi-
bles en lenguajes tale como: C#, Java, Haskell, Prolog, Perl, Python, entre otros [76].
A continuacin, se mencionan algunas de las ms importantes explicadas en detalle en [76]:
1. NET/C#:
Franois-Rgis Chaumartin ha desarrollado un framework lingustico denomi-
nado Antelope .NET. ste usa y extiende WordNet incluyendo varios etique-
tadores y parsers para su versin francesa. Antelope trabaja bajo Windows o
Linux, y es gratuito para investigacin y educacin.
Troy Simpson ha desarrollado una interface C# para WordNet usando la ver-
sin 3.0. Requiere el framework .NET y puede ser descargado en forma gratuita.
Derik Palacino ha desarrollado una interface C#. Este proyecto fue construido
sobre la base de datos para WordNet 3.0 sin embargo el cdigo fue traducido
desde la versin 2.1. Puede ser descargado como cdigo fuente o binario para
Windows.
2. Java:
La API Java para bsqueda en WordNet (JAWS las siglas en ingls para Java
API for WordNet Searching) es una interface de alto rendimiento, escrita en-
teramente en Java que soporta WordNet 2.1 y 3.0. Fue escrito por Brett Spell
y es compatible con Java 1.4 y versiones posteriores.
Joris Van den Bogaert desarroll una interesante versin de interface Ja-
va/WAP que permite navegar WordNet desde el telfono celular.
Bernard Bou ha escrito WNJN (compatible con la librera nativa de Java)
la cual realiza la interface entre la base de datos WordNet (1.7.1 y 2.0) y
programas Java. Ofrece clases de Java con el cdigo binario (escrito en C++)
y dispone funcionalidad para la consulta y la bsqueda.
JWNL (las siglas en ingls para Java WordNet Library) escrita por John Di-
dion, se trata de una API de Java que proporciona componentes de diferentes
niveles de acceso a datos de WordNet. Escrito totalmente en Java no utiliza
cdigo nativo, por lo que es totalmente porttil y todo su cdigo fuente est
disponible.
JWI (MIT Java Interface to Wordnet) fue desarrollado por Mark Finlayson,
soporta Wordnet 2.0, 2.1 y 3.0. La ltima versin de JWI dispone de una
API sencilla, gil y altamente extensible. Fue escrito enteramente en Java,
completamente portable y distribuido bajo licencia no comercial y con cdigo
fuente disponible.
A pesar de disponer de varias APIs Java de acceso a WordNet, uno de los principales
factores para que las mismas sean de gran utilidad depende de la documentacin que
las acompae. De las mencionadas anteriormente, la mayora carecen de sta, es muy
complicada o demasiado extensa. Con respecto a aquellas basadas en cdigo nativo y
accesibles a travs de JNI, una de las falencias es su baja portabilidad y dicultad de
instalacin.
Una de las APIs WordNet que tiene una documentacin til, con ejemplos de cmo se
debe usar y funcionalidades aadidas no incluidas en la distribucin WordNet es la desa-
rrollada por Troy Simpson en C#. Se puede encontrar una documentacin extensa en
http://www.codeproject.com/KB/string/semanticsimilaritywordnet.aspx (donde
se hace referencia al algoritmo de Lesk adaptado) y http://www.ebswift.com/Desktop/

WordNet/. Las funcionalidades de bsqueda aadidas en esta distribucin incluyen carac-
teres comodines, expresiones regulares y anagramas. Estas funcionalidades generalmente
se encuentran en productos comerciales, pero aqu estn disponibles en cdigo abierto. Por
lo mencionado anteriormente, y despus de investigar algunas de las APIs mencionadas,
se migr la versin desarrollada por Troy Simpson en .NET a Java.
6.2. Trabajos Relacionados en Ingeniera del Lenguaje
Durante la investigacin bibliogrca se encontr gran cantidad de documentacin de
sistemas, prototipos y propuestas de entornos de integracin y herramientas vinculadas a
PLN desarrollados en diferentes lenguajes (C, C++, C#, Perl, Python y Java) orienta-
dos a diferentes plataformas (distintas versiones de Linux o Windows). Muchas de estas
propuestas disponibles tienen la particularidad de ser muy completas pero a la vez com-
plejas y poco exibles en determinadas situaciones. La mayora de los sistemas de PLN
desarrollados hasta el momento tienen arquitecturas similares, cada plataforma permite
encadenar y combinar los diferentes componentes de anlisis de acuerdo a una jerarqua
de ejecucin. En general, los sistemas permiten crear ujos lineales de mdulos donde la
salida de uno es la entrada del siguiente. Algunos ejemplos de estos sistemas son:
GATE (las siglas en ingls para General Architecture for Text Engineering ): esta
arquitectura desarrollada para la tarea de Extraccin de la Informacin permite
construir sistemas PLN a partir de componentes previamente implementados. Pro-
porciona un ncleo con los mdulos bsicos de anlisis del lenguaje (morfolgico y
sintctico) permitiendo el acoplamiento de nuevos componentes. Est implementa-
do en Java por lo que la integracin de componentes se realiza considerando a todo
recurso como una clase Java [22, 20] (en la seccin 6.5 se ver ms en detalle este
sistema).
ALEP (las siglas en ingls para The Advanced Language Engineering Platform ): es
un proyecto soportado por la Commission of the European Community que tiene
como objetivo proporcionar a la comunidad de investigadores en PLN de Europa un

Trabajos Relacionados en Ingeniera del Lenguaje 69
entorno de desarrollo abierto, verstil y de uso general. El sistema ofrece un forma-
lismo basado en la unicacin y una mquina lingstica con anlisis, generacin y
transferencia de componentes. Est implementado en su mayora en lenguaje Prolog
[132].
NLTK (las siglas en ingls para Natural Language Programming Toolkit ): es un
sistema que provee herramientas bsicas para la manipulacin de datos y para la
realizacin de tareas vinculadas al PLN. Debido a sus caractersticas, es ampliamente
usado con un enfoque pedaggico en el mbito acadmico, permitiendo construir
fcilmente sistemas PLN usando Python [11].
TEXTRACT (las siglas en ingls para The TALENT System ): es un trabajo similar
a GATE pero pensado para el procesamiento a gran escala de textos y con un enfoque
industrial. Desarrollado en C++ ofrece una serie de componentes (plugins) con las
funciones bsicas de PLN (tokenizer, PoSTagger, etc). Estos plugins comparten un
repositorio asociado a cada documento, a travs del cual se comunican [82].
En la actualidad, los nuevos sistemas de PLN continan implementando la misma ar-
quitectura pero con mayor exibilidad y simplicidad para la integracin de nuevos mdulos
de anlisis.
Los experimentos previos al desarrollo del framework, fueron desarrollados por medio
de scripts que complicaban las tareas de llevar una documentacin de lo implementado,
determinar el orden de ejecucin o precisar cual era la versin correcta de cada mdulo.
Por lo tanto, la reproduccin exacta de un experimento anterior era muy difcil de obte-
ner o casi imposible. Otro aspecto muy importante que surgi durante el desarrollo del
trabajo fue que, una integracin de caja negra

1 con componentes de software orientados
al campo de la lingstica resulta una tarea muy difcil debido a que si la tcnica interna
es desconocida, el componente puede fallar. Finalmente, otro problema a resolver es la
presencia de subtareas o algoritmos que estn desarrollados en diferentes paradigmas.
En este captulo se plantea la propuesta de un marco de trabajo de fcil uso y extensi-
bilidad que permita unicar las diferentes tecnologas. El lenguaje Java fue escogido para
la implementacin del framework debido a su portabilidad y posibilidad de interaccin
con diferentes sistemas, no necesariamente desarrollados en este mismo lenguaje.
1 Concepto que referencia a los componentes lingsticos cuyo detalle de implementacin interna no es
conocido [61].
6.3. Descripcin del framework desarrollado
Un marco de trabajo (framework ) es un diseo reusable para todo o parte de un
sistema de software. Todo framework est constituido por un conjunto de bloques de
construccin de software ya desarrollados, que los programadores pueden usar, extender,
o adaptar a soluciones especcas [50]. En un lenguaje ms tcnico, un framework expone
una coleccin de clases individuales que proveen un conjunto de servicios para un dominio
particular y que los clientes pueden usar o adaptar [80]. En otras palabras, es equivalente
a un librera de clases que han sido diseadas para un cierto dominio dotadas de una
documentacin que incluye detalles precisos de la API exportada junto con ejemplos de
como ser usada en contextos de problemas particulares. Dicha librera puede ser adaptada
y/o extendida para solucionar problemas en este dominio. El concepto de framework se
basa en el desarrollo basado en componentes [109]. Uno de los benecios principales de
los frameworks es la reusabilidad de cdigo. Mediante la provisin de una infraestructura
estndar, se decrementa la cantidad de cdigo que el desarrollador tiene que escribir,
testear y depurar. Esto tambin puede bajar los costos de mantenimiento y acelerar la
puesta en produccin de una aplicacin o la puesta en ejecucin de experimentos por
parte de un investigador en el dominio.
En este trabajo se propone un framework sencillo, orientado al dominio PLN que
brinda interfaces y clases abstractas bsicas para las tareas involucradas en el pre-
procesamiento semntico para la obtencin de los vectores que sern utilizados en la
representacin de los documentos [33]. Los componentes abstractos deben ser implemen-
tados por las clases que van a usar los servicios que brinda el framework. Siguiendo esta
convencin, dichas clases pueden luego ser manipuladas de forma predecible por entornos
de desarrollo y aplicaciones.
En [80] se menciona un aspecto a tener en cuenta sobre el diseo y creacin de un marco
de trabajo, se advierte que inclusive el framework ms elegantemente diseado nunca va
a ser usado a menos que el costo de entenderlo y usar sus abstracciones sea ms bajo que el
costo estimado por el programador en desarrollarlo nuevamente de cero. La ganancia real
se obtiene cuando las clases y los mecanismos son reutilizados a menudo, indicando que
otros obtienen benecios del desarrollo, permitiendo que el desarrollador/investigador se
enfoque en la parte particular del problema sin tener que lidiar con cuestiones adyacentes
al mismo.
Descripcin del framework desarrollado 71
El framework desarrollado tiene un arquitectura simple y modular. La tarea de pre-
procesamiento de documentos para su posterior clasicacin fue dividida en un nmero de
subtareas ms pequeas implementadas como mdulos separados. La Figura 6.1 muestra
un diagrama general simplicado del sistema desarrollado mediante un diagrama de clases.
Se muestra un conjunto de clases bsicas que realizan distintas tareas de pre-procesado
de documentos, entre ellas hay clases abstractas tales como WSD que luego son imple-
mentadas de acuerdo al algoritmo especco utilizado en cada caso. Por ejemplo, para
implementar el algoritmo de desambiguacin llamado AdaptedLesk slo se debe heredar
de la clase abstracta WSD e implementar el mtodo disambiguate(String[] words) segn
la lgica propia de dicho algoritmo sin tener que preocuparse por cuestiones de entrada y
salida con la etapa anterior y posterior de este mdulo.
Figura 6.1: Estructura del framework
Para la API de Wordnet slo se detallan las clases principales Lexicon y WNDB con
algunos de sus mtodos ms importantes. Los componentes del diagrama de clases se
describen a continuacin obviando los detalles de sus atributos y mtodos:

InOutProcess, provee funcionalidad de entrada y salida de archivos para el procesa-
miento de los diferentes documentos de una coleccin.
StopWordsHandler, provee mtodos para determinar si una palabra pertenece a la
lista de palabras de corte (stopword ).
POSTagger, representa la clase abstracta que brinda el etiquetado sintctico de cada
palabra.
WSD, representa la clase abstracta que realiza la tarea de desambiguacin del sentido
de las palabras.
GetSynsetOset, obtiene el identicador nico en WordNet del synset (oset ) que
fue determinado por el algoritmo de desambiguacin.
TermsPlusConcepts, forma el vector de trminos ms conceptos, para la representa-
cin trminos+conceptos usada en la seccin 7.2 para los experimentos.
Ejemplos de la implementacin de las clases abstractas nombradas anteriormente son:
MFWN que implementa la clase abstracta POSTagger basndose en la frecuencia
de WordNet para determinar la categora gramatical.
Brill, que implementa la clase abstracta POSTagger con el algoritmo de etiquetado
sintctico desarrollado por Eric Brill que se basa en el aprendizaje de transforma-
ciones que deben corregir ciertos errores [13]. Este algoritmo no fue implementado
como parte del trabajo pero es factible y sencillo de ser incorporado.
CiaoSenso, que implementa la clase abstracta WSD con el algoritmo CIAOSENSO
que se basa en medidas de similitud semntica extradas a travs de redes semnticas
(ver seccin 5.3).
EnhancedLesk, que implementa la clase abstracta WSD con el algoritmo de Lesk
Mejorado una variante del algoritmo original introducido por Michael Lesk (ver
seccin 5.2).
MFS, que implementa la clase abstracta WSD con el algoritmo heurstico del sentido
ms frecuente (ver seccin 5.1).

Descripcin del framework desarrollado 73
La Figura 6.2 muestra las diferentes subtareas que conforman el proceso. Cada sub-
tarea acepta datos de la etapa previa, aplica una transformacin a los datos y los pasa
procesados a la prxima etapa. En esta gura, se muestra cada subtarea vinculada a la
clase abstracta de la que hereda (esto ser explicado en detalle en la seccin 7.2).
El framework comprende un grupo de clases programadas en lenguaje Java. Los obje-
tos de estas clases pueden ser instanciados en programas de usuario, los mtodos pueden
ser invocados sobre estos objetos e inclusive se pueden heredar las clases para brindar
una mayor funcionalidad a las ya existentes. Un usuario podra crear sus propios m-
dulos (algoritmos) para ejecutar cualquiera de las subtareas mencionadas anteriormente,
siempre y cuando los mdulos adhieran al protocolo especicado por la arquitectura. Por
ejemplo, para implementar el algoritmo de etiquetado sintctico (POS-tagging) llamado
Brill tagger [13] slo se debe heredar de la clase abstracta PosTagger e implementar
nicamente el mtodo posTag(String[] words) donde debe desarrollarse la lgica propia de
dicho algoritmo sin tener que preocuparse por cuestiones de entrada y salida con la etapa
anterior y posterior de este mdulo.
De esta manera, se podran incluir diversos algoritmos para las diferentes tareas pu-
diendo llegar a contar con un conjunto de mdulos que se pueden combinar de formas
variadas para la creacin y ejecucin de experimentos de forma ms sencilla sin tener que
desarrollar de cero muchas cuestiones que estaran ya solucionadas en el framework. El
framework brinda un acceso ms sencillo a los archivos que se utilizan en los experimentos,
un acceso unicado a la base de datos lxica WordNet, algoritmo de stemming (seleccin
de la raz o stem de la palabra) y de etiquetado sintctico (o pos-tagging ). En base a esta
experiencia se puede concluir que durante el desarrollo de los algoritmos particulares de
las subtareas del proceso, la parte bsica de acceso a recursos externos (como los archivos
de WordNet) ya estara solucionada mediante las clases superiores permitiendo concen-
trarse, exclusivamente, en la lgica de la solucin del problema sin tener que preocuparse
por lo dems.
Por otro lado, la posibilidad de combinar los diferentes algoritmos en las distintas
etapas es algo que hasta el momento se haca manualmente, por lo que se decidi extender
el trabajo implementando una interfaz grca que facilite al usuario la experimentacin
con el framework. En el Apndice C se describe en forma detallada la interfaz grca
desarrollada para tal n, denominado Pre.Se.Do., especicando la tecnologa usada para
su implementacin, las distintas tareas que incluye y los pasos para su uso.
Figura 6.2: Diagrama de tareas e interaccin de clases
6.4. Experiencias en el uso del framework

El framework propuesto en este trabajo, fue inicialmente utilizado en tareas de CT
cortos [95], en estudios que incluyeron 7 colecciones de textos cortos, y el uso de 5 de
los mtodos ms difundidos de categorizacin, provistos en este caso por el software libre
denominado Weka [39]. En este estudio, qued demostrada la importancia de contar con
un framework como el propuesto en este trabajo, facilitando de manera signicativa el de-
sarrollo del trabajo experimental. Las razones de estas armaciones estn fundamentadas
en las caractersticas particulares que surgen al incorporar informacin semntica en tareas
de CT. En estos casos, al igual que en otros dominios de PLN que utilizan informacin
Plugin semntico para GATE 75
semntica, la efectividad de incorporar los conceptos en la representacin de documentos,
depende fuertemente del tipo de codicacin usada en los documentos, del algoritmo de
clasicacin, del mtodo de WSD y, fundamentalmente, de las caractersticas particulares
de los documentos de las distintas colecciones. En este sentido, el uso del framework
permiti un rpido desarrollo de las distintas instancias experimentales, simplicando la
generacin de las combinaciones de parmetros y mtodos para detectar aquellas que
resultaran ms efectivas en cada caso.
La experiencia lograda en este primer trabajo con el framework, permiti en un plazo
muy breve analizar si el buen desempeo en tareas de clustering de textos cortos logrado
?
por el algoritmo iterativo ITSA [31], tambin se vericaba en aquellos casos donde se in-
corporaba informacin semntica a la representacin de los documentos. En este contexto,
los resultados obtenidos en los experimentos realizados en [94] son altamente prometedo-
res respecto a la efectividad de este enfoque, obtenindose valores muy competitivos en
la mayora de las instancias experimentales, incluso en algunos casos, alcanzndose los
mejores resultados comparados a los reportados en la literatura especca del rea.
Si bien los estudios citados previamente se encuadran claramente como una investiga-
cin cientca, varias de las colecciones utilizadas en estos casos corresponden a documen-
tos originales del mundo real obtenidos de repositorios pblicos de empresas. Este es el
caso, por ejemplo, de las sub-colecciones del corpus de cables de noticias Reuters-21578,
donde el enfoque semntico utilizado report valores altamente prometedores. Estos resul-
tados, sumados a la simplicidad en el uso del framework, sugiere que la utilizacin efectiva
del mismo en problemas empresariales concretos del mundo real (como la categorizacin
automtica de noticias) es una rea altamente factible a ser abordada.
6.5. Plugin semntico para GATE
Teniendo en cuenta la cita de Cunningham con la cual comienza este captulo, se deci-
di incorporar uno de los mdulos semnticos desarrollados en este trabajo como recurso
de procesamiento en el GATE. Por otra parte, para continuar con la analoga y defendien-
do la propuesta de este trabajo, es posible considerar al framework implementado como
un tipo de rueda especial fabricada y adaptada para un vehculo con caractersticas
particulares.
6.5.1. Modelo de componentes de GATE

GATE es una herramienta de uso libre y orientada al desarrollo de aplicaciones para
el Procesamiento del Lenguaje Natural. GATE est compuesto por una arquitectura, un
framework y un ambiente de desarrollo. En este contexto, como todo framework propor-
ciona un diseo reusable y un conjunto de bloques o mdulos que pueden ser reusados,
extendendidos o adaptados para construir una amplia variedad de sistemas vinculados a
PLN. Adems de sus propios componentes, permite la incorporacin de plugins con nue-
vos mdulos que pueden implementarse en varios lenguajes de programacin, pero deben
ser invocados y reconocidos por el sistema como una clase Java. En GATE los plugins son
componentes en Java Beans

2 denominados CREOLE (del ingls, Collection of Reusable
Objects for Language Engineering). Estos pueden ser de tres tipos principales:
Recursos lingusticos : elementos no algortmicos que sirven como contenedores de
informacin (ontologas, corpus, documentos, etc.).
Recursos de procesamiento : unidades de procesamiento de datos (POS taggers, toke-
nizadores, separadores de sentencias, etc.). Un componente con estas caractersticas
fue el anexado al GATE como nuevo recurso para la desambiguacin semntica y
ser referenciado en mayor detalle en la subseccin siguiente.
Aplicaciones : componentes (tambin conocidos en GATE como pipelines ) que per-
miten integrar varios recursos para realizar operaciones sobre textos.
Para crear un nuevo recurso CREOLE se deben seguir los siguientes pasos:
1. Escribir una clase Java que implemente el modelo de componentes de GATE.
2. Compilar la clase, junto con todas las clases utilizadas, en un archivo jar (Java
ARchive).
3. Escribir los datos de conguracin en un archivo xml para este nuevo componente,
denominado creole.xml.
4. Indicar a GATE la direccin URL de los nuevos archivos jar y xml.
2 Un JavaBean o bean es un componente hecho en software que se puede reutilizar y que puede ser
manipulado visualmente por una herramienta de programacin en lenguaje Java.

Cuando en GATE se ejecutan recursos de procesamiento que operan sobre textos,
stos deben generar informacin acerca de los mismos. Esta informacin que se produce
a partir del texto se representa dentro de GATE como un conjunto de anotaciones. Una
anotacin en GATE consiste de:
un ID, denota una identicacin nica en el documento al que la anotacin se reere.
un type, denota el tipo de anotacin, usualmente los diferentes recursos generan
anotaciones de distintos tipos.
StartNode y EndNode, denotan la posicin inicial y nal de la palabra a anotar en
el texto.
un conjunto de features en la forma de pares atributo/valor que proporcionan infor-
macin adicional acerca de la anotacin.
La interfaz grca de GATE, mostrada en la Figura 6.3, permite construir y ejecutar
componentes y sistemas de PLN (Recursos de Procesamiento y Aplicaciones ), as co-
mo tambin crear, visualizar y editar colecciones de documentos y ontologas (Recursos
lingusticos ).
Figura 6.3: Interfaz grca de GATE

6.5.2. Descripcin del recurso de procesamiento semntico

En este trabajo, se desestim en una primera instancia el uso de GATE debido a dos
motivos: primero, se evalu que el tiempo de aprendizaje iba a ser muy alto y complejo
para el objetivo planteado y la premura necesaria en la obtencin de resultados de los
experimentos en el Captulo 7 y segundo, el hecho de considerarlo demasiado genrico ya
que el trabajo experimental estaba enfocado a tareas especcas de PLN.
Debido a que GATE es actualmente uno de los sistemas para PLN ms usado, es
open source y est en constante mantenimiento y actualizacin, se plante como un nuevo
objetivo mostrar si es factible incluir los mdulos semnticos del framework desarrollado
como nuevos recursos de GATE.
A partir de esto, y siguiendo los pasos planteados anteriormente, se decidi desarrollar
un plugin para GATE que incluya como recurso de procesamiento uno de los compo-
nentes del diagrama de clases de la Figura 6.1, para esto se seleccion el desambiguador
semntico referido como MFS (o SMF las siglas en espaol para Sentido ms frecuente ).
Por lo tanto, se cre un archivo denominado creole.xml mostrado en la Figura 6.4 con-
teniendo la metainformacin para la conguracin del recurso a incluir. En este archivo
se especica el conjunto de parmetros para el SemanticSMF, especicando cules sern
obligatorios, opcionales y/o por defecto. De este modo, teniendo ya los archivos jar y xml
en una ubicacin determinada, es posible instalar nuestro plugin como componente para
ser utilizado en una aplicacin de GATE.
Como un resumen de los pasos para la instalacin se podran enumerar los siguientes:
1. Abrir el entorno grco GATE.
2. Utilizar el manejador de plugins CREOLE (File >Manage CREOLE Plugins ) para
agregar el nuevo recurso especicando la URL del nuevo plugin a incorporar. De
este modo, el plugin ya ser parte de la lista de plugins disponibles de GATE.
3. Por ltimo, para poder ser utilizado en una aplicacin slo bastar seleccionarlo de la
lista de Recursos de Procesamiento donde ya est disponible luego de ser instalado,
como se realiz con el plugin semntico y puede observarse en la Figura 6.5.
Una vez que se ejecuta sobre un documento una aplicacin conteniendo el recurso
SemanticSMF y luego de seleccionar del conjunto de anotaciones la opcin Token (panel

Figura 6.4: Archivo creole.xml del mdulo SMF
Figura 6.5: Plugin semntico instalado y ejecutado en GATE
derecho en la Figura 6.5) para este recurso lingustico, se notar un cambio en la lista
de anotaciones (panel inferior en la Figura 6.5). Esto es, la incorporacin a la lista de
anotaciones una nueva feature denominada SOset cuyo valor es el oset (ver seccin 6.3)
que identica unvocamente un synset en WordNet para cada palabra (token ) que pudo
ser desambiguada con el mtodo del sentido ms frecuente.
A otro nivel, pero con el mismo estilo, se podran adaptar los dems componentes del
framework desarrollado como plugins de GATE. En este contexto y a modo de ejemplo, fue
desarrollado un plugin para extraccin de informacin para el lenguaje espaol adaptado

a partir del componente ANNIE (las siglas en ingls para A Nearly-New Information
Extraction ) que es distribuido con GATE [84].
En [20] se encuentra una explicacin ms detallada de los pasos necesarios para la
instalacin de recursos de procesamiento y otras funcionalidades de GATE, como la carga
de recursos de lenguaje, creacin de nuevas aplicaciones, ejecucin de diferentes recursos
y una lista completa de los plugins disponibles para GATE.

Captulo 7
Conjuntos de datos y detalle de los

experimentos
Si supiramos lo que estamos haciendo, no se llamara investigacin, verdad?.
Albert Einstein. Cientco alemn.
La cantidad de textos en lenguaje natural tiende a aumentar pero con la particularidad
de un uso acotado en el nmero de palabras en cada texto. En la actualidad, la comuni-
cacin escrita entre personas hace un uso constante de este tipo de textos restringidos en
tamao buscando optimizar el uso de palabras en interacciones ecientes, cortas y veloces,
a travs de correo electrnico, mensajes de textos, reportes internos, faxes, fragmentos de
pginas Web y cables de noticias, entre otros.
Diferentes trabajos han analizado las ventajas de incorporar informacin semntica a
la representacin de textos (ver seccin 4.1). Es conveniente destacar que en general estos
estudios estn enfocados en documentos donde es factible, en la mayora de los casos,
disponer de una coleccin de entrenamiento para la tarea de WSD. Este enfoque basado
en corpus (tambin conocido como supervisado) no siempre es viable de ser aplicado en
colecciones de textos cortos. Una alternativa para abordar el problema anterior, es el uso
de mtodos de WSD basados en conocimiento descriptos en la seccin 4.2. Si bien este tipo
de mtodos suelen mostrar resultados de menor calidad que los obtenidos con mtodos
basados en corpus, constituye en muchos casos una de las pocas alternativas factibles si se
desea hacer uso de informacin semntica en la representacin de documentos [120]. Por

Captulo 7. Conjuntos de datos y detalle de los experimentos 82
lo tanto, se puede pensar al enfoque basado en conocimiento como una opcin apropiada
para utilizar en aplicaciones vinculadas al PLN que trabajen sobre textos cortos.
En este captulo se describen las colecciones de textos cortos seleccionadas para los
trabajos experimentales, stas fueron elegidas por tener diferentes niveles de complejidad
para un mejor anlisis posterior. El diseo experimental, los resultados y el anlisis de la
tarea de CT estn detalladas en distintas secciones del captulo. Finalmente, se muestra
que la incorporacin de informacin semntica a la representacin de documentos puede
ser tambin beneciosa en otras tareas de PLN, como por ejemplo en clustering iterativo.
7.1. Descripcin de los conjuntos de datos
Para los experimentos se seleccion un grupo representativo de colecciones de docu-
mentos cortos con diferentes niveles de complejidad con respecto al tamao de la coleccin,
longitud de los documentos y solapamiento de vocabulario. En [47, 71, 29, 30] se describen
en forma detallada cada una de las colecciones utilizadas y sus respectivos enlaces de
acceso. A continuacin se especican solamente algunas caractersticas principales de estos
corpus:
CICling-2002 (CIC ): es una coleccin de textos cortos muy popular que ha sido
reconocida en diferentes trabajos [3, 47, 71, 29] como una coleccin de compleji-
dad alta debido a que sus documentos pertenecen a un dominio muy restringido.
Dichos textos son 48 resmenes de artculos cientcos presentados en la Conferen-
cia CICling 2002 (Computational Linguistics ). Las caractersticas de este corpus se
muestran en la Tabla 7.1.
Caracterstica Valor
Categora # docs
# categoras 4
Linguistics 11
# tot. docs 48
Ambiguity 15
# tot. terms 3382
Lexicon 11
vocabulario 953
Text Processing 11
promedio de terms por abstract 70.45
Tabla 7.1: Caractersticas del corpus CICling-2002

Descripcin de los conjuntos de datos 83
EasyAbstract (Easy ): es una coleccin que est compuesta de documentos de corta
longitud que son resmenes cientcos disponibles en Internet sobre temticas comu-
nes (Intelligent Systems ) pertenecientes a artculos presentados en cuatro diferentes
revistas internacionales. Debido a que la relacin entre los distintos tpicos no es
tan estrecha como en CIC y que la longitud promedio de los abstracts es mayor, se
considera a Easy como un corpus de complejidad media. Las caractersticas de este
corpus son mostradas en la Tabla 7.2.
Caracterstica Valor
Categora # docs
# categoras 4
Heuristics in Optimization 11
# tot. docs 48
Machine Learning 15
# tot. terms 9261
Automated Reasoning 11
vocabulario 2169
Aut. Intelligent Agents 11
promedio de terms por documento 192.93
Tabla 7.2: Caractersticas del corpus EasyAbstracts
R8 : es un corpus compuesto de ocho categoras obtenidas de la coleccin Reuters-
21578. Esta coleccin, est compuesta por 21.578 cables de noticias divididos en
137 categoras. Los cables de noticias fueron publicados y clasicados manualmente
por la agencia Reuters en 1987 para ser usados en investigaciones. Es considerado
un corpus que presenta una complejidad entre baja y media. Tiene caractersticas
que la hacen muy interesante para utilizarla en tareas de CT ya que es una colec-
cin apta para clasicacin de mltiples rtulos, tiene algunos documentos que no
pertenecen a ninguna categora y no est balanceada en cuanto a la cantidad de
documentos por clases. Diferentes variantes de Reuters-21578 han sido obtenidas
con limitados rendimientos hasta que Debole y Sebastiani en [25] denen dos sub-
conjuntos estndares que son frecuentemente usados, R10 (con las 10 categoras que
tienen ms instancias de entrenamiento asociadas) y R90 (con las 90 categoras que
tienen al menos una instancia de entrenamiento y al menos una instancia de prue-
ba asociada). Si se busca realizar una clasicacin de nico rtulo, los documentos
que pertenecen a ms de una categora se deben eliminar quedando algunas clases
de R10 y de R90 sin documentos. Por lo tanto, si se quitan los documentos que
pertenecen a ms de una clase y se quitan las categoras que no tienen documen-
tos, entonces de las 10 categoras de R10 quedan 8 y de las 90 categoras de R90

quedan 52, denominndose las nuevas colecciones como R8 y R52 respectivamente.
Las caractersticas de este corpus se muestran en la Tabla 7.3.
Categora # docs
trade 102
Caracterstica Valor
grain 34
# categoras 8
monexfx 130
# tot. docs 2319
crude 140
# tot. terms 150430
interest 87
vocabulario 9315
acq 707
promedio terms por documento 64.87
ship 43
earn 1076
Tabla 7.3: Caractersticas del corpus R8
R8+ : esta coleccin se diferencia de la R8 original por el tipo de los documentos
elegidos para cada una de las 8 clases. Para cada categora fueron seleccionados los
20 documentos de mayor longitud, evitando de esta forma el desbalance en cantidad
de textos que exista entre las distintas clases en la coleccin original.
R8-: es una coleccin obtenida mediante el mismo procedimiento que para R8+ pero
seleccionando en este caso los 20 documentos de menor longitud para cada categora.
R8porc+ : es un subconjunto del R8 donde se seleccion el 20 % de los documentos
ms largos de cada clase, manteniendo de esta manera el desbalance en la cantidad
de documentos por clase que presentaba originalmente la coleccin.
R8porc-: es una coleccin obtenida mediante el mismo procedimiento que para
R8porc+ pero seleccionando el 20 % de los documentos ms cortos de cada clase.
7.2. Diseo experimental
Los documentos son representados mediante el modelo VSM para la codicacin de
textos (seccin 3.1.2). Los experimentos se realizaron primeramente con las 20 codica-
ciones SMART para el enfoque tradicional basado en trminos con el n de obtener cules
son las mejores codicaciones para cada corpus. De las codicaciones con mejor valor de
precisin para cada coleccin se seleccionaron btc, ltc y ntc para ser comparadas con las
Diseo experimental 85
nuevas estrategias de representacin de trminos, a partir de lo reportado en trabajos
previos [48, 95].
En la Figura 7.1 se muestra el diagrama de actividades descripto en el Captulo 6
que es aplicado en esta seccin para generar los vectores de trminos , conceptos y
trminos+conceptos . El documento original es pre-procesado realizando un proceso de
eliminacin de las palabras de paro ( stopword ) y un proceso posterior de lematizado
para obtener el vector de trminos. El vector de conceptos se obtiene a partir de com-
pletar una serie de tareas intermedias. El documento sin las stopword es la entrada
para la tarea de etiquetado sintctico (en ingls POS-tagging ) que rotula cada palabra
del documento con su categora gramatical. En caso que esto no pueda ser realizado ex-
trae la raz de la palabra y trata de determinar nuevamente si la palabra es sustantivo,
verbo, adjetivo o advervio, colocando el rtulo correspondiente. El documento etiquetado
sintcticamente corresponde a la entrada del mdulo de WSD donde se aplica un sistema
de desambiguacin basado en conocimiento (MFS, LM o CIAO, detallados en el Captulo
5) que utiliza la ontologa WordNet como recurso externo. La salida de este ltimo paso
es usado para el proceso de obtencin del oset (identicador nico en la base de datos
WordNet que fue descripto en la seccin 4.3) y luego transformar este nmero entero
en caracteres alfabticos (utilizados como datos de entrada en el software Weka) que -
nalmente representarn el vector de conceptos . El vector de trminos concatenado al
vector de conceptos forman la variante trminos+conceptos .
Para la CT se utiliz Weka

1 [39] con diferentes algoritmos de aprendizaje: Naive Bayes
Multinomial Updateable (NBMU), Naive Bayes (NB), Naive Bayes Multinomial (NBM),
Complement Naive Bayes (CNB) y Support Vector Machine (SVM). Para el entrena-
miento y prueba de los experimentos, se utiliz la validacin cruzada en k pliegues (k-fold
cross validation ) con k = 10. Este procedimiento consiste en dividir los n ejemplos del
conjunto de entrenamiento en k subconjuntos de tamao n/k y utilizar uno de ellos para
las pruebas y k1 para entrenar el clasicador. Este procedimiento se realiza k veces y
luego se realiza un promedio de los resultados obtenidos para cada particin. Los par-
metros utilizados para los experimentos fueron seleccionados de aquellos que reportaron
los mejores resultados en trabajos previos [48, 95].
1 Esta herramienta, desarrollada en la universidad de Waikato (Nueva Zelanda), contiene herramientas
para realizar transformaciones sobre datos, clasicacin, regresin, clustering, asociacin y visualizacin.
Figura 7.1: Diagrama de actividades para generar los distintos vectores
7.3. Resultado y anlisis de los experimentos
Los experimentos estuvieron dirigidos a mostrar distintas alternativas a la represen-
tacin original utilizando VSM de textos cortos que ayuden a mejorar la tarea de cate-
gorizacin. Se comienza con una estrategia que incorpora informacin semntica en la
representacin de documentos mediante mtodos de WSD basados en conocimiento. De-
bido a que esto involucra un aumento en la dimensionalidad de la representacin, una
segunda estrategia fue la aplicacin de mtodos de reduccin de vocabulario. Por ltimo,
a partir de lo planteado en [45] se experiment con el uso de hipernimos en la represen-
tacin de documentos cortos.

Resultado y anlisis de los experimentos 87
7.3.1. Enfoque I: incorporacin de informacin semntica

El VSM utilizado para codicar cada texto en su representacin original, fue enri-
quecido a partir de la incorporacin de informacin semntica. El uso de informacin
semntica plantea distintas alternativas respecto a cmo sta puede ser incorporada en la
representacin de los documentos.
En la primera estrategia denominada conceptos , se genera un nuevo vector reem-
plazando todo trmino de la representacin original por su concepto en WN (synset)
y removiendo aquellos trminos cuyo synset no existe o no pudo ser desambiguado. Los
synsets fueron obtenidos al aplicar WSD mediante los tres enfoques descriptos en el
captulo 5: el mtodo heurstico del sentido ms frecuente (MFS ), Lesk Mejorado (LM )
y CIAOSENSO (CIAO ).
100
95
90
85
80
%precision
75
70
65
60
55
50
C
Ea
R
IC
8+
8p
8p
sy
or
or
+
colecciones
terminos conceptos terminos+conceptos
Figura 7.2: Sin Informacin Semntica vs. Con Informacin Semntica
En la segunda estrategia denominada trminos+conceptos al vector de trminos
original se le incorporan todos los conceptos de WN obtenidos con la primera estrategia.
La Figura 7.2 compara los mejores valores de precisin obtenidos con la representa-
cin de trminos versus las nuevas estrategias de conceptos y trminos+conceptos
para todas las colecciones. Para las dos nuevas estrategias se seleccion la combinacin
codicacin#clasicador#mtodo de WSD basado en conocimiento que report, entre
todas las posibles, el ms alto valor de porcentaje de instancias clasicadas correctamente.
Para la estrategia original el ms alto valor fue seleccionado desde la combinacin codi-
cacin#clasicador . En la Tabla 7.4 se muestran los componentes de la combinacin que
fue elegida para cada coleccin. En aquellos casos en que ms de una combinacin obtuvo
el mejor valor, se seleccion una de ellas al azar. Por ejemplo, para la coleccin CIC en
la representacin de conceptos el mayor valor fue determinado a partir de la codicacin
(codif ) ltc, el clasicador (clasif ) CNB y el mtodo de desambiguacin (WSD ) MFS.

trminos conceptos trminos+conceptos
Corpus codif clasif codif clasif W SD codif clasif W SD
CIC ntc CNB ltc CNB MFS ntc CNB MFS
Easy ntc CNB ntc CNB CIAO ntc CNB CIAO
R8 ntc CNB ntc CNB LM ntc SVM LM
R8+ ltc CNB ntc CNB LM ltc CNB LM
R8 ltc NBMU ltc NBMU MFS ntc NB MFS
R8porc+ ltc CNB ntc CNB LM ltc CNB LM
R8porc ltc CNB ntc CNB MFS btc CNB MFS
Tabla 7.4: Mejores valores para codicacin#clasicador#WSD
De acuerdo a los resultados mostrados en la Figura 7.2 es claro que, independientemen-
te de la complejidad de cada coleccin, la incorporacin de informacin semntica puede
lograr una mejora en la precisin, con respecto a los resultados obtenidos cuando slo los
trminos son considerados. En las colecciones con dicultad baja y media (Easy, R8+,
R8 y R8porc+ ) se puede observar un comportamiento similar, esto es, la representacin
de trminos es mejorada levemente por la de conceptos y esta ltima por la de trmi-
nos+conceptos de la misma manera (o en su defecto, igualada en el caso de la coleccin
Easy ). Para las colecciones con una mayor complejidad en cuanto a su longitud (CIC,
R8- y R8porc-), no se observa el comportamiento mencionado anteriormente. A modo de
ejemplo, en el caso de la coleccin CIC, la representacin de conceptos supera con su
valor de precisin a la de trminos pero con un porcentaje mucho mayor y teniendo la
particularidad de que la de trminos+conceptos no logra superar a la de conceptos .
Este comportamiento puede ser debido a la particularidad de los dominios restringidos de
la coleccin CIC (dominios que en cierta medida se solapan compartiendo algunos trmi-
nos aunque este grado de ambigedad parece resolverse en parte con los vectores basados
nicamente en conceptos ). No obstante esta diferencia observada entre ambos enfoques
semnticos, es importante notar que el enfoque semntico de trminos+conceptos logra
superar al enfoque de slo trminos , en todas las colecciones consideradas.

CICling-2002 EasyAbstracts R8
C LM CIAO MFS LM CIAO MFS LM CIAO MFS
btc 62.50 62.50 58.33 87.50 93.75 87.50 94.56 94.43 94.06
ltc 60.41 64.58 66.66 91.65 95.83 91.66 95.38 95.12 94.86
ntc 62.50 66.66 75.00 97.91 100 95.83 95.38 95.21 95.38
T+C LM CIAO MFS LM CIAO MFS LM CIAO MFS
btc 60.41 58.33 60.41 93.75 91.66 89.58 95.38 95.34 95.77
ltc 58.33 66.66 70.83 93.75 93.75 93.75 95.55 95.64 95.25
ntc 66.66 70.83 72.91 100 100 97.91 95.81 95.60 95.68
Tabla 7.5: Mejores valores de precisin de CICling-2002, EasyAbstract y R8
Si bien los resultados mostrados previamente, dan evidencia de que la incorporacin de
informacin semntica puede resultar en un mayor valor de precisin en la categorizacin
de textos cortos, es importante comparar ahora cul fue el desempeo de los distintos
enfoques semnticos en cada una de las distintas instancias experimentales consideradas.
En las Tablas 7.5, 7.6 y 7.7 se realiza esta comparacin reportndose, por coleccin, los va-
lores de precisin obtenidos con los diferentes mtodos de WSD basados en conocimiento
utilizados para conceptos (C) y trminos+conceptos (T+C) escogiendo el clasicador
que mostr el mejor comportamiento. Los valores resaltados en negrita indican los mejo-
res valores obtenidos. De las tablas se puede inferir que, como sucedi en la observacin
de la Figura 7.2, tambin el anlisis se puede agrupar de acuerdo a la complejidad de
las colecciones. Las colecciones de complejidad baja y media son mejor categorizadas, en
la mayora de los casos, al aplicar los mtodos WSD que tienen en cuenta el contexto
de la palabra a desambiguar, esto es LM y CIAO; mientras que en las de alta comple-
jidad los mejores valores fueron encontrados utilizando el mtodo MFS. Por ejemplo, si
examinamos la coleccin CIC, un 75 % de precisin es obtenido con la representacin
de conceptos utilizando MFS y codicacin ntc. Por el contrario, una tarea de catego-
rizacin con precisin perfecta se obtiene aplicando, tanto para conceptos como para
trminos+conceptos, el mtodo de WSD LM o CIAO para la coleccin Easy. Por otra
parte, si tomamos en cuenta las diferentes codicaciones utilizadas, es posible observar
que en general, independientemente de la coleccin y mtodo de WSD utilizados en los ex-
perimentos, en la mayora de los casos, la ntc estndar es la que mejor resultados obtuvo,
seguida por la codicacin ltc.

R8+ R8-
C LM CIAO MFS LM CIAO MFS
btc 85.00 84.37 83.12 90.00 90.00 90.00
ltc 85.62 86.25 85.00 90.62 90.00 92.5

ntc 86.25 83.75 81.25 91.87 90.62 91.25
T+C LM CIAO MFS LM CIAO MFS

btc 86.25 85.62 84.37 92.50 90.62 90.62
ltc 86.87 85.00 85.62 91.87 91.25 90.62
ntc 81.87 83.12 82.50 92.50 92.12 92.50

Tabla 7.6: Mejores valores de precisin de R8+ y R8-
R8porc+ R8porc-
C LM CIAO MFS LM CIAO MFS
btc 95.00 94.37 92.5 95.68 96.46 96.32
ltc 95.62 96.25 95.00 95.89 96.32 96.11
ntc 96.25 93.75 93.12 96.11 96.11 96.54

T+C LM CIAO MFS LM CIAO MFS
btc 96.25 95.62 94.37 97.84 97.19 97.89
ltc 96.87 95.00 95.62 97.62 97.19 97.19
ntc 91.87 93.12 91.87 97.40 97.19 96.32
Tabla 7.7: Mejores valores de precisin de R8porc+ y R8porc-
7.3.2. Enfoque II: reduccin de dimensionalidad

Uno de los problemas que se plantea con los enfoques semnticos como el de tr-
minos+conceptos es que implican un aumento considerable en la dimensionalidad de la
representacin de los documentos. Este problema, puede resultar muy serio cuando se
deben categorizar colecciones con un tamao grande de vocabulario como es el caso de la
coleccin R8, donde enfoques de este tipo pueden tener un impacto negativo en la ecien-
cia en tiempo y espacio de sistemas de categorizacin como los provistos por Weka. Un
aspecto interesante a analizar en estos casos, es en qu medida los enfoques semnticos
son robustos a los mtodos clsicos de reduccin de dimensionalidad como los descriptos
en la seccin 3.3, para poder obtener colecciones que se puedan procesar de manera ms
eciente.
Para la tarea de reduccin de dimensionalidad, Weka provee una variedad de ltros:
supervisados, no supervisados, de ltrado de instancias o de ltrado de atributos. En este

100
95
%precision
90
85
80
25
50
12
25
50
75
10
0
50
00
00
00
00
0
tamao de vocabulario
Figura 7.3: Reduccin del tamao de vocabulario para la coleccin R8
caso, de los ms de 60 ltros disponibles se seleccion el ltro supervisado denominado
AtributeSelection que permite congurar un evaluador y un tipo de bsqueda. El mtodo
seleccionado para la evaluacin es el InfoGainAtributeEval con el algoritmo Ranker
para el tipo de bsqueda que ordena los atributos segn sus evaluaciones individuales.
Uno de los parmetros que puede ser introducido es el denominado numToSelect donde
se especica el nmero de atributos que sern conservados luego del ltrado. Este nmero
vara de acuerdo a la cantidad de atributos en cada coleccin. En la Figura 7.3 se muestran
los resultados aplicando el ltro descripto anteriormente en la coleccin R8 que es la
mayor en cuanto al tamao del vocabulario comparada con los dems conjuntos de datos
utilizados en los experimentos. En este caso la reduccin es importante debido a que
algunos clasicadores no se podan utilizar con la cantidad original de atributos. En la
Figura 7.4 los resultados muestran la reduccin para la coleccin R8+, donde la cantidad
de atributos es mucho menor a la presentada anteriormente.
Este enfoque demostr que, independientemente de la cantidad de atributos, el
problema de aumento en la dimensionalidad al utilizar la representacin de trmi-
nos+conceptos, puede ser resuelto aplicando mtodos de ltrado de atributos que ob-
tienen una alta precisin con altos niveles de reduccin de vocabulario. En algunos casos
esta tarea de ltrado resulta necesaria e inevitable para poder aplicar un cierto clasicador
(por ejemplo, el clasicador NB al utilizar Weka).

100
95
%precision
90
85
80
15
17
25
50
87
12
25
37
50
0
50
00
50
00
tamao de vocabulario
Figura 7.4: Reduccin del tamao de vocabulario para la coleccin R8+
7.3.3. Enfoque III: incorporacin de hipernimos

Uno de los modelos propuesto en [45] considera el hecho de agregar los hipernimos
de los conceptos en la representacin de los enfoques que incluyen informacin semntica.
A partir de los resultados alentadores mostrados en [112, 89] una nueva variante es intro-
ducida en este trabajo con el prposito de estimar el impacto de agregar hipernimos a
la representacin.
La idea principal en este enfoque es por ejemplo, si se tiene en un texto la palabra
beef , ste no slo representa al concepto beef sino tambin a meat, food y as con-
tinuando hasta un cierto nivel de generalidad. En este contexto, se agregan conceptos de
mayor nivel de generalidad, en base a la relacin de hiperonimia de la jerarqua WordNet,
a las dos nuevas estrategias de representacin presentadas en la seccin 7.3.1. Teniendo
como base la Figura 7.1 se implementa e incorpora un algoritmo para la obtencin de los
hipernimos que se ejecuta luego de la tarea de Obtencin de oset y antes de aplicar
la transformacin a caracteres. Todos los oset producidos son agregados tanto a la
representacin de conceptos como al vector de trminos+conceptos.
La coleccin que mayor dicultad ha presentado para los distintos mtodos estudiados
fue CIC debido a su alta complejidad, de esta forma se decide aplicar la variante para eva-
luar una posible mejora en la categorizacin de este corpus. Como nivel de hiperonimia se
tom el valor 5 en la jerarqua de WN, que corresponde a los mejores resultados reportados
Clustering utilizando informacin semntica 93
Sin hipernimos Con hipernimos

N BM U CN B N BM NB SV M N BM U CN B N BM NB SV M
C 35.41 66.66 41.66 50 60.41 54.16 72.00 60.41 50 45.83
T +C 35.41 70.83 39.58 47.91 54.16 56.25 75 64.58 43.75 52.08
Tabla 7.8: Resultados sin hipernimos vs con hipernimos
en [45]. Los conceptos en este caso se obtuvieron mediante el mtodo CIAO. En la Tabla
7.8 se resumen los mejores valores obtenidos para CIC con los distintos algoritmos en el
caso de no usar hipernimos (izquierda) y con el uso de hipernimos (derecha). Observando
los mejores valores de precisin, tanto para la representacin de conceptos (C ) como
para la de trminos+conceptos (T + C ), se puede determinar que el comportamiento de

los diferentes clasicadores es muy similar. Mientras que para N BM U , CN B y N BM el
uso de hipernimos muestra algunas mejoras sobre los resultados sin hipernimos, para los
algoritmos NB y SV M la incorporacin de hipernimos a la representacin no produce
un impacto favorable en el valor de precisin.
Por lo tanto, podemos concluir que la efectividad del uso de este tipo de informacin
en la representacin de los documentos, depende signicativamente del mtodo de cate-
gorizacin utilizado. Un estudio ms detallado sera tambin necesario para determinar
la conveniencia o no de incorporar este tipo de informacin en la categorizacin de textos
cortos ya que involucra un costo computacional muy alto para el escaso benecio que se
ve reejado en el valor de precisin.
7.4. Clustering utilizando informacin semntica
Como ya fue expuesto anteriormente, la tendencia actual es trabajar con documen-
tos cortos (blogs, mensajes de textos, y otros) lo que ha generado un inters creciente
en diversas aplicaciones del procesamiento automtico de documentos. El clustering
(agrupamiento) de textos cortos es un rea muy importante de investigacin, que puede
jugar un rol fundamental en organizar estos grandes volmenes de textos cortos, en un
nmero pequeo de grupos signicativos. Al usar el trmino clustering se hace referencia
a aquella forma de categorizacin no-supervisada la cual, a diferencia de la categorizacin
standard, no dispone de informacin sobre las clases correctas ni ejemplos de asignacio-
nes de instancias a las diferentes clases. Recientemente, el uso de mtodos de clustering

bio-inspirados iterativos de textos cortos, ha producido resultados muy interesantes utili-
zando representaciones de vector de trminos clsicas [30, 31]. En esta seccin, se analiza,
mediante un estudio experimental, cul es el impacto que tiene en el desempeo de clus-
tering iterativo utilizando representaciones de documentos enriquecidas con informacin
semntica obtenida con mtodos de desambiguacin basados en conocimiento [32, 94].
? ?
El algoritmo ITSA (cuyo nombre deriva de ITerative PAntSA ), es la versin iterativa
?
de PAntSA , un mtodo bio-inspirado diseado para mejorar los resultados obtenidos
?
con algoritmos de clustering arbitrarios. PAntSA es la versin particional del algoritmo
AntTree [6] que adems incorpora informacin sobre el Coeciente de Silueta (Silhouette
?
Coecient ) [97] y el concepto de atraccin de un cluster. En PAntSA , los datos (en este
caso documentos ) son representados por hormigas que se mueven sobre una estructura
de rbol de acuerdo a su similaridad con las otras hormigas ya conectadas al rbol. Cada
nodo en la estructura del rbol representa una nica hormiga y cada hormiga representa
un nico documento.
La coleccin completa de hormigas es representada inicialmente por una lista L de
hormigas que esperan ser conectadas. Comenzando desde un soporte articial a0 , todas las
hormigas son conectadas de manera incremental ya sea en el soporte o bien a otra hormiga
ya conectada. Este proceso contina hasta que todas las hormigas estn conectadas a la
estructura.
?
Las dos componentes principales de PAntSA son: 1) la disposicin inicial de las hor-
migas en la lista L, y 2) el criterio utilizado por una hormiga arbitraria ai ubicada sobre el
soporte, para decidir cul ser la hormiga a+ (conectada al soporte) hacia la que debera
?
moverse. Para el primer paso, PAntSA toma como entrada el agrupamiento obtenido con
algn algoritmo de clustering arbitrario y usa informacin sobre el Coeciente de Silueta
(CS) de este agrupamiento para determinar el orden inicial de las hormigas en L. Para
?
el segundo proceso, PAntSA usa un criterio ms informado basado en el concepto de
+
atraccin. Aqu, si Ga+ = {a } Aa+ es el grupo formado por una hormiga a+ conectada
al soporte y sus descendientes; esta relacin entre el grupo Ga+ y la hormiga ai es referida
como la atraccin de Ga+ sobre ai y ser denotada como att(ai , Ga+ ).

?
PAntSA se diferencia de AntTree en otro aspecto importante: no construye estructuras
?
jerrquicas con races (hormigas) directamente conectadas al soporte. En PAntSA , cada
hormiga aj conectada al soporte (a0 ) y sus descendientes (el grupo Gaj ) es considerado
simplemente como un conjunto. De esta manera, cuando una hormiga arbitraria ai debe
ser incorporada en el grupo de la hormiga a+ que ms atraccin ejerce sobre ai , este paso
?
es implementado como un simple agregado de ai al conjunto Ga+ . El algoritmo PAntSA
resultante es mostrado en la Figura 7.5, donde es posible observar que toma un clustering
arbitrario como entrada y lleva a cabo los siguientes tres pasos para obtener el nuevo
clustering: 1) Coneccin al soporte, 2) Generacin de la lista L y 3) Agrupamiento de las
hormigas en L.
funcin PAntSA? (C ) retorna un clustering C ?

Entrada: C = {C1 , . . . , Ck }, un agrupamiento inicial
1. Coneccin al soporte
1.a. Crear un conjunto Q = {q1 , . . . , qk } de k las de datos (una la por cada
grupo Cj C ).
1.b. Ordenar cada la qj Q en orden decreciente de acuerdo al Coeciente
de Silueta de sus elementos. Sea Q0 = {q10 , . . . , qk0 } el conjunto de las
ordenadas que resulta de este proceso.
1.c. Sea GF = {a1 , . . . , ak } el conjunto formado por la primer hormiga ai de

cada la qi0 Q0 . Por cada hormiga ai GF , remover ai de qi0 e inicia-
lizar Gai = {ai } (conectar ai al soporte a0 ).
2. Generacin de la lista L
2.a. Sea Q00 = {q100 , . . . , qk00 } el conjunto de las resultante del proceso previo
de remocin de la primer hormiga de cada la en Q0 .
Generar la lista L mezclando las las en Q00 .
3. Proceso de Clustering
3.a. Repetir
3.a.1 Seleccionar la primer hormiga ai de la lista L.
3.a.2 Sea a+ la hormiga con el valor ms alto de att(ai , Ga + ).
Ga+ Ga+ {ai }
Hasta que L est vaca
retornar C ? = {Ga 1 , . . . , Gak }
?
Figura 7.5: El algoritmo PAntSA .
En el primer paso, la hormiga ms representativa de cada grupo del agrupamiento
recibido como entrada es conectada al soporte a0 . Esta tarea, consiste en seleccionar la

hormiga ai con el valor de CS ms alto de cada grupo Ci , y conectar cada una de ellas
al soporte, formando un conjunto de un nico elemento Gai . El segundo paso, consiste
en generar la lista L con las hormigas que no fueron conectadas en el paso previo. Este
proceso tambin considera el ordenamiento basado en el CS obtenido en el paso previo, y
mezcla las hormigas restantes (ordenadas) de cada grupo tomando, en forma iterativa, la
primera hormiga de cada la no vaca, hasta que todas las las estn vacas. En el tercer
paso, el orden en el cual las hormigas sern procesadas es determinado por sus posiciones
en la lista L. El proceso de clustering de cada hormiga arbitraria ai simplemente determina

cul es la hormiga conectada a+ que ejerce ms atraccin sobre ai 2 y entonces incorpora
a ai en el grupo de a+ (Ga+ ). El algoritmo nalmente retorna un agrupamiento formado
por los grupos de las hormigas conectadas al soporte.
?
Una vez que el algoritmo PAntSA es implementado, su versin iterativa llamada
? ?
ITSA , puede ser fcilmente lograda. ITSA slo deber proveer un agrupamiento inicial
? ?
a PAntSA , luego tomar la salida de PAntSA que servir como nueva entrada para el
mismo algoritmo en la siguiente iteracin, y repetir este proceso hasta que no se observen
?
cambios en el agrupamiento generado por PAntSA con respecto a la iteracin previa.
? ?
Es importante notar que tanto PAntSA como ITSA son en realidad mtodos de
mejora que trabajan sobre un agrupamiento inicial generado por un algoritmo de cluste-
?
ring separado. Sin embargo, en trabajos recientes [31], se ha observado que ITSA puede
independizarse de este requerimiento y obtener resultados muy competitivos an cuando
es provisto con agrupamientos iniciales aleatorios. Esta variante, que ser la utilizada en
?
el trabajo experimental, permite obtener una versin totalmente autocontenida de ITSA
como algoritmo de clustering, e independizarse de esta manera del algoritmo de clustering
particular utilizado para generar el agrupamiento inicial.
Para estimar la similitud entre documentos se utiliz la popular medida coseno. La
inicializacin de parmetros para CLUDIPSO y los restantes algoritmos usados en las
comparaciones corresponden a los parmetros derivados empricamente en [46].
? ?
Los resultados of ITSA fueron comparados con los resultados de PAntSA y otros
cuatro algoritmos de clustering: K -means, K -MajorClust [111], CHAMELEON [53] y
CLUDIPSO [29, 46]. Todos estos algoritmos han sido usados en estudios similares y en
particular, CLUDIPSO ha obtenido en trabajos previos [29, 46] los mejores resultados con
2 Actualmente, como medida de atraccin usamos la similitud promedio entre ai y todas las hormigas
en Ga+ pero otras medidas alternativas tambin seran vlidas.

dos de las colecciones de textos cortos que utilizaremos en los experimentos, CICling-2002
y EasyAbstracts.
La calidad de los resultados fue evaluada mediante la medida denominada F -measure
(descripta en la seccin 3.2) sobre los agrupamientos que cada algoritmo gener en 50
ejecuciones independendientes por coleccin. Los resultados reportados corresponden a
los valores de medida F mnimo (Fmin ), mximo (Fmax ) y promedio (Favg ). Los valores
resaltados en negrita en la tabla con los resultados indican los mejores resultados obtenidos
en cada caso.
La Tabla 7.9 muestra los valores Fmin , Fmax y Favg que K -means, K -MajorClust,
CHAMELEON y CLUDIPSO obtuvieron con las cuatro colecciones. Tambin se incluyen
? ?
los resultados obtenidos con PAntSA e ITSA tomando como entrada los agrupamien-
tos generados por un proceso simple (denotado R-Clustering) que determina de manera
? ?
aleatoria el grupo de cada documento. Estos resultados de PAntSA e ITSA utilizando
la representacin de trminos tradicional son denotados como R-Clust? y R-Clust?? res-

?
pectivamente. Los resultados de ITSA utilizando vectores de conceptos son denotados
R-Clust?? -C mientras que aquellos que combinan trminos y conceptos son referenciados
como R-Clust?? -T+C.
?
Los resultados obtenidos son concluyentes respecto al buen desempeo de ITSA con
las colecciones con mayor nmero de documentos ( R8+ y R8-) cuando se incorpora infor-
macin semntica en la representacin de los textos cortos. En este sentido, se debe notar
?
que ITSA obtiene los mejores valores de Fmin , Fmax y Favg utilizando representaciones
que slo utilizan conceptos (R-Clust

??
R8+ y con representaciones que
-C) en el caso de
utilizan conceptos y trminos (R-Clust -T+C) en el caso de R8-. Los resultados con las
??
otras dos colecciones ms pequeas, si bien no son tan categricos, son altamente com-
petitivos con los obtenidos por los restantes algoritmos. En el caso de CICling-2002 (una
?
coleccin que ha exhibido una alta complejidad en trabajos previos) ITSA obtiene los
mejores valores de Fmax y Favg con representaciones que slo utilizan conceptos, y slo es
mnimamente superado en el valor de Fmin por el algoritmo CLUDIPSO. Con respecto a
EasyAbstracts, la variante R-Clust??-T+C obtiene el mejor valor de Favg , si bien es supe-

?
rada en Fmin por CLUDIPSO, y levemente superada por la variante de ITSA que slo
??
utiliza trminos (R-Clust ).
Los resultados obtenidos en el trabajo experimental, son altamente prometedores res-
pecto a la efectividad de este enfoque, obtenindose resultados muy competitivos en la

CICling-2002 EasyAbstracts R8- R8+

Algoritmos Favg Fmin Fmax Favg Fmin Fmax Favg Fmin Fmax Favg Fmin Fmax
R-Clust? 0.54 0.42 0.71 0.76 0.54 0.96 0.63 0.52 0.73 0.64 0.54 0.7
R-Clust?? 0.6 0.46 0.75 0.92 0.67 1 0.66 0.57 0.74 0.65 0.57 0.72
R-Clust?? -C 0.62 0.46 0.77 0.92 0.72 0.98 0.72 0.63 0.82 0.73 0.58 0.78
R-Clust?? -T+C 0.59 0.46 0.72 0.93 0.71 0.98 0.71 0.59 0.78 0.74 0.62 0.79
K -Means 0.45 0.35 0.6 0.54 0.31 0.71 0.64 0.55 0.72 0.60 0.46 0.72
K -MajorClust 0.39 0.36 0.48 0.71 0.48 0.98 0.61 0.49 0.7 0.57 0.45 0.69
CHAMELEON 0.46 0.38 0.52 0.74 0.39 0.96 0.57 0.41 0.75 0.48 0.4 0.6
CLUDIPSO 0.6 0.47 0.73 0.92 0.85 0.98 0.62 0.49 0.72 0.57 0.45 0.65
Tabla 7.9: Mejores valores de medida F por coleccin.
mayora de las instancias experimentales consideradas y, en algunos casos, alcanzndose
los mejores resultados reportados en la literatura especca en el rea. Este ltimo aspecto,
no es una observacin menor, si consideramos que los mtodos de WSD utilizados para
obtener los conceptos (WSD basado en conocimiento) son considerados como mtodos
dbiles en relacin a otros mtodos supervisados ms elaborados, por lo que cualquier
mejora introducida en el proceso de WSD subyacente podra resultar en una mejora del
proceso de clustering completo.

Captulo 8
Conclusiones y trabajos futuros
Si buscas resultados distintos, no hagas siempre lo mismo.
Albert Einstein. Cientco alemn.
En este captulo se presentan las conclusiones del trabajo realizado y se plantean pro-
puestas para investigaciones futuras. El principal aporte fue la elaboracin de un trabajo
interdisciplinario que realiza contribuciones en el mbito de IL usando como sustento
aspectos bsicos del PLN y la IS. La utilizacin de informacin semntica, mediante m-
todos de WSD basados en conocimiento, es el eje principal de los experimentos realizados
en la CT cortos con los cuales se obtuvieron resultados prometedores. En este sentido, la
implementacin de un marco de trabajo para brindar robustez, conabilidad y calidad en
el pre-procesamiento semntico dio soporte sustentable a los trabajos experimentales. En
base a las conclusiones previas se pueden identicar dos reas denidas de estudios para
los trabajos futuros, desde el mbito de PLN y desde la IS.
8.1. Aportes realizados
Uno de los objetivos de este trabajo fue determinar si la incorporacin de informacin
semntica en la representacin de documentos, a partir de mtodos no supervisados de
WSD, aporta benecios a la CT cortos. Ms precisamente, los experimentos de este traba-
jo se fundamentan en el enfoque basado en conocimiento para la tarea de desambiguacin,
debido a que es una de las alternativas viables en casos donde no se dispone de una co-
leccin de entrenamiento para la WSD. Dos estrategias fueron consideradas y analizadas:

Captulo 8. Conclusiones y trabajos futuros 100
conceptos y trminos+conceptos. Se evaluaron diferentes codicaciones y diferentes
clasicadores en los experimentos de categorizacin, como as tambin el impacto de la
reduccin de vocabulario en el comportamiento de dicha tarea.
Se concluye que el uso de informacin semntica en la representacin de los documen-
tos, a travs de mtodos basados en conocimiento, benecia la tarea de categorizacin
de documentos cortos, en especial el enfoque que denominamos trminos+conceptos.
Este enfoque demostr que, a pesar de que involucra generalmente un aumento en la di-
mensionalidad de la representacin, puede obtener una precisin muy alta con elevados
niveles de reduccin de vocabulario. Con respecto al desempeo de los distintos mtodos
de WSD, teniendo en cuenta que no hay un nico mtodo de WSD basado en conocimiento
que presente los mejores resultados para todas las colecciones, se puede armar que un
ptimo WSD general no puede ser determinado en base a los experimentos realizados. Por
tal motivo, el mejor valor de precisin depende de la codicacin y el clasicador utilizado
en la CT.
A partir de los resultados altamente promisorios obtenidos en el trabajo experimen-
tal con CT, se decide experimentar con otra de las aplicaciones vinculadas a PLN. De
este modo, se realizan pruebas aplicando mtodos de clustering bio-inspirados iterativos
que obtuvieron resultados importantes utilizando la representacin original de vectores
[30, 31]. Un aporte interesante surge en este contexto, ya que se obtiene un desempeo
competitivo del clustering iterativo utilizando representaciones de documentos enriqueci-
das con informacin semntica en la mayora de las instancias experimentales considera-
das. Con referencia a esto ltimo es importante tener en cuenta que, si consideramos que
los mtodos de WSD utilizados en este trabajo (basados en conocimiento) pueden cali-
carse como mtodos dbiles en relacin a otros mtodos supervisados ms elaborados,
entonces la mejora obtenida puede ser trascendental.
Por otro lado, las ventajas del uso de hipernimos en la representacin de documentos
cortos no han quedado demostradas y es un punto que requiere investigacin futura. En
este sentido, una extensin interesante es la planteada en [45] para la tarea de cluste-
ring que consiste en no remover los trminos que no pudieron ser desambiguados para
la representacin de conceptos sino agregarlos como parte del vector junto con los que
pudieron ser desambiguados con alguno de los mtodos de WSD (sera una variante al
enfoque planteado en la seccin 7.3.1).

Trabajos futuros 101
En base a las conclusiones anteriores, donde se destaca el buen desempeo del pre-
procesamiento semntico no supervisado para tareas vinculadas al PLN, se implementa
un marco de trabajo que brinda soporte al investigador en la reproduccin exacta de
experimentos anteriores como as tambin, hacer ms sencilla la creacin de nuevos expe-
rimentos para la obtencin de los vectores que representan a los documentos de texto. El
framework desarrollado brinda un manejo sencillo de los documentos que se utilizan para
el pre-procesado semntico, un acceso unicado a los algoritmos de anlisis sintctico (o
pos-tagging) y de anlisis semntico (o WSD). Al tener una arquitectura simple y mo-
dular es posible extender fcilmente el framework, incorporando nuevos algoritmos como
procesos intermedios. En este contexto, se proveen interfaces y clases abstractas bsicas
para las tareas involucradas en la obtencin de los vectores. Por lo tanto, los mdulos
que pretendan hacer uso de los servicios que brinda el framework nicamente debern
implementar los componentes abstractos del mismo.
Si bien el uso del framework alivi la tarea de obtencin de los vectores para la re-
presentacin de documentos, la posibilidad de combinar los algoritmos disponibles en
las distintas etapas era una tarea engorrosa ya que se haca manualmente. El desarrollo
de una interfaz grca extendi los benecios del framework original, evitando que el
usuario tenga que conocer detalles subyacentes de la implementacin. De esta manera, la
seleccin y el posterior enlace de los diferentes algoritmos en las distintas etapas ya no
es un proceso complejo que exige codicacin, permitiendo a usuarios tanto del mbito
informtico como de otras reas de estudio tener acceso a un conjunto de funcionalidades
para el anlisis de textos. Pre.Se.Do. fue desarrollado para hacer factible la interaccin en
forma amigable, rpida y sencilla del usuario con el framework implementado.
Finalmente, se muestra lo sencillo que resulta la adaptacin de un mdulo del fra-
mework desarrollado para el acoplamiento al sistema GATE. De esta manera, se puede
generalizar armando que incorporar los dems componentes de nuestro framework a
sistemas mayores es una tarea simple y factible de ser realizada.
8.2. Trabajos futuros
En base a los experimentos realizados y a las conclusiones obtenidas de los mismos,
podemos identicar dos reas donde la investigacin llevada a cabo en este trabajo puede
ahondar. Con respecto al mbito del PLN sera posible:

Captulo 8. Conclusiones y trabajos futuros 102
Analizar el comportamiento de la incorporacin de informacin semntica en otras
aplicaciones del PLN, distintas a CT y clustering.
Incorporar nuevos algoritmos para las distintas etapas del pre-procesamiento semn-
tico. Por ejemplo para la WSD, usar otras variantes del algoritmo de Lesk como el
Simplicado o el Simulated anealing, otros mtodos heursticos como la tcnica
de considerar un sentido por discurso y la aplicacin de otras medidas de similitud
semnticas como las introducidas en [79, 90].
Investigar y evaluar la posibilidad de trabajar con otras ontologas, diferente a Word-
Net, con el n de ampliar la coleccin de conceptos y relaciones jerrquicas. Como,
por ejemplo analizar si es viable el uso de la ontologa Yago, que con alta cobertura
y precisin combina los datos de Wikipedia y WordNet [116].
Por otro lado, en relacin a la IS y al framework desarrollado existe la posibilidad de
que en base a los puntos anteriores pueda ser extendido para que tome en cuenta:
Ampliar el abanico de opciones en cuanto al formato del origen de datos para
poder ser adaptado a otras tareas que involucren slo algunas (y no necesariamente
todas) las tareas de pre-procesamiento semntico.
Adecuar la GUI Pre.Se.Do (originalmente implementada como una aplicacin de
escritorio) para que pueda ser usada desde la Web. De este modo, se permite a
usuarios desde cualquier parte del mundo acceder a la aplicacin e integrar sus
propios mdulos al framework desarrollado.
Profundizar sobre temas vinculados a la Web semntica, cuya idea principal es la
incorporacin de metadatos semnticos y ontolgicos a la World Wide Web. Esa
informacin adicional compuesta por el contenido, el signicado y relaciones entre
los datos deben ser proporcionadas de manera formal para poder evaluarlas auto-
mticamente y podra signicar un vnculo relevante con el framework presentado.

Apndice A
Acrnimos
AA. Aprendizaje Automtico

API. Interface de Programacin de Aplicaciones
C. conceptos
CIAO. CIAOSENSO
CIC. CICling-2002
CNB. Complement Naive Bayes
CT. Categorizacin de Textos
Easy. EasyAbstract
GATE. General Architecture for Text Engineering
GUI. Graphic User Interface
IL. Ingeniera del Lenguaje
IS. Ingeniera de Software
ITSA. ITerative PAntSA
LM. Lesk Mejorado
MD. Minera de Datos
MFS. Most Frequent Sense
NB. Naive Bayes
Apndice A. Acrnimos 104
NBM. Naive Bayes Multinomial

NBMU. Naive Bayes Multinomial Updateable
PLN. Procesamiento del Lenguaje Natural
Pre.Se.Do. Pre-procesamiento Semntico de Documentos
RI. Recuperacin de la Informacin
SVM. Support Vector Machine
T+C. trminos+conceptos
VSM. Vector Space Model
WN. WordNet
WSD. Word Sense Disambiguation
Apndice B
Documentacin del Framework
Es de sentido comn elegir un mtodo y probarlo. Si falla, admitirlo francamente y
probar con otro. Pero, sobre todo, intentar algo.
Franklin Roosevelt. Poltico estadounidense.
La documentacin del framework es esencial para que ste pueda ser reutilizable.
Una buena documentacin para las especicaciones de un framework debe detallar como
mnimo:
El propsito del framework.
La forma de ejecutar dicho framework.
B.1. Propsito
Todo framework tiene el objetivo de capturar las decisiones de diseo comunes a un
tipo de aplicacin, estableciendo un modelo para todas ellas, asignando responsabilidades
y estableciendo colaboraciones entre las clases que forman el modelo. La nalidad de este
trabajo es proveer de un conjunto de mdulos que permitan realizar de una manera sencilla
las tareas de pre-procesado semntico de textos para la obtencin de los vectores que sern
utilizados en la representacin de documentos para diversas aplicaciones de PLN. Entre
las tareas implementadas estn los algoritmo de steeming, etiquetado sintctico (o pos-
tagging ) y de desambiguacin (WSD ). De la misma manera, se facilita el acceso a los

Apndice B. Documentacin del Framework 106
archivos de la base de datos lxica WordNet, uno de los recursos externo ms utilizado
para las tareas vinculadas a PLN. Esto ltimo se logr mediante la adaptacin de la API
WordNet .NET (mencionada en la seccin 6.1.3) a lenguaje Java por ser la nica que
satisfaca los requerimientos de diseo incial del framework.
B.2. Utilizacin y ejecucin del framework

El objetivo principal del framework es pre-procesar un conjunto de archivos de texto
para generar un conjunto de vectores que ser utilizado posteriormente para la tarea de
categorizacin (o cualquier tarea vinculada al PLN). Para utilizar el framework con un
conjunto de textos especco el primer paso a realizar es un anlisis de los diferentes
algoritmos de POS-tagging y WSD disponibles de acuerdo al problema a solucionar.
Luego de realizado el anlisis y seleccionados los algoritmos a aplicar, el prximo paso es
determinar si el algoritmo ya est implementado o necesita ser includo como un nuevo
mdulo en el framework. Para incluir un nuevo mdulo, dependiendo de la tarea a incluir
(POS-tagging o WSD) se deber realizar una accin diferente:
Para un algoritmo de POS-tagging, se debe crear una nueva clase, dentro del paquete
postagger, que herede de la clase POSTagger e implemente el mtodo posTag con la
lgica correspondiente al etiquetador sintctico a incluir. Un ejemplo simplicado
de la implementacin se muestra en la Figura B.1.
package ar.edu.unsl.cs.wsd.postagger;
public class MFWNPOSTagger extends POSTagger {
public WordInfo[] posTag(String[] words) {
WordInfo[] wordInfos = ...
return wordInfos;
}
}
Figura B.1: Ejemplo clase POSTagging
Para un algoritmo de WSD se debe crear un nuevo subpaquete dentro del paquete
wsd que contendr los archivos Java necesarios para la implementacin del algorit-
mo a incluir. Adems debe incluirse una clase WSDhnbreAlgoritmoi que herede de

Utilizacin y ejecucin del framework 107
la clase WSD e implemente el mtodo disambiguate con la lgica correspondiente
al desambiguador a incorporar. Un ejemplo simplicado de la implementacin se
muestra en la Figura B.2.
package ar.edu.unsl.cs.wsd;
public class WSDLesk extends WSD {
protected WordInfo[] disambiguate(String[] words) {
wordInfos = wsd.disambiguate(wordInfos);
return wordInfos;
}
}
Figura B.2: Ejemplo clase WSD
Una vez que el desarrollo anterior ha sido completado, para realizar una ejecucin con
una coleccin de documentos, se deben congurar los algoritmos de POSTagger y WSD
a ejecutar en el archivo, de la siguiente manera:
java preproccess hnbreClasePOSTaggeri hnbreClaseWSDi hDirectorioi
Donde,
hnbreClasePOSTaggeri representa el nombre de la clase que implementa el algoritmo

de etiquetado sintctico a ejecutar.
hnbreClaseWSDi representa el nombre de la clase que implementa el algoritmo de
desambiguacin que se usar en la ejecucin del pre-procesado.
hDirectorioi es la carpeta raz que contiene la coleccin de documentos a pre-
procesar.
El resultado de la ejecucin anterior es un conjunto de archivos (que se corresponden
con los de entrada) conteniendo para cada trmino, su correspondiente synset luego de
ser desambiguado por el algoritmo utilizado. Luego, estos archivos deben ser procesados
mediante la ejecucin de la clase GetSynsetOset para obtener, utilizando WordNet, el

Apndice B. Documentacin del Framework 108
identicador nico del synset para cada trmino desambiguado. Finalmente, se realiza
la transformacin de los dgitos del oset a letras (de la a a la j ) que formarn el vector
de conceptos que ser utilizado como datos de entrada a las herramientas que resuelven
distintas tareas vinculadas al PLN.

Apndice C
Documentacin de Pre.Se.Do
...se puede pensar a la ingeniera como la ciencia para la gente impaciente
Herb Simon. PhD in Computer Science
El desarrollo de una interfaz grca de usuario en lenguaje Java puede ser realizado
de varias maneras, las ms utilizadas son a travs de: Abstract Windows Toolkit (AWT ),
Swing y Standard Widget Toolkit (SWT ).
AWT soporta un conjunto de elementos con una apariencia ms simple comparada
con los de Swing. Pero, al ser una tecnologa muy estable y poder ejecutarse en
cualquier lugar donde el Java Runtime Environment est instalado la convierte en
una buena opcin de uso.
Swing proporciona GUIs que tienen apariencia elegante y sosticada. Es una tec-
nologa relativamente lenta debido a que los controles son realizados por el propio
Java.
SWT est compuesto por un conjunto de widgets y una biblioteca de grcos. Hace
posible el diseo de GUIs con apariencia muy similar a las aplicaciones de escritorio
tradicionales. Los controles son construidos por los archivos DLL nativos por lo que
es la opcin ms rpida de las tres.
Por otro lado, est disponible en forma gratuita un plugin (plug-in), denominado Ji-
gloo, que se aade a Eclipse para disear GUIs con AWT, Swing y SWT lo que facilita
Apndice C. Documentacin de Pre.Se.Do 110
gran parte del trabajo de desarrollo. Jigloo crea y administra el cdigo para todas las
partes de Swing, SWT y manejo de eventos, adems permite visualizar la GUI a medida
que se va construyendo. Jigloo es sencillo, rpido, potente, fcil de usar y totalmente inte-
grado con Eclipse. Esto puede llevar a importantes ahorros de tiempo para el desarrollo de
una interfaz grca de usuario y sus tareas de mantenimiento. Jigloo ofrece las siguientes
caractersticas generales:
Construye clases Java para interfaces grcas de usuario en SWT o Swing, con un
simple editor WYSIWYG.
Edicin de dos vas (o de ida y vuelta), los cambios realizados en el editor de
formularios se recogen en el cdigo, y los cambios realizados al cdigo se reejan
tambin en el editor de formularios. Actualizacin en el momento de los cambios
realizados en ambos editores.
Puede reconocer y manipular el cdigo generado manualmente o por otros IDE (por
ejemplo, NetBeans, JBuilder, etc.).
Pueden agregarse componentes y modicar la conguracin de los diseos.
Fcil navegacin entre los editores de cdigo fuente y de formularios.
Multiseleccin de los componentes para el ajuste de las propiedades, los parmetros
de diseo, y acciones como copiar, cortar, pegar y borrar.
Manipula la mayora de las propiedades de los componentes de interfaz grca de
usuario, tales como colores, fuentes, imgenes, tamaos, etc..
Crea controladores para todos y cada uno de los eventos de los componentes.
El cdigo de Java y la forma interfaz grca de usuario se puede ver en un solo
editor (ya sea una fraccin de panel) o se puede seleccionar el diseo con solapas o
pestaas.
Por todos los motivos especicados anteriormente se decidi utilizar las facilidades de
Jigloo para el desarrollo de una interfaz grca que haga posible interactuar en forma
amigable, rpida y sencilla con el framework desarrollado y descripto detalladamente en
el Apndice B. Inicialmente, en el framework propuesto en este trabajo, la posibilidad de

111
Figura C.1: Ventana inicial de Pre.Se.Do
combinar diferentes algoritmos en las distintas etapas era un proceso que se haca manual-
mente y codicando. Es decir, no exista un controlador del ujo ni entorno grco para
ejecutar los diferentes mdulos, sino que la salida del anterior deba ser provista y codi-
cada como entrada al posterior. Como una posible extensin a este framework se decide
implementar dicho controlador grco. Pre.Se.Do. (las siglas para Pre-procesamiento
Semntico de Documentos ) es un entorno grco que ha sido desarrollado para facilitar
al usuario el pre-procesamiento semntico de una coleccin de documentos. Agiliza y sim-
plica la seleccin y el posterior proceso de las tareas que componen el ujo de ejecucin
descripto en el Captulo 6 y el Apndice B.
Figura C.2: Ventana principal de Pre.Se.Do.

La Figura C.1 muestra la ventana inicial con dos opciones posibles: acceder a la apli-
cacin Pre.Se.Do o solicitar ayuda para el uso de la misma. En la Figura C.2 se muestra el
entorno que ofrece una interfaz grca para utilizar las distintas funcionalidades que ofrece
Pre.Se.Do.. Dentro del entorno principal existen 4 sub-entornos para realizar las distintas
tareas que involucra el pre-procesado semntico de documentos segn fue descripto en el
Captulo 6:
1. Etiquetado Sintctico (POS-tagger)
2. Analizador Semntico (Word Sense Desambiguation)
3. Obtencin de Vectores
4. Obtencin de Relaciones en WordNet
Figura C.3: Explorador para seleccionar la coleccin
El primer paso para comenzar a trabajar con la aplicacin es denir el origen de los
datos. Por lo tanto, debe seleccionarse en primer lugar el corpus o coleccin con la que se va
a trabajar, la misma debe ser una carpeta conteniendo las diferentes subcategoras dentro
de las cuales se encontrarn los archivos de textos a analizar que tendrn extensin .txt.
Para seleccionar la carpeta corpus se puede realizar de dos maneras, ya sea escribiendo
directamente en el cuadro de texto Carpeta Corpus la ruta completa donde se encuentra
la coleccin a analizar o mediante el explorador mostrado en la Figura C.3 pulsando el
botn Explorar en la ventana principal de Pre.Se.Do.. Si la seleccin de un corpus no ha
sido realizado un aviso de error ser mostrado en una ventana de dilogo como el de la
113
Figura C.4. Finalmente, una vez seleccionado el origen de datos es posible comenzar a
realizar alguna de las tareas implementadas.
Figura C.4: Ventana de dilogo de aviso de error
La primera solapa permite realizar el anlisis sintctico del corpus. Los archivos a
pre-procesar en esta tarea deben tener extensin .txt y a la salida se le anexar la
extensin .pos. En primer lugar se debe seleccionar el algoritmo con el cul se realizar
esta tarea. La descripcin de los algoritmos MFWN y Brill fue includa en el Captulo
6. Es importante destacar que, como se especic en el Captulo 6, el framework est
orientado a la extensibilidad por lo que aadir funcionalidades es una tarea sencilla,
que slo requiere incluir nuevos algoritmos de las distintas tareas que conforman el ujo
de ejecucin. Al pulsar el botn Get PosTagger comienza la ejecucin pudiendo ser
cancelada en cualquier momento durante el procesamiento, pulsando Cancelar. De esta
manera una ventana como la mostrada en la Figura C.5 se abrir para conrmar la
interrupcin o no de la ejecucin.
Figura C.5: Ventana de dilogo para Cancelar el proceso
Para vericar que la tarea est en proceso y llevar un control de los archivos ejecu-
tndose en cada momento, el cuadro de texto inferior de la pantalla fue agregado para ir
mostrando cual es el archivo que est actualmente procesandose. Esto puede verse en la
Figura C.6.
En la segunda solapa o pestaa, mostrada en la Figura C.7, se puede realizar el anlisis
semntico de los textos que ya han sido analizados sintcticamente. Para la tarea de
desambiguacin es posible optar por alguno de los tres algoritmos implementados: SMF
(most frequent sense), CIAO y Lesk (en su versin mejorada o adaptada). Tanto para
Figura C.6: Ventana procesando una tarea
la tarea anterior como para las siguientes es posible interrumpir, en todo momento, la
ejecucin del procesamiento que para este caso comenz al pulsar el botn Get WSD.
Figura C.7: Solapa para la tarea de WSD
En la Figura C.8 se muestra la solapa que permite realizar la tarea nal para la
obtencin de los vectores que sern utilizados (representando los documentos) como datos
de entrada en distintas aplicaciones vinculadas al PLN. De la misma manera que para las
tareas anteriores se deber optar por una alternativa entre varias, en este caso, vectores
de trminos (Terms ), conceptos (Concepts ) o trminos+conceptos (Terms+Concepts ).

115
Figura C.8: Solapa para la tarea de Vectores
Finalmente, y como un anexo al trabajo realizado, en el Captulo 7 se considera el
hecho de agregar informacin complementaria a los vectores a partir de las relaciones je-
rrquicas presentes en WordNet. En este contexto, se decidi incluir una solapa (mostrada
en la Figura C.9) que permite seleccionar entre las relaciones de hiponimia, hiperonimia,
meronimia y holonimia para agregar informacin semntica a los vectores de conceptos y
trminos+conceptos. Es importante aclarar que, varias alternativas pueden ser selecciona-
das para este caso pero que al momento slo est implementada la relacin de hiperonimia
con la cual se realizaron trabajos experimentales.
Figura C.9: Solapa para la tarea de Relaciones

Bibliografa
[1] Eneko Agirre and David Martnez. Exploring automatic word sense disambiguation
with decision lists and the web. Corpus Research Repository, cs.CL/0010024, 2000.
[2] Eneko Agirre and German Rigau. Word sense disambiguation using conceptual
density. In COLING, pages 1622, 1996.
[3] Mikhail Alexandrov, Alexander Gelbukh, and Paolo Rosso. An approach to cluste-
ring abstracts. In NLDB, pages 813, 2005.
[4] Gianni Amati, Daniela D. Aloisi, Vittorio Giannini, and Flavio Ubaldini. A fra-
mework for ltering news and managing distributed data. UCS, 3(8):10071021,
1997.
[5] David Pinto Avendao, Hctor Jimnez-Salazar, and Paolo Rosso. Clustering abs-
tracts of scientic texts using the transition point technique. In CICLing, pages
536546, 2006.
[6] Hanane Azzag, Nicols Monmarche, Mohamed Slimane, Gilles Venturini, and Chris-
tiane Guinot. AntTree: A new model for clustering with articial ants. In CEC,
pages 26422647, 2003.
[7] Douglas Baker and Andrew McCallum. Distributional clustering of words for text
classication. In SIGIR, pages 96103, 1998.
[8] Satanjeev Banerjee. Adapting the Lesk Algorithm for Word Sense Disambiguation to
WordNet. PhD thesis, Department of Computer Science. University of Minnesota,
2002.
[9] Satanjeev Banerjee and Ted Pedersen. An adapted lesk algorithm for word sense
disambiguation using wordnet. In CICLing, pages 136145, 2002.

BIBLIOGRAFA 118
[10] Jrg Becker and Dominik Kuropka. Topic-based vector space model. In BIS, pages
712, 2003.
[11] Steven Bird. Nltk: the natural language toolkit. In COLING/ACL, pages 6972,
2006.
[12] K. H. V. Booth. Machine aided translation with a post-editor. In Machine Trans-
lation, pages 5176. North-Holland, 1967.
[13] Eric Brill. A simple rule-based part of speech tagger. In ANLP, pages 152155,
1992.
[14] Ted Briscoe and Bran Boguraev. Computational lexicography for natural language
processing. Longman Publishing Group, 1989.
[15] Davide Buscaldi, Paolo Rosso, and Francesco Masulli. The upv-unige-ciaosenso wsd
system. In SENSEVAL, pages 7782, 2004.
[16] Maria F. Caropreso, Stan Matwin, and Fabrizio Sebastiani. A learner-independent
evaluation of the usefulness of statistical phrases for automated text categorization,
2001.
[17] Noam Chomsky. Aspects of the theory of syntax. MIT Press, 1965.
[18] Yaacov Choueka and Serge Lusignan. Disambiguation by short contexts. Computers
and the Humanities, 19(3):147157, 1985.
[19] William Cohen and Yoram Singer. Context-sensitive learning methods for text
categorization. ACM Transformation Information System, 17(2):141173, 1999.
[20] Hamish Cunningham, Diana Maynard, Valentin Tablan, Cristian Ursu, and Kalina
Bontcheva. Developing language processing components with gate version 7 (a user
guide), 2012.
[21] Hamish Cunningham and Donia Scott. Software architecture for language enginee-
ring. Natural Language Engineering, 10(3-4):205209, 2004.
[22] Hamish Cunningham, Yorick Wilks, and Robert Gaizauskas. Gate-a general archi-
tecture for text engineering. In COLING, pages 10571060, 1996.

BIBLIOGRAFA 119
[23] Ido Dagan and Alon Itai. Word sense disambiguation using a second language
monolingual corpus. Computational Linguistics, 20(4):563596, 1994.
[24] Ido Dagan, Alon Itai, and Ulrike Schwall. Two languages are more informative than
one. In Association for Computational Linguistics, pages 130137, 1991.
[25] Franca Debole and Fabrizio Sebastiani. An analysis of the relative hardness of
reuters-21578 subsets. American Society for Information Science and Technology,
56(6):584596, 2005.
[26] Scott Deerwester, Susan Dumais, Thomas Landauer, George Furnas, and Richard
Harshman. Indexing by latent semantic analysis. American Society for Information
Science, 41(6):391407, 1990.
[27] Xiaowen Ding, Bing Liu, and Philip Yu. A holistic lexicon-based approach to opinion
mining. In WSDM, pages 231240, 2008.
[28] Susan Dumais, John Platt, Mehran Sahami, and David Heckerman. Inductive lear-
ning algorithms and representations for text categorization. In CIKM, pages 148
155, 1998.
[29] Marcelo Errecalde, Leticia Cagnina, Diego Ingaramo, and Paolo Rosso. A discrete
particle swarm optimizer for clustering short-text corpora. In BIOMA, pages 93
103, 2008.
[30] Marcelo Errecalde and Diego Ingaramo. Short-text corpora for clustering evaluation.
Technical report, LIDIC, U.N.S.L., San Luis, Argentina, 2008.
[31] Marcelo Errecalde, Diego Ingaramo, and Paolo Rosso. Itsa*: an eective iterative
method for short-text clustering tasks. In IEA-AIE, pages 550559, 2010.
[32] Marcelo Errecalde, Mara V. Rosas, Diego Ingaramo, and Paolo Rosso. Clustering
iterativo de textos cortos con representaciones basadas en conceptos. In IBERAMIA,
pages 8089, 2010.
[33] Marcelo Errecalde, Mara V. Rosas, and Paolo Rosso. Un framework de ingeniera
del lenguaje para el pre-procesado semntico de textos. In CACIC, pages 587596,
2010.
BIBLIOGRAFA 120
[34] Christiane Fellbaum. WordNet: An Electronic Lexical Database. Bradford Books,
1998.
[35] Edward Fox, Gerard Salton, and Harry Wu. Extended boolean information retrieval.
Computational and Applied Mathematics, 26(11):10221036, 1983.
[36] Norbert Fuhr, Stephan Hartmann, Gerhard Lustig, Michael Schwantner, Kostas
Tzeras, and Gerhard Knorz. Air/x - a rule-based multistage indexing system for
iarge subject elds. In RIAO, pages 606624, 1991.
[37] Luigi Galavotti, Fabrizio Sebastiani, and Maria Simi. Experiments on the use of
feature selection and negative evidence in automated text categorization. In ECDL,
pages 5968, 2000.
[38] William Gale, Kenneth Church, and David Yarowsky. A method for disambiguating
word senses in a large corpus. Computers and the Humanities, 26:415439, 1992.
[39] Stephen Garner. Weka: The waikato environment for knowledge analysis. In New
Zealand Computer Science Research Students Conference, pages 5764, 1995.
[40] Julio Gonzalo, Felisa Verdejo, Irina Chugur, and Juan Cigarrn. Indexing with word-
net synsets can improve text retrieval. Corpus Research Repository, volume:cmp-
lg/9808002, 1998.
[41] P. Hayati and V. Potdar. Evaluation of spam detection and prevention frameworks
for email and image spam: a state of art. In Information Integration and Web-based
Applications & Services, 2008.
[42] Jos M. Gmez Hidalgo. Evaluating cost-sensitive unsolicited bulk email categori-
zation. In SAC, pages 615620, 2002.
[43] Jos M. Gmez Hidalgo and Manuel de Buenaga Rodrguez. Integrating a lexical
database and a training collection for text categorization. Computing Research
Repository, volume:cmp-lg/9709004(1):130148, 1997.
[44] Jos M. Gmez Hidalgo, Juan I. Girldez, and Manuel de Buenaga Rodrguez. Text
categorization for internet content ltering. Revista Iberoamericana de Inteligencia
Articial, 22(1):147160, 2003.

BIBLIOGRAFA 121
[45] Andreas Hotho, Steen Staab, and Gerd Stumme. Ontologies improve text docu-
ment clustering. In ICDM, pages 541544, 2003.
[46] Diego Ingaramo, Marcelo Errecalde, Leticia Cagnina, and Paolo Rosso. Compu-
tational Intelligence and Bioengineering, chapter Particle Swarm Optimization for
clustering short-text corpora, pages 319. IOS press, 2009.
[47] Diego Ingaramo, David Pinto, Paolo Rosso, and Marcelo Errecalde. Evaluation of
internal validity measures in short-text corpora. In CICLing, pages 555567, 2008.
[48] Diego Ingaramo, Mara V. Rosas, Amparito Asensio, and Marcelo Errecalde. Tpi-
cos avanzados en categorizacin de textos. In WICC, pages 7579, 2009.
[49] George John, Ron Kohavi, and Karl Peger. Irrelevant features and the subset
selection problem. In ICML, pages 121129, 1994.
[50] Ralph Johnson. Components, frameworks, patterns. Computational and Applied
Mathematics, 40(1):1017, 1997.
[51] Daniel Jurafsky and James Martin. Speech and Language Processing: An Introduc-
tion to Natural Language Processing, Computational Linguistics and Speech Recog-
nition. Prentice-Hall, 2000.
[52] Paul Kantor. Foundations of statistical natural language processing. Infomation
Retrieval, 4(1):8081, 2001.
[53] George Karypis, Eui-Hong Han, and Kumar Vipin. Chameleon: Hierarchical clus-
tering using dynamic modeling. Computer, 32(8):6875, 1999.
[54] Athanasios Kehagias, Vassilios Petridis, Vassilis Kaburlasos, and Pavlina Fragkou. A
comparison of word- and sense-based text categorization using several classication
algorithms. Intelligence Information System, 21(3):227247, 2003.
[55] Moshe Koppel, Jonathan Schler, and Shlomo Argamon. Computational methods in
authorship attribution. JASIST, 60(1):926, 2009.
[56] Donald Kraft and Duncan Buell. Fuzzy sets and generalized boolean retrieval sys-
tems. International Journal of Man-Machine Studies, 19(1):4556, 1983.

BIBLIOGRAFA 122
[57] Oh-Woog Kwon and Jong-Hyeok Lee. Web page classication based on k-nearest
neighbor approach. In IRAL, pages 915, 2000.
[58] John Laerty and ChengXiang Zhai. Probabilistic relevance models based on do-
cument and query generation, 2002.
[59] Ken Lang. Original 20 newsgroups dataset, 1993.
http://kdd.ics.uci.edu/databases/20newsgroups/20newsgroups.html.
[60] Leah Larkey. A patent search and classication system. In ACM DL, pages 179187,
1999.
[61] Jochen Leidner. Current issues in software engineering for natural language proces-
sing. In SEALTS, pages 4550, 2003.
[62] Michael Lesk. Automatic sense disambiguation using machine readable dictionaries:
How to tell a pine cone from an ice cream cone. In 5th International Conference on
Systems Documentation, 1986.
[63] David Lewis. Evaluating and optimizing autonomous text classication systems. In
SIGIR, pages 246254, 1995.
[64] David Lewis and Marc Ringuette. A comparison of two learning algorithms for text
categorization. In DAIR, pages 8193, 1994.
[65] David Lewis, Robert Schapire, James Callan, and Ron Papka. Training algorithms
for linear text classiers. In SIGIR, pages 298306, 1996.
[66] David Lewis and Alan Smeaton. Use of natural language processing at trec. In
TREC, pages 365366, 1992.
[67] Dekang Lin. Using syntactic dependency as local context to resolve word sense
ambiguity. In ACL, pages 6471, 1997.
[68] Andrew K. Lui, Siu C. Li, and Sheung O. Choy. An evaluation of automatic text
categorization in online discussion analysis. Advanced Learning Technologies, IEEE
International Conference, 0:205209, 2007.
[69] Alpha Luk. Statistical sense disambiguation with relatively small corpora using
dictionary denitions. In ACL, page 181 to 188, 1995.

BIBLIOGRAFA 123
[70] Romans Lukashenko, Vita Graudina, and Janis Grundspenkis. Computer-based
plagiarism detection methods and tools: an overview. In CompSysTech, page 40,
2007.
[71] Pavel Makagonov, Mikhail Alexandrov, and Alexander Gelbukh. Clustering abs-
tracts instead of full texts. In TSD, pages 129135, 2004.
[72] Christopher Manning and Hinrich Schtze. Foundations of Statistical Natural Lan-
guage Processing. The MIT Press, 1999.
[73] Hermann Maurer, Frank Kappe, and Bilal Zaka. Plagiarism - a survey. Universal
Computer Science, 12(8):10501084, 2006.
[74] Susan McRoy. Using multiple knowledge sources for word sense discrimination.
Computational Linguistics, 18(1):130, 1992.
[75] George Miller. Wordnet: a lexical database for english. Computational and Applied
Mathematics, 38(11):3941, 1995.
[76] George Miller. Wordnet , 1996. http://wordnet.princeton.edu/wordnet/related-
projects/#local.
[77] Tom Mitchell. Machine learning meets natural language. In EPIA, page 391, 1997.
[78] Dunja Mladeni'c and Marko Grobelnik. Ecient text categorization, 1998.
[79] Dan Moldovan and Rada Mihalcea. Using wordnet and lexical operators to improve
internet searches. IEEE Internet Computing, 4(1):3443, 2000.
[80] David Monarchi, Brian Henderson-Sellers, Grady Booch, Ivar Jacobson, Stephen
Mellor, James Rumbaugh, and Rebecca Wirfs-Brock. Methodology standards: Help
or hindrance? OOPS Messenger, 5(4):5458, 1994.
[81] Isabelle Moulinier, Gaillius Raskinis, and Jean-Gabriel Ganascia. Text categoriza-
tion : a symbolic approach. In SDAIR, pages 8799, 1996.
[82] Mary S. Ne, Roy J. Byrd, and Branimir K. Boguraev. B.k.: The talent system:
Textract architecture and data model. In JNLPBA, pages 307326, 2004.
[83] Nikunj Oza, Robi Polikar, Josef Kittler, and Fabio Roli, editors. Multiple Classier
Systems, volume 3541. Springer, 2005.

BIBLIOGRAFA 124
[84] Valentina Muoz Porras. Herramientas para la extraccin de informacin bajo la
arquitectura gate. Master's thesis, Universidad de Guanajuato, 2008.
[85] Martin Potthast, Alberto Barrn-Cedeo, Benno Stein, and Paolo Rosso. Cross-
language plagiarism detection. Language Resources and Evaluation, 45(1):4562,
2011.
[86] Martin Potthast, Benno Stein, Alberto Barrn-Cedeo, and Paolo Rosso. An eva-
luation framework for plagiarism detection. In COLING (Posters), pages 9971005,
2010.
[87] Roger S. Pressman. Software Engineering: A Practitioner's Approach. McGraw-Hill
Higher Education, 2001.
[88] James Pustejovsky. The generative lexicon. Computational Linguistics, 17(4):409
441, 1991.
[89] Diego Reforgiato Recupero. A new unsupervised method for document clustering
by using wordnet lexical and conceptual relations. Information Retrievel, 10(6):563
579, 2007.
[90] Philip Resnik. Using information content to evaluate semantic similarity in a taxo-
nomy. In IJCAI, pages 448453, 1995.
[91] Ellen Rilo. An empirical study of automated dictionary construction for informa-
tion extraction in three domains. Artitial Intelligence, 85(1-2):101134, 1996.
[92] Thomas Roelleke, Jun Wang, and Stephen Robertson. Probabilistic retrieval models
and binary independence retrieval (bir) model. In Encyclopedia of Database Systems,
pages 21562160. Idea Group, 2009.
[93] Monica Rogati and Yiming Yang. High-performing feature selection for text classi-
cation. In CIKM, pages 659661, 2002.
[94] Mara V. Rosas, , Marcelo Errecalde Diego Ingaramo, and Paolo Rosso. Clustering
iterativo de textos cortos con representaciones basadas en conceptos. Revista del
Procesamiento del Lenguaje Natural, Sociedad Espaola para el Procesamiento del
Lenguaje Natural (SEPLN), 46:1926, 2011.

BIBLIOGRAFA 125
[95] Mara V. Rosas, Marcelo Errecalde, and Paolo Rosso. Un anlisis comparativo de
estrategias para la categorizacin semntica de textos cortos. Revista del Procesa-
miento del Lenguaje Natural, Sociedad Espaola para el Procesamiento del Lenguaje
Natural (SEPLN), 45:1118, 2010.
[96] Paolo Rosso, Francesco Masulli, Davide Buscaldi, Ferran Pla, and Antonio Molina.
Automatic noun sense disambiguation. In CICLing, pages 273276, 2003.
[97] Peter Rousseeuw. Silhouettes: a graphical aid to the interpretation and validation
of cluster analysis. Computational and Applied Mathematics, 20(1):5365, 1987.
[98] Yasubumi Sakakibara. Pair hidden markov models on tree structures. In ISMB,
pages 232240, 2003.
[99] Gerard Salton. The SMART Retrieval SystemExperiments in Automatic Docu-
ment Processing. Prentice-Hall, Inc., 1971.
[100] Gerard Salton and Chris Buckley. Term-weighting approaches in automatic text
retrieval. Infomation Processing Management, 24(5):513523, 1988.
[101] Robert Schapire and Yoram Singer. Boostexter: A boosting-based system for text
categorization. In ML, pages 135168, 2000.
[102] Hinrich Schtze. Automatic word sense discrimination. Computational Linguistics,
24:97123, 1998.
[103] Hinrich Schtze, David Hull, and Jan Pedersen. A comparison of classiers and
document representations for the routing problem. In SIGIR, pages 229237, 1995.
[104] Sam Scott and Stan Matwin. Feature engineering for text classication. In ICML,
pages 379388, 1998.
[105] Fabrizio Sebastiani. Machine learning in automated text categorization. Compu-
tational and Applied Mathematics, 34(1):147, 2002.
[106] Fabrizio Sebastiani. Text categorization. In Encyclopedia of Database Technologies
and Applications, pages 683687. Idea Group, 2005.
[107] Fabrizio Sebastiani. Text categorization. In Text Mining and its Applications to
Intelligence, CRM and Knowledge Management, pages 109129. WIT Press, 2005.
BIBLIOGRAFA 126
[108] Shahin Shakeri and Paolo Rosso. Spam detection and email classicaion. Informa-
tion assurance and computer segurity, 6(IOS Press.):155167, 2006.
[109] Ian Sommerville. Construction by conguration: Challenges for software engineering
research and practice. In ASEC, pages 312, 2008.
[110] Efstathios Stamatatos. A survey of modern authorship attribution methods. JA-
SIST, 60(3):538556, 2009.
[111] Benno Stein and Sven Meyer zu Eissen. Document Categorization with Major-
Clust. In WITS, pages 9196, 2002.
[112] Benno Stein, Sven Meyer zu Eissen, and Martin Potthast. Syntax versus semantics:
Analysis of enriched vector space models. In TIR, pages 4752, 2006.
[113] Ingo Steinwart. Consistency of support vector machines and other regularized kernel
classiers. IEEE Transactions on Information Theory, 51(1):128142, 2005.
[114] Jiri Stetina, Sadao Kurohashi, and Makoto Nagao. General word sense disambigua-
tion method based on a full sentential context. In COLING-ACL, pages 450460,
1998.
[115] Mark Stevenson and Yorick Wilks. The interaction of knowledge sources in word
sense disambiguation. Computational Linguistics, 27(1):321349, 2001.
[116] Fabian Suchanek, Gjergji Kasneci, and Gerhard Weikum. Yago: A large ontology
from wikipedia and wordnet. J. Web Sem., 6(3):203217, 2008.
[117] Georey G. Towell and Ellen M. Voorhees. Disambiguating highly ambiguous words.
Computational Linguistics, 24(1):125145, 1998.
[118] Kostas Tzeras and Stephan Hartmann. Automatic indexing based on bayesian in-
ference networks. In SIGIR, pages 2234, 1993.
[119] Florentina Vasilescu, Philippe Langlais, and Guy Lapalme. Evaluating variants of
the Lesk approach for disambiguating words. In LREC, pages 633636, 2004.
[120] Sonia Vzquez. Resolucin de la ambigedad semntica mediante mtodos basados
en conocimiento y su aportacin a tareas de PLN. PhD thesis, Departamento de
Lenguajes y Sistemas Informticos. Universidad de Alicante, 2009.

BIBLIOGRAFA 127
[121] Xia Wang. owsd: A tool for word sense disambiguation in its ontology context. In
ISWC, pages 340352, 2008.
[122] Erik Wiener, Jan Pedersen, and Andreas Weigend. A neural network approach to
topic spotting, 1995.
[123] Yiming Yang. An evaluation of statistical approaches to text categorization. Infor-
mation Retrievel, 1(1-2):6990, 1999.
[124] Yiming Yang. A study on thresholding strategies for text categorization. In SIGIR,
pages 137145, 2001.
[125] Yiming Yang and Christopher Chute. An example-based mapping method for text
categorization and retrieval. ACM Transformation Information System, 12(3):252
277, 1994.
[126] Yiming Yang and Jan Pedersen. A comparative study on feature selection in text
categorization. In ICML, pages 412420, 1997.
[127] Yiming Yang, Sen Slattery, and Rayid Ghani. A study of approaches to hypertext
categorization. Intelligence Information System, 18(2-3):219241, 2002.
[128] David Yarowsky. Word-sense disambiguation using statistical models of roget's
categories trained on large corpora. In COLING, pages 454460, 1992.
[129] Shiren Ye, Tat-Seng Chua, and Jeremy R. Kei. Clustering web pages about persons
and organizations. Web Intelligence and Agent System, 3(4):203216, 2005.
[130] Toshio Yokoi. The edr electronic dictionary. Association for Computing Machinery,
38(11):4244, 1995.
[131] Edward Yourdon. Beyond software engineering: Ten imperatives for the successful
software developer at the end of the decade (abstract). In ICSE, page 538, 1997.
[132] Rmi Zajac, Mark Casper, and Nigel Sharples. An open distributed architecture for
reuse and integration of heterogeneous nlp components. In ANLP, pages 245252,
1997.
[133] Tong Zhang. Fundamental statistical techniques. In Handbook of Natural Language
Processing, Second Edition, pages 121. CRC Press, Taylor and Francis Group, 2010.

PLC Analisis de Documentos PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

PLC Analisis de Documentos PDF

Caricato da

Copyright:

Formati disponibili

Universidad Nacional de San Luis

Tesis de Maestra en Ingeniera de Software

UN FRAMEWORK DE INGENIERA DEL

Lic. Mara Vernica Rosas

Director: Dr. Paolo Rosso, Universitat Politcnica de Valncia.

Codirector: Dr. Marcelo Errecalde, Universidad Nacional de San Luis.

San Luis Argentina

de Magister en Ingeniera de Software, de la Universidad Nacional de San Luis, y no ha

La misma contiene los resultados obtenidos en investigaciones llevadas a cabo bajo la

direccin del Dr. Paolo Rosso y el Dr. Marcelo Errecalde.

Lic. Mara Vernica Rosas

Universidad Nacional de San Luis

posibles dones de Dios.

mi mam, a JuanMa y Luci, a mis cuados, a mi Nono Herminio y a Santiago que me

la vida y a los que comparten y disfrutan da a da las horas de docencia.

Agradezco a mi director y codirector, sin cuya ayuda, dedicacin y constancia no

carrera que brindaron su conocimiento en aspectos importantes para el desarrollo nal de

Principalmente agradezco a Dios cada da que me regala y que me acompaa incon-

1.1.1. Aspectos surgidos desde el rea del PLN . . . . . . . . . . . . . . . 2

1.1.2. Aspectos surgidos desde el rea de la IS . . . . . . . . . . . . . . . . 3

1.2. Motivacin y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.3. Contexto de la tesis en el marco de la Maestra . . . . . . . . . . . . . . . 6

1.4. Principales contribuciones y publicaciones . . . . . . . . . . . . . . . . . . 7

1.5. Organizacin de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2. Procesamiento del lenguaje natural 11

2.2. PLN estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3. Aplicaciones de PLN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3. Indexacin y categorizacin de textos 19

3.1.1. Modelos de indexacin . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.1.2. Modelo de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 22

3.2. Categorizacin de textos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.2.1. Aprendizaje de un clasicador . . . . . . . . . . . . . . . . . . . . . 27

3.3. Reduccin de dimensionalidad . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.4. Semntica en la categorizacin de textos . . . . . . . . . . . . . . . . . . . 32

4. Resolucin de la ambigedad semntica 35

4.2. Estrategias de desambiguacin . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.3. WordNet: una base de datos lxica . . . . . . . . . . . . . . . . . . . . . . 38

5. WSD basado en conocimiento 47

5.2. Algoritmo de Lesk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.2.1. Algoritmo de Lesk Mejorado . . . . . . . . . . . . . . . . . . . . . . 51

5.3. Sistema CIAOSENSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

6. Aspectos de Ingeniera de Software aplicados a PLN 59

6.1.1. Ingeniera del Lenguaje Natural . . . . . . . . . . . . . . . . . . . . 61

6.1.2. Reuso de componentes . . . . . . . . . . . . . . . . . . . . . . . . . 63

6.1.3. APIs para WordNet . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

6.2. Trabajos Relacionados en Ingeniera del Lenguaje . . . . . . . . . . . . . . 68

6.3. Descripcin del framework desarrollado . . . . . . . . . . . . . . . . . . . . 70

6.4. Experiencias en el uso del framework . . . . . . . . . . . . . . . . . . . . . 74

6.5. Plugin semntico para GATE . . . . . . . . . . . . . . . . . . . . . . . . . 75

6.5.1. Modelo de componentes de GATE . . . . . . . . . . . . . . . . . . . 76

6.5.2. Descripcin del recurso de procesamiento semntico . . . . . . . . . 78

7.2. Diseo experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

7.3. Resultado y anlisis de los experimentos . . . . . . . . . . . . . . . . . . . 86

7.3.1. Enfoque I: incorporacin de informacin semntica . . . . . . . . . 87

7.3.2. Enfoque II: reduccin de dimensionalidad . . . . . . . . . . . . . . . 90

7.3.3. Enfoque III: incorporacin de hipernimos . . . . . . . . . . . . . . 92

7.4. Clustering utilizando informacin semntica . . . . . . . . . . . . . . . . . 93

8. Conclusiones y trabajos futuros 99

8.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

B. Documentacin del Framework 105

B.2. Utilizacin y ejecucin del framework . . . . . . . . . . . . . . . . . . . . . 106

C. Documentacin de Pre.Se.Do 109

3.1. Representacin binaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

posibles dones de Dios.

carrera que brindaron su conocimiento en aspectos importantes para el desarrollo nal de

3.2.1. Aprendizaje de un clasicador . . . . . . . . . . . . . . . . . . . . . 27

3.3. Nomenclatura SMART para la codicacin de textos . . . . . . . . . . . . 24

4.1. Clasicacin de los mtodos de WSD . . . . . . . . . . . . . . . . . . . . . 38

5.2. Puntajes para los pares en la guras 5.1, 5.2 y 5.3 . . . . . . . . . . . . . . 56

7.4. Mejores valores para codicacin#clasicador#WSD . . . . . . . . . . . 88

5.5. Subjerarquas para la desambiguacin de brake con CIAOSENSO . . . . 58

6.3. Interfaz grca de GATE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

se plantea para dar una respuesta unicada a dos necesidades:

de llevar a cabo un enfoque integrado que compense las dicultades expuestas.

ocasiona la imposibilidad de identicar, seleccionar y procesar lo que realmente se nece-