Search

[ES] El procesamiento del lenguaje natural (PLN) es una rama de la inteligencia artificial que se encuentra en auge. El objetivo del PLN es que las máquinas comprendan e interpreten el lenguaje natural tal y como los humanos conocemos. Presenta múltiples aplicaciones, tales como: sistemas de traducción automática, clasificación de texto, análisis de sentimientos, sistemas de autocorrección, etc. En la actualidad se genera una gran cantidad de datos diariamente ya sea por medio de redes sociales o por otras plataformas donde la gente interactúa, y donde internautas escriben posts ofensivos bajo el anonimato que son difíciles de detectar.A menudo muchas empresas abordan la tarea de clasificar ciertos mensajes o comentarios clasificándolos de manera manual, lo cual es ineficiente ya que tiene un coste tanto económico como temporal. Debido a la repercusión que estos comentarios pueden generar en varias personas, se han llevado a cabo varias tareas de evaluación que guardan relación con la detección de mensajes de odio. Por ello, el presente TFG se centra en la detección de toxicidad y estereotipos raciales en comentarios publicados en noticias relacionadas con la inmigración, mediante la participación en dos competiciones diferentes, DETOXIS y DETESTS. Mediante el desarrollo y estudio de diversos clasificadores abordaremos la tarea de clasificación de los comentarios ofensivos., [EN] Natural language processing (NLP) is a growing branch of artificial intelligence. The goal of NLP is for machines to understand and interpret natural language as we humans know it. It has multiple applications, such as: machine translation systems, text classification, sentiment analysis, self-correction systems, etc. Nowadays a large amount of data is generated daily either by social networks or by other platforms where people interact, and where users write offensive posts under anonymity that are difficult to detect.Often many companies approach the task of classifying certain messages or comments by classifying them manually, which is inefficient as it has both an economic and time cost. Due to the impact that these comments can have on a number of people, several evaluation tasks have been carried out related to the detection of hate messages. Therefore, this TFG focuses on the detection of toxicity and racial stereotypes in comments published in news related to immigration, by participating in two different competitions, DETOXIS and DETESTS. Through the development and study of different classifiers we will approach the task of classifying offensive comments., [CA] El processament del llenguatge natural (PLN) és una branca de la intel·ligència artificial que es troba en auge. L’objectiu del PLN és que les màquines comprenguen i interpreten el llenguatge natural tal com els humans coneixem. Presenta múltiples aplicacions, com ara: sistemes de traducció automàtica, classificació de text, anàlisi de sentiments, sistemes d’autocorrecció, etc. En l’actualitat es genera una gran quantitat de dades diàriament ja siga per mitjà de xarxes socials o per altres plataformes on la gent interactua, i on internautes escriuen posts ofensius sota l’anonimat que són difícils de detectar.Sovint moltes empreses aborden la tasca de classificar uns certs missatges o comentaris classificant-los de manera manual, la qual cosa és ineficient ja que té un cost tant econòmic com temporal. A causa de la repercussió que aquests comentaris poden generar en diverses persones, s’han dut a terme diverses tasques d’avaluació que guarden relació amb la detecció de missatges d’odi. Per això, el present TFG se centra en la detecció de toxicitat i estereotips racials en comentaris publicats en notícies relacionades amb la immigració, mitjançant la participació en dues competicions diferents, DETOXIS i DETESTS. Mitjançant el desenvolupament i estudi de diversos classificadors abordarem la tasca de classificació dels comentaris ofensius.

Los datos son un recurso muy preciado hoy en día, dónde cada vez se es más y más consciente de la importancia que tiene su utilización, pudiendo marcar muchas veces la diferencia entre empresas, aplicaciones móviles o investigaciones. Uno de los tipos de datos más utilizados, son los datos tabulares, es decir, aquellos conjuntos de datos que están constituidos por tablas, y que se pueden encontrar comúnmente en formatos como CSV, Excel o tablas HTML. Este tipo de datos, tiene multitud de aplicaciones, desde practicar la minería de datos, alimentar el entrenamiento de modelos de inteligencia artificial, contrastar hipótesis científicas o simplemente para realizar el informe anual de ventas de una tienda. Muchas organizaciones trabajan con sus propios datos, pero en ocasiones, se requiere de datos externos para poder llevar a cabo ciertas tareas o complementar cierta información. En estos casos, juegan un papel importante los datos abiertos, aportados por instituciones y empresas que ofrecen sus datos en portales de datos abiertos para ser reutilizados por cualquier persona. Para cualquiera de las tareas antes mencionadas, el primer paso, es la búsqueda de datos, siendo este un paso tan importante como el propio análisis de los datos, y en el que reducir el tiempo de búsqueda y proporcionar facilidades para encontrar los datos más afines a nuestras necesidades es fundamental para garantizar unos mejores resultados. Los métodos de búsqueda que utilizan hoy en día en los buscadores de los portales de datos abiertos se basan principalmente en los metadatos de los conjuntos, sin embargo, este tipo de búsqueda puede no ofrecer siempre los mejores resultados, ya que depende de la calidad con la que hayan sido definidos esos metadatos, tarea que es realizada manualmente por las personas que aportan los datos, y también de la capacidad de esos metadatos de representar correctamente el conjunto. Este trabajo propone una nueva técnica para realizar la búsqueda de datos, de forma que no sea dependiente únicamente de los metadatos sino del propio contenido, que es, al fin y al cabo, lo que es realmente importante. Esta técnica está basada en modelos de words embeddings, que son modelos que ofrecen representaciones vectoriales de las palabras, estos modelos han sido entrenados con grandes cantidades de texto proveniente de internet, y dónde cada vez más, grandes empresas relacionadas con la IA, sacan modelos cada vez más grandes, más precisos e incluso disponibles para diversos idiomas. La obtención de los words embeddings proveniente del contenido de cada conjunto de datos permiten realizar una búsqueda diferente, que además, se puede ser realizada de tal forma, que la búsqueda sea en función la tarea para la que queremos los datos row extension o column extension. En este trabajo de fin de máster, se ha desarrollado un buscador que hace uso de esta nueva técnica para realizar las búsquedas, además de proveer de una interfaz de búsqueda diferente a la que estamos acostumbrados, estando orientada a la búsqueda de datos tabulares. Adicionalmente, se provee de una interfaz de integración entre datos tabulares, que ofrece al usuario una forma sencilla y efectiva de realizar un primer procesamiento de los datos. Los datos utilizados para ser buscados se obtuvieron desde diferentes portales de datos abiertos alrededor del mundo y que servirán para realizar las pruebas pertinentes a la eficacia de este proyecto. Para probar si realmente es útil este buscador, se realizó un experimento con un grupo de 44 personas, y se les propuso realizar búsquedas de datos en 4 escenarios diferentes, en las que dado un conjunto de datos X, se pretendía que buscarán otro conjunto de datos Y para complementarlo. La mitad de las personas harían uso de los portales de datos abiertos con buscadores convencionales de datos y la otra mitad haría uso del buscador desarrollado en este trabajo. Tras finalizar el experimento y examinar los resultados, la mitad que utilizó el buscador de este trabajo obtuvo búsquedas más rápidas y precisas. Por lo tanto, esta técnica de búsqueda logra mejorar en medida los resultados que se obtienen respecto a buscadores convencionales.

En este informe científico se identifican los principales retos científicos en los cuales está enmarcado el grupo de investigación en procesamiento del lenguaje y sistemas de información (GPLSI) de la Universidad de Alicante (UA). El objetivo de este informe es establecer un plan de investigación basado en la experiencia y participación en proyectos de investigación, y subrayar los principales retos de futuro que nos permitan definir nuevos proyectos de investigación y desarrollo en los próximos años. La Generación Automática de Lenguaje Natural (GLN) es una tarea compleja que se apoya en numerosos recursos y herramientas del Procesamiento del Lenguaje Natural (PLN). La GLN comienza a dar resultados satisfactorios, al menos para ciertos dominios y objetivos, como se puede ver de los resultados obtenidos por parte del GPLSI. No obstante, requiere un importante esfuerzo investigador. En este artículo planteamos, desde la perspectiva que da la investigación realizada hasta ahora en grupo de investigación Procesamiento Natural y Sistemas de Información (GPLSI), futuras líneas de investigación en GLN, incorporando diferentes disciplinas y metas. Ministerio de Ciencia, Innovación y Universidades del Gobierno de España, programa PROMETEO de la Generalitat Valenciana, COST Action Distant Reading for European Literary History (CA16204 - Distant-Reading)

[ES] Cada día podemos ver cómo aumenta el uso del aprendizaje automático en nuestro día a día, especialmente en el campo del procesamiento del lenguaje natural, el cual ha mostrado ser muy valioso en muchos campos. Los modelos de última generación han evolucionado hasta ser muy buenos en la traducción pero, el problema principal de este campo son los excasos datasets paralelos de los que disponemos para el entrenamiento al ser muy costosos de crear. Existen varios corpus voluminosos en las lenguas más populares, pero incluso estos no son del todo suficientes en algunas aplicaciones. En este Trabajo de Fin de Grado nos centraremos en estudiar como afecta al rendimiento del entrenamiento del modelo el aumento de datos del corpus paralelo mediante la técnica llamada back-translation, la cual consta de dos fases, en la primera se entrenará un modelo para traducir un corpus monolingue externo y, en la segunda fase, se usará ese nuevo corpus paralelo sintéticamente generado junto al principal para entrenar el modelo final. El objetivo final es comprobar que podemos mejorar el rendimiento de nuestro modelo usando esta técnica para generar nuevos datasets, asegurando que dicha tecnología se podría utilizar para entrenar modelos de pares de lenguas con recursos preprocesados limitados. Para ello generamos distintos corpus sintéticos y, a continuación, utilizando la libreria OpenNMT entrenamos varios modelos combinando distintas proporciones de estos datasets junto a un corpus paralelo estándar, obteniendo al final unos resultados muy prometedores y concluyendo que dicha técnica es muy esperanzadora para el campo del procesamiento del lenguaje natural., [EN] Every day we can see how the use of machine learning increases in our day to day life, especially in the field of natural language processing, which has been shown to be very valuable in many fields. The latest generation models have evolved to be very good at translation, but the main problem with this field are the few parallel datasets we have for training which are very expensive to create. There are several bulky corpus in the most popular languages, but even these are not quite sufficient in some applications. In this Final Degree Project we will focus on studying how it affects the training performance of the model increasing the data from the parallel corpus through the technique called back-translation, which consists of two phases, in the first phase, a model will be trained to translate an external monolingual corpus and, in the second phase, that new synthetically generated parallel corpus next to the main one will be used to train the final model. The goal is to check that we can improve the performance of our model by using this technique to generate new datasets, ensuring that such technology could be used to train language pair models with limited pre-processed resources. For this we had generated different synthetic corpora and then by using the OpenNMT library we trained several models combining different proportions of these datasets next to a standard parallel corpus, finally obtaining very promising results and concluding that this technique it is very hopeful for the field of natural language processing., [CA] Cada dia podem veure con augmenta l’ús de l’aprenentatge automàtic en el nostre dia a dia, especialment en el camp del processament de llenguatge natural, el qual ha mostrat ser molt valuós en molts camps. Els models d’última generació han evolucionat fins a ser molt bons en la traducció però, el problema principal d’aquest camp són els excasos datasets paral·lels dels que disposem per a l’entrenament a l’ésser molt costosos de crear. Hi ha diversos corpus voluminosos en les llengües més populars, però fins i tot aquests no són del tot suficients en algunes aplicacions. En aquest Treball de Fi de Grau ens centrarem en estudiar com afecta el rendiment del entrenament del model l’augment de dades del corpus paral·lel mitjançant la tècnica anomenada back-translation, la qual consta de dues fases, en la primera fase s’entrenarà un model per a traduir un corpus monolingüe extern i, en la segona fase es darà servir aquest nou corpus paral·lel sintèticament generat al costat del principal per entrenar el model final. L’objectiu final es comprovar que podem millorar el rendiment del nostre model utilitzant aquesta tècnica per a generar uns nous datasets, assegurant per tant, que aquesta tecnología es podria utilitzar per a entrenar models de parells de llengües amb els recursos limitats. Per a això generàrem diferents corpus sintètics i, a continuació, utilitzant la llibreria OpenNMT entrenàrem diversos models combinant diferents proporcions d’aquests datasets al costat d’un corpus paral·lel estàndard, obtenint a la fin uns resultats molt prometedors i concloent que aquesta tècnica és molt esperançadora per al camp del processament de llenguatge natural.

We provided research about the abilities of neural network-based NER models, quality, and their limitations in resolving entities of different types of complexity (emails, names, skills, etc.). It has been shown that the quality depends on the entity type and complexity, and estimate \ceilings", which model quality can achieve in the case of proper realization and well-labelled dataset. Proporcionamos investigación sobre las capacidades de los modelos REN basados en redes neuronales, la calidad y sus limitaciones para resolver entidades de diferentes tipos de dificultad (correos electrónicos, nombres, habilidades, etc.). Se ha demostrado que la calidad depende del tipo y la complejidad de la entidad, y estima los límites, que la calidad del modelo puede lograr en el caso de una realización adecuada y un corpus bien etiquetado.

In this paper we propose a neural network approach to detect the metaphoricity of Adjective-Noun pairs using pre-trained word embeddings and Word similarity using dot product. We found that metaphorical word pairs tend to have a lower dot product score while literal pairs a higher score. On this basis, we compared seven optimizers and two activation functions, from which the best performing pairs obtained an accuracy score of 97.69% and 97.74%, which represents an improvement of 6% over other current approaches. En este artículo proponemos un acercamiento mediante redes neuronales para la detección de la metaforicidad de pares Adjetivo-Sustantivo empleando Word embeddings pre-entrenados y similitud de palabras mediante el producto escalar. Encontramos que los pares de palabras metafóricos tienden a tener un producto escalar bajo mientras que los pares no metafóricos un resultado más alto. Bajo este supuesto, comparamos siete optimizadores y dos funciones de activación, de las cuales los pares con mejor desempeño obtuvieron una exactitud de 97.69% y 97.74%, que representa una mejora de 6% sobre otros enfoques actuales. This research was conducted in the framework of the project MOMENT: Metaphors of severe mental disorders. Discourse analysis of affected people and mental health professionals, funded by the Spanish National Research Agency (Agencia Estatal de Investigación, AEI) and the European Regional Development Fund, within the National Programme for Research Aimed at the Challenges of Society. Ref. FFI2017-86969-R (AEI/FEDER, UE).

Call centres have long demanded technology for analysing the data they manage. In this context, we present Nalytics, a platform that integrates Speech and Text Analytics in Spanish in a modular design, and capable of customising its models to the users' demands. Los centros de llamadas han demandado durante años soluciones tecnológicas para analizar los datos que gestionan. En este contexto, presentamos Nalytics, una plataforma que integra el análisis de voz y texto en español en un diseño modular capaz de personalizar sus modelos a demanda del cliente.

Call centres have long demanded technology for analysing the data they manage. In this context, we present Nalytics, a platform that integrates Speech and Text Analytics in Spanish in a modular design, and capable of customising its models to the users' demands. Los centros de llamadas han demandado durante años soluciones tecnológicas para analizar los datos que gestionan. En este contexto, presentamos Nalytics, una plataforma que integra el análisis de voz y texto en español en un diseño modular capaz de personalizar sus modelos a demanda del cliente.

We provided research about the abilities of neural network-based NER models, quality, and their limitations in resolving entities of different types of complexity (emails, names, skills, etc.). It has been shown that the quality depends on the entity type and complexity, and estimate \ceilings", which model quality can achieve in the case of proper realization and well-labelled dataset. Proporcionamos investigación sobre las capacidades de los modelos REN basados en redes neuronales, la calidad y sus limitaciones para resolver entidades de diferentes tipos de dificultad (correos electrónicos, nombres, habilidades, etc.). Se ha demostrado que la calidad depende del tipo y la complejidad de la entidad, y estima los límites, que la calidad del modelo puede lograr en el caso de una realización adecuada y un corpus bien etiquetado.

[ES] En este trabajo se presentarán, analizarán y compararán diferentes herramientas comerciales que abordan diversas tareas de PLN. Concretamente, se probarán las versiones gratuitas de dichas herramientas y se aplicarán a la tarea de análisis del sentimiento en la red social de Twitter para extraer la polaridad de un conjunto de muestras. Entre otras muchas herramientas, se van a utilizar MeaningCloud, la herramienta que proporciona los resultados más intuitivos; Google Natural Language API, que proporciona una dupla de valores como resultado y Microsoft Linguistic Analysis API, que es la más costosa de emplear. Para la realización de esta evaluación, se han escogido corpus utilizados en competiciones tanto nacionales como internacionales (TASS y SemEval), en varios idiomas (inglés y español)., [EN] In this work, different commercial tools that address various NLP tasks will be presented, analyzed and compared. Specifically, free versions of these tools will be tested and applied to the task of sentiment analysis on the social network of Twitter to extract the polarity of a set of samples. Among many other tools, MeaningCloud will be used, the tool that provides the most intuitive results; Google Natural Language API, which provides a double value as a result and Microsoft Linguistic Analysis API, which is the most difficult to use. To carry out this evaluation, different corpus used in national and international competitions (TASS and SemEval), in several languages (English and Spanish) have been chosen.

En la actualidad, los sistemas de Procesamiento de Lenguaje Natural (PLN) nos permiten desarrollar herramientas capaces de comprender y generar el lenguaje que utilizan las personas para comunicarnos entre sí. Dentro de este conjunto de herramientas, podemos encontrar herramientas de generación automática de resúmenes que permiten sintetizar grandes cantidades de información en un pequeño fragmento de texto que contenga las ideas más relevantes de los documentos procesados. En este trabajo vamos a redactar todas las pautas que hemos seguido para conseguir diseñar y desarrollar un método y una interfaz capaz de analizar y comparar resúmenes generados de manera manual (realizados por una persona) con automáticos para poder determinar posibles sesgos de información. De esta manera, tendremos como entrada un documento o varios documentos, un resumen generado de forma automática y otro realizado de forma manual, donde ambos contendrán las ideas principales del documento/s de entrada.

Many people suffer from language disorders that affect their communicative capabilities. Augmentative and alternative communication devices assist learning process through graphical representation of common words. In this article, we present a complete text-to-pictogram system able to simplify complex texts and ease its comprehension with pictograms. Numerosas personas padecen trastornos del habla que merman su capacidad de comunicación. Su proceso de aprendizaje se apoya en el uso de dispositivos para la comunicación aumentativa y alternativa con símbolos gráficos. En este artículo presentamos un sistema texto-a-pictograma completo, capaz de simplificar textos complejos y facilitar su comprensión con pictogramas. This work has been supported by the Spanish Government through project TIN2017-85854-C4-1-R and by the European Union's FP7 Marie Curie action, IAPP under grant agreement no.610986.

Tesis doctoral realizada por Enaitz Ezpeleta Gallastegi en Mondragon Unibertsitatea, dentro del grupo de Sistemas Inteligentes para Sistemas Industriales, dirigida por los Doctores Urko Zurutuza Ortega (Mondragon Unibertsitatea) y José María Gómez Hidalgo (Pragsis Technologies). La defensa se efectuó el 30 de septiembre de 2016 en Arrasate. El tribunal estuvo conformado por el Dr. Manel Medina Llinas (Universitat Politecnica de Catalunya), el Dr. Magnus Almgren (Chalmers University of Technology), el Dr. Igor Santos Grueiro (Universidad de Deusto), el Dr. José Ramón Méndez Reboredo (Universidad de Vigo) y el Dr. D. Iñaki Garitano Garitano (Mondragon Unibertsitatea). La tesis obtuvo una calificación de Sobresaliente Cum Laude y la mención "Doctor Europeus". PhD Thesis written by Enaitz Ezpeleta Gallastegi at Mondragon University supervised by Dr. Urko Zurutuza Ortega (Mondragon Unibertsitatea) and Dr. José María Gómez Hidalgo (Pragsis Technologies). The viva voce was held on the 30th September 2016 and the members of the commission were Dr. Manel Medina Llinas (Universitat Politecnica de Catalunya), el Dr. Magnus Almgren (Chalmers University of Technology), el Dr. Igor Santos Grueiro (Universidad de Deusto), el Dr. José Ramón Méndez Reboredo (Universidad de Vigo) y el Dr. D. Iñaki Garitano Garitano (Mondragon Unibertsitatea). The thesis obtained the grade of Excellent Cum Laude and the mention "Doctor Europeus".

El sistema desarrollado tiene como objetivo la integración y monitorización de la información en castellano de las redes sociales de un usuario (Facebook, Twitter y noticias web de interés) a través de una única aplicación web. El sistema se sustenta en tres componentes principales: un módulo que implementa una gran variedad de tareas de Procesamiento del Lenguaje Natural (PLN), un módulo software de recuperación de datos de redes sociales mediante crawlers y almacenamiento de resultados, y una aplicación web que presenta una interfaz de usuario para la visualización de la información de forma sugestiva e interactiva. De esta forma, la solución propuesta permite a los usuarios estar actualizados y tener un control de sus redes sociales, pudiendo estar al día de la información, tanto de sus publicaciones como de sus intereses, en una única interfaz sencilla e intuitiva. The developed system aims to integrate and monitor information in Spanish of a user's social networks (Facebook, Twitter and web news of interest) through a single web application. It is based on three main components: a module that implements a wide variety of Natural Language Processing tasks (NLP), an information retrieval module which capture social networks data by means of crawling and stores processing results, and an application web that presents a user interface through which visualizing the information obtained in a suggestive and interactive way. Therefore, the proposed solution allows users to be updated and control their social media networks, being to able to be up-to-date about the information of their publications and their interests, in a single, simple and intuitive graphical interface. Este trabajo ha sido patrocinado en parte por el Grupo de Big Data y Sistemas Cognitivos del Instituto Tecnológico de Aragón. La difusión de este trabajo ha sido parcialmente financiada por el Programa Operativo FSE para Aragón (2014-2020).

El principal objetivo de este proyecto es el desarrollo de un modelo de integración capaz de definir y crear perfiles de entidades digitales. Estas entidades digitales incluirán no sólo las características básicas sino también sus rasgos lingüísticos y sociales, utilizando e integrando todas las fuentes de información disponibles. Concretamente se hará uso de tres tipos de fuentes en la Web: datos no estructurados, datos estructurados y datos abiertos enlazados. A partir de esta gran cantidad de información heterogénea, y mediante el diseño y desarrollo de herramientas, recursos y técnicas basadas en Tecnologías del Lenguaje Humano (TLH), se definirán y generarán entidades digitales entendidas como una estructura de información semántica donde encajar estos datos, con especial atención a las dimensiones espacial (ubicación geográfica) y temporal (variación de los datos que conforman la entidad a lo largo del tiempo). The main objective of this project is to develop an integration model able to define and create digital entities profiles. Such digital entities will include not only the basic, but also their linguistic and social features by means of using and integrating different information sources available. More specifically, three will be the Web sources: unstructured and structured data, but and also linked open data. Starting from this huge and heterogeneous amount of information, digital entities will be generated by means of the design and development of tools, resources and techniques based on NLP. Such entities will consist in a structure of semantic information where to place such data (with special attention to the spatial dimensions (geographical location) and temporal (variation of data that compose the entity during time). El proyecto REDES está financiado por el Ministerio de Economía y Competitividad con número de referencia TIN2015-65136-C2-1-R y TIN2015-65136-C2-2-R.

OntoEnrich es una plataforma online para la detección automática y análisis de regularidades léxicas encontradas en las etiquetas asociadas a los conceptos de una ontología. Un análisis guiado por estas regularidades permite explorar diferentes aspectos léxico/semánticos, como puede ser la aplicación de los principios del OBO Foundry en el caso de ontologías biomédicas. El objetivo de esta demostración es presentar casos de uso obtenidos al aplicar la herramienta en ontologías relevantes como Gene Ontology o SNOMED CT. Mostraremos cómo dicho análisis permite identificar semántica oculta a partir de contenido descrito en lenguaje natural (apto para humanos), y cómo podría ser usado para enriquecer la ontología creando nuevos axiomas lógicos (aptos para máquinas). We present OntoEnrich, an online platform for the automatic detection and guided analysis of lexical regularities in ontology labels. An analysis guided by these regularities permits users to explore different lexical and semantic aspects as the application of the OBO Foundry principles in biomedical ontologies. The goal of this demonstration is to show some use cases obtained after applying OntoEnrich in two relevant biomedical ontologies such as Gene Ontology and SNOMED CT. Thus, we will show how the performed analysis could be used to elucidate hidden semantics from the natural language fragments (human-friendly), and how this could be used to enrich the ontology by generating new logical axioms (machine-friendly). Este trabajo ha sido posible gracias al Ministerio de Economía y Competitividad y el Fondo Europeo de Desarrollo Regional (FEDER), a través del proyecto TIN2014-53749-C2-2-R, y a la Fundación Séneca a través del proyecto 19371/PI/14.

Millions of users per day are affected by unsolicited email campaigns. During the last years several techniques to detect spam have been developed, achieving specially good results using machine learning algorithms. In this work we provide a baseline for a new spam filtering method. Carrying out this research we validate our hypothesis that personality recognition techniques can help in Bayesian spam filtering. We add the personality feature to each email using personality recognition techniques, and then we compare Bayesian spam filters with and without personality in terms of accuracy. In a second experiment we combine personality and polarity features of each message and we compare all the results. At the end, the top ten Bayesian filtering classifiers have been improved, reaching to a 99.24% of accuracy, reducing also the false positive number. Millones de usuarios se ven afectados por las campanas de envío de correos electrónicos no deseados al día. Durante los últimos años diferentes técnicas de detección de spam han sido desarrollados por investigadores, obteniendo especialmente buenos resultados con algoritmos de aprendizaje automático. En este trabajo presentamos una base para un nuevo método de filtrado de spam. Durante el estudio hemos validado la hipótesis de que las técnicas de reconocimiento de personalidad pueden ayudar a mejorar el filtrado Bayesiano de spam. Usando estas técnicas de filtrado, añadimos la característica de personalidad a cada correo, y después comparamos los resultados del filtrado Bayesiano de spam con y sin personalidad, analizando los resultados en términos de exactitud. En un segundo experimento, combinamos las características de personalidad y polaridad de cada mensaje, y comparamos los resultados. Al final, conseguimos mejorar los resultados del filtrado Bayesiano de spam, alcanzando el 99,24% de exactitud, y reduciendo el número de falsos positivos. This work has been partially funded by the Basque Department of Education, Language policy and Culture under the project SocialSPAM (PI_2014_1_102).

La minería de opiniones (MO) ha mostrado una alta tendencia de investigación en los últimos años debido a la producción en gran escala de opiniones y comentarios por parte de usuarios activos en Internet. Las empresas y organizaciones en general están interesadas en conocer cuál es la reputación que tienen de sus usuarios en las redes sociales, blogs, wikis y otros sitios web. Hasta ahora, la gran mayoría de trabajos de investigación involucran sistemas de MO en el idioma inglés. Por este motivo, la comunidad científica está interesada en trabajos diferentes a este lenguaje. En este artículo se muestra la construcción de un sistema de minería de opiniones en español sobre comentarios dados por clientes de diferentes hoteles. El sistema trabaja bajo el enfoque léxico utilizando la adaptación al español de las normas afectivas para las palabras en inglés (ANEW). Estas normas se basan en las evaluaciones que se realizaron en las dimensiones de valencia, excitación y el dominio. Para la construcción del sistema se tuvo en cuenta las fases de extracción, preprocesamiento de textos, identificación del sentimiento y la respectiva clasificación de la opinión utilizando ANEW. Los experimentos del sistema se hicieron sobre un corpus etiquetado proveniente de la versión en español de Tripadvisor. Como resultado final se obtuvo una precisión del 94% superando a sistemas similares. Recently, the Opinions Mining (OM) has shown a high tendency of research due to large-scale production of opinions and comments from users over the Internet. Companies and organizations, in general terms, are interested in knowing what is the reputation they have in social networks, blogs, wikis and other web sites. So far, the vast majority of research involving systems MO in English. For this reason, the scientific community is interested in researching different to this language. This article is about the construction of a mining system views in Spanish based on comments given by different clients and hotels. The system works on the lexical approach using Spanish adaptation of affective standards for English words (ANEW). These standards are based on evaluations conducted in the dimensions of valence, arousal and dominance. For the construction of the system took into account the phases of extraction, preprocessing of texts, identification of feelings and the respective ranking of the opinion using ANEW. System experiments were made on labeling a corpus from the Spanish version of Tripadvisor. As a result, precision exceeding 94% was obtained at similar systems.

Actualmente, debido a la gran cantidad de información disponible, es muy difícil que una persona sepa buscar, extraer y gestionar dicha información de manera eficaz y eficiente. Las tecnologías del lenguaje humano enmarcadas dentro de la Inteligencia Artificial facilitan el acceso y manejo de la información textual de forma automática a través de distintas aplicaciones como pueden ser la recuperación de información, extracción de información, análisis semántico, minería de opiniones, o la generación del lenguaje. Sin embargo, es necesario combinar y explotar las tecnologías existentes de manera más óptima, en el sentido de poder analizar y valorar lo mejor de cada una y proponer módulos sencillos pero flexibles que se adapten a distintas necesidades de información (por ejemplo, información genérica frente a información detallada; información de última hora frente a información histórica, etc.). En este trabajo se propone la creación y desarrollo de un marco inteligente que combine e integre distintas tecnologías del lenguaje humano con el objetivo de procesar un texto en base a distintos niveles de análisis lingüístico, y generar como salida un paquete de información semántica que se almacene en una estructura de base de datos para que mediante determinadas consultas proporcione al usuario la información que sea de su interés.

La gran cantidad de información disponible en Internet está dificultando cada vez más que los usuarios puedan digerir toda esa información, siendo actualmente casi impensable sin la ayuda de herramientas basadas en las Tecnologías del Lenguaje Humano (TLH), como pueden ser los recuperadores de información o resumidores automáticos. El interés de este proyecto emergente (y por tanto, su objetivo principal) viene motivado precisamente por la necesidad de definir y crear un marco tecnológico basado en TLH, capaz de procesar y anotar semánticamente la información, así como permitir la generación de información de forma automática, flexibilizando el tipo de información a presentar y adaptándola a las necesidades de los usuarios. En este artículo se proporciona una visión general de este proyecto, centrándonos en la arquitectura propuesta y el estado actual del mismo. The great amount of available online information is making increasingly more and more difficult that users can assimilate such as volume of information, being this almost inconceivable without using Human Language Technologies (HLT) tools, for instance, information retrieval systems or automatic summarisers. The interest of this emerging project (and therefore its main goal) is precisely motivated by the need to define and create a HLT-based technological framework, able to process and semantically annotate all this information, allowing also the automatic generation of information, and making the type of information to be presented more flexible by adapting it to the users' needs. This article provides an overview of this project, focusing on the proposed architecture and its current status. Este proyecto ha sido financiado por la Universidad de Alicante a través del proyecto emergente “Explotación y tratamiento de la información disponible en Internet para la anotación y generación de textos adaptados al usuario” (GRE13-15) y su temática se enmarca en el contexto de los proyectos “DIIM2.0: Desarrollo de técnicas Inteligentes e Interactivas de Minería y Generación de Información sobre la Web 2.0” (PROMETEOII/2014/001) financiado por la Generalitat Valenciana y el proyecto “Técnicas de Deconstrucción en la Tecnologías del Lenguaje Humano” (TIN2012-31224) financiado por Ministerio de Economía y Competitividad del Gobierno de España.

Proyecto emergente centrado en el tratamiento inteligente de información procedente de diversas fuentes tales como micro-blogs, blogs, foros, portales especializados, etc. La finalidad es generar conocimiento a partir de la información semántica recuperada. Como resultado se podrán determinar las necesidades de los usuarios o mejorar la reputación de diferentes organizaciones. En este artículo se describen los problemas abordados, la hipótesis de trabajo, las tareas a realizar y los objetivos parciales alcanzados. This project is focused on intelligent information processing using different sources such as micro-blogs, blogs, forums, specialized websites, etc. The goal is to obtain new knowledge using semantic information. As a result we can determine user requirements or improve organizations reputation. This paper describes the problems faced, working hypothesis, tasks proposed and goals currently achieved.

Uno de los problemas actuales en el dominio de la salud es reutilizar y compartir la información clínica entre profesionales, ya que ésta se encuentra escrita usando terminologías específicas. Una posible solución es usar un recurso de conocimiento común sobre el que mapear la información existente. Nuestro objetivo es comprobar si la adición de conocimiento semántico superficial puede mejorar los mapeados establecidos. Para ello experimentamos con un conjunto de etiquetas de NANDA-I y con un conjunto de descripciones de SNOMED-CT en castellano. Los resultados obtenidos en los experimentos muestran que la inclusión de conocimiento semántico superficial mejora significativamente el mapeado léxico entre los dos recursos estudiados. In health domain, one of the current problems is the reusing and the sharing the clinical information between professionals, due to this information is written using specific terminologies. One possible solution is to use a common knowledge resource for mapping the existing information. In this paper, our aim is to analyze if the use of lexical similarity algorithms enriched with shallow semantic knowledge can improve these mappings. In order to achieve this, we experiment with a set of NANDA-I labels and a set of SNOMED-CT descriptions in Spanish. The results obtained show that the addition of shallow semantic knowledge significantly improves the lexical mapping between both studied resources. Este artículo ha sido cofinanciado por el Ministerio de Ciencia e Innovación (proyecto TIN2009-13391-C04-01), y la Conselleria d'Educació de la Generalitat Valenciana (proyectos PROMETEO/2009/119, ACOMP/2010/286 y ACOMP/2011/001).

Este artículo presenta la aplicación de un sistema general de Extracción de Información desarrollado para extraer conocimiento conceptual y factual de textos al dominio específico de la biomedicina. El sistema, previamente desarrollado durante el proyecto KYOTO, está basado en reglas, y es usado para la extracción de eventos biomédicos que implican proteínas y genes en textos anotados pertenecientes al BioNLP11 Shared Task. This paper shows the applicability of a general Information Extraction technology developed for the extraction of conceptual and factual knowledge from texts, to the specific domain of biomedicine. The rule-based system previously developed for the KYOTO Project is used to extract biomedical events involving proteins or genes from texts annotated in the BioNLP11 Shared Task. This work has been supported by the Spanish Ministerio de Ciencia e Innovación (KNOW2 TIN2009-14715-C04-01), the European Comission (KYOTO ICT-2007-211423) and the Basque Government (IT344-10).

Este artículo presenta la aplicación de un sistema general de Extracción de Información desarrollado para extraer conocimiento conceptual y factual de textos al dominio específico de la biomedicina. El sistema, previamente desarrollado durante el proyecto KYOTO, está basado en reglas, y es usado para la extracción de eventos biomédicos que implican proteínas y genes en textos anotados pertenecientes al BioNLP11 Shared Task. This paper shows the applicability of a general Information Extraction technology developed for the extraction of conceptual and factual knowledge from texts, to the specific domain of biomedicine. The rule-based system previously developed for the KYOTO Project is used to extract biomedical events involving proteins or genes from texts annotated in the BioNLP11 Shared Task. This work has been supported by the Spanish Ministerio de Ciencia e Innovación (KNOW2 TIN2009-14715-C04-01), the European Comission (KYOTO ICT-2007-211423) and the Basque Government (IT344-10).

Presentamos las conclusiones de la primera Jornada del Processament Computacional del Català, celebrado en Barcelona en marzo del 2009. We present the conclusions of the first Jornada del Processament Computacional del Català, held in Barcelona on March 2009.