Search

In recent year the great popularity that enjoys mobile technologies has led most users to become consumers and producers of information on the network. Many studies speak about this phenomenon as an activity that is capable of doubling or tripling existing content on an annual basis. The huge amount of information makes the current user oriented systems, like retrieval systems, recommender systems and others, become less efficient, especially when users require specific information and answers according to their needs and preferences. These facts make necessary to equip these systems with proper Natural Language technologies able to provide the information that users demand adapted to each context and content type. In this article, it is presented a study of some Natural Language Processing technologies that can be useful to facilitate the proper identification of documents according to the user needs. For this purpose, it is designed a document pro le that will be able to represent semantic meta-data extracted from documents. The research is basically focused on the study of different language technologies in order to support the creation this novel document profile proposal from semantic perspectives.

Resumen de la aplicación: GPLSI Sentiment Analysis v1.0 constituye una interfaz de programación de aplicaciones (API) que incluye librerías de programación útiles para sistemas de terceros. El objetivo de esta tecnología es analizar textos y detectar la polaridad de los sentimientos (estados de opinión) expresados en ellos. La funcionalidad para detectar la polaridad de los sentimientos implica dos niveles de granularidad: polaridad a nivel global (PNG) y polaridad a nivel de aspectos (PNA). La PNG del texto se define como el análisis de todo el texto para determinar el estado de opinión (positivo, negativo o neutral). La PNA determina el estado de opinión para un aspecto en particular de una entidad dentro un contexto determinado. Por ejemplo, en un mismo texto (usualmente comentarios de usuarios) podemos encontrar opiniones diferentes y opuestas sobre los actores de una película y su banda sonora. Ambas funcionalidades, PNG y PNA, se basan en clasificadores SVM (Support Vector Machines) que son alimentados con patrones léxicos de skip-grams obtenidos de textos de entrenamiento. En el caso de PNG, estos clasificadores han sido entrenados sobre los conjuntos de datos de la competición Semeval task 2 (10.709 comentarios de usuarios) y Metacritic (5.888 críticas de usuarios sobre películas). Con respecto a PNA, se ha utilizado como conjunto de entrenamiento el corpus de la competición Semeval 2014 - Task 4 - Subtask - 1 - Restaurants. Los resultados para PNG oscilan entre el 62% y el 88% de precisión, dependiendo de la calidad de redacción del texto analizado. Con respecto a PNA, los resultados se encuentran alrededor del 61% de precisión., Summary: GPLSI Sentiment Analysis v1.0 is an application programming interface (API) which involves programming libraries for third-parties. The aim of this technology is to analyse texts to detect sentiment polarities. Two different levels of analysis are defined in this tool: global polarity (GP) and aspect-based polarity (ABP). GP allows inferring the sentiment polarity expressed in the whole text, whereas ABP determines the polarity regarding particular aspect mentioned in it. Both functionalities are based on Support Vector Machines. The GP algorithm have been trained by using the following datasets: Semeval task 2 datasets (10,709 user comments) and Metacritic (5,888 user reviews about movies); regarding ABP, the training dataset has been Semeval 2014 - Task 4 - Subtask 1 – Restaurants. The performance achieved by GP ranges between 62% to 88% precision. The changes in performance depends on the quality of the style of the text.

Resumen de la aplicación: GPLSI Emotion Analysis v1.0 constituye una interfaz de programación de aplicaciones (API) que incluye librerías de programación útiles para sistemas de terceros. El objetivo de esta tecnología es analizar textos para detectar y clasificar las emociones expresadas. La Detección y Clasificación de Emociones en textos permite identificar y clasificar las emociones expresadas en un texto. La herramienta aquí descrita es capaz de discriminar entre el siguiente conjunto de emociones: alegría, tristeza, disgusto, miedo y sorpresa. Esta funcionalidad implica dos niveles de granularidad: emoción a nivel global (ENG) y emoción a nivel de aspectos (ENA). La ENG del texto se define como el análisis de todo el texto para determinar el estado de emoción general. La ENA determina el estado de emoción para un aspecto concreto de una entidad dentro un contexto determinado. Por ejemplo, en un mismo texto (usualmente comentarios de usuarios) se pueden expresar emociones diferentes y opuestas hacia los actores de una película y su banda sonora. Dichas funcionalidades, ENG y ENA, se basan en un algoritmo SVM (Máquina de Soporte Vectorial). Esta tecnología aplica skip-grams para extraer patrones de los textos y así compararlos con otros casos (conjunto de entrenamiento) en los que de manera segura se expresan emociones. El conjunto de entrenamiento empleado en esta herramienta ha sido: Potter, Grimms and HCAndersen. Los resultados del estado del arte se posicionan alrededor del 52% de F1. En el caso del sistema descrito aquí, se obtiene de precisión entre 54% y 65% de F1 bajo las mismas condiciones. Es importante resaltar que los clasificadores SVM se pueden actualizar y/o reemplazar para su uso en otros dominios al re-entrenarlos con otros conjuntos de entrenamientos., Summary: GPLSI Emotion Analysis v1.0 is an application programming interface (API) which involves programming libraries for third-parties. The aim of this technology is to analyse texts to detect and classify emotions. The emotions detected by the technology described here are: happiness, sadness, disgust, fear and surprise. This task involves two types of analysis: global emotion analysis (GEA) and aspect-based emotion analysis (ABEA). GEA allows detecting and inferring the sentiment emotion expressed in the whole text, whereas ABEA determines the sentiment emotion regarding particular aspects mentioned in it. Both functionalities are based on a Support Vector Machines (SVM) algorithm. This technology applies skip-grams techniques in order to extract lexical patterns to feed a SVM algorithm and then learn to identify and classify emotions in text. The training dataset used has been obtained from Potter, Grimms and HCAndersen. The state-of-the-art performance in Emotion Detection is set around 52% of F1. The technology described here obtains a precision between 54% and 65% of F1 under the same conditions. It is important to highlight that the SVM algorithm can be updated and/or replaced if necessary to work in other domains.

Resumen de la aplicación: GPLSI Wikipedia Characterisation (Descubrimiento y vinculación de entidades a Wikipedia) constituye una interfaz de programación de aplicaciones (API) que incluye librerías de programación útiles para sistemas de terceros. Esta API ofrece la funcionalidad de analizar contenidos textuales para descubrir menciones de entidades y enlazarlas a Wikipedia mediante el uso de DBpedia, su versión estructurada. Como resultado se obtiene una lista de sugerencias de URIs de DBpedia (cada URI se corresponde con una página de Wikipedia) por cada entidad, ordenadas por el grado de confianza (en el intervalo [0,1]). Este grado de confianza se obtiene considerando dos características claves. La primera se corresponde con el número de enlaces entrantes para cada entidad de Wikipedia (más enlaces implica mayor relevancia). La segunda característica es la similitud entre el contexto (lista de palabras adyacentes a la palabra objetivo) de la entidad objetivo y la descripción de cada entidad de Wikipedia. Para este propósito se ha utilizado un algoritmo de desambiguación basado en el paradigma LESK, combinado con estadísticas sobre los enlaces entrantes a las páginas de Wikipedia. Los resultados que alcanza esta tecnología rondan el 70% de F1., GPLSI Wikipedia Characterisation (Entity Discovery and Linking to Wikipedia) is an application programming interface (API) which programming libraries for third-parties. This service allows analysing textual content to discover Wikipedia entities related to that content by means of DBpedia, its structured version. As a result, a list of URIs from DBpedia (each one corresponding to a Wikipedia page) is obtained for each entity, ranked by a confidence score (in the interval [0,1]). This score is obtained considering two key features. The first one is the number of incoming links to the Wikipedia article (more links implies more relevance). The second one is the similarity of the context (list of words adjacent to the target word) of the entity found in text and the description of that entity in Wikipedia. For this purpose, the Lesk disambiguation algorithm has been followed, combined with statistics based on Wikipedia inlinks. The results achieved reflect around 70% of F1.

La Web 2.0 ha focalizado la importancia de la información, no en unos pocos expertos en un tema, sino en una multitud de opiniones vertidas por usuarios a través de diversos medios en las redes sociales. Debido a ello, han cobrado un mayor interés los sistemas que son capaces de determinar qué es lo que piensan los usuarios sobre un determinado concepto, agregando diferentes fuentes de datos y aplicando cálculos de polaridad de las opiniones, que permiten determinar y comparar esos conceptos con otros similares. En este artículo describimos Social Analytics, nuestra visión sobre cómo deberían funcionar este tipo de sistemas, con una interfaz simple y optimizada que permita responder las necesidades de los usuarios., Web 2.0 has focused the importance of information, not on a few experts on a topic, but on a multitude of opinions expressed by users through various media on social networks. Due to this, there has been a increasing interest in systems that are able to determine what users think about a certain concept, by adding different sources of data and applying polarity calculations, to determine and compare these concepts with similar ones. In this paper we describe Social Analytics, our vision on how these kind of system should work, with a simple and optimized interface to meet the needs of the users.

The writing style used in social media usually contains informal elements that can lower the performance of Natural Language Processing applications. For this reason, text normalisation techniques have drawn a lot of attention recently when dealing with informal content. However, not all the texts present the same level of informality and may not require additional pre-processing steps. Therefore, in this paper we explore the results of applying lexical normalisation applied to a sentiment analysis classification task on Web 2.0 texts, shows more than a 2.6% improvement over average F1 for the most informal data., El tipo de lenguaje empleado en las redes sociales suele incluir elementos informales que pueden afectar el rendimiento de las herramientas de procesamiento del lenguaje natural. El uso de técnicas de normalización léxica es una de las opciones que se han estado usando a la hora de tratar contenidos de la Web 2.0. Sin embargo, no todos los textos requieren dicho pre-procesamiento ya que pueden exhibir diferentes niveles de informalidad. En este trabajo exploramos el impacto de aplicar normalización léxica evaluando los resultados de un sistema de análisis del sentimiento antes y después de la normalización. Los resultados de nuestra investigación muestran una mejora de más del 2.6% sobre el F1 para los textos más informales.

This paper presents an unsupervised approach to solve semantic ambiguity based on the integration of the Personalized PageRank algorithm with word-sense frequency information. Natural Language tasks such as Machine Translation or Recommender Systems are likely to be enriched by our approach, which includes semantic information that obtains the appropriate word-sense via support from two sources: a multidimensional network that includes a set of different resources (i.e. WordNet, WordNet Domains, WordNet Affect, SUMO and Semantic Classes); and the information provided by word-sense frequencies and word-sense collocation from the SemCor Corpus. Our series of results were analyzed and compared against the results of several renowned studies using SensEval-2, SensEval-3 and SemEval-2013 datasets. After conducting several experiments, our procedure produced the best results in the unsupervised procedure category taking SensEval campaigns rankings as reference.

This ontology aims to capture the semantics of documents through a set of key aspects in texts, such as the temporal dimension, presence of named entities, detection of opinionated information, or conceptual classifications. In addition, the ontology provides a lexical dimension, where the sentence of each document, and a possible summary derived from it, are taken into account. These are determining factors for setting up our own interpretation of possible scenarios (a meta-level specification) and vocabulary. Since our ontology aims to be reused by a large community, we tried to establish basic NLP terminology that was hierarchized by experts in this research field.

Social Analytics Listener es una aplicación que permite la descarga de contenido de las redes sociales de modo organizado y estable. Esto es posible mediante el uso de las APIs (en inglés Application Program Interface) proporcionadas por redes sociales que permiten dos tipos de estrategias distintas de descarga. Una de ellas es enviar una consulta con ciertos términos para recuperar todo aquel contenido que contenga dichos términos y entonces recibir los contenidos pertinentes a medida que estos sean publicados en las redes. Este es el caso de Twitter. Por otro lado existe otra estrategia que consiste en enviar consultas periódicas para recibir los últimos contenidos publicados. Este es el caso de Instagram. Como es evidente, las dos redes sociales, que para esta versión del Social Analytics Listener (v1.0) han sido completamente incluidas para ser escuchadas, son Twitter e Instagram. No obstante, la arquitectura de este sistema permite incluir otras fuentes sociales incluso sin contar con el uso de APIs para ese fin. Este es el caso de mecanismos que permitan extraer información directamente de la web.

Social Analytics Web Interface es una aplicación web que permite visualizar y gestionar gráficas estadísticas avanzadas sobre contenido de las redes sociales tanto a nivel histórico como en tiempo real. Esto es posible gracias al consumo de servicios webs estándares que ofrecen metadatos sobre analítica social, como es el caso de Social Analytics Process (ver publicación en RUA). Social Analytics Web Interface ofrece a nivel general las siguientes funcionalidades: - Visualización de analítica social a nivel genérico donde se muestran gráficas estadísticas - Visualización de comparativa entre entidades analizadas en relación con el contenido social que ha sido procesado - Analítica tanto para histórico de datos como para datos en tiempo real en las dos funcionalidades previamente mencionadas - Gestión de correos de notificaciones donde se envían analíticas configuradas en formato pdf para períodos de tiempo específicos - Gestión de usuarios basados en identificación abierta con Twitter e Instagram - Gestión de Analíticas. Esta interfaz web entre otras cosas permite un acceso adaptable a los diferentes dispositivos que acceden a ella, permitiendo de esta forma mostrar en todo momento una visualización apropiada para su lectura, comprensión e interacción con las diferentes funcionalidades permitidas.

Social Analytics Process es un software informático que procesa, analiza y clasifica contenido de las redes sociales a gran velocidad y lo almacena de forma optimizada para poder realizar posteriores análisis, agrupaciones y visualizaciones de datos en tiempo real. Entre los datos que se extraen podemos destacar aquellos proporcionados por la propias fuentes de información como son lugares, autores, likes (anotación colaborativa por los usuario que gusta el contenido), número de seguidores de cada contenido y otros. Además de estos datos se le añaden otros como pueden ser entidades relevantes, palabras claves y, sobretodo polaridad sentimental (positiva, negativa o neutral) expresada en el contenido textual, que requieren para su obtención de tecnologías del lenguaje humano.

En la actualidad existe gran cantidad de información heterogénea en Internet, esto dificulta que los usuarios puedan encontrar y filtrar fácilmente la información que requieren. Las herramientas basadas en las Tecnologías del Lenguaje Humano (TLH) ofrecen un gran apoyo facilitando la tarea y proporcionando al usuario la información específica que solicita. El objetivo de este artículo es proponer una herramienta capaz de procesar y anotar la información textual proveniente de la Web. Dicha herramienta viene motivada precisamente por la necesidad de definir un marco tecnológico que consiga integrar una serie de recursos TLH existentes, de manera que se genere un paquete de información semántica que pueda ser consultado flexibilizando el tipo de información a recopilar dadas las necesidades del usuario. Los resultados obtenidos en la experimentación demuestran el valor añadido que aporta el marco propuesto con respecto al uso de los recursos TLH de forma individual., Nowadays, the vast amount of heterogeneous information available on the Internet poses difficulties for users when they have to find the information they require, since this is a non-trivial task. In this respect, Human Language Technologies (HLT) tools offer a great support for this task, being able to provide the specific information requested by the user. The aim of this paper is to propose a tool capable of processing and annotating the textual information from the Web. This tool is motivated by the need of defining a technological framework to integrate a number of existing HLT resources, so that a semantic information package is generated. This package may also adapt the type of information to retrieve and generate, based on the particular user needs. The results obtained from the experimentation performed show the added value brought by our proposed HLT framework compared to the use of individual HLT resources.

El Grupo de Procesamiento de Lenguaje Natural (GPLSI) cuenta en estos momentos con una plataforma de procesamiento de contenido social (twitter, facebook) la cual ofrece diversos servicios, los cuales permiten analizar dichas fuentes y obtener en tiempo real un conjunto gigantesco de datos agregados como las entidades (ej. nombre de personas, lugares, empresas, etc) que intervienen, la polaridad sentimental e intensidad asociada a dichas entidades, la geolocalización o referencias a lugares no descritos implícitamente en el texto, los términos más representativos implicados en el texto, fechas mencionadas en el texto independientemente del modo en que se ha hecho (ej. ayer, 10 de julio, la semana pasada), Dominios relevantes que enmarcan el contexto del contenido analizado, así como la obtención de resúmenes que sintetizan las fuentes diferentes selecciones del contenido. Hasta el momento el funcionamiento de dichos procesos se han concebido como servicios webs, por lo que carecen de interfaces visuales que se adapten a tal número de meta-información las cuales pueden ser representadas visualmente de muy diversas formas. Una demostración del modo en que pueden visualizarse esta información se puede encontrar en http://gplsi.dlsi.ua.es/demos/socialrankings/ y en http://gplsi.dlsi.ua.es/demos/electionmap/.

Los dispositivos móviles han cambiado notablemente la forma en la que los usuarios acceden a la información disponible en Internet. Estos dispositivos permiten un acceso instantáneo desde cualquier lugar, pero tienen una serie de limitaciones importantes sobre los ordenadores personales. Su limitada pantalla, así como en ocasiones la limitada capacidad de recepción de la información, dado el coste, hacen que la selección de información a acceder sea todavía más importante. La generación automática de resúmenes multi-documentos es una alternativa de interés que es el objeto de este artículo. Así en este artículo se presentan y evalúan un modelo de generación automática de resúmenes, junto con un sistema de recuperación de información basado en pasajes., Mobile devices have significantly changed the way users access the information available on Internet. These devices allow instant access anytime and anywhere, but they have a number of important limitations with respect to personal computers. The limited screen space and, sometimes, the limited capacity to receive the information, make the selection of information even more important. Automatic summary generation from multi-document summarization is an interesting alternative which is the subject of this paper. Therefore, in this article is presented and evaluated a model of automatic summarization with an information retrieval system based on passages.

In this work we present a semantic framework suitable of being used as support tool for recommender systems. Our purpose is to use the semantic information provided by a set of integrated resources to enrich texts by conducting different NLP tasks: WSD, domain classification, semantic similarities and sentiment analysis. After obtaining the textual semantic enrichment we would be able to recommend similar content or even to rate texts according to different dimensions. First of all, we describe the main characteristics of the semantic integrated resources with an exhaustive evaluation. Next, we demonstrate the usefulness of our resource in different NLP tasks and campaigns. Moreover, we present a combination of different NLP approaches that provide enough knowledge for being used as support tool for recommender systems. Finally, we illustrate a case of study with information related to movies and TV series to demonstrate that our framework works properly.

Social Rankings es una aplicación web que realiza un seguimiento en tiempo real de entidades en las redes sociales. Detecta y analiza las opiniones sobre estas entidades utilizando técnicas de análisis de sentimientos para generar un informe visual de su valoración y su evolución en el tiempo., Social Rankings is a web application that follows different entities in the social networks in real time. It detects and analyses the opinions about these entities using sentiment analysis techniques, to generate a visual report of their reputation and evolution in time.

ElectionMap es una aplicación web que realiza un seguimiento a los comentarios publicados en Twitter en relación a entidades que refieren a partidos políticos. Las opiniones de los usuarios sobre estas entidades son clasificadas según su valoración y posteriormente representadas en un mapa geográfico para conocer la aceptación social sobre agrupaciones políticas en las distintas regiones de la geografía española., ElectionMap is a web application that follows, in Twitter, entities previously established and related to the politics. The user's opinions about the entities are classified according to its valuation by using sentiment analysis processes. Afterwards the opinions are represented in a geographic map that allows to know the social acceptance of Spanish political parties in different geographical areas.

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.

Today's generation of Internet devices has changed how users are interacting with media, from passive and unidirectional users to proactive and interactive. Users can use these devices to comment or rate a TV show and search for related information regarding characters, facts or personalities. This phenomenon is known as second screen. This paper describes SAM, an EU-funded research project that focuses on developing an advanced digital media delivery platform based on second screen interaction and content syndication within a social media context, providing open and standardised ways of characterising, discovering and syndicating digital assets. This work provides an overview of the project and its main objectives, focusing on the NLP challenges to be faced and the technologies developed so far., La actual generación de dispositivos m oviles ha cambiado la forma en que los usuarios interactúan con los medios digitales, pasado de ser pasivos y unidireccionales a proactivos e interactivos. Los usuarios usan estos dispositivos para comentar y valorar programas televisivos, buscando información relacionada sobre personajes, hechos y celebridades. Este fenómeno se conoce con el nombre de segunda pantalla. En este artículo se describe SAM, un proyecto de investigación financiado por la EU y enfocado al desarrollo de una plataforma avanzada de distribución de contenidos digitales basada en segundas pantallas, usando la sindicación de contenidos en el contexto de los medios sociales para proporcionar maneras abiertas y estándares de caracterizar, descubrir y sindicar recursos digitales. Este trabajo resume las principales características y objetivos del proyecto, así como los retos de PLN a afrontar y las tecnologías desarrolladas para tal fin hasta el momento.

La presente herramienta informática constituye un software que es capaz concebir una red semántica con los siguientes recursos: WordNet versión 1.6 y 2.0, WordNet Affects versión 1.0 y 1.1, WordNet Domain versión 2.0, SUMO, Semantic Classes y Senti WordNet versión 3.0, todos integrados y relacionados en una única base de conocimiento. Utilizando estos recursos, ISR-WN cuenta con funcionalidades añadidas que permiten la exploración de dicha red de un modo simple aplicando funciones tanto como de recorrido como de búsquedas textuales. Mediante la interrogación de dicha red semántica es posible obtener información para enriquecer textos, como puede ser obtener las definiciones de aquellas palabras que son de uso común en determinados Dominios en general, dominios emocionales, y otras conceptualizaciones, además de conocer de un determinado sentido de una palabra su valoración proporcionada por el recurso SentiWordnet de positividad, negatividad y objetividad sentimental. Toda esta información puede ser utilizada en tareas de procesamiento del lenguaje natural como: • Desambiguación del Sentido de las Palabras, • Detección de la Polaridad Sentimental • Análisis Semántico y Léxico para la obtención de conceptos relevantes en una frase según el tipo de recurso implicado. Esta herramienta tiene como base el idioma inglés y se encuentra disponible como una aplicación de Windows la cual dispone de un archivo de instalación el cual despliega en el ordenador de residencia las librerías necesarias para su correcta utilización. Además de la interfaz de usuario ofrecida, esta herramienta puede ser utilizada como API (Application Programming Interface) por otras aplicaciones.

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.

En este trabajo se presenta un método para la detección de subjetividad a nivel de oraciones basado en la desambiguación subjetiva del sentido de las palabras. Para ello se extiende un método de desambiguación semántica basado en agrupamiento de sentidos para determinar cuándo las palabras dentro de la oración están siendo utilizadas de forma subjetiva u objetiva. En nuestra propuesta se utilizan recursos semánticos anotados con valores de polaridad y emociones para determinar cuándo un sentido de una palabra puede ser considerado subjetivo u objetivo. Se presenta un estudio experimental sobre la detección de subjetividad en oraciones, en el cual se consideran las colecciones del corpus MPQA y Movie Review Dataset, así como los recursos semánticos SentiWordNet, Micro-WNOp y WordNet-Affect. Los resultados obtenidos muestran que nuestra propuesta contribuye de manera significativa en la detección de subjetividad., In this work, we present a sentence-level subjectivity detection method, which relies on Subjectivity Word Sense Disambiguation (SWSD). We use an unsupervised sense clustering-based method for SWSD. In our method, semantic resources tagged with emotions and sentiment polarities are used to apply subjectivity detection, intervening Word Sense Disambiguation sub-tasks. Through an experimental study, we empirically validated the proposed method over two subjectivity collections, MPQA Corpus and Movie Review Dataset, using three widely popular opinion-mining resources SentiWordNet, WordNet-Affect and Micro-WNOp. The results show that our proposal performs significantly better than our proposed baseline.

In this paper we present the enrichment of the Integration of Semantic Resources based in WordNet (ISR-WN Enriched). This new proposal improves the previous one where several semantic resources such as SUMO, WordNet Domains and WordNet Affects were related, adding other semantic resources such as Semantic Classes and SentiWordNet. Firstly, the paper describes the architecture of this proposal explaining the particularities of each integrated resource. After that, we analyze some problems related to the mappings of different versions and how we solve them. Moreover, we show the advantages that this kind of tool can provide to different applications of Natural Language Processing. Related to that question, we can demonstrate that the integration of semantic resources allows acquiring a multidimensional vision in the analysis of natural language., En este artículo se presenta el enriquecimiento de la herramienta Integración de recursos Semánticos basados en WordNet (ISR-WN Enriquecido). Esta nueva propuesta mejora la anterior, introduciendo nuevos recursos tales como Semantic Classes y SentiWordNet a los anteriormente relacionados: SUMO, WordNet Domains y WordNet Affects. Previamente a la introducción de nuevos recursos se describe la arquitectura de esta propuesta explicando las particularidades de cada recurso integrado. Tras la descripción de la arquitectura se analizan los problemas surgidos tras el mapeo de diferentes versiones y cómo se han solucionado. Además, se muestran las ventajas que la introducción de este tipo de herramientas pueden proporcionar a diferentes aplicaciones de Procesamiento del Lenguaje Natural. Relacionado con esta cuestión también se demuestra que la integración de recursos semánticos permite adquirir una visión multidimensional en el análisis del lenguaje natural.

Este artículo presenta una herramienta para integrar diferentes recursos basados en la estructura y relaciones internas de WordNet, utilizando técnicas de grafos. El objetivo es centralizar en una única herramienta el acceso y manejo de interrelaciones entre diferentes recursos tales como: WordNet Domains, Wordnet Affect y SUMO. Como resultado de la integración, se ha obtenido una única interfaz capaz de relacionar los diferentes sentidos de una palabra con sus correspondientes dominios, categorías de SUMO o relaciones de WordNet. Tras el proceso de integración se han realizado una serie de pruebas para comprobar el grado de fiabilidad de la herramienta., This paper presents a new tool to integrate different resources based on the WordNet structure and relations, using algorithm and graph techniques. The main goal is to provide in a unique tool access and management of relations among different resources like: WordNet Domains, WordNet Affect and SUMO. As a result, we have obtained a unique interface to relate different senses of one word with their corresponding domains, SUMO categories or WordNet relations. After the process of integration we have conducted several experiments to test the reliability of this tool.