Un detector de la unidad central de un texto basado en técnicas de aprendizaje automático en textos científicos para el euskera

  1. Atutxa Salazar, Aitziber
  2. Iruskieta Quintian, Mikel
  3. Bengoetxea Kortazar, Kepa
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2017

Número: 58

Páginas: 37-44

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

En este artículo presentamos el primer detector de la Unidad Central (UC) de resúmenes científicos en euskera basado en técnicas de aprendizaje automático. Después de segmentar el texto en unidades de discurso elementales, la detección de la unidad central es crucial para anotar de forma más fiable la estructura relacional de textos bajo la Teoría de la Estructura Retórica o Rhetorical Structure Theory (RST). Además, la unidad central puede ser explotada en diversas tareas como resumen automático, tareas de pregunta y respuesta o análisis del sentimiento. Los resultados obtenidos demuestran que las técnicas de aprendizaje automático superan a las técnicas basadas en reglas a pesar del pequeño tamaño del corpus y de la heterogeneidad de los dominios que éste muestra, dejando todavía lugar para mejoras y desarrollo.

Referencias bibliográficas

  • Aduriz, I. 2000. EUSMG: morfologiatik sintaxira murriztapen gramatika erabiliz. Ph.D. tesis, Euskal Herriko Unibertsitatea, UPV/EHU, Donostia.
  • Aldabe, I., I. Gonzalez-Dios, I. Lopez-Gazpio, I. Madrazo, y M. Maritxalar. 2013. Two approaches to generate questions in basque. Procesamiento del Lenguaje Natural, (51):101–108.
  • Alkorta, J., K. Gojenola, M. Iruskieta, y A. Perez. 2015. Using relational discourse structure information in Basque sentiment analysis. En 5th Workshop RST and Discourse Studies”, in Actas del XXXI Congreso de la Sociedad Espa˜nola del Procesamiento del Lenguaje Natural (SEPLN 2015), Alicante.
  • Burstein, J., D. Marcu, S. Andreyev, y M. Chodorow. 2001. Towards automatic classification of discourse elements in essays. En Proceedings of the 39th annual Meeting on Association for Computational Linguistics, páginas 98–105. Association for Computational Linguistics.
  • Carlson, L., D. Marcu, y M. Okurowski. 2001. Building a discourse-tagged corpus in the framework of rhetorical structure theory. En 2nd SIGDIAL Workshop on Discourse and Dialogue, Eurospeech 2001, página 10, Aalborg, Denmark, 1-2 September. Association for Computational Linguistics.
  • Carlson, L., M. E. Okurowski, y D. Marcu. 2002. RST discourse treebank. Linguistic Data Consortium, University of Pennsylvania.
  • da Cunha, I., J.-M. Torres-Moreno, G. Sierra, L.-A. Cabrera-Diego, y B.-G. CastroRol´on. 2011. The RST Spanish Treebank On-line Interface. En International Conference Recent Advances in NLP, Bulgaria, 12-14 September.
  • Ezeiza, N., I. Alegria, J.-M. Arriola, R. Urizar, y I. Aduriz. 1998. Combining stochastic and rule-based methods for disambiguation in agglutinative languages. Proceedings and 17th International Conference on Computational Lingustics, 1:380– 384.
  • Iruskieta, M., J. Antonio, y G. Labaka. 2016. Detecting the central units in two different genres and languages: a preliminary study of brazilian portuguese and basque texts. Procesamiento de Lenguaje Natural, (56):65–72.
  • Iruskieta, M., M. Aranzabe, A. Diaz de Ilarraza, I. Gonzalez, M. Lersundi, y O. L. de la Calle. 2013. The RST Basque TreeBank: an online search interface to check rhetorical relations. En 4th Workshop ”RST and Discourse Studies”, Brasil, October 21-23.
  • Iruskieta, M., A. Diaz de Ilarraza, G. Labaka, y M. Lersundi. 2015. The Detection of Central Units in Basque scientific abstracts. En 5th Workshop RST and Discourse Studies¨ın Actas del XXXI Congreso de la Sociedad Espa˜nola del Procesamiento del Lenguaje Natural (SEPLN), Alicante.
  • Iruskieta, M., A. Diaz de Ilarraza, y M. Lersundi. 2014. The annotation of the central unit in rhetorical structure trees: A key step in annotating rhetorical relations. En COLING, páginas 466–475, Dublin. Dublin City University and ACL.
  • Iruskieta, M. y B. Zapirain. 2015. Euseduseg: a dependency-based edu segmentation for basque. Procesamiento del Lenguaje Natural, (55):41–48.
  • Joty, S., G. Carenini, y R. T. Ng. 2015. Codra: A novel discriminative framework for rhetorical analysis. Computational Linguistics, 41(3):385–435.
  • Krippendorff, K. 2004. Content analysis: An introduction to its methodology. Sage.
  • Luhn, H. P. 1958. The automatic creation of literature abstracts. IBM Journal of research and development, 2(2):159–165.
  • Mann, W. C. y S. A. Thompson. 1988. Rhetorical structure theory: Toward a functional theory of text organization. TextInterdisciplinary Journal for the Study of Discourse, 8(3):243–281.
  • Marcu, D. 2000. The rhetorical parsing of unrestricted texts: A surfacebased approach. Computational Linguistics, 26(3):395–448.
  • McCallum, A. y K. Nigam. 1998. A comparison of event models for naive bayes text classification. En AAAI-98 workshop on learning for text categorization, volumen 752, páginas 41–48.
  • Neto, J. L., A. D. Santos, C. A. Kaestner, y A. A. Freitas. 2000. Generating text summaries through the relative importance of topics. Advances in Artificial Intelligence, páginas 300–309.
  • Paice, C. D. 1980. The automatic generation of literature abstracts: an approach based on the identification of self-indicating phrases. En Proceedings of the 3rd annual ACM conference on Research and development in information retrieval, páginas 172–191. Butterworth & Co.
  • Pardo, T., L. Rino, y M. Nunes. 2003. GistSumm: A summarization tool based on a new extractive method. Computational Processing of the Portuguese Language, páginas 196–196.
  • Siegel, S. y N. Castellan. 1988. The Friedman two-way analysis of variance by ranks. Nonparametric statistics for the behavioral sciences, páginas 174–184.
Fuente de los datos: Dialnet