Clasificación de textos académicos en función de su contenido léxico-semántico

Abstract

Características generales y diferencias resaltantes con los modelos neuronales multicapas (Bakpropagation):Broomhead y Lowe, 1988, introducen un método alternativo al perceptrón multicapa (MLP) (ej.: backpropagation) para hacer ajuste a funciones no lineales. Esto es clasificación no lineal: las redes RBF.

La producción de textos escritos en estudiantes de dos universidades públicas con el modelo intercultural

“…Los grupos de estudiantes indígenas han adquirido un bilingüismo sustractivo que ha reforzado que el español tenga una fuerte presencia en los procesos de comunicación en detrimento de las prácticas sociales de comunicación propias. Resulta importante que las estrategias metacognitivas tanto personales como colectivas se realicen, ya que contribuyen a la adquisición de habilidades inferenciales asociadas al dominio de textos académicos y especializados, y facilita la comprensión a nivel micro, macro y superestructural del texto, necesario en el ámbito de la formación de las futuras generaciones profesionales (CisnerosEstupiñán, Olave-Arias y Rojas-García, 2012;Venegas, 2007).…”

Creación y uso de una ontología relacionada con genes, síndromes, síntomas y enfermedades para la clasificación de textos biomédicos

“…Las principales contribuciones para el tema que nos ocupa son las estrategias de clasificación automática basadas en diferentes algoritmos de categorización. Con el fin de analizar las ventajas y desventajas de los algoritmos de categorización usados para esta tarea, mencionaremos algunos que han sido ampliamente probados por estudiosos del tema en diferentes contextos, como es el caso de los clasificadores con técnicas de Naive Bayes (Kononenko, 1991;Venegas, 2007;Zhang, Xue, Yu & Zha, 2009), máquinas de soporte vectorial (SVM) (Zhi-Hong, Tang, Yang, Zhang, Wu & Yang, 2002;Gunn, 2003) y árboles de decisión (Zhang, Dong & Ramamohanarao, 2000;Aitkenhead, 2008;Vens, Struyf, Schietgat, Dzeroski & Blockeel, 2008). También hemos encontrado algunos trabajos en los que se proponen estrategias híbridas en las que se combinan, por ejemplo, Naive Bayes y árboles de decisión (Kohavi, 1996), máquinas de soporte vectorial y árboles de decisión (Polat & Günes, 2009), clasificación textual cross-domain y clasificación de sentimientos (Zeng, Li, Wang & Zuo, 2009), clasificación de sentimientos y Naive Bayes (Melville, Gryc & Lawrence, 2009), o una fusión de varios métodos combinada con una estrategia de decisión (Torres-Moreno, El-Beze, Bechet & Camelin, 2007).…”

“…Algunas referencias representativas son las de Venegas (2007), quien emplea clasificación bayesiana. Venegas (2007) propone un sistema de clasificación de textos, en concreto para obtener una clasificación entre textos que leen los alumnos de cuatro carreras universitarias de la Pontificia Universidad Católica de Valparaíso, Chile. Las cuatro clases son Química Industrial, Ingeniería en Construcción, Trabajo Social y Piscología.…”

Clasificación de textos en lenguaje natural usando la Wikipedia

“…En (Venegas, 2007) se utiliza una muestra de 222 artículos en español con unos resultados cercanos en fase de prueba al 76,74% con SVM y de 68,18% con Naive Bayesiano, aunque los resultados no son directamente comparables pues tanto el corpus de datos como las categorías elegidas (Química Industrial, Ingeniería en Construcción, Trabajo Social y Psicología) son diferentes.…”