Propuesta de un sistema de clasificación de entidades basado en perfiles e independiente del dominio

• Autores: Isabel Moreno Agulló, M. Teresa Romá Ferri , Paloma Moreda Pozo
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 59, 2017, págs. 23-30
• Idioma: español
• Títulos paralelos:
  • Proposal for a domain independent named entity classification system based on profiles
• Enlaces
  • Texto completo
• Resumen
  • español

    El reconocimiento y la clasificación de entidades nombradas (RCEN) es clave para muchas aplicaciones de procesamiento de lenguaje natural. Sin embargo, la adaptación de un sistema RCEN resulta costosa, ya que la mayoría solo funcionan adecuadamente en el dominio para el que fueron desarrollados. Considerando esta premisa, se evalúa si un sistema de clasificación de entidades nombradas basado en perfiles y aprendizaje automático obtiene los mismos resultados independientemente del dominio del corpus de entrenamiento. Para ello, hemos experimentado con 6 tipos de entidades de dos dominios en español: general y médico. Aplicando técnicas para equilibrar la distribución de las clases, se ha logrado que la diferencia de F1 entre ambos dominios sea de 0,02 (F1: 50,36 versus 50,38, respectivamente). Lo cual apoya la independencia del dominio del sistema basado en perfiles.

  • English

    Named Entity Recognition and Classification (NERC) is a prerequisite to other natural language processing applications. Nevertheless, the adaptation of NERC systems is expensive given that most of them only work appropiately on the domain for which they were created. Bearing this idea in mind, a named entity classification system, which is profile and machine learning based, is evaluated to determine if the results are maintained regardeless of the domain of the training corpus. To that end, it is tested on 6 types of entities from two different domains in Spanish: general and medical. Applying techniques to balance class distribution, the difference in terms of F1 between domains is 0.02 points (F1: 50.36 versus 50.38, respectively). These results support the domain independence of our profile-based system.

• Referencias bibliográficas
  • Al-Rfou, R., V. Kulkarni, B. Perozzi, y S. Skie na. 2014. POLYGLOT-NER: Massive Multilingual Named Entity Recognition. ArXiv e-prints, (October).
  • Alcón, Ó. y E. Lloret. 2015. Estudio de la influencia de incorporar conocimiento léxicosemántico a la técnica de Análisis de Componentes Principales...
  • Carreras, X., L. Marquez, y L. Padró. 2002. Named entity extraction using adaboost. En Proceeding of the 6th Conference on Natural Language...
  • Chawla, N. V., K. W. Bowyer, L. O. Hall, y W. P. Kegelmeyer. 2002. SMOTE: Synthetic minority over-sampling technique. Journal of Artificial...
  • Freund, Y. y R. E. Schapire. 1999. Large margin classification using the perceptron algorithm. Machine Learning, 37(3):277–296.
  • Fuentes, M. y H. Rodríguez. 2002. Using cohesive properties of text for automatic summarization. Jotri’02.
  • Gamallo, P., J. C. Pichel, M. Garcia, J. M. Abuín, y T. Fernández-Pena. 2014. Análisis morfosintáctico y clasificación de entidades nombradas...
  • Hall, M., E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, y I. Witten. 2009. The WEKA data mining software: An update. SIGKDD Explorations,...
  • Ji, H., J. Nothman, y B. Hachey. 2015. Overview of TAC-KBP2015 Entity Discovery and Linking Tasks. En Proceedings of Text Analysis Conference...
  • Kitoogo, F. y V. Baryamureeba. 2008. Towards domain independent named entity recognition. En Strengthening the Role of ICT in Development,...
  • Lopes, L. y R. Vieira. 2015. Building and Applying Profiles Through Term Extraction. En X Brazilian Symposium in Information and Human Language...
  • López, V., A. Fernández, J. G. Moreno-Torres, y F. Herrera. 2012. Analysis of preprocessing vs. cost-sensitive learning for imbalanced classification....
  • Màrquez, L., L. Villarejo, M. A. Martí, y M. Taulé. 2007. SemEval-2007 Task 09 : Multilevel Semantic Annotation of Catalan and Spanish. En...
  • Marrero, M., J. Urbano, S. Sánchez-Cuadrado, J. Morato, y J. M. Gómez-Berbís. 2013. Named Entity Recognition: Fallacies, challenges and opportunities....
  • Moreno, I., P. Moreda, y M. Romá-Ferri. 2012. Reconocimiento de entidades nombradas en dominios restringidos. En Actas del III Workshop en...
  • Padró, L. y E. Stanilovsky. 2012. FreeLing 3.0: Towards Wider Multilinguality. En Proceedings of the Language Resources and Evaluation Conference,...
  • Pradhan, S., N. Elhadad, W. W. Chapman, S. Manandhar, y G. Savova. 2014. SemEval2014 Task 7: Analysis of Clinical Text. páginas 54–62.
  • Sang, E. F. T. K. y F. De Meulder. 2003. Introduction to the CoNLL-2003 Shared Task: Language-Independent Named Entity Recognition. En Proceedings...
  • Segura-Bedmar, I., P. Martınez, y M. HerreroZazo. 2013. SemEval-2013 Task 9: Extraction of Drug-Drug Interactions from Biomedical Texts (DDIExtraction...
  • Tjong Kim Sang, E. F. 2002. Introduction to the CoNLL-2002 shared task. En Proceeding of the 6th Conference on Natural Language Learning.
  • Tkachenko, M. y A. Simanovsky. 2012. Selecting Features for Domain-Independent Named Entity Recognition. En Proceedings of KONVENS 2012, páginas...
  • Tomanek, K. y U. Hahn. 2009. Reducing class imbalance during active learning for named entity annotation. En Proceedings of the fifth international...
  • Uzuner, O., I. Solti, y E. Cadag. 2010. Extracting medication information from clinical text. Journal of the American Medical Informatics...
  • Vicente, M. y E. Lloret. 2016. Exploring Flexibility in Natural Language Generation throughout Discursive Analysis of New Textual Genres....
  • Wei, Q. y R. L. Dunbrack. 2013. The Role of Balanced Training and Testing Data Sets for Binary Classifiers in Bioinformatics. PLoS ONE, 8(7).