| Revue: | Computación y sistemas |
| Base de datos: | |
| Número de sistema: | 000560730 |
| ISSN: | 1405-5546 |
| Autores: | Carrera Trejo, Jorge Víctor1 Cadena Martínez, Rodrigo2 |
| Instituciones: | 1México 2Universidad Tecnológica de México, México |
| Año: | 2022 |
| Periodo: | Jul-Sep |
| Volumen: | 26 |
| Número: | 3 |
| Paginación: | 1093-1105 |
| País: | México |
| Idioma: | Español |
| Resumen en español | Clasificar un corpus de textos con un base en un conjunto de clases utilizando Transformers permite construir un modelo basado en las palabras que contiene la información, sin embargo, el modelo utiliza todas las palabras con que se entrena y el orden en que se encuentran, pero ¿cuáles de éstas palabras se encuentran relacionadas directamente con la temática de los textos?, este trabajo se enfoca en proponer una metodología que permita, utilizando un corpus multi etiquetado que contiene la descripción de 1200 comics organizado en 4 clases, eliminar información no relacionada con la temática, basándose en la identificación de entidades nombradas y enunciados característicos, generando con ello un nuevo corpus con el cual entrenar y validar un Transformer, utilizando la medida de accuracy macro como medida de evaluación, como caso base se propone el valor de accuracy macro de la validación de un Transformer entrenado con datos crudos, demostrando que al utilizar datos relacionados con la temática de los textos se mejoran los resultados de clasificación pasando de 0.733 a 0.992. |
| Resumen en inglés | Classifying a corpus of texts based on a set of classes using Transformers allows to build a model based on the words that contain the information, however, the model uses all the words in the training process and the order in which its found, but, which of these words are directly related to the topic of the texts? This work focuses on proposing a methodology that allows, using a multi-labeled corpus that contains the description of 1200 comics organized in 4 classes, to eliminate information that are not related to the topic, based on the identification of named entities and noun phrases, thereby generating a new corpus with which to train and validate a Transformer, using the macro accuracy measure as an evaluation measure, as a base case the macro accuracy value, obtained of the validation of a Transformer trained with the original data is proposed, demonstrating that when we using data related to the subject matter of the texts, the classification results are improved from 0.733 to 0.992. |
| Palabras clave: | Bert, Multi etiqueta, Tópicos, Clasificación, Transformers, Comics |
| Keyword: | Bert, Multilabel, Topics, Classification, Transformers, Spacy, Comics |
| Texte intégral: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
