0 calificaciones0% encontró este documento útil (0 votos)
6 vistas2 páginas
Este documento presenta un cuadro sinóptico sobre los operadores básicos del Procesamiento de Lenguaje Natural. Explica brevemente 8 operadores: tokenización, ocurrencia, stop words, análisis de sentimiento, derivación regresiva, lematización y proporciona referencias bibliográficas.
Este documento presenta un cuadro sinóptico sobre los operadores básicos del Procesamiento de Lenguaje Natural. Explica brevemente 8 operadores: tokenización, ocurrencia, stop words, análisis de sentimiento, derivación regresiva, lematización y proporciona referencias bibliográficas.
Este documento presenta un cuadro sinóptico sobre los operadores básicos del Procesamiento de Lenguaje Natural. Explica brevemente 8 operadores: tokenización, ocurrencia, stop words, análisis de sentimiento, derivación regresiva, lematización y proporciona referencias bibliográficas.
NRC: 9363 Tema: Elaborar un cuadro sinóptico sobre los operadores básicos PLN
Etapa donde se divide una cadena
Tokenizar de texto en una lista de entidades llamadas tokens. [1] Procesamiento de Lenguaje Natural
Aparición de dos términos en un
Ocurrencia texto y cuyo objetivo es identificar la estructura conceptural. [2] [3] Operadores básicos del
En PLN son filtradas antes o después
del procso y son palabras que Stop Words carecen de significado por si solas. [4] [5]
Se revisa el texto analizado para
Análisis del identificar la emoción dominante Sentimeinto de la para definir la postura positiva o Entidad negativa. [6]
Elimina los afijos y de esta forma
Derivación Regresiva poder encontrar la palabra raíz. [7]
Relaciona una palabra flexionada o
Lematización derivada con su forma canónica o lema. [8] Bibliografía [1] A. Lima, “PNL | Cómo funciona la tokenización de texto, oraciones y palabras”, Acervolima.com. [En línea]. Disponible en: https://es.acervolima.com/2021/02/09/pnl-como- funciona-la-tokenizacion-de-texto-oraciones-y-palabras/. [2] C. Galvez, “Análisis de co-palabras aplicado a los artículos muy citados en Biblioteconomía y Ciencias de la Información (2007-2017)”, Transinformação, vol. 30, núm. 3, pp. 277–286, 2018. [3] Edu.mx. [En línea]. Disponible en: http://www.itnuevolaredo.edu.mx/takeyas/apuntes/Inteligencia%20Artificial/Apuntes/tareas_alu mnos/PLN/PLN(2005-II).pdf. [4] L. Olave, “StopWords, Es recomendable usarlas dentro de la estrategia de SEO?”, Luisolavea.xyz, 03-oct-2017. [En línea]. Disponible en: https://luisolavea.xyz/stopwords/. [5] Grupo Camaltec, “¿Qué son las Stop Words y para qué sirven? - Grupo Camaltec”, Camaltec.es, 10-ene-2020. [En línea]. Disponible en: https://www.camaltec.es/stop-words/. [6] K. Bharath, “Natural Language Processing made simpler with 4 basic regular expression operators”, Towards Data Science, 13-oct-2020. [En línea]. Disponible en: https://towardsdatascience.com/natural-language-processing-made-simpler-with-4-basic- regular-expression-operators-5002342cbac1. [7] Likegeeks.com. [En línea]. Disponible en: https://likegeeks.com/es/tutorial-de-nlp-con- python-nltk/#Derivacion_regresiva_con_NLTK_Word_Stemming. [8] Medium.com. [En línea]. Disponible en: https://medium.com/qu4nt/reducir-el-número-de- palabras-de-un-texto-lematización-y-radicalización-stemming-con-python-965bfd0c69fa.