Carlos-Emiliano González-Gallardo, Juan-Manuel Torres-Moreno, Azucena Montes Rendón, Gerardo E Sierra
{"title":"Perfilado de autor multilingüe en redes sociales a partir de n-gramas de caracteres y de etiquetas gramaticales","authors":"Carlos-Emiliano González-Gallardo, Juan-Manuel Torres-Moreno, Azucena Montes Rendón, Gerardo E Sierra","doi":"10.21814/LM.8.1.227","DOIUrl":null,"url":null,"abstract":"En este articulo presentamos un algoritmo que combina las caracteristicas estilisticas representadas por los n-gramas de caracteres y los n-gramas de etiquetas gramaticales (POS) para clasificar documentos multilengua de redes sociales. En ambos grupos de n-gramas se aplico una normalizacion dinamica dependiente del contexto para extraer la mayor cantidad de informacion estilistica posible codificada en los documentos (emoticonos, inundamiento de caracteres, uso de letras mayusculas, referencias a usuarios, ligas a sitios externos, hashtags, etc.). El algoritmo fue aplicado sobre dos corpus diferentes: los tweets del corpus de entrenamiento de la tarea Author Profiling de PAN-CLEF 2015 y el corpus de \"Comentarios de la Ciudad de Mexico en el tiempo\" (CCDMX). Los resultados presentan una exactitud muy alta, cercana al 90%.","PeriodicalId":41819,"journal":{"name":"Linguamatica","volume":"8 1","pages":"21-29"},"PeriodicalIF":0.3000,"publicationDate":"2016-07-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"3","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Linguamatica","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.21814/LM.8.1.227","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"LINGUISTICS","Score":null,"Total":0}
引用次数: 3
Abstract
En este articulo presentamos un algoritmo que combina las caracteristicas estilisticas representadas por los n-gramas de caracteres y los n-gramas de etiquetas gramaticales (POS) para clasificar documentos multilengua de redes sociales. En ambos grupos de n-gramas se aplico una normalizacion dinamica dependiente del contexto para extraer la mayor cantidad de informacion estilistica posible codificada en los documentos (emoticonos, inundamiento de caracteres, uso de letras mayusculas, referencias a usuarios, ligas a sitios externos, hashtags, etc.). El algoritmo fue aplicado sobre dos corpus diferentes: los tweets del corpus de entrenamiento de la tarea Author Profiling de PAN-CLEF 2015 y el corpus de "Comentarios de la Ciudad de Mexico en el tiempo" (CCDMX). Los resultados presentan una exactitud muy alta, cercana al 90%.
京公网安备 11010802042870号
京ICP备2023020795号-1
分享
求助内容：
应助结果提醒方式：
扫码关注我们
