Abstract

CARRERA-TREJO, Jorge Víctor  and  CADENA MARTINEZ, Rodrigo. Identificación de tópicos en un corpus utilizando Transformers. Comp. y Sist. [online]. 2022, vol.26, n.3, pp.1093-1105.  Epub Dec 02, 2022. ISSN 2007-9737.  https://doi.org/10.13053/cys-26-3-4187.

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.

Keywords : Bert; multi etiqueta; tópicos; clasificación; transformers; comics.