Clasificador de textos mediante técnicas de aprendizaje automático

Abstract

[ES] El aprendizaje automático es un área de la inteligencia artificial que está en auge en el ámbito empresarial. Esta área consiste en crear programas capaces de generar un comportamiento específico a partir de unos datos. El aprendizaje automático tiene múltiples aplicaciones, tales como: motores de búsqueda, diagnóstico médico, análisis del mercado de valores, juegos, reconocimiento del habla y del lenguaje escrito, coches autónomos, publicidad dirigida por historial de búsquedas o compras, etc. Existe gran cantidad de información que se encuentra en internet de forma desordenada. En particular, hay empresas que se dedican a seleccionar y clasificar las noticias que muestran en su web de manera manual, lo que hace que no sea muy productivo, tanto por los recursos humanos necesarios como el tiempo necesario que requiere esta tarea, ya que es necesario leer todas las noticias y clasificarlas. Este TFG aborda este problema desarrollando un clasificador de texto, el cual se entrenará mediante diferentes algoritmos de aprendizaje automático en búsqueda del más eficiente. Además, se investigará cómo la cantidad de datos y la longitud del texto afecta al resultado. Para realizar dicho clasificador de texto se usará Python como lenguaje de programación ya que existen muchas librerías y módulos que facilitan su desarrollo. Además de este clasificador, se creará otro clasificador capaz de clasificar diferentes frases en un dominio específico, como puede ser legal, medicinal, etc.

[EN] The machine learning area of artificial intelligence is obtaining a lot of importance in the business world. This area consists of creating programs capable of generating a specific behavior with the help of data. Machine learning has multiple applications, such as: search engines, medical diagnosis, stock market analysis, games, speech recognition and written language recognition, autonomous cars, directed advertising by search history or purchases, etc. There is a large amount of information that we can find on the internet in a disorderly manner. In particular, there are companies dedicated to select and classify the news they show on their website manually, which makes it not very productive, both for the necessary human resources and the necessary time required for the task, since it is necessary to read all the news and classify them. This project addresses this problem by developing a text classifier, which will be trained by different automatic learning algorithms in search of the most efficient. In addition, we will investigate how the amount of data and the length of the text affect the result. To make the above mentioned text classifier, Python will be used as a programming language since there are many libraries and modules that facilitate its development. In addition to this classifier, we will create another one capable of classifying different phrases in a specific domain, such as legal, medicinal, etc.