Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning
Descripción del Articulo
The complexity of words can pose a limitation to the accessibility of information, which could affect millions of Spanish-speaking people. The objective of this study is to develop a machine learning model for the binary task of identifying complex words in Spanish, using next-generation embeddings,...
| Autor: | |
|---|---|
| Formato: | artículo |
| Fecha de Publicación: | 2024 |
| Institución: | Universidad Nacional Mayor de San Marcos |
| Repositorio: | Revistas - Universidad Nacional Mayor de San Marcos |
| Lenguaje: | español |
| OAI Identifier: | oai:revistasinvestigacion.unmsm.edu.pe:article/29211 |
| Enlace del recurso: | https://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/29211 |
| Nivel de acceso: | acceso abierto |
| Materia: | Complex word identification Embeddings Lexical Simplification Spanish Identificación de palabras complejas Simplificación Léxica Español |
| id |
REVUNMSM_39d5ba3a52c55160272b19a836f49333 |
|---|---|
| oai_identifier_str |
oai:revistasinvestigacion.unmsm.edu.pe:article/29211 |
| network_acronym_str |
REVUNMSM |
| network_name_str |
Revistas - Universidad Nacional Mayor de San Marcos |
| repository_id_str |
|
| spelling |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learningIntegration of new generation embeddings and current linguistic resources to identify complex words in Spanish with machine learningMera Dávila, Luis IvánMera Dávila, Luis IvánComplex word identificationEmbeddingsLexical SimplificationSpanishIdentificación de palabras complejasEmbeddingsSimplificación LéxicaEspañolThe complexity of words can pose a limitation to the accessibility of information, which could affect millions of Spanish-speaking people. The objective of this study is to develop a machine learning model for the binary task of identifying complex words in Spanish, using next-generation embeddings, current linguistic resources, and lexical properties. To this end, the Spanish dataset from the CWI Shared Task 2018 was used, obtaining embeddings generated by the text-embedding-3-large model and word frequencies extracted from resources such as the Corpus del Español del Siglo XXI, the Corpus de Referencia del Español Actual, the Spanish Billion Word Corpus and Embeddings, and Wordfreq. To select features and find their best combination, a 5-fold cross-validation using XGBClassifier was employed. After comparing several machine learning algorithms, the final model, based on LGBMClassifier, achieved a macro F1 score of 0.7993, surpassing the best team from that competition, more recent studies that used neural networks, and some large language models. This demonstrates the potential of these resources that are constantly being updated and that can contribute to improving the accuracy of this task.La complejidad de las palabras puede suponer una limitación para la accesibilidad de la información, lo que podría afectar a millones de personas hispanohablantes. El objetivo de este estudio es desarrollar un modelo de machine learning para la tarea binaria de identificación de palabras complejas en español, usando embeddings de nueva generación, recursos lingüísticos actuales y propiedades léxicas. Para ello se empleó el conjunto de datos en español de la tarea compartida CWI Shared Task 2018, obteniendo embeddings generados por el modelo text-embedding-3-large y frecuencias de palabras extraídas de recursos como el Corpus del Español del Siglo XXI, el Corpus de Referencia del Español Actual, el Spanish Billion Word Corpus and Embeddings y Wordfreq. Para seleccionar características y encontrar su mejor combinación se usó una validación cruzada de 5 pliegues utilizando XGBClassifier. Una vez comparados varios algoritmos de machine learning, el modelo final, basado en LGBMClassifier, obtuvo el macro F1 de 0.7993, logrando superar al mejor equipo de dicha competencia, a estudios más recientes que utilizaron redes neuronales y a algunos modelos de lenguaje grandes. Esto muestra el potencial de estos recursos que constantemente están actualizándose y que pueden contribuir a mejorar la precisión de esta tarea.Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática2024-12-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/2921110.15381/rpcs.v6i2.29211Revista Peruana de Computación y Sistemas; Vol. 6 No. 2 (2024); 55-64Revista peruana de computación y sistemas; Vol. 6 Núm. 2 (2024); 55-642617-2003reponame:Revistas - Universidad Nacional Mayor de San Marcosinstname:Universidad Nacional Mayor de San Marcosinstacron:UNMSMspahttps://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/29211/21732Derechos de autor 2024 Luis Iván Mera Dávilahttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessoai:revistasinvestigacion.unmsm.edu.pe:article/292112025-01-03T20:02:34Z |
| dc.title.none.fl_str_mv |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning Integration of new generation embeddings and current linguistic resources to identify complex words in Spanish with machine learning |
| title |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| spellingShingle |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning Mera Dávila, Luis Iván Complex word identification Embeddings Lexical Simplification Spanish Identificación de palabras complejas Embeddings Simplificación Léxica Español |
| title_short |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| title_full |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| title_fullStr |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| title_full_unstemmed |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| title_sort |
Integración de embeddings de nueva generación y recursos lingüísticos actuales para identificar palabras complejas en español con machine learning |
| dc.creator.none.fl_str_mv |
Mera Dávila, Luis Iván Mera Dávila, Luis Iván |
| author |
Mera Dávila, Luis Iván |
| author_facet |
Mera Dávila, Luis Iván |
| author_role |
author |
| dc.subject.none.fl_str_mv |
Complex word identification Embeddings Lexical Simplification Spanish Identificación de palabras complejas Embeddings Simplificación Léxica Español |
| topic |
Complex word identification Embeddings Lexical Simplification Spanish Identificación de palabras complejas Embeddings Simplificación Léxica Español |
| description |
The complexity of words can pose a limitation to the accessibility of information, which could affect millions of Spanish-speaking people. The objective of this study is to develop a machine learning model for the binary task of identifying complex words in Spanish, using next-generation embeddings, current linguistic resources, and lexical properties. To this end, the Spanish dataset from the CWI Shared Task 2018 was used, obtaining embeddings generated by the text-embedding-3-large model and word frequencies extracted from resources such as the Corpus del Español del Siglo XXI, the Corpus de Referencia del Español Actual, the Spanish Billion Word Corpus and Embeddings, and Wordfreq. To select features and find their best combination, a 5-fold cross-validation using XGBClassifier was employed. After comparing several machine learning algorithms, the final model, based on LGBMClassifier, achieved a macro F1 score of 0.7993, surpassing the best team from that competition, more recent studies that used neural networks, and some large language models. This demonstrates the potential of these resources that are constantly being updated and that can contribute to improving the accuracy of this task. |
| publishDate |
2024 |
| dc.date.none.fl_str_mv |
2024-12-30 |
| dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
| format |
article |
| status_str |
publishedVersion |
| dc.identifier.none.fl_str_mv |
https://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/29211 10.15381/rpcs.v6i2.29211 |
| url |
https://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/29211 |
| identifier_str_mv |
10.15381/rpcs.v6i2.29211 |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
https://revistasinvestigacion.unmsm.edu.pe/index.php/rpcsis/article/view/29211/21732 |
| dc.rights.none.fl_str_mv |
Derechos de autor 2024 Luis Iván Mera Dávila https://creativecommons.org/licenses/by/4.0 info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Derechos de autor 2024 Luis Iván Mera Dávila https://creativecommons.org/licenses/by/4.0 |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática |
| publisher.none.fl_str_mv |
Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática |
| dc.source.none.fl_str_mv |
Revista Peruana de Computación y Sistemas; Vol. 6 No. 2 (2024); 55-64 Revista peruana de computación y sistemas; Vol. 6 Núm. 2 (2024); 55-64 2617-2003 reponame:Revistas - Universidad Nacional Mayor de San Marcos instname:Universidad Nacional Mayor de San Marcos instacron:UNMSM |
| instname_str |
Universidad Nacional Mayor de San Marcos |
| instacron_str |
UNMSM |
| institution |
UNMSM |
| reponame_str |
Revistas - Universidad Nacional Mayor de San Marcos |
| collection |
Revistas - Universidad Nacional Mayor de San Marcos |
| repository.name.fl_str_mv |
|
| repository.mail.fl_str_mv |
|
| _version_ |
1848424485939576832 |
| score |
13.893739 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).