Identificador/predictor de conceptos aplicando aprendizaje no supervisado

Tue, 20 Sep 2022 00:00:00 +0000

Garriga, Jess. 2022.

FCPyS - UNCuyo.

También me pueden encontrar en:

Advertencia

El siguiente trabajo está en fase work in progress y tanto la metodología como los resultados obtenidos responden a una fase inicial y exploratoria de las herramientas. Queda evaluar otros modelos, su desempeño y fundamentalmente la pertinencia de estos a los objetivos.

Pueden consultar el repositorio.

Objetivos

Identificar en un corpus de texto los conceptos de un glosario
Enriquecer el glosario inicial con los potenciales conceptos del corpus
Construir un modelo que aplique el nuevo glosario más robusto a otras fuentes como redes sociales, cuentas de twitter, medios de comunicación, entre otras

Descripción y motivación

El siguiente programa busca predecir/identificar conceptos teóricos en un corpus de texto bajo la aplicación de un modelo de machine learning bajo el paradigma del aprendizaje no supervisado. Este parte como una propuesta para mi equipo de investigación en la Facultad de Ciencias Políticas y Sociales de la Universidad Nacional de Cuyo. Trata de acercar herramientas de las Ciencias Computacionales a la Sociología, pero es potencialmente extendible al resto de las ciencias político-sociales.

El modelo

Los textos de entrenamiento y sus etiquetas han sido elaborados a partir del Glosario de términos sobre Tiqqun (Castro, 2012) y puestos a prueba con el libro ¿Qué es la metafísica crítica? (tiqqunim, 2015).

Para la construcción del modelo se utilizaron los conceptos del glosario y sus definiciones en la elaboración de listas (los textos de entrenamiento y sus etiquetas) con el lenguaje de programación Python (v. 3.8). Mediante la librería scikit-learn vectorizamos dichos textos y aplicamos el método fit. Luego, vectorizamos el texto de prueba (el libro). Finalmente construimos un clasificador con el método DecisionTreeClassifier y obtenemos las predicciones de X para Y.

Resultados

Para cáda párrafo del corpus, el modelo predijo los siguientes conceptos:

['Biopoder' 'Partido_Imaginario' 'Comunismo' 'Biopoder' 'Forma_de_vida' 'Partido_Imaginario' 'Espectáculo' 'Espectáculo' 'Forma_de_vida' 'Partido_Imaginario' 'Forma_de_vida' 'Bloom' 'Forma_de_vida' 'Guerra_civil' 'Bloom' 'Guerra_civil' 'Partido_Imaginario' 'Partido_Imaginario' 'Guerra_civil' 'Bloom' 'Forma_de_vida' 'Imperio' 'Guerra_civil' 'Biopoder' 'Guerra_civil' 'Espectáculo' 'Guerra_civil' 'Comité_Invisible' 'Partido_Imaginario' 'Forma_de_vida' 'Espectáculo' 'Partido_Imaginario' 'Guerra_civil']

La siguiente figura describe el proceso de predicción mediante un árbol de decisión:

Conclusiones

El modelo debe ajustarse. El glosario puede enriquecerse y mejorarse como sugiero en el apartado “Próximos trabajos”. Los resultados pueden estar sesgados al 1) tratar de identificar conceptos no desarrollados en el corpus pero que se ven forzosamente aplicados por el modelo mismo y 2) las posibles carencias en las definiciones de los conceptos. Un glosario más robusto es fundamental para la aplicación de otros modelos cuales sean.

Próximos trabajos

A continuación, presento bocetos de futuras líneas de trabajo en base a lo elaborado:

Machine Learning | Jess Garriga