Perfilado de autor multilingüe en redes sociales a partir de n-gramas de caracteres y de etiquetas gramaticales

• González-Gallardo, Carlos-Emiliano ; Torres-Moreno, Juan-Manuel ^[1] ; Montes Rendón, Azucena ^[2] ; Sierra, Gerardo
  1. [1] Laboratoire Informatique d'Avignon

     Laboratoire Informatique d'Avignon

     Arrondissement d’Avignon, Francia

     
  2. [2] Centro Nacional de Investigación y Desarrollo Tecnológico

     Centro Nacional de Investigación y Desarrollo Tecnológico

     México

     
• Localización: Linguamática, ISSN 1647-0818, Vol. 8, Nº. 1, 2016, págs. 21-29
• Idioma: español
• Títulos paralelos:
  • Social Network Multilingual Author Profiling using character and POS n-grams
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    En este artículo presentamos un algoritmo que combina las características estilísticas 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 aplicó una normalización dinámica dependiente del contexto para extraer la mayor cantidad de información estilística posible codificada en los documentos (emoticonos, inundamiento de caracteres, uso de letras mayúsculas, 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 México en el tiempo" (CCDMX). Los resultados presentan una exactitud muy alta, cercana al 90%.

  • English

    In this paper we present an algorithm that combines the stylistic features represented by characters and POS n-grams to classify social network multilingual documents. In both n-gram groups a dynamic normalization by context was applied to extract all the possible stylistic information encoded in the documents (emoticons, character flooding, capital letters, references to other users, hyperlinks, hashtags, etc.).The algorithm was applied to two different corpus; Author Profiling of PAN-CLEF 2015 training tweets and the corpus of "Comments of Mexico City in time" (CCDMX). Results shows up to 90% of accuracy.