La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

1 Descubrimiento Automático de Hiperónimos en Texto no Estructurado Tomado de Rosa María Ortega Mendoza, Tesis de Maestría, INAOE Laboratorio de Tecnologías.

Presentaciones similares


Presentación del tema: "1 Descubrimiento Automático de Hiperónimos en Texto no Estructurado Tomado de Rosa María Ortega Mendoza, Tesis de Maestría, INAOE Laboratorio de Tecnologías."— Transcripción de la presentación:

1 1 Descubrimiento Automático de Hiperónimos en Texto no Estructurado Tomado de Rosa María Ortega Mendoza, Tesis de Maestría, INAOE Laboratorio de Tecnologías del Lenguaje Instituto Nacional de Astrofísica, Óptica y Electrónica

2 2 Introducción Relaciones semánticas: Sinonimia, antonimia, meronimia, hiperonimia, etc. Hiperónimo: Palabra cuyo significado incluye el de otra(s). animal – gato color – azul país – México Recursos lingüísticos construcción Manual Automática Ejemplo: WordNet Gran esfuerzo Tiempo General Un sólo idioma Orientación a un dominio específico. Menos esfuerzo Menor precisión

3 3 Introducción Un paso hacia la construcción automática de ontologías Independiente del uso de recursos lingüísticos externos Independencia del idioma Aprovechar información léxica fútbol tenis Atletismo deportes Ejemplo del uso / Clasificación de textos

4 4 Estado del Arte Trabajo PropósitoEntradaBoot- strapping Evaluación de patrones Recursos Externos (Denicia et al., 2006) Respuesta a preguntas de definición SemillasNo (Pasca, 2004) Relaciones is-a Patrones léxico- Sintácticos SiNoEtiquetador (Ravichandran y Hovi 2002) Respuesta a Preguntas SemillasSi No (Ravichandran et al., 2004) Relaciones is-a Patrones léxico- sintácticos Si?Etiquetador

5 5 Objetivos Objetivo General: Desarrollar un método para extraer automáticamente hiperónimos a partir de textos no estructurados tomados automáticamente la Web. Objetivos Específicos: Definir y aplicar un método de minería de texto que permita obtener patrones léxicos de extracción para la relación de hiperonimia. Especificar y desarrollar un método incremental para enriquecer el conjunto de patrones de extracción. Proponer y aplicar un método de selección de tuplas usando algoritmos de ordenamiento basados en grafos.

6 6 Método propuesto

7 7 Paso 1: Extraer patrones léxicos a través de la Web. Paso 2: Aplicar los patrones léxicos para extraer tuplas asociadas al dominio específico. Paso 3: Pesar los patrones léxicos con base en un método de recomendación. Paso 4: Pesar las tuplas (idem). Paso 5: Repetir todos los pasos anteriores, eligiendo las tuplas más confiables como nuevas semillas.

8 8 Pesado patrones/tuplas Peso de la tupla: Mientras más patrones extraigan la misma tupla tenemos más evidencia de que es correcta. Peso del patrón: Mientras más tuplas correctas extraiga un patrón tenemos más evidencia de que es relevante. Peso del patrón Número de repeticiones Número de patrones activados

9 9 Pesado patrones/tuplas Método de recomendación basado en grafos Ejemplo: Tuplas(P3) Tuplas(P4) P1P1 P4P4 P2P2 P3P3 w 12 w 13 w 23 w 34 País – Turquía País – caballo País – México … País – Turquía País – Francia … País – Turquía País – costa País – Francia … País – Egipto … Tuplas(P1) Tuplas(P2) Tuplas(P2) Tuplas(P3) Tuplas(P1) Tuplas(P3)

10 10 Evaluación El catálogo es muy grande por lo que su evaluación manual es prácticamente imposible. La evaluación será a través de un método estadístico Tomar una muestra aleatoria proporcional al tamaño del catálogo Con un nivel de confianza definido Medir la precisión del catálogo No. de instancias correctas/ No. total de instancias

11 11 1er Intento Experimento: probar un método semi- supervisado para seleccionar tuplas correctas Minería de texto para obtener patrones léxicos Se utilizó el algoritmo Expectation- Maximization: Entrena un clasificador usando los datos etiquetados disponibles y probabilísticamente etiqueta los datos no etiquetados. Colección de noticias EFE de 1994 y mil documentos ( ~1 Gb ).

12 12 Resultados Preliminares NoPatrón LéxicoNoPatrón Léxico 1. 18, Para 2. 19la, , del 4 (,21, y 5:, 22la de 6 y otros 23 ( ) la como GNU / 9los del 26el es un 10 : 27el es el 11,, 28 es un muy 12de, 29 es un que 13, de30el es una 14el - 31un es una 15el, 32, la es una la es el tercer 17 : de34 es una limitada por A través de un conjunto de 17 semillas se descubrieron 34 patrones léxicos InstanciaClase amorsentimiento girasolplanta orometal pinoárbol linuxsistema operativo fútboldeporte manzanafruta tierraplaneta agualíquido ::

13 13 Resultados Preliminares Se caracterizaron las tuplas en función de los patrones InstanciaP1P2P3P4…P33P34clase pais_Japon 0002…001 pais_Guinea 1000…001 pais_Moscu 0010… …

14 14 Resultados Preliminares Entrenamiento: 500 tuplas (218 positivas y 282 negativas) etiquetadas manualmente Prueba: 16,450 tuplas Después de 8 iteraciones EM convergió. ConceptoCorrectasIncorrectas Animal20 Equipo7618 Organismo2716 País8416 Países00 Presidente21925 Total40875 Precisión84.47%15.53% ConceptoCorrectasIncorrectas Total62675 Precisión89.30%10.7% Clasificación EM Catálogo Completo: Clasificación EM + clasificación manual

15 15 2do Intento Experimento: proponer un método basado en el pesado de semillas y patrones Minería de texto para obtener patrones léxicos Se utilizó la Web para obtener los patrones utilizando semillas Se utilizó la Web para recuperar tuplas usando los patrones descubiertos

16 16 Aplicar SFMs. Recuperar únicamente aquellas secuencias que contengan ambas etiquetas y Se obtuvieron 4 conjuntos de SFM´s. El umbral de soporte utilizado para cada conjunto fue: instancia(singular)/concepto(singular): instancia(singular)/concepto(plural): instancia(plural)/concepto(singular): instancia(plural)/concepto(plural): Reunir los 4 conjuntos de SFMs en un solo conjunto. Encontrando patrones léxicos Pertenecer a varios dominios Incluir semillas en género masculino y femenino. Contemplar instancias y conceptos en forma plural y en singular. Seleccionar Semillas (instancia-concepto) Reunir Ejemplos Etiquetar Ejemplos Aplicar y Filtrar SFMs Resultado de esta Fase: Una lista compuesta de 184/156 patrones léxicos Se observó que las semillas deberían: Todos los ejemplos son normalizados con etiquetas Se utilizó el motor de búsqueda Google. Se bajaron 500 ejemplos de uso (snippets) para cada semilla.

17 17 Análisis de los patrones léxicos #Patrón 1,, 2,, y 3la es un 4, el de 5 ( ) 6: : 184las de #Patrón 1 las son 2 los de 3 del de 4 de las como 5 de y 6 las son 64las de Análisis de los patrones léxicos obtenidos. Algunos patrones son muy generales, pues carecen de alguna frontera. Varios patrones contienen signos de puntuación. Sin embargo, Google no reconoce signos de puntuación en sus búsquedas. Lo anterior puede tratarse de la sig. forma: 1. Filtrar los patrones, eligiendo solo aquellos que no contienen signos de puntuación. 2. Filtrar los patrones, recuperando aquellos que contienen por lo menos una frontera (izquierda o derecha). 59

18 18 Aplicación los patrones léxicos. En esta fase, los patrones son aplicados sobre la Web, con la finalidad de obtener un conjunto de tuplas, asociadas a un dominio específico. Una tupla se encuentra constituída por: (hipónimo, hiperónimo) Experimento 1: Mostrar la utilidad de los patrones obtenidos, así como, comprobar que la Web puede ser utilizada como un corpus de texto para extraer hipónimos. Se buscarán conceptos (hiperónimos) para las palabras (instancias) del vocabulario.

19 19 Experimento 1 Fijar los patrones Lanzar los patrones fijados a la Web Casar patrones fijos con la colección Aplicar y Filtrar SFMs Todos los patrones son fijados con cada una de las palabras del vocabulario. El conjunto de snippets recolectados, representa la colección sobre la cual se se aplican los patrones. El matching se realiza casando 1 sola palabra. Se bajaron 100 ejemplos de uso (snippets) para cada patrón fijado. Vocabulario java México petróleo Euro Patrones p/ java El * de java El java es un * que : Patrones p/ Euro El * de Euro : Patrones p/ java snippet 1 Patrones p/ Euro snippet1 : Lista de conceptos p/java Isla que lenguaje : Lista de conceptos p/Euro La moneda Se aplicó SFMs a caada lista de conceptos (existe una para cada palabra del vocabulario). Como resultado obtuvimos un catálogo de conceptos para cada instancia (del vocabulario)

20 20 Experimento 1 Análisis de resultados del experimento 1 Se obtuvo un catálogo de palabras relacionadas pero no necesariamente relaciones is-a. Se piensa que con un número mayor de patrones la precisión mejoraría Palabra del Vocabulario javaMéxicoPetróleoEuro Ejemplo de las primeras SFMs isla applets applet lenguaje xml ciudad estado golfo paises los gas barril precio yacimientos barriles Recurso centimos moneda billetes monedas Número de palabras en el catálogo con Soporte >=10 23 palabras11 palabras17 palabras14 palabras Precisión21.73%_63.63%11.7%28.57%

21 21 Experimento 2 Objetivo: Obtener tuplas con el nombre completo del(a) concepto/instancia cuando se forman de más de una palabra. 1: Seleccionar un vocabulario y fijarlos como instancias y como conceptos. 2: Lanzar los patrones fijos a la Web. Se recolectaron 100 snippets por cada patrón fijo. Como resultado obtenemos una colección, sobre la cual aplicamos los patrones convertidos en expresiones regulares. El matching es realizado de la siguiente forma: banco doctor diccionario felino novela profesión rocas vino Vocabulario 46 patrones*8 palabras del vocabulario = 368 patrones fijos para obtener instancias MatchingEjemplo de Instancia extraída A:Normaltigre de bengala B:Una sola palabratigre C: Limitado por palabras vacías tigre D:CompletoEl tigre de bengala es un felino que Patrón: el es un felino que Snippet: El tigre de bengala es un felino que siempre le ha fascinado al hombre Ejemplo: 3: Aplicar SFMs

22 22 Resultados Experimento 2 Opción B Buscando conceptosBuscando instancias Banco institucion billetes presidente tornillo gobernador cajero directorio gerente prestamo tarjeta pruebas desarrollo mexico sangre españa germoplasma credito inversion imagenes pichincha Tamaño del Catálogo =31 Tamaño del Catálogo = 15 Precisión= 4/31=12.90%Precisión= 2/15=13.33% Diccionario forma ataques proyecto herramienta definicion enciclopedia especie definiciones uso obra lunfardo lengua sinonimos terminos datos autoridades filosofia ingles fisica escritores Tamaño del Catálogo =12 Tamaño del Catálogo = 14 Precisión= 1/12=8.33%Precisión=3/14 = 21.42% Opción A Buscando conceptosBuscando instancias Banco billetes banco cuenta institución Presidente tornillo sistema cuentas gobernador cajero desarrollo pruebas mexico españa sangre germoplasma credito inversion tejidos bancos Tamaño del Catálogo = 37 Tamaño del Catálogo 47 Precisión= 4/37=10.81%Precisión=5/47=10.63% Diccionario definiciones definicion ayuda especie herramienta diccionario proyecto significado texto palabra terminos diccionario de ingles autoridades La Real Academia Española filosofia la lengua española español la RAE Palabras Tamaño del Catálogo = 33 Tamaño del Catálogo = 21 Precisión:4/33 =12.21%Precisión:4/21= 19.04%

23 23 Fase 2: Experimento 2 Opción C Buscando conceptosBuscando instancias Banco [34] billetes [29] institucion [21] cuenta [20] presidente [19] banco [14] gobernador [12] cuentas [11] tornillo [11] directorio [11] cajero [38] pruebas [37] mexico [37] desarrollo [36] sangre [31] germoplasma [24] inversion [24] credito [19] nacion [19] banco [18] pichincha Tamaño del Catálogo = 16 Tamaño del Catálogo = 36 Precisión= 2/16=12.5%Precisión= 4/36=11.11% Diccionario [22] especie [22] definicion [20] herramienta [17] forma [16] ataques [15] ayuda [14] diccionario [14] definiciones [13] seccion [13] proyecto [55] sinonimos [31] terminos [27] diccionario [27] datos [24] RAE [20] autoridades [19] filosofia [16] ingles [14] Real Academia Española Tamaño del Catálogo = 16 Tamaño del Catálogo = 14 Precisión= 3/16=18.75%Precisión= 4/14=28.57% Opción D Buscando conceptosBuscando instancias Banco [98] de banco o [89] banco como [74] de banco [48] el banco y las [44] el banco es la [15]cajero [28] banco,de,desarrollo [21] banco,de,datos. [18] un,banco,de,datos [16] banco,de,mexico [16] banco,de,inversiones Tamaño del Catálogo = 39 Tamaño del Catálogo = 45 Precisión= 4/39=10.25%Precisión= 15/45=33.33% Diccionario En forma de diccionario Del diccionario como Enciclopedia Una obra Concepto banco,que banco,de,inversion banco,de,españa,y el,banco,del,pichincha el,banco,del,estado Tamaño del Catálogo = 21 Tamaño del Catálogo = 31 Precisión= 2/21=9.52%Precisión= 14/31=45.16%

24 24 Fase 4 y 5: Esquema general el- -y- las- Fijar patrones el-*-es-un- felino-de Pesar patrones el-felino-es-un- *-de = 17 Matching Pesar las tuplas Lista de patrones Patrones fijando enfermedad diccionario felino rocas. Vocabulario Felino Pantera….16.5 Fuego… Enfemedad Felino Pantera Fuego Enfemedad Snippet1 snippet NOTA: Repetir el proceso fijando para encontrar Patrones pesados Web

25 25 Fase 4 y 5:Esquema General Fijar los patrones con las palabras del vocabulario buscando que los patrones resultantes sean completamente cerrados. Ejemplo: Patrón Fijar cada palabra del vocabulario como: el es una Concepto es un muy Instancia el es un que Ambos 25 patrones fueron fijados con instancias 31 patrones fueron fijados con conceptos Pesar los patrones: Definir una medida que evalúe la confiabilidad de cada patrón. Realizar el matching de los patrones fijos con la Web Se bajaron en promedio 600 ejemplos (snippets) por cada uno de los 46 patrones fijados. Matching a la colección de snippets Los patrones fueron convertidos a expresiones regulares para permitir extraer parejas (hiperónimo-hiponimo) Pesar las Tluplas: Definir una medida que evalúe la confiabilidad de cada tupla.

26 26 Peso = Patrón. 17/74 = de y 16/74 = y de 3/74 = del del 3/74 = el es uno de los mas 1/74 = las marinas son Parámetros del Experimento W(p) InicialW(I) Hipótesis: Un patrón es más confiable si proviene de varias semillas. Eliminar aquellos patrones cuyo peso <= 1/74 ya que son muy específicos. Fase 4 y 5: Experimento 3 De los 59 patrones se eliminaron 13 por tener pesos <= 1/74. Finalmente se trabajó con 46 patrones Una de las conclusiones es que tenemos mucha información Una lista de palabras relacionadas Donde n= |Patrones| Si P j no generó esa tupla W(P j )=min[W(P j )]

27 27 Parámetros del Experimento W(p) InicialW(I) Fase 4 y 5: Experimento 4 Hipótesis: Un patrón es más confiable si proviene de varias Eliminar aquellos patrones cuyo peso <= 1 ya que son muy específicos. 13 patrones fueron eliminados, por lo tanto se trabajó con 46. Únicamente extraer instancias que son generadas por 2 o más patrones. Si P j no generó esa tupla W(P j )=min[W(P j )] Donde n= |Patrones|

28 28 Fase 4 y 5: Conclusiones de los experimentos 3 y 4 Buscando Conceptos Experimento 8Experimento 9Experimento 8Experimento9 BancoRocas SUCURSAL1.13E-54 SUCURSAL1.50E-43 MINERALES4.37E-55 MINERALES5.62E-44 CAJERO5.72E-55 CAJERO7.49E-44 CAIDA3.88E-55 CAIDA5.00E-44 TARJETAS1.98E-55 TARJETAS2.50E-44 ACANTILADOS1.51E-55 ACANTILADOS1.87E-44 GERENTE1.80E-55 GERENTE1.87E-44 SUELOS1.51E-55 SUELOS1.87E-44 CUENTAS1.34E-55 CUENTAS1.67E-44 SECUENCIAS1.34E-55 SECUENCIAS1.67E-44 NUMERO1.19E-55 NUMERO1.43E-44 FORMACIONES1.34E-55 FORMACIONES1.67E-44 CUENTA9.38E-56 CUENTA9.37E-45 MECANICA1.02E-55 MECANICA1.25E-44 BILLETE6.25E-56 BILLETE6.25E-45 CAIDAS6.82E-56 CAIDAS8.33E-45 SERVICIOS5.21E-56 SUCURSAL1.50E-43 GRIETAS6.82E-56 HENDIDURAS8.33E-45 EnfermedadDiccionario RIESGO1.64E-53RIESGO2.40E-42 DICCIONARIO2.81E-54DICCIONARIO4.00E-43 TRATAMIENTO4.29E-54TRATAMIENTO6.00E-43INSTRUMENTO9.62E-56INSTRUMENTO1.00E-44 CAUSA1.01E-54CAUSA1.12E-43DEFINICIONES6.82E-56BASE8.33E-45 PROCESO5.63E-55SINTOMA6.25E-44 BASE6.82E-56DEFINICIONES8.33E-45 SINTOMA5.63E-55PROCESO6.25E-44 PROYECTO6.25E-56PROYECTO6.25E-45 FORMA2.69E-55FORMA2.81E-44 TERMINOS5.21E-56TERMINOS6.25E-45 FENOMENO7.59E-56FENOMENO8.92E-45 RECURSO4.55E-56RECURSO5.35E-45

29 29 Fase 4 y 5: Conclusiones de los experimentos 3 y 4 Buscando Instancias Experimento8Experimento9Experimento8Experimento9 BancoRocas CREDITO3.50E-53CREDITO3.93E-53 PORFIDOS1.40E-53PORFIDOS1.45E-53 DATOS8.18E-54DATOS8.73E-54 HIELO4.19E-54HIELO4.36E-54 DESARROLLO6.21E-54DESARROLLO6.55E-54 GRANITO2.46E-54GRANITO2.42E-54 BANCOS4.78E-54BANCOS4.85E-54 GRANITOS1.73E-54BASALTOS1.62E-54 OCCIDENTE2.12E-54OCCIDENTE2.18E-54 BASALTOS1.73E-54GRANITOS1.62E-54 COSTA RICA7.69E-55COSTA RICA7.27E-55 ARENISCAS1.01E-54ARENISCAS9.70E-55 GALICIA7.69E-55GALICIA7.27E-55 CALIZA7.42E-55CALIZA6.42E-55 RESERVA7.42E-55RESERVA6.42E-55 ESQUISTOS6.99E-55ESQUISTOS6.23E-55 BBVA7.10E-55BBVA6.23E-55 MINERALES2.56E-55ALZHEIMER5.13E-55 EnfermedadNovela CANCER7.12E-52CANCER8.08E-52 HISTORIA3.50E-54HISTORIA3.12E-54 EPILEPSIA2.16E-54GUMBORO2.18E-54 INTRIGA2.12E-54TERROR2.18E-54 ALCOHOLISMO2.13E-54EPILEPSIA1.87E-54 FICCION2.12E-54INTRIGA2.18E-54 GUMBORO2.12E-54 ALCOHOLISMO 1.87E-54 TERROR2.12E-54FICCION2.18E-54 TUBERCULOSIS1.28E-54 TUBERCULOSIS 1.04E-54 AMOR7.69E-55AMOR7.27E-55 CARIES1.06E-54ASMA8.31E-55 NOVELA7.44E-55NOVELA6.23E-55 ASMA1.01E-54CARIES8.31E-55 RELATO3.72E-55RELATO3.12E-55

30 30 Fase 4 y 5: Resultados de los experimentos 3 y 4 Estadísticas Vocabulario Buscando instancias Exp 3Exp 4 PrecisiónNo. de tuplasPrecisión No. de tuplas Banco 1/20= 5%31161/20= 5%178 Diccionario 1/20= 5% /20= 5%76 Enfermedad 15/20= 75% /20= 75%256 Felino 5/20= 25% 2364/8=50%8 Profesión 10/20= 50% /20=50%198 Rocas 8/20= 40% 17189/20=45%114

31 31 Parámetros del Experimento W(P) InicialW(I)W(P) a través de I Fase 3 y 4: Experimento 10 Hipótesis: Un patrón es más confiable si proviene de varias semillas. El peso de los patrones no esta normalizado con la finalidad de evitar cantidades muy pequeñas al momento de multiplicarlos. Eliminar aquellos patrones cuyo peso <= 1 ya que son muy específicos. Únicamente extraer tuplas que son generadas por 2 o más patrones. Donde n= |Patrones| Si P j no generó esa tupla W(P j )=min[W(P j )] Donde nt= Num. de tuplas que genera un determinado patrón

32 32 Fase 3 y 4: Experimento 12 Hipótesis: Un patrón ideal tendría alto recuerdo y alta precisión F-measure da un promedio entre precisión y recuerdo Únicamente extraer tuplas que son generadas por 2 o más patrones Parámetros del Experimento W(P) InicialW(I)W(P) a través de I Donde n= |Patrones| Si P j no generó esa tupla W(P j )=min[W(P j )] Donde nt= |tuplas que genera un patrón específico| Precisión Recuerdo

33 33 Fase 3 y 4:Experimento 14 Información mutua. Pantel y Pennacchiotti (2006) utilizan una medida basada en Información Mutua (pmi) para evaluar la fuerza de asociación entre una instancia y un patrón. Ellos estiman la información mutua entre una tupla i y un patron p con: Parámetros del Experimento W(P) inicialW(I)W(P) a través de I Donde nt= Num. De tuplas que genera un Determinado patrón

34 34 Fase 3 y 4: Comparación de Resultados 1ra Iteración 2da Iteración

35 35 Fase 3 y 4: Comparación de Resultados Vocabulario Buscando instancias Exp 10Exp 12Exp. 14 Precisión (20) Precisi ón (30) Tuplas Precisió n (20) (30)Tuplas Precisión (20) Precisión (30) Tuplas Banco 5%6%45%46.6%55%46.6% Diccionario 5%3.3%15%10%15%10% Enfermedad 75%8%95%96.6%100%96.6% Felino 57.1% 57.1%57.1% Profesión 60%50% 70%66.66%60%63.3% Rocas 40%30% 35%36.6%65%50% Buscando Conceptos Banco 15%10%20%16.6%5%3% Diccionario 20%16%30%20% 23.3% Enfermedad 30%23% 30%26%10% Felino 16.6% 18.1% Profesión 15%10%15%10% Rocas 30%20% 25%20%10%13.3%

36 36 Fase 3 y 4: Comparación de Resultados Buscando Instancias Buscando Conceptos

37 37 Patrones #Patrón# 1,,22del del 2,, y23 como. 3la es un 24la una 4, el de25 tecas / por 260 euros. 5las de 26 y otros, 6 de la facultad de 27peces,, 7,,, etc28, y otros 8de y 29, natural 9marmol,, 30el, que 10el es el que31anorexia y, 11, en32perros,, peces y pequeños. 12 griego 13las marinas son 33ecobosques 12 tecas / por 260 euros 14la es la 15 de y34licenciado en de la actividad y del deporte 16los y otros 17, las 35anorexia y, 18 e historia de las 36en de 19 ( ) la y otros 38la es el de 21el es un de39de las como

38 38 Patrones #Patrón# 40 es un muy58, o 41de la, 59los, las 42 ; 60 / 43, y 61, pintura,, 44. los 62 como la 45el es el unico 63de los de 46 y.64la ( 47hojuelas o copos de ); 65> > 66. el es el 48 es una.67de como y 49, la 68la como una 50de la de 69el, un 51el, la luna y las 70del de 52las son que71el es un que 53de los y 72 eran 54 aplicadas de la 73, aplicadas 55de ( 74 es una de 56., materiales para la contruccion, marmoles, naturales, natural´marbles, granite and stones 75de accesorios y alimentacion para perros,, aves, reptiles, peces y pequeños. 57:,

39 39 Patrones #Patrón# 76 y,una de 77en ( de ( 78. la la, el 79la, de de o 80: : de, y 81(,,,. 82lunas,, los, 83de como dede y otros 84 y yla. 85en, el, de 86, y las son, 87el es la : 88de, de en estado 89el y las, griego 0los son el uso de la como las son una de los y los las son u otros facultad de de la actividad y, la aparte de segregar por el abdomen la con la que fabrica las de araña. el es el de mayor longevidad

40 40 Patrones #Patrón# - de. y naturalesla es una que que la es una el de la la es el unico natural ( de. el ( ),, de la, graficas, el, el. al, el es el interno mas / del, de los de la como de del grupo de las 156 y de, el mas, caliza,, graficas del como de de.., de la actividad y el deporte, del


Descargar ppt "1 Descubrimiento Automático de Hiperónimos en Texto no Estructurado Tomado de Rosa María Ortega Mendoza, Tesis de Maestría, INAOE Laboratorio de Tecnologías."

Presentaciones similares


Anuncios Google