Desarrollo de representaciones vectoriales de palabras para español de Costa Rica

Abstract

Las representaciones vectoriales de palabras, también conocidas como word embeddings, son modelados del lenguaje, donde la semántica de palabras o textos es transferida a vectores de números reales. Estos son utilizados en algunas aplicaciones de procesamiento del lenguaje natural o NLP (por sus siglas en inglés). En este proyecto se crearon word embeddings con texto que incluye español de Costa Rica. Se utilizaron diferentes tamaños de ventana de contexto para su generación. Se aplicaron los word embeddings generados para resolver la tarea de análisis de sentimiento a partir de comentarios escritos en español costarricenses. Se generaron modelos para dos tipos de clasificador: redes neuronales y máquinas de soporte vectorial. Específicamente se evaluó la tarea de identificación de la polaridad de un texto. Se replicaron estas evaluaciones con un word embeddings pre existente que fue utilizado como línea base o referencia de comparación para todos los nuevos word embeddings generados en este trabajo. Las observaciones de estas evaluaciones dan indicios de mejora en los resultados del análisis de sentimiento, al utilizar textos con variantes del español costarricense para crear los embeddings.