Construcción semiautomática de un documento LEL utilizando técnicas de procesamiento de lenguaje natural

Título:

Construcción semiautomática de un documento LEL utilizando técnicas de procesamiento de lenguaje natural

Autor:

Carrilao Ávila, Guillermo Federico

Otros autores / Colaboradores:

 Antonelli, Rubén Leandro; [ Director/a]  Hasperué, Waldo; [ Director/a] 

Temas:

APRENDIZAJE AUTOMÁTICO; LENGUAJE NATURAL; 

URL:

http://sedici.unlp.edu.ar/handle/10915/118992,

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2021.

Extensión:

1 archivo (3,3 MB) : il. col.

Resumen:

Los analistas deben consumir y analizar una gran cantidad de información sobre el dominio y requerimientos de un proyecto para construir los diferentes documentos de ingeniería de software que se utilizan a lo largo del ciclo de vida de desarrollo. La calidad de estos documentos son de vital importancia para el éxito de un desarrollo e implica un gran esfuerzo por parte de los analistas. Por esta razón, esta tesis propone una herramienta que sea capaz de tamizar y sintetizar toda la información de un dominio de manera tal que asista a los analistas y facilite su trabajo. En este trabajo se busco facilitar el esfuerzo de construir documentos LEL, los cuales son glosarios que especifican de manera detallada cada elemento de un dominio (símbolos) y sus posibles relaciones entre si (impactos), con el objetivo de ser un nexo comunicativo entre los analistas y los clientes. Para lograr esto se implementó una solución semi-automatizada para crear documentos LEL a partir de texto ingresado por el usuario, donde la información que se toma como entrada debe contener detalles de requerimientos o de dominio de una aplicación. Finalmente el trabajo muestra los resultados del algoritmo de aprendizaje automático utilizado y el análisis comparativo de los resultados esperados con los obtenidos por la herramienta, donde se detalla el porqué de los errores y aciertos de los mismos.

Puede solicitar más fácilmente el ejemplar con: TES 21/05

1. Introducción 
1.1. Motivación 
1.2. Objetivos 
1.3. Contribución 
1.4. Estructura de la tesina

2. Background 
2.1. Léxico extendido del lenguaje 
2.1.1. Introducción 
2.1.2. Definición 
2.1.3. Categorías de símbolos 
2.1.4. Confección de un LEL 
2.1.5. Conclusión 
2.2. Procesamiento de lenguaje natural 
2.2.1. Introducción 
2.2.2. Definición 
2.2.3. Uso de procesamiento de Lenguaje Natural 
2.2.4. Normalización de texto, Lemmatization y Stemming 
2.2.5. Tokenización 
2.2.6. Bigramas y trigramas 
2.2.7. Parts of Speech Tagging (POS Tagging) 
2.2.8. Dependencias gramaticales 
2.2.9. Conclusión 
2.3. Aprendizaje automático 
2.3.1. Introducción 
2.3.2. Aprendizaje automático supervisado 
2.3.3. Aprendizaje automático no-supervisado 
2.4. Categorización de texto 
2.4.1. Introducción
2.4.2. Definición 
2.4.3. Ponderación de las palabras 
2.4.4. Enfoque Naive Bayes 
2.4.5. Conclusión 
3. Estado del Arte 
3.1. Introducción
3.2. Derivaciones 
3.2.1. Diagrama de clases 
3.2.2. Casos de usos 
3.2.3. Modelos entidad relación 
3.2.4. Glosarios de términos 
3.3. Resumen de investigaciones 
3.4. Conclusión

4. Herramienta propuesta 
4.1. Introducción 
4.2. Análisis de la estructura LEL 
4.3. Arquitectura de la plataforma 
4.3.1. Vista general de la plataforma 
4.3.2. Python como lenguaje de programación 
4.3.3. Plataforma web 
4.3.4. Procesamiento de lenguaje natural: Spacy y NLTK 
4.3.5. Aprendizaje automático: Sklearn 
4.3.6. Base de datos MySQL 
4.3.7. Repositorio central de multi-lenguaje 
4.4. Esquema de extracción de información 
4.5. Diseño de la herramienta 
4.6. Implementación y flujo de la herramienta 
4.6.1. Datos de entrada 
4.6.2. Módulo de reglas heurísticas 
4.6.3. Uso de módulos de reglas heurísticas y reestructuración de sentencias
4.6.4. Normalización de la entrada 
4.6.5. Estructuración de texto: Obtener Sujetos y Objetos Principales
4.6.6. Interacción del usuario con los símbolos 
4.6.7. Búsqueda de relaciones 
4.6.8. Búsqueda de nociones y retroalimentación 

5. Experimentación 
5.1. Construcción del clasificador de Naive Bayes 
5.1.1. Introducción 
5.1.2. Muestras de aprendizaje 
5.1.3. Preparación de la información para el clasificador de Bayes 
5.1.4. Desbalanceo de datos y submuestreo (downsampling) 
5.1.5. K-Fold Cross Validation 
5.1.6. Resultados obtenidos 
5.2. Resultados de la herramienta 
5.2.1. Introducción 
5.2.2. Resultados de la herramienta comparados con los documentos LEL
5.3. Conclusión de resultados

6. Conclusiones