Raúl Gutierrez de Piñerez Reyes
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Raúl Gutierrez de Piñerez Reyes has a total of 4 co-authors. Here are the top co-authors by number of shared publications:
- Jefferson A. Peña Torres
Universidad del Valle
3 shared publications - Víctor Andrés Bucheli Guerrero
Universidad del Valle
3 shared publications - Fabio Augusto Gonzalez
Universidad Nacional de Colombia
1 shared publication Juan Francisco Díaz-Frías
Universidad del Valle
1 shared publication
Latest Publications
- 7 February 2022
- Published by Universidad Pedagogica y Tecnologica de Colombia in Cuadernos de Lingüística Hispánica
- Vol. 39 (39) , 1-16
Traducción automática de un conjunto de entrenamiento para extracción semántica de relaciones
La traducción automática (TA) se utiliza para obtener corpus anotados a partir de corpus provenientes del idioma inglés, los cuales pueden ser aplicables a diferentes tareas de procesamiento de lenguaje natural (PLN). Teniendo en cuenta que existen más recursos o conjuntos de datos para entrenamiento de modelos de PLN en idioma inglés, en este trabajo se explora la aplicación de la TA para automatizar tareas de PLN en el idioma español. De esta forma, en el artículo se describe un conjunto dedatos para la extracción de relaciones genéricas (reACE) y la construcción de un modelo extracción semántica de relaciones en español (ER), basado en el conjunto de muestras traducidas del idioma inglés al español. Los resultados muestran que para la tarea de TA es necesario implementar un proceso de preedición del corpus en inglés, con el fin de evitar errores de traducción, posedición y mantener las anotaciones del corpus original. Los modelos ER en español alcanzan medidas de precisión,exhaustividad y valor-F comparables con las obtenidas por el modelo en el lenguaje de inglés, lo que sugiere que la traducción automática es una herramienta útil pararealizar tareas de PLN en el idioma español
- 7 February 2022
- Published by Universidad Pedagogica y Tecnologica de Colombia in Cuadernos de Lingüística Hispánica
- Vol. 39 (39) , 1-16
Traducción automática de un conjunto de entrenamiento para extracción semántica de relaciones
La traducción automática (TA) se utiliza para obtener corpus anotados a partir de corpus provenientes del idioma inglés, los cuales pueden ser aplicables a diferentes tareas de procesamiento de lenguaje natural (PLN). Teniendo en cuenta que existen más recursos o conjuntos de datos para entrenamiento de modelos de PLN en idioma inglés, en este trabajo se explora la aplicación de la TA para automatizar tareas de PLN en el idioma español. De esta forma, en el artículo se describe un conjunto dedatos para la extracción de relaciones genéricas (reACE) y la construcción de un modelo extracción semántica de relaciones en español (ER), basado en el conjunto de muestras traducidas del idioma inglés al español. Los resultados muestran que para la tarea de TA es necesario implementar un proceso de preedición del corpus en inglés, con el fin de evitar errores de traducción, posedición y mantener las anotaciones del corpus original. Los modelos ER en español alcanzan medidas de precisión,exhaustividad y valor-F comparables con las obtenidas por el modelo en el lenguaje de inglés, lo que sugiere que la traducción automática es una herramienta útil pararealizar tareas de PLN en el idioma español
- Open Access
- 5 December 2019
- Published by Instituto Tecnologico Metropolitano (ITM) in TecnoLógicas
- Vol. 22, 49-62
How to Adapt Deep Learning Models to a New Domain: The Case of Biomedical Relation Extraction
In this article, we study the relation extraction problem from Natural Language Processing (NLP) implementing a domain adaptation setting without external resources. We trained a Deep Learning (DL) model for Relation Extraction (RE), which extracts semantic relations in the biomedical domain. However, can the model be applied to different domains? The model should be adaptable to automatically extract relationships across different domains using the DL network. Completely training DL models in a short time is impractical because the models should quickly adapt to different datasets in several domains without delay. Therefore, adaptation is crucial for intelligent systems, where changing factors and unanticipated perturbations are common. In this study, we present a detailed analysis of the problem, as well as preliminary experimentation, results, and their evaluation.
- 5 December 2019
- Published by Instituto Tecnologico Metropolitano (ITM) in TecnoLógicas
- Vol. 22, 49-62
Open AccessHow to Adapt Deep Learning Models to a New Domain: The Case of Biomedical Relation Extraction
In this article, we study the relation extraction problem from Natural Language Processing (NLP) implementing a domain adaptation setting without external resources. We trained a Deep Learning (DL) model for Relation Extraction (RE), which extracts semantic relations in the biomedical domain. However, can the model be applied to different domains? The model should be adaptable to automatically extract relationships across different domains using the DL network. Completely training DL models in a short time is impractical because the models should quickly adapt to different datasets in several domains without delay. Therefore, adaptation is crucial for intelligent systems, where changing factors and unanticipated perturbations are common. In this study, we present a detailed analysis of the problem, as well as preliminary experimentation, results, and their evaluation.
- 19 August 2018
- Published by Springer Nature
- p. 326-337
Support Vector Machines for Semantic Relation Extraction in Spanish Language
- 19 August 2018
- Published by Springer Nature
- p. 326-337
Support Vector Machines for Semantic Relation Extraction in Spanish Language
- 3 September 2014
- Published by Springer Nature
- p. 259-271
Informal Mathematical Discourse Parsing with Conditional Random Fields
- 3 September 2014
- Published by Springer Nature
- p. 259-271
Informal Mathematical Discourse Parsing with Conditional Random Fields