Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura

Vista sencilla de ítem
dc.contributor.advisorEspinosa Carreño, María Alexandra
dc.contributor.advisorFlórez Gómez, Leidy Yohana
dc.contributor.apolounabEspinosa Carreño, María Alexandra [maria-alexandra-espinosa-carreño]spa
dc.contributor.authorHernández Álvarez, Daniel Fernando
dc.contributor.cvlacEspinosa Carreño, María Alexandra [0001495409]spa
dc.contributor.googlescholarEspinosa Carreño, María Alexandra [Ve6S8ocAAAAJ&hl]spa
dc.contributor.orcidEspinosa Carreño, María Alexandra [0000-0003-1411-0828]spa
dc.contributor.researchgateEspinosa Carreño, María Alexandra [Maria-Espinosa-C]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2022-06-28T20:19:23Z
dc.date.available2022-06-28T20:19:23Z
dc.date.issued2022
dc.degree.nameMagíster en Gestión, Aplicación y Desarrollo de Softwarespa
dc.description.abstractEl reconocimiento de entidades nombradas es una de las tareas del Procesamiento del Lenguaje Natural que se convierte en uno de los primeros pasos para extracción de información en un contexto determinado, en este trabajo se ha aprovechado para identificar actores (entidades) que tienen alguna relación con el contexto de la agricultura, con el fin de identificar posibles relaciones que estos puedan tener dado un conjunto de documentos determinados. En el desarrollo del presente trabajo se lograron identificar los principales modelos de Procesamiento de Lenguaje Natural que tienen como propósito la detección de actores en un contexto determinado, los cuales se utilizaron para la definición de un esquema de procesamiento que permite la extracción de actores relacionados con el contexto de la agricultura dado un conjunto de documentos determinados, y además teniendo como referencia la distancia a la que se encontraban los actores en los documentos se pudo construir un prototipo de aplicación web que permite además de identificar estos actores, generar una visualización gráfica de potenciales relaciones entre los actores identificadas.spa
dc.description.abstractenglishThe recognition of named entities is one of the tasks of Natural Language Processing that becomes one of the first steps for extracting information in a given context, in this work it has been used to identify actors (entities) that have some relationship with the context of agriculture, in order to identify possible relationships that these may have given a set of specific documents. In the development of this work, it was possible to identify the main Natural Language Processing models whose purpose is the detection of actors in a given context, which were used for the definition of a processing scheme that allows the extraction of actors related to the context of agriculture given a set of specific documents, and also having as a reference the distance at which the actors were in the documents, it was possible to build a web application prototype that allows, in addition to identifying these actors, to generate a graphic display of potential relationships between the actors identified.spa
dc.description.degreelevelMaestríaspa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsINTRODUCCIÓN 8 1. PLANTEAMIENTO DEL PROBLEMA 10 2. JUSTIFICACIÓN 12 3. CONTEXTO DE LA SOLUCIÓN 14 3.1. Marco teórico 14 3.2. Estado del arte 31 3.3. Antecedentes 42 4. MARCO METODOLÓGICO 44 5. RESULTADOS 51 5.1. Modelos de procesamiento del Lenguaje Natural 51 5.2. Entrenamiento de modelos para reconocimiento de entidades nombradas relacionadas con transferencia tecnológica en el sector de la agricultura 53 5.3. Desarrollo de prototipo de aplicación Web 70 6. CONCLUSIONES 81 7. RECOMENDACIONES 83 8. REFERENCIAS 84spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/16813
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programMaestría en Gestión, Aplicación y Desarrollo de Softwarespa
dc.relation.referencesAggarwal, C. C. (2015). Data Mining: The Textbook. Springer International Publishing Switzerland.spa
dc.relation.referencesArulanandam, R., Savarimuthu, B. T. R., & Purvis, M. A. (2014). Extracting Crime Information from Online Newspaper Articles. Proceedings of the Second Australasian Web Conference (AWC 2014), Auckland, New Zealand, Awc, 31–38.spa
dc.relation.referencesBaciero Fernández, J. I. (2020). Elaboración de un modelo de reconocimiento de “Entidades Nombradas” (NER) para uso en aplicaciones de Procesamiento del Lenguaje Natural (NLP). Universidad Politécnica de Madrid.spa
dc.relation.referencesBagnato, J. (2018, November 29). ¿Cómo funcionan las Convolutional Neural Networks? Visión por Ordenador. Aprende Machine Learningspa
dc.relation.referencesBrahma, A. K., Potluri, P., Kanapaneni, M., Prabhu, S., & Teki, S. (2021). Identification of Food Quality Descriptors in Customer Chat Conversations using Named Entity Recognition. ACM International Conference Proceeding Series, 257–261. https://doi.org/10.1145/3430984.3431041spa
dc.relation.referencesColciencias, D. A. de C. T. e I., MinAgricultura, M. de A. y D. R., & Corpoica, C. C. de I. A. (2017). Plan Estratégico de Ciencia y Tecnología Agropecuaria 2017 - 2027spa
dc.relation.referencesde Grado, P., Ordóñez, J., Yesid, B., López, L., Andrés, S. A., Aristizábal, A., Phd, P., De, F., Maestría, I., Ciencias, E. N., & Datos, D. E. (2021). Modelo de procesamiento de lenguaje natural para detectar la tasa de éxito de un artículo sobre otro.spa
dc.relation.referencesEspinosa, M. A., Romero, E., Flórez, L., & Guerrero, C. (2020). DANDELION : Propuesta metodológica para recopilación y análisis de información de artículos científicos . Un enfoque desde la bibliometría y la revisión sistemática de la literatura . Revista Ibérica de Sistemas e Tecnologias de Informação, 110–123.spa
dc.relation.referencesFAO. (2016). Vinculación De Los Pequeños Productores Con Los Mercadosspa
dc.relation.referencesFAO, IFAD, UNICEF, WFP, & WHO. (2020). The State of Food Security and Nutrition in the World 2020: Transforming food systems for affordable healthy diets. In The State of Food Security and Nutrition in the World 2020. FAO. https://doi.org/10.4060/ca9692enspa
dc.relation.referencesFlórez Martínez, D. H., & Uribe Galvis, C. P. (2018). TIC para la investigación, desarrollo e innovación del sector agropecuario (AGROSAVIA, Ed.)spa
dc.relation.referencesGobernación de Santander. (2020). Plan Departamental de Extensión Agropecuaria 2020 - 2023spa
dc.relation.referencesHou, R., Li, H., Feng, H., Li, Y., Li, J., & Shen, Y. (2020). An entity relation extraction algorithm based on BERT(wwm-ext)-BiGRU-Attention. ACM International Conference Proceeding Series, 130–135. https://doi.org/10.1145/3444370.3444559spa
dc.relation.referencesJoyanes Aguilar, L. (2019). Inteligencia de negocios y analítica de datos. AlfaOmegaspa
dc.relation.referencesKim, J., Kim, C., Lee, J., Park, S., & Kang, H. (2017). LIF: A method to infer disease-gene relationships using literature data and impact factor. Proceedings of the ACM Symposium on Applied Computing, Part F1280, 3–10. https://doi.org/10.1145/3019612.3019613spa
dc.relation.referencesLangley, P., & Carbonell, J. G. (2018). Machine Learning for Dummies. John Wiley & Sons, Incspa
dc.relation.referencesLi, J., Wang, T., & Zhang, W. (2020). An Improved Chinese Named Entity Recognition Method with TB-LSTM-CRF. ACM International Conference Proceeding Series, 96–100. https://doi.org/10.1145/3421515.3421534spa
dc.relation.referencesMartínez Rueda, C. (2018). Analisis De La Tecnica De Aprendizaje Por Refuerzo Para La Generacion Automatica De Resumenes. Universidad de Alicante.spa
dc.relation.referencesMikolov, T., Corrado, G., Chen, K., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. 1–12.spa
dc.relation.referencesMiner, G., Elder, J., & Nisbet, B. (2012). Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications. Academic Press. https://doi.org/10.1016/C2010-0-66188-8spa
dc.relation.referencesOliinyk, H. (2017). Word embeddings: exploration, explanation, and exploitation (with code in Python). Towards Data Science. https://towardsdatascience.com/word-embeddings-explorationexplanation-and-exploitation-with-code-in-python-5dac99d5d795spa
dc.relation.referencesPandey, C., Ibrahim, Z., Wu, H., Iqbal, E., & Dobson, R. (2017). Improving RNN with atention and embedding for adverse drug reactions. ACM International Conference Proceeding Series, Part F1286, 67–71. https://doi.org/10.1145/3079452.3079501spa
dc.relation.referencesPatiño Hernandez, O. Y. (2020). KAKAW: MODELO DE INTELIGENCIA ARTIFICIAL PARA LA IDENTIFICACIÓN DE ACTORES Y SU RELACIÓN EN EL SECTOR CACAOTERO DE SANTANDER [Tesis de pregrado no publicada]. UNIVERSIDAD AUTÓNOMA DE BUCARAMANGA.spa
dc.relation.referencesPennington, J., Socher, R., & Manning, C. D. (2014). GloVe : Global Vectors for Word Representation. https://doi.org/10.3115/v1/D14-1162spa
dc.relation.referencesPiatetsky, G. (2014). CRISP-DM, still the top methodology for analytics, data mining, or data science projects. Www.Kdnuggets.Com. https://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analyticsdata-mining-data-science-projects.htmlspa
dc.relation.referencesQin, L., Hao, Z., & Zhao, L. (2019). Food safety knowledge graph and question answering system. ACM International Conference Proceeding Series, 559– 564. https://doi.org/10.1145/3377170.3377260spa
dc.relation.referencesRaschka, S., & Mirlalili, V. (2019). Python Machine Learning (Third Edit, Issue January 2010). BIRMINGHAM - MUMBAI: Packt Publishing Ltdspa
dc.relation.referencesRen, F., Yuan, S., & Gao, F. (2019). Extraction of transitional relations in healthcare processes from Chinese medical text based on deep learning. ACM International Conference Proceeding Series, 56–60. https://doi.org/10.1145/3325730.3325771spa
dc.relation.referencesSchwaber, K., & Sutherland, J. (2020). La Guía Scrum.spa
dc.relation.referencesSeguí Parejo, E. J. (n.d.). Qué es el tf idf y cómo mejorar la relevancia de tus textos. Retrieved February 5, 2020, from https://www.publisuites.com/blog/tf-idf/spa
dc.relation.referencesStecanella, B. (2019). ¿Qué es TF-IDF? Monkeylearn.Com. https://monkeylearn.com/blog/what-is-tf-idf/spa
dc.relation.referencesSurkova, A., & Chernobaev, I. (2019). Word embedding and cognitive linguistic models in text classification tasks. CSIS’2019: Proceedings of the XI International Scientific Conference Communicative Strategies of the Information Society.spa
dc.relation.referencesUszkoreit, J. (2017). Transformer: A Novel Neural Network Architecture for Language Understanding. Google AI BLog. https://ai.googleblog.com/2017/08/transformer-novel-neural-network.htmlspa
dc.relation.referencesVajjala, S., Majumder, B., Gupta, A., & Surana, H. (2020). Practical Natural Language Processing. O’Reilly Media, Inc.spa
dc.relation.referencesZaki Rizvi, M. S. (2019). Demystifying BERT: A Comprehensive Guide to the Groundbreaking NLP Framework. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2019/09/demystifying-bertgroundbreaking-nlp-framework/spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsSystems engineerspa
dc.subject.keywordsSoftware developmentspa
dc.subject.keywordsSoftwarespa
dc.subject.keywordsNatural language processingspa
dc.subject.keywordsNamed entity recognitionspa
dc.subject.keywordsRelationship identificationspa
dc.subject.keywordsTechnology transferspa
dc.subject.keywordsAgriculturespa
dc.subject.keywordsProgramming languagespa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsTechnological innovationsspa
dc.subject.keywordsAutomationspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembLenguaje de programaciónspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembAutomatizaciónspa
dc.subject.lembDesarrollo de softwarespa
dc.subject.proposalProcesamiento del lenguaje naturalspa
dc.subject.proposalAgriculturaspa
dc.subject.proposalReconocimiento de entidades nombradasspa
dc.subject.proposalIdentificación de relacionesspa
dc.subject.proposalTransferencia tecnológicaspa
dc.titleSoftware para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agriculturaspa
dc.title.translatedSoftware for the identification of actors related to technology transfer in the context of the agriculture sectorspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM

Archivos

Bloque original

Mostrando 1 - 5 de 5
Miniatura
Nombre:
2022_Tesis_Daniel_Fernando_Hernandez.pdf
Tamaño:
1.87 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf
Tamaño:
388.56 KB
Formato:
Adobe Portable Document Format
Descripción:
Manual de usuario
Descargar
Miniatura
Nombre:
2022_Impacto_Daniel_Fernando_Hernandez.pdf
Tamaño:
89.28 KB
Formato:
Adobe Portable Document Format
Descripción:
Impacto del trabajo
Descargar
Miniatura
Nombre:
2022_Software_Daniel_Fernando_Hernandez.zip
Tamaño:
6.2 MB
Formato:
Zip Archive
Descripción:
Software
Descargar
Miniatura
Nombre:
2022_Licencia_Daniel_Fernando_Hernandez.pdf
Tamaño:
86.86 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Gestión, Aplicación y Desarrollo de Software