Extracción de relaciones semánticas y entidades en documentos del dominio de salud

"Los métodos de procesamiento del lenguaje natural (PLN) se utilizan cada vez más para extraer conocimientos de textos de salud no estructurados. Por ejemplo, analizar información médica, estructurarla en categorías definidas y agruparlas en bases de datos. La organización de la información méd...

Full description

Bibliographic Details
Author: Barrios González, Erick
Format: master thesis
Status:Published version
Publication Date:2022
Country:México
Institution:Benemérita Universidad Autónoma de Puebla
Repository:Repositorio Institucional de Acceso Abierto RIAA-BUAP
Language:Spanish
OAI Identifier:oai:repositorioinstitucional.buap.mx:20.500.12371/17047
Online Access:https://hdl.handle.net/20.500.12371/17047
Access Level:Open access
Keyword:INGENIERÍA Y TECNOLOGÍA
Procesamiento de lenguaje natural (Computación)
Archivos--Innovaciones tecnológicas
Sistemas de almacenamiento y recuperación de información--Materiales de archivo
Semántica--Procesamiento de datos
Redes neuronales (Computación)
Documentos administrativos
Description
Summary:"Los métodos de procesamiento del lenguaje natural (PLN) se utilizan cada vez más para extraer conocimientos de textos de salud no estructurados. Por ejemplo, analizar información médica, estructurarla en categorías definidas y agruparlas en bases de datos. La organización de la información médica puede ser de utilidad para análisis clínicos, para disminuir el número de errores médicos, o puede ayudar a la toma de decisiones más adecuadas en determinados casos. En esta tesis se espera extraer automáticamente una gran variedad de conocimientos de documentos de salud redactados en español. Esta investigación aborda un escenario, donde para resolver las tareas de identificación de entidades y extracción de relaciones semánticas se utiliza una metodología basada en el uso de redes neuronales recurrentes. Para evaluar la metodología se hará uso de las métricas: precisión, exhaustividad y F1".

Similar Items