HERRAMIENTAS DE STILUS 1)Extraccin de Entidades con Nombre: (http://showroom.daedalus.es/es/ner/ner.

php) Este demostrador est basado en STILUS-NER, componente de la familia STILUS de productos de tecnologa lingstica, que ofrece funcionalidad para el etiquetado semntico de textos a partir de diccionarios de entidades con nombre. El proceso es el siguiente: 1. Se realiza la segmentacin del texto en unidades (palabras o entidades multipalabra). 2. Se marcan como entidades candidatas aquellas unidades que aparezcan en alguno de los diccionarios de entidades del sistema, bien tal cual o como una variante. 3. Si para una forma se tiene ms de una entidad candidata, se realiza una desambiguacin basada en heursticos, como la frecuencia de aparicin en el texto de la entidad (Castro se marcar como Fidel Castro si en el texto aparece este nombre y no Ral Castro, la presencia de marcadores discursivos (por ejemplo, a+LOCATION y artculo+ORGANIZATION, a Madrid se desambigua como la ciudad y el Madrid como el equipo de ftbol), desambiguacin geogrfica por contexto (segn las referencias geogrficas que aparezcan), etc. Como resultado del proceso se tienen las entidades que aparecen en la noticia as como su tipo y posicin en el texto. En este demostrador se utiliza el diccionario de entidades de STILUS-Sem (a mayo de 2009), que contiene 93.483 entidades: 35.427 personajes, 15.111 organizaciones y 42.945 lugares. En sus recursos, STILUS Sem incluye informacin semntica de distinta naturaleza. De forma esquemtica, se puede concretar que las entradas lxicas pueden acompaarse de los siguientes rasgos semnticos: <tipo de entidad> <temtica> <remisin> <info geogrfica> <relacin> (esto es una extensionde como funciona intermamente el Stilus Sem que analiza la semntica del context para ver como etiqueta las entidades NER(Name Entity Retrieval)

STILUS Sem es una biblioteca software ms un conjunto de recursos lingsticos para efectuar la expansin semntica de texto. Entre otras funcionalidades, el expansor semntico permite: Obtener informacin semntica de una palabra dada como su temtica, tipo de entidad, remisin a otras entidades o informacin geogrfica. Ampliar una cadena de texto aadiendo trminos relacionados mediante sinonimia (palabras con igual significado), antonimia (palabras con significado contrario) o palabras relacionadas semnticamente.

Anlisis semntico
En sus recursos, STILUS Sem incluye informacin semntica de distinta naturaleza. De forma esquemtica, se puede concretar que las entradas lxicas pueden acompaarse de los siguientes

rasgos semnticos: <tipo de entidad> <temtica> <remisin> <info geogrfica> <relacin> Ms en detalle, los distintos rasgos semnticos codifican la siguiente informacin estructurada: <tipo de entidad>: refiere al tipo de realidad que representa un trmino. Comprende los siguientes subrasgos: 1. <clase de entidad>: (instancia | clase | subclase) Donald -> SemEntity=@inst@... pjaro ->SemEntity=@class@... pato -> SemEntity=@subc@... 2. <ficcin>: (ficcin | no ficcin | indefinido) Mickey Mouse -> SemEntity=@inst@fiction@... Copito de Nieve ->SemEntity=@inst@nofiction@... Mahoma ->SemEntity=@inst@undef@... <temtica>: refiere a la disciplina o mbito de uso al que pertenece un trmino. En el primer nivel de la jerarqua de clasificacin estn los siguientes conceptos: BASIC_SCIENCES SOCIAL_SCIENCES HUMANITIES NATURAL_SCIENCES LIFE_SCIENCES TECHNOLOGY SOCIETY ARTS SPORT La jerarqua tiene un segundo nivel, por ejemplo, dentro de BASIC_SCIENCES, estaran: CHEMISTRY,PHYSICS,GEOMETRY y MATHEMATICS. <remisin>: remisin a otras formas. Incluye tres rasgos: 1. <remisin temtica>: refiere a la forma cannica, esto es, a la forma oficial, cientfica o ms completa del trmino: ABC->SemRemission=@American_Broadcasting_Companies@@ abedul->SemRemission=@betula_verrucosa@@ Clarn->SemRemission=@Leopoldo_Alas@@ 2. <remisin variante preferida>: remite a una variante ortogrfica preferida: cardiaco->SemRemission=@@cardaco@ acogimiento->SemRemission=@@acogida@ 3. <remisin variante no preferida>: remite a otra(s) variante(s) ortogrfica(s) igualmente admitidas, pero menos preferida(s) o frecuente(s): cardaco->SemRemission=@@@cardiaco acogida->SemRemission=@@@acogimiento <informacin geogrfica>: incluye informacin geogrfica. Comprende los siguientes subrasgos:

1. <distrito> @ <ciudad> @ <provincia> @ <regin> @ <comunidad> @ <pas> @ <continente> 2. <internacional>: (+ | ONU) 3. <lugar histrico> <relacin>: indica el tipo de relacin que se da entre el trmino etiquetado y el concepto referido. En el primer nivel de la jerarqua estn: STRUCTURAL_RELATION ORGANIZATIONAL_RELATION HUMAN_RELATION GPE_REF GPE_MEMBER Existe un segundo nivel, por ejemplo, para HUMAN_RELATION estn ORGANIZATION_AFFINITY y PERSON_AFFINITY. Nota:Slo aparecer informacin explcita de aquellos rasgos semnticos que hayan sido efectivamente etiquetados. Por otro lado, la ausencia de informacin en diferentes rasgos s resulta pertinente, puesto que bien indican el nivel de profundidad alcanzado por el valor en una jerarqua, o bien separan posibles subvalores asociados a un rasgo semntico etiquetado.

EJEMPLO EN LA PAGINA de como funciona con textos de noticias nuestras que tenia guardados:

La 9 de Julio estuvo cortada seis de los ltimos diez das

07:14 La principal avenida portea, jaqueada por las protestas. Ya concentra reclamos que antes se hacan en Plaza de Mayo o el Congreso. La peor zona es la mano al Sur, frente al Ministerio de Desarrollo Social. El desmadre del trnsito repercute en todo el Centro. Por: Pablo Novillo La 9 de Julio, la avenida ms ancha del mundo segn el mito porteo, sum un nuevo encanto. Adems de sus edificios y canteros, del Obelisco y los carteles luminosos, ahora exhibe sus piquetes. En los ltimos diez das, fue escenario de seis cortes de trnsito, lo que repercuti en toda la movilidad del Centro. Hasta el mes pasado, los lugares preferidos para los cortes eran la Plaza de Mayo, la del Congreso, la Avenida de Mayo a la altura de la sede del Gobierno porteo, y la puerta del Ministerio de Trabajo, en Leandro N. Alem al 650. Pero las disputas polticas entre el Gobierno y diversas organizaciones piqueteras convirtieron a la zona de 9 de Julio entre Moreno y Belgrano, frente al Ministerio de Desarrollo Social de la Nacin, en una nueva zona roja para el trnsito, sobre todo para los que circulan hacia Constitucin. Los problemas comenzaron el lunes 2 y martes 3, cuando organizaciones piqueteras no oficialistas acamparon durante 33 horas frente al Ministerio. Al da siguiente, otros piqueteros cortaron el trnsito, pero para manifestarse a favor del Gobierno. Los reclamos se repitieron esta semana (ver Los cortes, en detalle). Adems, hubo una marcha de la CTA y otras organizaciones sociales desde

el Obelisco hasta la Legislatura portea, en Per al 100, donde reclamaron el desmantelamiento de la polmica Unidad de Control del Espacio Pblico (UCEP) creada por el Gobierno de Mauricio Macri para sacar indigentes de las calles. Se estima que, en promedio, pasan por la 9 de Julio nada menos que unos 80 vehculos por minuto. Entonces, es obvio que cualquier obstculo repercute en el resto del Microcentro. Segn Ernesto Arriaga, vocero de Vialidad Nacional, "cuando se corta aunque sea parcialmente el flujo en la 9 de Julio se ven problemas en todas las vas paralelas, desde Alicia Moreau de Justo, en Puerto Madero, hasta Pueyrredn". Para los que trabajan en la calle, es un castigo. Roberto Antnez, un taxista, cont: "El problema no es tanto econmico, porque hay menos viajes pero se hacen ms largos. Lo que pasa es que te enferma los nervios, manejar se vuelve muy estresante". El eje que forma la 9 de Julio tambin suele sufrir problemas en sus extremos. A los frecuentes cortes en la autopista Illia, principalmente por reclamos de habitantes de la villa 31, tambin se les suman las clsicas manifestaciones en el puente Pueyrredn. El ltimo caso se vivi el mircoles, cuando Ral Castells y sus piqueteros del Movimiento Independiente de Jubilados y Desocupados intentaron cortar el puente en reclamo de planes sociales, pero fueron corridos por la Polica. Ms all de su implicancia poltica, los cortes en la 9 de Julio se enmarcan en la polmica sobre el uso del espacio pblico. Mientras desde el Gobierno porteo siempre se reclama que los piqueteros avisen de sus marchas (como indica el Cdigo de Contravenciones), las organizaciones sociales nunca lo hacen. Adems, la decisin poltica de la Nacin es que la Polica no evite ni limite los piquetes sin una orden judicial. Esto ltimo choca con lo que dicen en la Fiscala General Contravencional portea, donde el criterio es que la Polica acte de inmediato para liberar aunque sea algunos carriles. http://www.clarin.com/diario/2009/11/13/um/m-02040079.htm Captura de la pagina de como extrajo:

otro ejemplo:

Levantan el corte en Rivadavia y ponen fin a otro da de protestas

22:08 La ltima manifestacin la realizaron veteranos continentales frente al Congreso. Antes, piqueteros opositores al Gobierno reclamaron en el Ministerio de Desarrollo Social, empleados de Kraft en Alem al 600 y estudiantes de la FUBA en el Rectorado. Castells intent bloquear el puente Pueyrredn. Por: Clarn.com El trnsito porteo tuvo otra jornada complicada. Desde temprano. varias marchas y protestas en diferentes puntos de la Ciudad provocaron importantes demoras y un caos de trnsito. Despus de que concluy la marcha que impeda el trnsito por la 9 de Julio, esta tarde fue el turno de un grupo de veteranos continentales de Malvinas, que cortaron la avenida Rivadavia entre Entre Ros y Combate de los Pozos. La movilizacin ms importante fue la que realizaron unas 20 organizaciones sociales que se concentraron desde las 10 en el Obelisco y en diferentes puntos del barrio de Constitucin. Las columnas partieron pasadas las 11.30 y marcharon al centro por la 9 de Julio para encontrarse en el cruce con Belgrano, en el Ministerio de Desarrollo Social, que encabeza Alicia Kirchner. All, los manifestantes -pertenecientes a agrupaciones como el Polo Obrero, MST, MTR y Barrios de Pie- cortaron la 9 de Julio hasta las 14. Lo hicieron para reclamar que el Gobierno no los deje afuera del plan de creacin trabajo a travs de cooperativas. Tambin pidieron que el programa no fomente el clientelismo poltico. Otra columna de manifestantes, del Movimiento Teresa Rodrguez, se dirigi luego hasta la Casa de la Provincia de Buenos Aires -en Callao al 200- para exigirle al gobernador Daniel Scioli que se regularice el pago de planes de asistencia social. Durante poco ms de una hora impidieron el paso de vehculos en ese lugar. El resto de las protestas que sitiaron a la Ciudad arrancaron bien temprano. Desde las 8, trabajadores de la multinacional Kraft Foods ex Terrabusi- protestaron durante varias horas frente al Ministerio de Trabajo -en Leandro N. Allem al 600- para reclamar la reincorporacin de los empleados que quedaron fuera del ltimo acuerdo con la compaa. La protesta gener algunas complicaciones para circular por la zona, ya que los manifestantes se instalaron con sus carteles y pancartas sobre los carriles de la avenida Alem, en la mano que va hacia el sur. Por otra parte, militantes del Movimiento Independiente de Jubilados y Desocupados (MIJD), que lidera Ral Castells, bloquean la circulacin en la interseccin de la avenida Pavn y Asuncin, en el partido de Avellaneda. El corte se levant, tal como lo haban anunciado, a las 13.30. Durante la maana, el MIJD se haba concentrado en la terminal ferroviaria de Constitucin y desde all se haba movilizado hasta el Puente Pueyrredn para protestar contra el atraso de "cinco meses" en el plan social "Barrios Bonaerenses", del gobierno de Daniel Scioli. En un primer momento, los manifestantes del MIJD bloquearon la subida al Puente Pueyrredn que est sobre la avenida Mitre, dejando libre el acceso por la avenida Pavn. Pero el corte dur apenas unos minutos. Efectivos de la Infantera que llegaron en moto desalojaron a los piqueteros a los empujones y reabrieron el puente al paso de vehculos. "No se corta, es la

orden", resumi un comisario que se encontraba en el lugar. Tras ser desalojados, Castells y los militantes intentaron instalarse sobre la otra subida que tiene el puente Pueyrredn, el de la avenida Pavn, pero tampoco pudieron hacerlo. En tanto, estudiantes de la FUBA protestaron frente al Rectorado, ubicado en Viamonte al 400, para rechazar el adelantamiento de la prxima asamblea universitaria, que tiene como objetivo elegir a las nuevas autoridades.

Aca puse unas capturas de que te muestra si le pasas el mouse por encima de algunas entidades que etiquet:

OTRO EJEMPLO:

Marchas y protestas complicaron el trnsito en la Panamericana y el centro

19:45 Desde las 11 coincidieron manifestaciones de la CTA, Suteba y Sanidad en los alrededores de Plaza de Mayo, Congreso y Retiro. Trabajadores de la UOCRA, en tanto, cortaron dos horas la Panamericana, a metros de la General Paz. Por: Clarn.com El de hoy fue otro da marcado por los cortes, las protestas y las marchas en la Ciudad. Mientras que manifestaciones de la CTA y de trabajadores de la Salud complicaron el trnsito en el centro, la Polica liber pasado el medioda la Panamericana, que estuvo bloqueada durante dos horas por un piquete de trabajadores de la construccin. El escenario de mayor conflicto fue el microcentro. La Central de los Trabajadores Argentinos (CTA) parti a las 11 desde el Obelisco hacia la Legislatura portea (en Per al 100) y desde all se movilizaron a la sede de la Comuna, en Bolvar y Avenida de Mayo. Se manifestaron contra la UCEP por el maltrato y el desalojo de personas que viven en la calle- "y en rechazo al proyecto de

Presupuesto 2010 que desfinancia la salud, la vivienda, la educacin y todo lo concerniente a planes sociales", sostuvieron. En paralelo y en el marco del paro que realizan en 77 hospitales bonaerenses, trabajadores de la Salud protestaron en Callao al 200, frente a la Casa de la Provincia de Buenos Aires, lo que provoc un importante congestionamiento en la zona de Congreso. Pero los cortes no terminan ah. Docentes bonaerenses afiliados a Suteba bloqueaban esta tarde parcialmente la avenida Alem al 600, frente al Ministerio de Trabajo, en direccin al Bajo. Adentro de la cartera se discute un problema interno del sindicato. En la Panamericana, tambin todo comenz alrededor de las 11, cuando la Polica detuvo en el Puente Melo a 600 metros de la General Paz- a un grupo de micros en los que viajaban afiliados a la UOCRA. Disconformes con la interrupcin, los manifestantes se bajaron de los vehculos y decidieron cortar tres carriles de la autopista, en la mano que va hacia la Ciudad. Ms tarde, bloquearon ambas manos. El paso qued liberado pocos minutos despus de las 13, cuando la Infantera avanz con un camin hidrante y dispers a los manifestantes, que regresaron a los micros. Durante el corte, la fila de autos super los cinco kilmetros y hubo importantes demoras. Al caos de trnsito generado por los cortes y protestas, hay que sumarle las complicaciones derivadas del paro de subtes que arranc una hora antes del medioda y se prolongar hasta maana a las 5 de la madrugada. El milln de usuarios que se vio afectado por la medida debi buscar hoy formas alternativas para movilizarse, lo que provoc el aumento del caudal de vehculo en la Ciudad y en los accesos.

Otra expansin de ejemplo de lo que etiquet para el caso de Callao al 200:

2)Clasificacin automtica IPTC de noticias: Esta herramienta realiza la clasificacin automtica del texto proporcionado en castellano devolviendo una lista de las categoras IPTC ms apropiados a la temtica del texto, y el mbito geogrfico de la noticia diferenciando entre Espaa y Mundo (Nacional/Internacional). Entre otras actividades, el IPTC proporciona numerosos esquemas de clasificacin para estandarizar la codificacin de los metadatos de los artculos. Se encarga de crear y mantener conjuntos de atributos de metadatos. stos atributos se conocen como NewsCodes y se encuentran divididos en cuatro grandes grupos: Descriptive NewsCodes, Administrative NewsCodes, Transmission NewsCodes y Exchange Format NewsCodes. Se trata de atributos que hacen referencia a las distintas caractersticas de los documentos (gnero, tema, formato, escena de una imagen, etc.) y se codifican bien de forma numrica o bien con texto. En este caso se trabaja con los cdigos descriptivos en sus tres niveles: Tema (Subject), Subtema (Subject Matter) y Detalle (Subject Detail), codificando con 8 dgitos en la forma TTSSSDDD (Tema, Subtema, Detalle). Listado de total de clasificaciones IPTC: http://showroom.daedalus.es/es/newscl/STILUS-Class/IPTC-2008.txt Esta herramienta est basada en el componente STILUS-Class, componente de la familia STILUS de productos de tecnologa lingstica, que ofrece funcionalidad para la clasificacin automtica de textos, a partir de un modelo previamente entrenado. El algoritmo de clasificacin es un modelo hbrido estadstico con filtrado basado en reglas, con los siguientes pasos: Paso I: seleccin de las categoras posibles mediante un algoritmo estadstico basado en la comparacin del texto a clasificar con cada categora, mediante el algoritmo kNN (kVecinos ms cercanos) Paso II: filtrado (aceptar/desechar) categoras mediante un sistema de reglas basado en una lista de trminos (multipalabra) obligatorios (que deben aparecer en el texto) y trminos eliminatorios (que no deben aparecer) Paso III: ordenacin de las categoras segn relevancia descendiente Ejemplo con las 3 noticias usadas en la herramienta 1)

2 noticia de ejemplo:

3 er Ejemplo con la tercer noticia: