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

El 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 relac...

Full description

Autores:: Hernández Álvarez, Daniel Fernando

Tipo de recurso:

Fecha de publicación:: 2022

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_cdf1cdfc867310d0ecab7e81854235b4
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/16813
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
dc.title.translated.spa.fl_str_mv	Software for the identification of actors related to technology transfer in the context of the agriculture sector
title	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
spellingShingle	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura Systems engineer Software development Software Natural language processing Named entity recognition Relationship identification Technology transfer Agriculture Programming language Artificial intelligence Technological innovations Automation Ingeniería de sistemas Lenguaje de programación Inteligencia artificial Innovaciones tecnológicas Automatización Desarrollo de software Procesamiento del lenguaje natural Agricultura Reconocimiento de entidades nombradas Identificación de relaciones Transferencia tecnológica
title_short	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
title_full	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
title_fullStr	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
title_full_unstemmed	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
title_sort	Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agricultura
dc.creator.fl_str_mv	Hernández Álvarez, Daniel Fernando
dc.contributor.advisor.none.fl_str_mv	Espinosa Carreño, María Alexandra Flórez Gómez, Leidy Yohana
dc.contributor.author.none.fl_str_mv	Hernández Álvarez, Daniel Fernando
dc.contributor.cvlac.spa.fl_str_mv	Espinosa Carreño, María Alexandra [0001495409]
dc.contributor.googlescholar.spa.fl_str_mv	Espinosa Carreño, María Alexandra [Ve6S8ocAAAAJ&hl]
dc.contributor.orcid.spa.fl_str_mv	Espinosa Carreño, María Alexandra [0000-0003-1411-0828]
dc.contributor.researchgate.spa.fl_str_mv	Espinosa Carreño, María Alexandra [Maria-Espinosa-C]
dc.contributor.apolounab.spa.fl_str_mv	Espinosa Carreño, María Alexandra [maria-alexandra-espinosa-carreño]
dc.subject.keywords.spa.fl_str_mv	Systems engineer Software development Software Natural language processing Named entity recognition Relationship identification Technology transfer Agriculture Programming language Artificial intelligence Technological innovations Automation
topic	Systems engineer Software development Software Natural language processing Named entity recognition Relationship identification Technology transfer Agriculture Programming language Artificial intelligence Technological innovations Automation Ingeniería de sistemas Lenguaje de programación Inteligencia artificial Innovaciones tecnológicas Automatización Desarrollo de software Procesamiento del lenguaje natural Agricultura Reconocimiento de entidades nombradas Identificación de relaciones Transferencia tecnológica
dc.subject.lemb.spa.fl_str_mv	Ingeniería de sistemas Lenguaje de programación Inteligencia artificial Innovaciones tecnológicas Automatización Desarrollo de software
dc.subject.proposal.spa.fl_str_mv	Procesamiento del lenguaje natural Agricultura Reconocimiento de entidades nombradas Identificación de relaciones Transferencia tecnológica
description	El 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.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-06-28T20:19:23Z
dc.date.available.none.fl_str_mv	2022-06-28T20:19:23Z
dc.date.issued.none.fl_str_mv	2022
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.local.spa.fl_str_mv	Tesis
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/16813
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unab.edu.co
url	http://hdl.handle.net/20.500.12749/16813
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Aggarwal, C. C. (2015). Data Mining: The Textbook. Springer International Publishing Switzerland. Arulanandam, 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. Baciero 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. Bagnato, J. (2018, November 29). ¿Cómo funcionan las Convolutional Neural Networks? Visión por Ordenador. Aprende Machine Learning Brahma, 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/10.1145/3430984.3431041 Colciencias, 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 - 2027 de 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. Espinosa, 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. FAO. (2016). Vinculación De Los Pequeños Productores Con Los Mercados FAO, 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/ca9692en Flórez Martínez, D. H., & Uribe Galvis, C. P. (2018). TIC para la investigación, desarrollo e innovación del sector agropecuario (AGROSAVIA, Ed.) Gobernación de Santander. (2020). Plan Departamental de Extensión Agropecuaria 2020 - 2023 Hou, 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/10.1145/3444370.3444559 Joyanes Aguilar, L. (2019). Inteligencia de negocios y analítica de datos. AlfaOmega Kim, 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/10.1145/3019612.3019613 Langley, P., & Carbonell, J. G. (2018). Machine Learning for Dummies. John Wiley & Sons, Inc Li, 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/10.1145/3421515.3421534 Martínez Rueda, C. (2018). Analisis De La Tecnica De Aprendizaje Por Refuerzo Para La Generacion Automatica De Resumenes. Universidad de Alicante. Mikolov, T., Corrado, G., Chen, K., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. 1–12. Miner, 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/C2010-0-66188-8 Oliinyk, 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-5dac99d5d795 Pandey, 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/10.1145/3079452.3079501 Patiño 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. Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe : Global Vectors for Word Representation. https://doi.org/10.3115/v1/D14-1162 Piatetsky, 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.html Qin, L., Hao, Z., & Zhao, L. (2019). Food safety knowledge graph and question answering system. ACM International Conference Proceeding Series, 559– 564. https://doi.org/10.1145/3377170.3377260 Raschka, S., & Mirlalili, V. (2019). Python Machine Learning (Third Edit, Issue January 2010). BIRMINGHAM - MUMBAI: Packt Publishing Ltd Ren, 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/10.1145/3325730.3325771 Schwaber, K., & Sutherland, J. (2020). La Guía Scrum. Seguí 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/ Stecanella, B. (2019). ¿Qué es TF-IDF? Monkeylearn.Com. https://monkeylearn.com/blog/what-is-tf-idf/ Surkova, 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. Uszkoreit, J. (2017). Transformer: A Novel Neural Network Architecture for Language Understanding. Google AI BLog. https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html Vajjala, S., Majumder, B., Gupta, A., & Surana, H. (2020). Practical Natural Language Processing. O’Reilly Media, Inc. Zaki 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/
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spatial.spa.fl_str_mv	Colombia
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Maestría en Gestión, Aplicación y Desarrollo de Software
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/16813/1/2022_Tesis_Daniel_Fernando_Hernandez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/16813/2/2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/16813/3/2022_Impacto_Daniel_Fernando_Hernandez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/16813/4/2022_Software_Daniel_Fernando_Hernandez.zip https://repository.unab.edu.co/bitstream/20.500.12749/16813/5/2022_Licencia_Daniel_Fernando_Hernandez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/16813/6/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/16813/7/2022_Tesis_Daniel_Fernando_Hernandez.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/16813/8/2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/16813/9/2022_Impacto_Daniel_Fernando_Hernandez.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/16813/10/2022_Licencia_Daniel_Fernando_Hernandez.pdf.jpg
bitstream.checksum.fl_str_mv	6d08b55009a97360e5535081368d2a1c b9e039895d0dcaa8b97a98cbc75c9d4b b37ee19219f8c7318d5e477567126218 7686a52ebf3a59b13146dff7aa594768 e2ee9c192ac5fb316b1fd8ba58e5329d 3755c0cfdb77e29f2b9125d7a45dd316 c47d1394aa73d79a6f2227e2f24c21b0 f71d09321a4b880989ed2c2cd9a2b082 064310d0ed8ee1ed15451d42219311df ef90747874dd27cbdaed92bef262b5a2
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1814277357317390336
spelling	Espinosa Carreño, María Alexandrab1d04d86-2443-4ebe-ad46-80848e67e607Flórez Gómez, Leidy Yohanab8deae06-09a5-4ae5-b6c3-263146e21ec1Hernández Álvarez, Daniel Fernando1581800d-08ba-481c-b956-8753cae6e205Espinosa Carreño, María Alexandra [0001495409]Espinosa Carreño, María Alexandra [Ve6S8ocAAAAJ&hl]Espinosa Carreño, María Alexandra [0000-0003-1411-0828]Espinosa Carreño, María Alexandra [Maria-Espinosa-C]Espinosa Carreño, María Alexandra [maria-alexandra-espinosa-carreño]ColombiaUNAB Campus Bucaramanga2022-06-28T20:19:23Z2022-06-28T20:19:23Z2022http://hdl.handle.net/20.500.12749/16813instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl 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.INTRODUCCIÓN 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 84MaestríaThe 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.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Software para identificación de actores relacionados con la transferencia tecnológica en el contexto del sector de la agriculturaSoftware for the identification of actors related to technology transfer in the context of the agriculture sectorMagíster en Gestión, Aplicación y Desarrollo de SoftwareUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaMaestría en Gestión, Aplicación y Desarrollo de Softwareinfo:eu-repo/semantics/masterThesisTesishttp://purl.org/redcol/resource_type/TMSystems engineerSoftware developmentSoftwareNatural language processingNamed entity recognitionRelationship identificationTechnology transferAgricultureProgramming languageArtificial intelligenceTechnological innovationsAutomationIngeniería de sistemasLenguaje de programaciónInteligencia artificialInnovaciones tecnológicasAutomatizaciónDesarrollo de softwareProcesamiento del lenguaje naturalAgriculturaReconocimiento de entidades nombradasIdentificación de relacionesTransferencia tecnológicaAggarwal, C. C. (2015). Data Mining: The Textbook. Springer International Publishing Switzerland.Arulanandam, 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.Baciero 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.Bagnato, J. (2018, November 29). ¿Cómo funcionan las Convolutional Neural Networks? Visión por Ordenador. Aprende Machine LearningBrahma, 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/10.1145/3430984.3431041Colciencias, 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 - 2027de 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.Espinosa, 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.FAO. (2016). Vinculación De Los Pequeños Productores Con Los MercadosFAO, 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/ca9692enFlórez Martínez, D. H., & Uribe Galvis, C. P. (2018). TIC para la investigación, desarrollo e innovación del sector agropecuario (AGROSAVIA, Ed.)Gobernación de Santander. (2020). Plan Departamental de Extensión Agropecuaria 2020 - 2023Hou, 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/10.1145/3444370.3444559Joyanes Aguilar, L. (2019). Inteligencia de negocios y analítica de datos. AlfaOmegaKim, 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/10.1145/3019612.3019613Langley, P., & Carbonell, J. G. (2018). Machine Learning for Dummies. John Wiley & Sons, IncLi, 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/10.1145/3421515.3421534Martínez Rueda, C. (2018). Analisis De La Tecnica De Aprendizaje Por Refuerzo Para La Generacion Automatica De Resumenes. Universidad de Alicante.Mikolov, T., Corrado, G., Chen, K., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. 1–12.Miner, 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/C2010-0-66188-8Oliinyk, 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-5dac99d5d795Pandey, 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/10.1145/3079452.3079501Patiño 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.Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe : Global Vectors for Word Representation. https://doi.org/10.3115/v1/D14-1162Piatetsky, 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.htmlQin, L., Hao, Z., & Zhao, L. (2019). Food safety knowledge graph and question answering system. ACM International Conference Proceeding Series, 559– 564. https://doi.org/10.1145/3377170.3377260Raschka, S., & Mirlalili, V. (2019). Python Machine Learning (Third Edit, Issue January 2010). BIRMINGHAM - MUMBAI: Packt Publishing LtdRen, 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/10.1145/3325730.3325771Schwaber, K., & Sutherland, J. (2020). La Guía Scrum.Seguí 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/Stecanella, B. (2019). ¿Qué es TF-IDF? Monkeylearn.Com. https://monkeylearn.com/blog/what-is-tf-idf/Surkova, 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.Uszkoreit, J. (2017). Transformer: A Novel Neural Network Architecture for Language Understanding. Google AI BLog. https://ai.googleblog.com/2017/08/transformer-novel-neural-network.htmlVajjala, S., Majumder, B., Gupta, A., & Surana, H. (2020). Practical Natural Language Processing. O’Reilly Media, Inc.Zaki 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/ORIGINAL2022_Tesis_Daniel_Fernando_Hernandez.pdf2022_Tesis_Daniel_Fernando_Hernandez.pdfTesisapplication/pdf1958110https://repository.unab.edu.co/bitstream/20.500.12749/16813/1/2022_Tesis_Daniel_Fernando_Hernandez.pdf6d08b55009a97360e5535081368d2a1cMD51open access2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdfManual de usuarioapplication/pdf397888https://repository.unab.edu.co/bitstream/20.500.12749/16813/2/2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdfb9e039895d0dcaa8b97a98cbc75c9d4bMD52open access2022_Impacto_Daniel_Fernando_Hernandez.pdf2022_Impacto_Daniel_Fernando_Hernandez.pdfImpacto del trabajoapplication/pdf91424https://repository.unab.edu.co/bitstream/20.500.12749/16813/3/2022_Impacto_Daniel_Fernando_Hernandez.pdfb37ee19219f8c7318d5e477567126218MD53open access2022_Software_Daniel_Fernando_Hernandez.zip2022_Software_Daniel_Fernando_Hernandez.zipSoftwareapplication/zip6504760https://repository.unab.edu.co/bitstream/20.500.12749/16813/4/2022_Software_Daniel_Fernando_Hernandez.zip7686a52ebf3a59b13146dff7aa594768MD54open access2022_Licencia_Daniel_Fernando_Hernandez.pdf2022_Licencia_Daniel_Fernando_Hernandez.pdfLicenciaapplication/pdf88946https://repository.unab.edu.co/bitstream/20.500.12749/16813/5/2022_Licencia_Daniel_Fernando_Hernandez.pdfe2ee9c192ac5fb316b1fd8ba58e5329dMD55metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/16813/6/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD56open accessTHUMBNAIL2022_Tesis_Daniel_Fernando_Hernandez.pdf.jpg2022_Tesis_Daniel_Fernando_Hernandez.pdf.jpgIM Thumbnailimage/jpeg5254https://repository.unab.edu.co/bitstream/20.500.12749/16813/7/2022_Tesis_Daniel_Fernando_Hernandez.pdf.jpgc47d1394aa73d79a6f2227e2f24c21b0MD57open access2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf.jpg2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf.jpgIM Thumbnailimage/jpeg4158https://repository.unab.edu.co/bitstream/20.500.12749/16813/8/2022_Manual_Usuario_Daniel_Fernando_Hernandez.pdf.jpgf71d09321a4b880989ed2c2cd9a2b082MD58open access2022_Impacto_Daniel_Fernando_Hernandez.pdf.jpg2022_Impacto_Daniel_Fernando_Hernandez.pdf.jpgIM Thumbnailimage/jpeg6217https://repository.unab.edu.co/bitstream/20.500.12749/16813/9/2022_Impacto_Daniel_Fernando_Hernandez.pdf.jpg064310d0ed8ee1ed15451d42219311dfMD59open access2022_Licencia_Daniel_Fernando_Hernandez.pdf.jpg2022_Licencia_Daniel_Fernando_Hernandez.pdf.jpgIM Thumbnailimage/jpeg10238https://repository.unab.edu.co/bitstream/20.500.12749/16813/10/2022_Licencia_Daniel_Fernando_Hernandez.pdf.jpgef90747874dd27cbdaed92bef262b5a2MD510metadata only access20.500.12749/16813oai:repository.unab.edu.co:20.500.12749/168132023-06-16 10:31:30.896open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

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

Publicaciones similares