Recibido: 04-=
09-2021
/ Revisado: 17-09-2021 / Aceptado: 08-10-2021 / Publicado: 05-11-2021
Técnicas de procesamiento de lenguaje natural en la
inteligencia artificial conversacional textual
Natural language
processing techniques in textual conversational artificial intelligence
Ricardo Javier Celi-Parraga. [1], =
Eleanor
Alexandra Varela-Tapia. [2], =
Iván
Leonel Acosta-Guzmán. [3]
Abstract<=
/span> =
Introduction:
the internet is advancing at every moment changing the technological landsc=
ape
of virtual interaction or communication, forcing companies and industries to
venture into improving the experience of their customers, which is not only=
in
having websites, social networks and others, but it also leads to improve
communication channels and how to interact with each of them. Chatbots allow
customers to interact with companies anywhere and at any time, which solves=
the
main problem of costs of call centers or schedules of attention by WhatsApp
messages. By adding artificial intelligence based on natural language
processing, textual interaction is improved, going from programmed response=
s to
understanding the intention of a user, regardless of the fact that the word=
ing
is not specific to our database. Objective: this article aims to ana=
lyze
bibliographic information on the different AI programming techniques based =
on NLP
and applied to chatbots for textual conversations. Methodology: bein=
g literature
review research, it is framed in the qualitative methodology, seeking relev=
ant
data on the topic of study. Results: the analysis of the different
techniques within the creation of chatbots and their implementations will be
presented. Conclusions: a complete analysis of the technique with the
best benefits at the moment of creating an intelligent agent capable of
maintaining a conversation in natural language and interpreting the users'
intention will be presented.
Keywords: ChatBot, NLP, AI Textual
conversation, Natural language processing.
Resumen
Introducción:
el internet avanza a cada instante cambiando el panorama tecnológico de la
interacción virtual o de comunicación, obligando a las empresas e industria=
s a
incursionar en mejorar la experiencia de sus clientes, lo cual no va solo en
tener páginas web, redes sociales y demás, si no que orilla a mejorar los
canales de comunicación y como se interactúa por cada uno de ellos. Los
chatbots permiten que los clientes se relacionen con las empresas donde sea=
y a
la hora que sea, con lo que se resuelve el principal problema de costos de =
los
call center u horarios de atención por mensajes de WhatsApp. Al agregar
inteligencia artificial basado en procesamiento natural del lenguaje se mej=
ora
la interacción textual pasando de respuesta programadas a comprender la
intención que mantiene un usuario sin importar que la redacción no sea
especifica de nuestra base de datos. Objetivo: el presente artículo
pretende analizar información bibliográfica de las diferentes técnicas de
programación de IA basada en PLN y aplicado a los chatbot para conversacion=
es
textuales. Metodología: al ser una investigación de revisión
bibliográfica está enmarcada en la metodología cualitativa, buscando datos
relevantes sobre el tema de estudio. Resultados: se presentarán los
análisis de las diferentes técnicas dentro de la creación chatbots y sus im=
plementaciones.
Conclusiones: se entregará un análisis completo de la técnica con
mejores beneficios al momento de crear un agente inteligente capaz de mante=
ner
una conversación en lenguaje natural e interpretar la intención de los
usuarios.
Palabras claves: ChatBot, PLN, IA, Conversación textual, Procesami=
ento
del lenguaje natural.
Introducción
Chatbots, los Chatbots son programas informáticos que permite
interactuar a un usuario humano con la tecnología, a través de diferentes
formas de expresión como textos o voz, pero su principal ventaja es que la
disponibilidad es de 24 horas al día sin ningún tipo de interrupción y puede
atender a varios usuarios al mismo tiempo sin problema; su utilización va d=
esde
hace varios años atrás donde iniciaron bajo el entorno de atención al clien=
te,
hasta la actualidad que pueden ser partícipes en cualquier actividad
empresarial.
Por su alcance se le ha dado varios nombres como B=
ot
conversacional, Asistente virtual, Asistente inteligente, Agente virtual, e=
ntre
otros calificativos; pero así mismo tienen diferentes grados de complejidad=
o
inteligencias para el desarrollo de sus funciones. Para lo cual debemos
entender el funcionamiento general del mismo, el proceso inicia cuando un
usuario humano interactúa con el Chatbot, la interacción puede ser por voz o
por texto; en el presente documento nos centraremos en el desarrollo del
proceso mediante textos, bajo este lineamiento el agente virtual lo que rea=
liza
internamente es separar los caracteres, transformar en minúsculas, corregir
faltas ortográficas lo que conocemos como Procesamiento del Lenguaje Natural
(PLN), basado en esta información busca en su programación dicha frase para
entregar una respuesta.
Como se mencionó en el párrafo anterior los Chatbot
tenían respuestas limitadas en base a su programación específica, pero esto
cambia en los últimos tiempos al introducir la inteligencia artificial, con=
la cual
no solo se entrega una respuesta si no que entiende la pregunta sin importa=
r la
forma de redacción. Esta motivación de la IA en el texto escrito se ha cubi=
erto
utilizando diferentes técnicas de PNL, incluido el uso de algoritmos de
aprendizaje automático, principalmente por su escalabilidad, capacidad de
aprendizaje y rápido desarrollo, métodos que están basados en reglas o enfo=
ques
del conocimiento.
Programación de Lenguaje Natural, con el crecimiento de la información subjetiva, los
investigadores del procesamiento del lenguaje natural están cada vez más
interesados en desarrollar métodos para extraer automáticamen=
te
el conocimiento de estas nuevas fuentes, porque esta demanda surge del estu=
dio
de sistemas informáticos efectivos para la comunicación entre humanos y
computadoras a través del lenguaje natural. Por tanto, la importancia de la
emoción en el lenguaje tiene una subdisciplina en PLN cuyo objetivo es
identificar y extraer el contenido subjetivo y emocional del texto, llamado
análisis de sentimientos (AS).
Las técnicas textuales conversacionales desarrolla=
das
en el marco del curso de Inteligencia Artificial; lo que permite tener una
mejor comprensión y una mejor gramática textual. Considerando la complejidad
existente del procesamiento del lenguaje natural, se detallan el mecanismo =
de
búsqueda y el sistema de reglas de generación. Se especifica un algoritmo de
reprocesamiento especialmente diseñado para simplificar el alcance de la
discusión del agente.
En la actualidad, el análisis de texto se realiza =
de
manera automática, en donde la intervención de las computadoras se basa a q=
ue
el ordenador asimile dichas características de los textos, por ende, la
metodología computacional es responsable del análisis de textos, a esto le
llamamos Procesamiento del Lenguaje Natural y es utilizado para la obtenció=
n de
palabras claves dentro de un grupo de documentos, de forma que busca palabr=
as
que se repitan dentro de ese apartado, las cuales, no son de suma frecuenci=
a al
momento de considerar el total de los documentos
La documentación con la información procesada y
presentada es el principal inconveniente que se presenta al momento de real=
izar
la extracción de la misma, esto se da al no contar con un marco definido o =
no
se encuentra distribuido bajo parámetros previamente establecidos, esto nos
lleva a extraer información duplicada, lo que resulta en un incumplimiento =
de
la demanda esperada. Por lo tanto, es recomendable tener un marco definido =
para
la facilitación de obtener los conocimientos de un dominio y analizarlos de
forma pausada y así poder crear un nuevo proyecto (Marín-Álvarez et al., 20=
20) .
Según explica Cárdenas y Castillo
Inteligencia artificial conversacional textual, Aristóteles fue considerado uno de los pioneros que
definieron una parte las reglas q describen el funcionamiento de la mente p=
ara
conseguir conclusiones racionales. También nos indica que Ctesibio de
Alejandría fue el originario en la construcción de una maquina autocontrola=
da
que permitía regular el flujo de agua, siglos después Alan Turing diseño una
máquina universal, el cual exponía la viabilidad de usar un dispositivo fís=
ico
para el computo formalmente definido. Villalonga
Estrada
Con la visión por computadora y el procesamiento d=
el
lenguaje, la inteligencia artificial débil puede centrarse en la automatiza=
ción
de procesos para aprender fácilmente patrones en los datos que se le
proporcionan como por ejemplo para jugar al ajedrez, hacer sugerencias de
compra, realizar preferencias de inversión, facilitar la predicción de vent=
as,
el pronóstico del tiempo y, en general, las actividades basadas en patrones=
que
pueden perfeccionarse
Según Munaka
La evolución tecnológica es nuestra vida, algunos =
de
ellos son agentes de diálogo llamados chatbots o asistentes virtuales, que =
se
desarrollan a través del procesamiento del lenguaje natural, que es una ram=
a de
trascendencia de la inteligencia artificial. Los agentes de diálogo o chatb=
ots
son programas informáticos diseñados para simular un diálogo inteligente con
uno o más usuarios, e incluso con otros sistemas con características simila=
res
detrás de los métodos de texto (Orozco et al., 2020). Estos sistemas no solo
están diseñados para imitar el diálogo humano o comprender a los usuarios, =
sino
que también tienen muchas aplicaciones prácticas.
Empresas internacionales de renombre como Microsof=
t,
Google, Facebook, IBM y Amazon están invirtiendo en esta tecnología ChatBot=
s y
desarrollando e implementando sus propios marcos para ello. En la actualida=
d,
el uso de esta tecnología en los países de América Latina ha crecido
enormemente, en países como Chile y Argentina, desde 2019, esta tecnología =
se
ha implementado en los sectores de banca, recursos humanos, comercio
electrónico y salud (Orozco et al., 2020).
Los chatbot expresan en el ámbito de la inteligenc=
ia
artificial de que no solo se encuentran ligados a mensajes de texto sino a =
que
usa técnicas de procesamiento de lenguaje natural, también los chatbots son
aplicables en muchos campos como son: educación, viajes, web, servicio al
cliente y compras ya que son capaces de tener conversaciones con razonamien=
to
basados en diálogos con el ser humano
Con estas técnicas permiten a los computadores act=
uar,
por ende, un chatbot es un software que procesa mensajes estructurados para
mantener una conversación mediante el lenguaje natural con un humano, a su =
vez
tienen la capacidad de diferenciar entre palabras y emoticones para poder
cumplir estas funciones específicamente está programada para que interprete=
las
conversaciones
Metodología
En la investigación presente se usa una metodología
cualitativa la cual, en palabras de Herrera-Enríquez et al.
La metodología es utilizada en el estudio de probl=
emas
que no se encuentra claramente definido, esta técnica se la utilizó para
realización de las investigaciones de los temas de Inteligencia Artificial =
en
reconocimiento del Lenguaje Natural (PLN) textual y sus técnicas, recopilan=
do
información en los distintos sitios web (Google académico, Scielo.org,
Dialnet.Unirioja.es, Redalyc.org, Sciencedirect.com) (Herrera-Enríquez et a=
l.,
2021).
En palabras de Enríquez et al.
Resultados
El procesamiento del lenguaje natural (PLN) es una
rama de la inteligencia artificial que ha ganado protagonismo en mundo cada=
vez
más digital, es gracias a las técnicas de PLN que actualmente se pueden
realizar traducciones automáticas de texto, revisión de ortografía o conteo=
de
palabras. Según Zeroual
Entre las múltiples aplicaciones que ofrece el PLN,
una de las más llamativa son los sistemas conversacionales, o también conoc=
idos
como “chatbots”, los cuales buscan lograr una comunicación más directa y
natural con el hombre, pues hasta hace unos años el único medio de interacc=
ión
con la computadora era a través de dispositivos de entrada y salida como
teclado o mouse, por ende, esto no suponía un canal de comunicación interac=
tivo
y eficiente
El tema de costos es uno de los principales detona=
ntes
en la innovación, como en cualquier tema sea de inversión pública o privada=
la
mejora continua debe ser encaminada al uso de tecnologías que ayuden a la
reducción de costos (Villalba et al., 2021). Sánchez et al.
Blanco (2016), en su trabajo “Extracción de Datos
Enlazados desde Información no estructurada Aplicando Técnicas PLN y
Ontologías” menciona las técnicas PLN, la cual ofrece la posibilidad de
utilizarla para una ontología, permitiendo incrementar la extracción de
información del texto, consintiendo la extracción de otros conceptos para
ampliar la investigación asociada a las entidades. Entre las técnicas
utilizadas en este proyecto son:
· =
Preprocesamiento de datos:=
En esta fase, el contenido de los ficheros de entradas es clasificado parti=
endo
de la extracción de texto plano utilizando bibliotecas desarrolladas para e=
ste
propósito, luego, se identifica el texto en qué tipo de idioma se encuentra
(inglés o español), a partir de esta tarea se toma la decisión de cuáles se=
rán
los patrones a utilizarse para la extracción de conceptos.
·
Análisis Sintáctico Superficial:<=
/span>
Este se encuentra dirigido inicialmente a la identificación de conceptos, l=
a cual,
reside en agrupar los tokens de la oración en chunks que representan las
estructuras gramaticales, que se clasifican como: sintagmas nominales,
adjetivales, preposicionales, grupos verbales, entre otros, a partir de los
cuales se obtiene un árbol sintáctico.
·
Análisis de Dependencia:
En esta establecen las relaciones de dependencias concurrentes entre las
estructuras gramaticales, las cuales son simbolizadas en un árbol de
dependencias. Estos resultados se analizados no solo son tan útiles para
emparejar vínculos entre los conceptos presentes en las diferentes estructu=
ras
gramaticales, sino también para identificar o construir las frases-enlace a
utilizar en el etiquetado de esas relaciones.
Gate es un software que permite solucionar el prob=
lema
de procesamiento de textos, esta herramienta fue desarrollada por Universid=
ad
de Sheffield en 1995, está basada en Java como una arquitectura que define =
la
organización y las responsabilidades. Siendo un Framework que proporciona
componentes de procesamiento, que ayudan a disminuir el tiempo de desarroll=
o de
un api y una interfaz, esto incluye recursos para algoritmos y estructura de
datos
RapidMiner es la herramienta utilizada en la miner=
ía
de datos que fue desarrollada para Java, permitiendo el impulso de procesos=
de
análisis de datos, usando encadenamiento de 500 operadores mediante un ento=
rno
gráfico, el cual permite utilizar los algoritmos incluidos en Weka, este
contiene métodos de preprocesamiento de datos, modelación predictiva y
descriptiva, métodos de entramientos y prueba de modelos
Weka es otra de las herramientas desarrolladas para
Java, permite el aprendizaje automático y minería de datos, es de distribuc=
ión
de licencia GNU-GLP, contiene un amplio catálogo de algoritmos para el anál=
isis
de datos y modelado predictivo, permitiendo visualizar los datos a través d=
e su
interfaz gráfica. El programa tiene tres entornos gráficos y un entorno en =
modo
consola, lo que permite la implementación de algoritmos diseñados para
preprocesamiento, clasificación, agrupación y selección de atributos de dat=
os
El grupo de trabajo Viltres et al. (2018), habla de l=
as
técnicas de PLN que fueron utilizadas en su proyecto “Procesamiento Semánti=
co
de Información en Sistemas de Recuperación de Información”, las cuales son:=
· &nb=
sp;
Recuperación de información: En esta se utiliza la web semánt=
ica,
es una tecnología generada para los usuarios de internet, la cual nos permi=
te
obtener información de buena calidad en la que su información está bien
definida, facilitando a los ordenadores trabajar mejor en conjunto a los
usuarios, el objetivo principal es permitir que los datos almacenados en es=
ta
Web consigan ser procesados por las máquinas de manera inteligente,
proporcionando a las personas la búsqueda, integración y análisis de la
información que se encuentra disponible.
·&nb=
sp;
Búsqueda semántica de información=
: El objetivo de la búsqueda semán=
tica
es mejorar la exactitud de investigación a través de la comprensión del usu=
ario
cuando realiza una consulta y el significado contextual de los datos, la
búsqueda semántica predice lo que él usuario expresa abiertamente y se ajus=
ta a
la necesidad (contexto), la información es seleccionada con exactitud para =
el
usuario.
Soroa
La recuperación de información y la visualización =
son
aspectos que son mencionados en el área de la inteligencia artificial en cu=
al
se encuentra en constante desarrollo debido al continuo aumento de datos
generados y almacenados en la web. El proyecto realizado planteo el bosquej=
o de
agentes inteligentes capaces de recuperar y obtener información
semiestructurada o no estructurada, esta información obtenida, al ser textu=
al y
residir en el lenguaje natural, es procesada con las técnicas de Procesamie=
nto
del Lenguaje Natural y el Aprendizaje automático, el cual nos permite hallar
los patrones, tendencias y relaciones que existan en el contenido almacenad=
o,
para luego ser mostrados al usuario a través visualizaciones interactivas <=
w:Sdt
Citation=3D"t" ID=3D"1312831840">(Medr=
ano,
2020).
La Recuperación de información es el proceso en el=
que
intervienen el análisis de la documentación textuales y las solicitudes de
información de los usuarios en el lenguaje natural, estos aspectos se
relacionan con efectividad dentro del proceso de recuperación. Las técnicas=
de
recuperación de información facilitan la utilización de bibliotecas de
componentes de software, la utilización de estas técnicas de PLN destaca las
aproximaciones basadas en la sintaxis y las semánticas
Andino y Tapia
Delgado
En base a los análisis de los diferentes autores
presentamos en la tabla 1 un resumen de las principales técnicas al momento=
de
programar
Tabla 1
Técnicas de PLN en la IA
|
Técnicas |
Función |
Objetivo |
|
<=
span
lang=3DES-EC style=3D'mso-ansi-language:ES-EC'> Preprocesamiento de datos |
Se basa en el contenido de los ficheros de entradas clasificado
utilizando bibliotecas desarrolladas para este propósito. |
Toma la decisión de cuáles serán los patrones a utilizarse para la
extracción de concepto |
|
Análisis Superficial |
Está dirigido inicialmente a la identificación de
concepto |
Representan las estructuras gramaticales |
|
Análisis de Dependencia |
Establecen las relaciones de dependencias concurrentes entre las
estructuras gramaticales. |
Diferencia estructuras gramaticales e identifica o construye |
|
Recuperación de informac=
ión |
Análisis de información textual ingresada por los
usuarios basados en sintaxis y semánticas |
Obtención de información de buena calidad para
tratar mejor en conjunto a los usuarios |
|
Búsqueda semántica de información |
La búsqueda semántica predice lo que los usuarios expresan
públicamente y lo ajusta según sea necesario |
Mejora de investigación y se ajusta a la necesidad del usuario |
|
Técnicas basadas en el a=
nálisis
del deletreo y distancia |
Se encarga de identificar la diferencia que exis=
te
entre las cadenas de caracteres. |
Mediciones basadas en la diferencia de caractere=
s en
la cadena |
El análisis d=
el
agente de diálogo se puede realizar simplemente mediante un proceso de comparación con una lista de frases
explicativas. Por tanto, esta no es una solución completa por lo que se debe
interactuar con el uso de herramientas informáticas que ayuden a mejorar la
búsqueda de información, se plantea un gran desafío para la interpretación =
y el
procesamiento del lenguaje natural y la optimización del tiempo de respuest=
a de
los agentes.
La recuperación de información es la base del proc=
eso
que se realiza en lenguaje natural, para lo cual se pueden utilizar diferen=
tes
modelos para identificar y marcar entidades que serán comparadas y clasific=
adas
en dos o más categorías. Debido al creciente número de documentos electróni=
cos
en las bibliotecas digitales, la clasificación y clasificación de textos son
los temas más estudiados en el procesamiento del lenguaje natural. Como mét=
rica
para comparar el rendimiento global de diferentes algoritmos en el conjunto=
de
datos de entrenamiento etiquetado, se han recopilado informes de diferentes
autores, lo que demuestra que es fundamental involucrar la inteligencia
artificial en estos procesos.
Conclusiones
·&nb=
sp;
Como resultado principal de la
presente investigación, se detallaron las principales técnicas de programac=
ión
para de chatbot describiendo las herramientas de procesamiento del lenguaje
natural más potentes.
·&nb=
sp;
El uso de tecnologías cognitivas
enfocadas a IA es un punto clave que facilita el desarrollo de agentes
virtuales o chatbots porque se encargan de procesar automáticamente el leng=
uaje
natural, identificar las necesidades del usuario y permitir enfocarse en la
implementación de reglas de negocio.
·&nb=
sp;
Con la misión de no interrumpir la
dinámica de las interacciones usuario-agente, las estrategias de inteligenc=
ia
artificial ayudan a superar los inconvenientes asociados con la reducción d=
el
tiempo. El análisis del lenguaje natural y la definición de gramática;
simplifican la base de conocimiento del agente. Produce un vocabulario que
consta de un conjunto reducido de palabras clave, lo que reduce el espacio =
de
búsqueda y hace que el proceso sea más rápido y eficaz.
·&nb=
sp;
Estas tecnologías han promovido el
desarrollo de lenguajes naturales gramaticales, permitiéndoles enfocarse en
todos los aspectos de estos comportamientos de agencia. De esta forma, con =
la
ayuda de estas tecnologías de inteligencia artificial, se ha avanzado en el
desarrollo de agentes inteligentes que puedan llevar a cabo conversaciones
sobre estos temas en lenguaje natural. A partir del uso de un algoritmo de
preprocesamiento especialmente diseñado, puede determinar si puede dar una
respuesta a la frase ingresada por el usuario. Mediante el uso de la interf=
az,
la función del chatbot se oculta, lo que evita que los usuarios distingan la
naturaleza de otros participantes en la conversación.
Referencias bibliográficas Andino,=
J.,
& Tapia, L. (2020). Social media como medio de análisis y prevenci=
ón
del acoso cibernético, aplicado a los perfiles de Facebook, utilizando
técnicas de procesamiento de lenguaje natural con base en Levenshtein.
Universidad de las Fuerzas Armadas ESPE. Obtenido de http://repositorio.e=
spe.edu.ec/bitstream/21000/23755/1/T-ESPE-044273.pdf Blanco,=
A.
R. (2016). Extracción de Datos Enlazados desde Información No Estructurada
Aplicando Técnicas de PLN y Ontologías. In XIV Congreso Internacional =
de
Información Info'2016. Boden, =
M.
(2017). Inteligencia artificial. Turner. Buenaga=
, M.
(2004). Integración de técnicas de procesamiento del lenguaje natural =
para
la recuperación de información en bibliotecas de componentes software.
Universidad Complutense de Madrid, Facultad de Ciencias Físicas. Obtenido=
de
https://eprints.ucm.es/id/eprint/1960/ Cárdena=
s,
M., & Castillo, J. (2018). Procesamiento de Textos estructurados. =
In
xx Workshop Investifadores en Ciencias de la Computación. Universidad
Nacional de Nordeste. Obtenido de http://sedici.unlp.edu.ar/handle/10915/=
67125
Delgado=
, J.
(2015). Hacia un Algoritmo Optimo de Emparejamiento de Nombres. Revist=
a de
Analisis Estadistico/Journal of Statistical Analysis, 9(1), 97. Enríquez, G. H., Páez, S. C., V=
era,
D. Z., Sánchez, M. J. H., & Villalba, C. I. C. (2021). Incidencia de =
las
metodologías de enseñanza en las carreras de ciencias administrativas
ofertadas por las universidades públicas del DMQ. Visionario Digi=
tal, 5(1),
6-25. Estrada=
, L.
(2018). Implementar chatbot basado en inteligencia artificial para la
gestión de requerimientos e incidentes en una empresa de seguros.
Universidad San Ignacio de Loyola. Obtenido de
http://repositorio.usil.edu.pe/handle/USIL/8844 Ganan, =
R.
(2021). Diseño y construcción de un chatbot basado en machine learning:
caso de estudio asistente virtual para maestrías Utmach. Universidad
Técnica de Machala. Herrera=
-Enríquez,
G., Herrera-Sánchez, M., Casanova-Villalba, C., Puyol-Cortez, J., &
Mendoza-Armijos, H. (2021). Manual para Elaboración del Plan de Titula=
ción
como Conclusión de Carrera. Grupo Compas. Jaramil=
lo,
A. (2015). Aplicación de técnicas de minería de datos para determinar =
las
interacciones de los estudiantes en un entorno virtual de aprendizaje
(Vol. 28). Revista Tecnológica - ESPOL. Marín-A=
lvarez,
D., Manrique-Losada, B., & Quintero, J. (2020). Método para la
representación semi-automática de modelos conceptuales desde documentos de
negocio escritos en lenguaje natural en español. Ingeniare. Revista
Chilena de Ingeniería, 28(4), 565-584. doi:http://dx.doi.org/10.4067/=
S0718-33052020000400565 Medrano=
, J.
(2020). Agentes inteligentes para recuperación de información y analítica
visual en big data. In XXII Workshop de Investigadores en Ciencias de =
la
Computación. Obtenido de http://sedici.unlp.edu.ar/handle/10915/10344=
4 Munaka,=
T.
(1998). Fundamentals=
of
the new Artificial Intelligence: beyond Traditional Paradigms. =
Springer. Orozco,=
M.,
Panizza, L., Vegega, C., Pytel, P., & Pollo, M. (2020). Metodología de
implementación de un ChatBot como tutor virtual en el ámbito educativo. <=
i>In
XXII Workshop de Investigadores en Ciencias de la Computación . Sánchez, M. J. H., Villalba, C.=
I.
C., Armijos, H. E. M., Requelme, S. E. R., & Farías, J. J. C. (2021).=
El
Crédito de Desarrollo Humano como estrategia de la Economía Popular y
Solidaria para combatir la pobreza. Visionario Digital, =
5(1),
52-69. Soroa, =
A.
R. (2017). Plataformas y sistemas de procesamiento lingüístico de alto
rendimiento. Estudio preparado por la UPV-EHU para el Plan TL. Villalba, C. I. C., Sánchez, M.=
J.
H., Zambrano, C. M. N., & López, S. E. R. (2021). Modelo de calidad p=
ara
el mejoramiento de la eficiencia en las instituciones públicas del
Ecuador. Ciencia Digital, 5(1), 15-29. Villalo=
nga,
E. (2019). Inteligencia artificial y el internet de las cosas: estudio=
y
estado actual en empresas y consumidores. Universidad de Valladolid.
Obtenido de Inteligencia artificial y el internet de las cosas: estudio y
estado actual en empresas y consumidores:
https://core.ac.uk/download/pdf/232122917.pdf Villena,
F., & Dunstan, J. (2019). Obtención automática de palabras claves en
textos clínicos: una apliación de procesamiento del lenguaje natural a da=
tos
masivos de sospecha diagnóstica en Clile. Revista médica de Chile, 147=
(10),
1229-1238. Viltres,
S., Rodríguez, P., Febles, J., & Estrada, S. (2018). Semantic processing of information in Information
Retrieval Systems. Revista Cubana de Ciencias Informáticas, 12(1),
102-116. Zeroual=
, I.
&. (2018). Data science in light of natutal language processing: An
overview. Procedia
computer science, 127,
82-91. doi:https://doi.org/10.1016/J.PROCS.2018.01.101Alvarez, N. (2021). Mapeo
Sistemático Sobre Los Métodos, Técnicas Y Tecnologías Orientadas A La
Detención De Noticias Falsas. Ecuador - PUCESE - Escuela de Sistemas y
Computación.
PARA
CITAR EL ARTÍCULO INDEXADO
Celi-Parraga, R. J. .
., Varela-Tapia, E. A., Acosta-Guzmán, I. L., & Montaño-Pulzara, N. R.
(2021). Técnicas de procesamiento de lenguaje natural en la inteligencia
artificial conversacional textual . AlfaPublicac=
iones,
3(4.1), 40–52.
El artículo que se publica es de exclusiva responsabilidad de l=
os
autores y no necesariamente reflejan el pensamiento de la Revista Alfa Publicaciones.
El artículo qu=
eda
en propiedad de la revista y, por tanto, su publicación parcial y/o total en
otro medio tiene que ser autorizado por el director de la Revista Alfa Publicaciones.
=
=
[1] Universidad Técnica Luis Var=
gas
Torres de Esmeraldas, Sede Santo Domingo, Ecuador, email: ricardo.celi@ute=
lvt.edu.ec, ID de ORCID https://orcid.o=
rg/0000-0002-8525-5744
[2] Universidad de Guayaquil,
Guayaquil, Ecuador, email: eleanor.varelat@ug.edu.ec, ID de ORCID https://orcid.o=
rg/0000-0002-5357-4046
[3] Universidad de Guayaqui= l, Guayaquil, Ecuador, email: ivan.acostag@ug.edu.ec, ID de ORCID https://orcid.org/0000-0002-1589-1825
[4] Sociedad Ecuatoriana de Estadística, Investigador independiente, Ecuador, email: nestor.montano@s= ee-ec.org, ID de ORCID https://orcid.org/0000-0001-6813-0029
Alpha publicaciones<=
o:p>