XINFORMAÇÕES SOBRE DIREITOS AUTORAIS
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.
A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.
A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.
A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital
Título: REDES NEURAIS DE MEMÓRIA AUMENTADA PARA EXTRAÇÃO DE RELAÇÕES EM TEXTOS Autor: CRISTIAN ENRIQUE MUNOZ VILLALOBOS
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Colaborador(es):
RICARDO TANSCHEIT - ORIENTADOR
LEONARDO ALFREDO FORERO MENDOZA - COORIENTADOR
Nº do Conteudo: 62002
Catalogação: 20/03/2023 Liberação: 20/03/2023 Idioma(s): PORTUGUÊS - BRASIL
Tipo: TEXTO Subtipo: TESE
Natureza: PUBLICAÇÃO ACADÊMICA
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62002&idi=1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62002&idi=2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.62002
Resumo:
Título: REDES NEURAIS DE MEMÓRIA AUMENTADA PARA EXTRAÇÃO DE RELAÇÕES EM TEXTOS Autor: CRISTIAN ENRIQUE MUNOZ VILLALOBOS
LEONARDO ALFREDO FORERO MENDOZA - COORIENTADOR
Nº do Conteudo: 62002
Catalogação: 20/03/2023 Liberação: 20/03/2023 Idioma(s): PORTUGUÊS - BRASIL
Tipo: TEXTO Subtipo: TESE
Natureza: PUBLICAÇÃO ACADÊMICA
Nota: Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62002&idi=1
Referência [en]: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62002&idi=2
Referência DOI: https://doi.org/10.17771/PUCRio.acad.62002
Resumo:
A crescente disponibilidade de grandes corpora – conjunto de corpus de
texto – cria a expectativa de sintetizar, organizar e inferir uma quantidade
de informação sem precedentes. A extração de conhecimento automática
(ECA), área que está no cerne do Processamento de Linguagem Natural
(PLN) e da Inteligência Artificial (IA), aponta para o uso de técnicas de
aquisição de conhecimento estruturado a partir de dados não estruturados,
como os documentos de texto. A ECA compreende essencialmente duas tarefas: o reconhecimento de entidades nomeadas (REN) ou objetos do mundo
real, e a extração de relações (ER). Recentemente, as soluções propostas
para essas tarefas, em sua maioria, são modelos de aprendizado profundo
(AP). Atualmente, os modelos conseguem extrair com boa acurácia informação existente em texto do tamanho de um resumo. Neste trabalho,
aborda-se a criação de mecanismos e estruturas de AP que permitam a
expansão da capacidade de armazenamento de informação de forma a reconhecer com uma alta eficiência longas dependências entre entidades. Este
trabalho tem como objetivo o desenvolvimento, implementação e avaliação
de técnicas de AP para aplicações de PLN como o RCE e a ER a partir de um
documento de texto. Portanto, exploram-se modelos baseados em estruturas
Transformer, que otimizam o processamento de sequências, juntamente com
mecanismos que se assemelham ao controle de bancos de memória, com a finalidade de incrementar o nível de raciocínio destes modelos. O treinamento
dos modelos parte de um conjunto de textos rotulados – anotações – indicando a presença de tipos de entidades ou relações que existem entre elas.
O modelo recebe como entrada um texto e deve aprender a reconhecer as
entidades e as relações lá contidas. Os resultados obtidos demonstram efetividade dos modelos propostos quando comparados aos baseados em redes
neurais já existentes.
Descrição | Arquivo |
NA ÍNTEGRA |