¿Qué es el análisis de sentimiento?

El análisis de sentimiento es una técnica de procesamiento del lenguaje natural (NLP) que utiliza la lingüística computacional y el machine learning para detectar el tono emocional detrás de los datos de texto. Esto permite a las organizaciones identificar un sentimiento positivo, neutral o negativo hacia tu marca, productos, servicios o ideas.

Las tecnologías centrales incluyen:

• Procesamiento de lenguaje natural (NLP): Permite que las máquinas procesen e interpreten el lenguaje humano
• Lingüística computacional: proporciona marcos de trabajo lingüísticos para el análisis de texto
• Machine learning (ML): Los modelos aprenden patrones de texto etiquetado para clasificar sentimientos

1. Ingesta de texto: datos de texto sin procesar se recopilan de una variedad de fuentes, incluidos correos electrónicos, tickets de soporte, logs de chat, redes sociales y reseñas de clientes. Un pipeline de procesamiento “ingiere” estos datos.
2. Preprocesamiento de texto: El texto sin procesar se limpia y se normaliza:
   1. Tokenización: los datos (texto) se dividen en palabras o frases
   2. Minúsculas: la entrada está estandarizada
   3. Eliminación de palabras vacías: se filtran las palabras comunes no informativas
   4. Stemming/lematización: Descompone las palabras en sus formas más básicas
   5. Reconocimiento de entidades con nombre (NER): El proceso de reconocer nombres propios y entidades
3. Extracción de características: Se crean representaciones numéricas estructuradas a partir del texto:
   1. Bolsa de palabras (BoW) o TF-IDF para modelos de vectores dispersos
   2. Embeddings de palabras (Word2Vec, GloVe, BERT, etc.) para contexto semántico
   3. Vectores contextuales (p. ej., de modelos basados en transformers)
4. Clasificación de sentimientos: El texto se categoriza en categorías de sentimiento utilizando modelos de machine learning o de aprendizaje profundo:
   1. Modelos basados en reglas (usando léxicos de sentimientos y heurísticas lingüísticas)
   2. Modelos de ML tradicionales (Naïve Bayes, SVM, regresión logística)
   3. Modelos neuronales (LSTM, CNN, transformers)
5. Salida y puntuación: Cada texto de entrada tiene una puntuación a lo largo de un continuo de sentimiento (por ejemplo, de -1 a +1) o se etiqueta como positivo, negativo o neutral. A continuación, estos metadatos de sentimiento son:
   1. Indexados para filtrado o búsqueda
   2. Combinados para analíticas y dashboards
   3. Usados para activar advertencias (por ejemplo, cuando el sentimiento negativo aumenta)
6. Comentarios + actualizaciones del modelo: El modelo se puede ajustar o reentrenar utilizando salidas etiquetadas.

El análisis de sentimiento es una subcategoría del procesamiento de lenguaje natural, lo que significa que es una de las diversas tareas que realiza el NLP. Mientras que el análisis de sentimiento se centra en captar la emoción y la opinión dentro del texto, el procesamiento del lenguaje natural (PNL) es la tecnología general que da a las máquinas la capacidad de trabajar con el lenguaje humano.

Las tareas relacionadas con el lenguaje impulsadas por NLP incluyen:

• NER: Identificar nombres propios como personas, organizaciones o lugares en un texto
• Etiquetado de categoría gramatical: Etiquetas palabras con sus funciones gramaticales (sustantivo, verbo, adjetivo, etc.)
• Clasificación de texto: Clasificar el texto en categorías (como spam vs. no spam)
• Modelado del lenguaje: Predecir la siguiente palabra en una oración o comprender la estructura de la oración
• Resumen de texto: Generar resúmenes concisos de documentos más extensos
• Traducción automática: Convertir texto de un idioma a otro
• Respuesta a preguntas: Construir sistemas que respondan a preguntas basadas en la entrada de texto
• Generación de lenguaje natural: Crear texto similar al humano a partir de datos estructurados o prompts

El análisis de sentimiento es un caso de uso específico dentro de la disciplina más amplia del machine learning, generalmente utilizando modelos de machine learning supervisados entrenados en datos de texto etiquetados para detectar sentimientos y opiniones en el texto.

Machine learning, por otro lado, permite que los sistemas aprendan patrones a partir de los datos y realicen predicciones o tomen decisiones sin estar explícitamente programados. Algunas tareas clave de machine learning incluyen:

• Clasificación de imágenes: identificación de objetos o personas en imágenes/fotos.
• Reconocimiento de voz: conversión del lenguaje hablado en texto.
• Sistemas de recomendación: sugerencias de productos, medios entre otros según el comportamiento del usuario.

Fundamentalmente, las técnicas de análisis de sentimiento se basan en técnicas de ML como por ejemplo:

• Algoritmos de clasificación: por ejemplo, redes neuronales profundas, árboles de decisión o regresión logística
• Extracción de características: convertir texto en bruto en vectores numéricos
• Evaluación del modelo: el rendimiento se evalúa utilizando métricas como la recuperación, la precisión y la exactitud

La inteligencia artificial es una disciplina de amplio alcance que tiene como objetivo crear sistemas capaces de realizar tareas que normalmente requerirían habilidades cognitivas humanas. El análisis de sentimiento es una aplicación limitada de la AI, específicamente dentro del dominio de la NLP.

El NLP, la visión por computadora y machine learning son subcampos de la AI.

El análisis de sentimiento se basa en los componentes del núcleo de NLP, como la tokenización, el análisis sintáctico y las representaciones vectoriales del lenguaje. A menudo se utiliza con modelos de transformers preentrenados (como BERT o RoBERTa) que han sido ajustados en sets de datos etiquetados para análisis de sentimiento. En esencia, aunque la AI abarca una variedad de comportamientos, el análisis de sentimiento se enfoca en los métodos de AI y NLP para examinar el tono emocional en los datos textuales.

La minería de datos es un proceso computacional amplio que implica descubrir patrones, correlaciones y anomalías a partir de grandes sets de datos.

Las diferencias clave entre el análisis de sentimiento y la minería de datos incluyen:

• Metodologías: El análisis de sentimiento incorpora técnicas de NLP con modelos de machine learning supervisados o no supervisados para interpretar los matices del lenguaje. Por otro lado, la minería de datos utiliza métodos estadísticos, matemáticos y algorítmicos que están optimizados para el descubrimiento de patrones en varios formatos de datos.
• Salida: Los resultados del análisis de sentimiento incluyen clasificaciones de sentimiento o puntuaciones continuas de sentimiento. Las salidas de la minería de datos incluyen modelos predictivos, clusters y reglas de asociación.
• Enfoque en el tipo de datos: La minería de datos se ocupa de diversos tipos de datos (por ejemplo, numéricos, de categorías y textuales). El análisis de sentimiento se enfoca en el texto no estructurado para la extracción de información emocional.

El análisis de sentimiento puede realizarse mediante distintos enfoques: métodos basados en reglas, modelos de machine learning o una combinación híbrida. Cada enfoque puede aplicarse a distintos tipos de tareas de análisis de sentimiento, incluyendo:

• Análisis de sentimiento de grano fino
• Análisis de sentimientos basado en aspectos (ABSA)
• Análisis de sentimiento en la detección de emociones
• Análisis de sentimientos basado en la intención

Análisis de sentimiento de grano fino

También conocido como análisis de sentimiento graduado, este tipo refina el sentimiento en múltiples niveles en lugar de solo positivo, neutral o negativo. Las categorías típicas incluyen muy positivo, positivo, neutral, negativo y muy negativo. Esta mayor granularidad puede ser útil en escenarios y/o industrias específicos, como las empresas que buscan entender mejor los niveles de satisfacción del cliente.

Análisis de sentimientos basado en aspectos (ABSA)

Este enfoque se centra en identificar el sentimiento hacia aspectos o características específicas de un producto o servicio. Tomemos, por ejemplo, las reseñas de auriculares inalámbricos. Diferentes aspectos podrían incluir conectividad, diseño y calidad de sonido. ABSA ayuda a las empresas a identificar exactamente qué partes de tu producto les gustan o no a los clientes.

Análisis de sentimiento en la detección de emociones

La detección de emociones va más allá de la polaridad para identificar sentimientos específicos como felicidad, tristeza, ira o frustración. Este tipo de análisis a menudo utiliza léxicos para evaluar el lenguaje subjetivo.

Sin embargo, los métodos basados en el léxico pueden tener dificultades con el contexto o con las expresiones sutiles de emoción.

Análisis de sentimientos basado en la intención

Como su nombre lo sugiere, el análisis basado en la intención busca comprender la intención detrás del texto. Esto puede permitir a las empresas identificar la intención del cliente y los niveles de interés, como la intención de comprar, actualizar, cancelar o darse de baja. La detección de intenciones generalmente requiere entrenar clasificadores en datos etiquetados, como correos electrónicos de clientes o consultas de soporte.

Para realizar un análisis de sentimiento, normalmente sigues estos pasos:

1. Preprocesamiento de texto, que incluye tokenizar oraciones, lematizar a la forma raíz y eliminar palabras vacías
2. Extracción de características, que puede incluir la conversión de los tokens lematizados a una representación numérica o la generación de embeddings
3. Clasificación, que implica aplicar un clasificador de sentimiento a tus datos (Generalmente se utiliza un modelo o algoritmo específico que trabaja con las características extraídas para categorizar el sentimiento).

También hay tres enfoques comunes para el análisis de sentimiento

• Análisis de sentimiento basado en reglas
• Análisis de sentimiento de machine learning
• Análisis de sentimiento híbrido

Análisis de sentimiento basado en reglas

El análisis de sentimiento basado en reglas utiliza reglas lingüísticas preestablecidas y léxicos de sentimiento para determinar el tono emocional del texto.

Los componentes incluyen:

• Léxicos de sentimientos: Diccionarios que contienen palabras etiquetadas con valores de sentimiento (positivo, negativo, neutro).
• Reglas lingüísticas: Conjuntos de reglas manuales para manejar modificadores, como negaciones ("no bueno"), intensificadores ("muy feliz") y conjunciones.

Proceso:

1. Tokenización: Divide el texto en tokens (palabras o frases).
2. Búsqueda de léxico: Haz coincidir los tokens con el léxico de sentimientos para asignar puntuaciones de polaridad.
3. Aplicación de reglas: ajusta los puntajes usando reglas que consideren el contexto (p. ej., la negación invierte la polaridad, los intensificadores amplifican el sentimiento).
4. Agregación: Combina los puntajes individuales de los tokens en un puntaje general de sentimiento para el texto.

Aunque el beneficio de este enfoque incluye resultados fácilmente interpretables y no requiere un gran set de datos etiquetados, el análisis de sentimiento basado en reglas puede resultar rígido y, a veces, puede tener dificultades con matices más sutiles como el sarcasmo, el contexto y el uso cambiante del lenguaje.

Análisis de sentimiento de machine learning

El análisis de sentimiento con machine learning utiliza algoritmos que aprenden de datos de entrenamiento etiquetados.

Los componentes incluyen:

• Datos de entrenamiento: sets de datos etiquetados (p. ej., reseñas de películas, reseñas de productos) utilizados para enseñar al modelo qué palabras o frases corresponden a sentimientos positivos, negativos o neutrales
• Características: Representaciones numéricas de texto, como conteos de palabras, vectores TF-IDF o embeddings que capturan el significado semántico
• Clasificación: Modelos como redes neuronales profundas, Naïve Bayes¹, regresión logística o máquinas de soporte vectorial que clasifican texto en función de las características extraídas

Proceso:

1. Preprocesamiento de datos: el texto se limpia y se tokeniza, se eliminan las palabras vacías, y finalmente se convierte en vectores de características.
2. Entrenamiento del modelo: Las características y las etiquetas de sentimiento correspondientes se colocan nuevamente en el algoritmo de ML para aprender patrones.
3. Predicción: El modelo entrenado se aplica a nuevos datos de texto para predecir etiquetas de sentimiento.
4. Evaluación y ajuste: El desempeño del modelo se evalúa mediante métricas (exactitud, precisión, recuperación) y los hiperparámetros se ajustan para mejorar los resultados.

Los enfoques de machine learning tienen la capacidad de capturar patrones y contextos complejos mejor que los sistemas basados en reglas. También se adaptan más fácilmente al nuevo uso del idioma. Sin embargo, tienden a requerir una cantidad considerable de datos etiquetados y recursos computacionales para el entrenamiento.

Análisis de sentimiento híbrido

El análisis de sentimiento híbrido aprovecha las fortalezas de ambos enfoques mediante la combinación de métodos basados en reglas y de machine learning.

Por lo tanto, los componentes incluyen:

1. Sistema basado en reglas: Reglas lingüísticas preestablecidas y léxicos de sentimiento que proporcionan señales de sentimiento interpretables
2. Modelo de machine learning: Algoritmos entrenados con datos etiquetados para capturar patrones complejos de lenguaje y contexto

Proceso:

1. Preprocesamiento: El texto se limpia, se tokeniza y se convierte en vectores de características según lo requiera el componente de machine learning.
2. Aplicación de reglas: Se aplican reglas lingüísticas para identificar indicadores explícitos de sentimiento y manejar modificadores como negaciones o intensificadores.
3. Predicción de machine learning: El modelo de ML analiza las mismas características o complementarias para detectar sentimientos matizados más allá de las reglas explícitas.
4. Fusión: Las salidas de los componentes basados en reglas y de machine learning se combinan usando mecanismos de ponderación o votación para producir la predicción final del sentimiento.

Combinar los dos enfoques principales puede ofrecer mejores resultados en dominios con expresiones sutiles de sentimientos o un uso del lenguaje en evolución. Dicho esto, lograr el equilibrio adecuado entre la complejidad y el rendimiento en los sistemas híbridos requiere prudencia en el ajuste y la integración.

El análisis de sentimiento puede ofrecer a las empresas información accionable al identificar:

• La polaridad del lenguaje utilizado (positivo, neutral, negativo)
• El tono emocional de la respuesta del consumidor (como la ira, la felicidad o la tristeza)
• Si el tono transmite urgencia
• La intención o nivel de interés del consumidor

Como una forma de minería de opinión automatizada, el análisis de sentimiento puede brindar soporte a una variedad de aplicaciones empresariales.

Las empresas pueden recopilar y analizar comentarios, reseñas y menciones de plataformas sociales, publicaciones de blog y varios foros de discusión o revisión para comprender cómo se percibe tu marca. Las herramientas de análisis de sentimiento pueden automatizar y escalar este proceso. 

Las fuentes de datos pueden incluir:

• Redes sociales (X, comentarios de Instagram)
• Sitios de reseñas (Yelp, Google Reviews)
• Foros y blogs
• Reseñas de la app store

La información generada a partir de aplicar el análisis de sentimiento en estos datos puede ayudar a las empresas a detectar patrones en los comentarios positivos, identificar puntos críticos en los comentarios negativos y evaluar la urgencia y la intensidad emocional.

Los equipos de marketing suelen emplear este enfoque para perfeccionar las estrategias de comunicación y monitorizar la salud y la popularidad de la marca.

El análisis de sentimiento puede ser una herramienta confiable para extraer información de alto nivel y agregada sobre mercados, industrias o segmentos de clientes enteros, más allá del sentimiento de una marca individual.

Las fuentes de datos comunes incluyen:

• Artículos de noticias y comunicados de prensa
• Reportes de la industria y comentarios de analistas
• Noticias financieras y análisis del mercado de valores
• Blogs y foros
• Reseñas de productos y servicios
• Datos de encuestas y comentarios

Las aplicaciones de análisis de sentimiento pueden utilizar estas fuentes de datos para cuantificar las tendencias del sentimiento del mercado, lo que informa la evaluación de riesgos y la estrategia de productos.

Integrar el análisis de sentimiento en una plataforma de comercio electrónico puede mejorar las capacidades de búsqueda y filtrado de productos. Además de las redes sociales y reseñas mencionadas, otras fuentes de datos pueden incluir:

• Registros de servidores web que capturan las rutas de navegación de los usuarios combinadas con transcripciones de sesiones etiquetadas con sentimientos
• Logs de dispositivos IoT (p. ej., electrodomésticos inteligentes con comentarios de clientes a través de apps integradas) vinculados a etiquetas de sentimiento
• Comentarios de interacción de productos de realidad aumentada (AR) (donde se transcriben los comentarios verbales y se realiza un análisis de sentimiento)
• Datos de sentimiento multilingües de las comunicaciones internacionales de atención al cliente

La agregación y el análisis de señales de sentimiento en diversas fuentes de datos textuales y semiestructuradas se pueden utilizar para evaluar la percepción de marca y producto en comparación con la competencia.

Las fuentes de datos menos convencionales pueden incluir:

• Presentaciones de patentes y documentos técnicos analizados para identificar lenguaje cargado de sentimientos. 
• Transcripciones de las reuniones de ganancias analizadas para detectar cambios en el sentimiento y señales de confianza de los inversores.
• Tickets de reclamos de clientes y logs de resolución con anotaciones de sentimiento.
• El contenido de los influencers y el sentimiento de respaldo medidos mediante técnicas de NLP en transcripciones multimedia.

El análisis de sentimiento se basa en la comprensión del lenguaje humano, que por naturaleza es complejo, ambiguo y está en constante evolución. Esto hace que la interpretación precisa sea una tarea desafiante para los sistemas automatizados.

Desambiguación de entidades en las reseñas de negocio a negocio (B2B)

Distinguir el sentimiento dirigido a diferentes entidades es un desafío común, especialmente en contextos competitivos. En las reseñas B2B, por ejemplo, se puede emplear un lenguaje similar para describir a tu empresa y a tus competidores, pero el sentimiento hacia cada uno debe interpretarse de manera diferente.

La herramienta de análisis de sentimiento puede carecer de capacidades de desambiguación de entidades, lo que podría llevar a una atribución incorrecta de sentimiento positivo a tu empresa cuando la declaración realmente se refiere a la competencia.

Ironía, sarcasmo y contexto

Detectar y comprender la ironía y el sarcasmo sigue siendo un desafío significativo en el análisis de sentimiento.

Estas formas de expresión utilizan palabras positivas para comunicar significados negativos o contrarios, a menudo sin indicios textuales explícitos, y esta ambigüedad puede complicar la clasificación automática de sentimientos.

El sentimiento depende mucho del contexto, y frases idénticas pueden tener diferentes polaridades de sentimiento dependiendo de la pregunta o el escenario.

Manejar el sarcasmo y la ironía requiere técnicas más avanzadas, como modelos sensibles al contexto (transformers) y/o análisis multimodal (incorporando señales tonales o visuales).

La clasificación de sentimientos según el contexto a menudo se basa en la incorporación del prompt o del historial de conversaciones para interpretar correctamente las respuestas.

Subjetividad

Uno de los principales desafíos del análisis de sentimiento es la subjetividad del lenguaje. Las variaciones en el humor, las expresiones idiomáticas y los dialectos entre culturas pueden cambiar el significado.

Debido a las diferencias léxicas y sintácticas, los modelos de sentimiento entrenados en una variante del idioma o cultura pueden no ser adecuados cuando se aplican a otras.

Las estrategias de localización, como los datos de entrenamiento adaptados regionalmente y los léxicos específicos culturales, son esenciales para la aplicación exitosa del análisis de sentimiento.

El análisis de sentimiento beneficia a sus usuarios con información procesable. Como herramienta, tiene muchas ventajas:

Extrae las emociones de tus clientes a escala

Las herramientas de análisis de sentimiento ofrecen análisis en tiempo real a partir de diversas fuentes de texto.

Los usos principales incluyen:

• Detección temprana de picos de sentimiento negativo y problemas emergentes
• Gestión de crisis mediante alertas oportunas
• Informar la estrategia de relaciones públicas

El proceso de minería de textos en este contexto a menudo implica la ingesta continua y el preprocesamiento de datos, así como el uso de herramientas de visualización de datos. Los cambios repentinos pueden ser detectados mediante algoritmos de detección de anomalías para la puntuación de sentimientos.

Brinda soporte a modelos de analíticas predictivas

Los resultados del análisis de sentimiento se pueden integrar como características diseñadas en pipelines de modelado predictivo.

Un flujo de trabajo típico incluye:

• Extracción de puntuaciones de polaridad e intensidad de sentimiento a partir de texto no estructurado utilizando modelos de NLP o API
• Agregación de puntuaciones en ventanas de tiempo relevantes o segmentos de clientes para crear características numéricas
• Una combinación de características derivadas del sentimiento con sets de datos estructurados (p. ej., registros de CRM, logs de transacciones)
• Entrenamiento supervisado de modelos de machine learning (bosques aleatorios, potenciación de gradiente, redes neuronales profundas) para predecir resultados
• Validación de modelos usando métricas como AUC-ROC, F1-score o RMSE

Mejora el desarrollo de productos y servicios

Con el análisis de sentimiento, la iteración de un producto impulsada por datos puede hacerse más eficiente mediante el monitoreo continuo de la retroalimentación:

• Implementa la ingesta en tiempo real de comentarios de clientes desde múltiples canales (reseñas, tickets de soporte, foros) a través de una API o plataformas de streaming.
• Aplica los pasos de preprocesamiento de la NLP: tokenización, lematización, eliminación de palabras vacías, seguido de la clasificación de sentimientos usando modelos basados en reglas o en ML.
• Almacena comentarios etiquetados con sentimientos en una base de datos de series temporales o de documentos para el análisis de tendencias.
• Desarrolla dashboards de visualización con métricas como la distribución de sentimientos o picos de volumen.

Puedes desarrollar un sistema de análisis de sentimiento tú mismo, invertir en un proveedor externo o adquirir complementos para integrarlos en tus aplicaciones. Hay disponible una variedad de herramientas de análisis de sentimiento de software como servicio (SaaS), mientras que las bibliotecas open source de Python o Java pueden usarse para crear tu propia herramienta. A menudo, los proveedores Cloud ofrecen sus propios paquetes de AI.

• Desarrolla tu propio modelo de sentimiento
  Puedes crear tu propio modelo de sentimiento utilizando una biblioteca de NLP, como spaCy o NLTK. Cuando se trata de una personalización, un enfoque práctico te permite tener control total sobre el preprocesamiento, la ingeniería de características, la arquitectura del modelo y los datos de entrenamiento. Dicho esto, construir tu propio modelo de sentimientos requiere experiencia en NLP y machine learning, así como una inversión significativa en etiquetado de datos, entrenamiento y ajuste de modelos. Cuando el lenguaje específico de un dominio o los matices de sentimiento detallados requieren modelos personalizados, el enfoque de "hazlo tú mismo" puede ser el adecuado para ti.
• Usa soluciones SaaS de análisis de sentimiento llave en mano
  Una solución preempaquetada podría incluir Amazon Comprehend, Google AI o los servicios cognitivos de Azure. Las ventajas de herramientas de análisis de sentimiento SaaS como estas incluyen el despliegue rápido, la infraestructura gestionada, los modelos preentrenados y las API escalables. Sin embargo, tener menos control sobre los aspectos internos del modelo también implica que ocasionalmente se requiera un ajuste fino o una adaptación al dominio con más entrenamiento.
• Integra modelos de análisis de sentimiento de terceros
  También puedes optar por subir modelos de sentimiento personalizados u open source en plataformas como Elastic Search AI Platform. Al combinar la indexación y búsqueda de Elasticsearch con la puntuación de sentimientos para analizar grandes sets de datos de texto, puedes desarrollar arquitecturas híbridas, combinando modelos preentrenados con conjuntos de reglas personalizadas o mejoras de ML. Si deseas la flexibilidad de gestionar tus propios modelos mientras utilizas una infraestructura de búsqueda y análisis ya existente y confiable, esta es la opción adecuada.
• Suites de AI del Proveedor Cloud
  Las suites de AI y ML de los Proveedores Cloud a menudo incluyen análisis de sentimiento como parte de capacidades de NLP más amplias. Estas soluciones ofrecen una fácil integración con otros servicios y actualizaciones continuas de modelos. Sin embargo, los bloqueos de proveedores y la personalización limitada pueden ser un desafío.

Inicia tu herramienta de análisis de sentimiento con Elastic, para que puedas realizar tu propia minería de opiniones y obtener la información procesable que necesitas.  

• Learn how to deploy NLP sentiment analysis with Elastic (Conoce cómo desplegar el análisis de sentimiento de NLP con Elastic)
• Observability and sentiment analysis with the ELK Stack (Observabilidad y análisis de sentimiento con el ELK Stack)
• ¿Cómo convertir los datos en información procesable?
• Guía completa de clasificación de texto
• NLP vs. LLMs
• Machine learning vs. AI

Algoritmo: Un proceso o un conjunto de reglas que sigue una computadora

Inteligencia artificial: La simulación de la inteligencia humana por máquinas y sistemas informáticos

Lingüística computacional: Una rama de la lingüística que usa teorías de la ciencia de la computación para analizar y sintetizar el lenguaje y el discurso

Resolución de correferencias: El proceso de identificar todas las palabras que pertenecen a una entidad con nombre en un texto

Lematización: El proceso de agrupar diferentes formas flexionadas de la misma palabra

Léxico: un inventario de palabras del vocabulario de un idioma

Machine learning: Un subconjunto de inteligencia artificial que, mediante el uso de datos y algoritmos, permite a una computadora aprender sin indicaciones

Reconocimiento de entidades con nombre: El proceso de reconocer palabras como nombres propios o entidades

Procesamiento del lenguaje natural: Una rama de la informática que, como subconjunto de la inteligencia artificial, se ocupa de ayudar a los sistemas informáticos a comprender el lenguaje humano

Etiquetado de categoría gramatical: El proceso de marcar una palabra en un texto para categorizar a qué categoría gramatical pertenece (p. ej., manzana = sustantivo; lentamente = adverbio; cerrado = adjetivo)

Stemming:El proceso de reducir las palabras a su raíz, o forma base

Tokenización: El proceso de dividir un texto en unidades más pequeñas, llamadas tokens

Desambiguación del sentido de las palabras: El proceso de identificar el sentido de una palabra dado su uso en contexto

¹ Webb, G.I. "Naïve Bayes." Enciclopedia de Machine Learning y Minería de Datos, Springer, 2017, https://doi.org/10.1007/978-1-4899-7687-1_581.