Aprendizaje automático
URI permanente para esta colección:
Artículos en la categoría Aprendizaje automático publicados en las Actas de las XXIII Jornadas de Programación y Lenguajes (PROLE 2024).
Notificar un error en esta colección
Examinar
Envíos recientes
Artículo Extracción de comentarios de tiendas en líneaAlarte, Julián; Galindo, Carlos; Silva, Josep. Actas de las XXIII Jornadas de Programación y Lenguajes (PROLE 2024), 2024-06-17.Las tiendas en línea suelen incluir una sección de comentarios de clientes en las páginas de sus productos. Dicha sección es útil para otros clientes, propietarios de las tiendas y fabricantes. Sin embargo, la identificación automática de la sección de comentarios no es trivial, ya que normalmente se encuentra en una página con más información sobre el producto, imágenes, anuncios, avisos, menú de navegación, etc. Este trabajo presenta una técnica novedosa para la extracción de comentarios de productos. La técnica no solo extrae texto, sino también otros tipos de contenido relevante, como animaciones, videos, etc. Está basada en el árbol DOM y únicamente necesita cargar una página para extraer los comentarios del producto, por tanto, puede ser utilizada en tiempo real durante la navegación sin necesidad de preprocesamiento de las páginas. Para entrenar y evaluar la técnica hemos construido un conjunto de pruebas basadas en páginas web reales y heterogéneas. La evaluación empírica muestra que la técnica obtiene una puntuación F1 media de 90,4% y resultados perfectos en la mayoría de páginas web.Artículo LearnTA: Generación automática de autómatas temporizados mediante el aprendizaje de trazasLópez Gómez, Rafael; Panizo Jaime, Laura; Gallardo Melgarejo, María del Mar. Actas de las XXIII Jornadas de Programación y Lenguajes (PROLE 2024), 2024-06-17.El rápido avance de tecnologías, como la Inteligencia Artificial, está permitiendo el desarrollo de sistemas software muy sofisticados. Para la detección temprana de errores en estos sistemas es usual la construcción de modelos abstractos sobre los que se pueda razonar. Sin embargo, esta tarea de modelado se complica cuando lo ́único que puede observarse de los sistemas es su interacción con el entorno. En este trabajo, se presenta LearnTA, una herramienta de aprendizaje para la generación automática de modelos de sistemas (Systems Under Learning/SULs) a partir de la observación de su ejecución. Concretamente, la herramienta tiene como objetivo aprender sistemas reactivos cuya evolución puede depender del tiempo. LearnTA emplea un algoritmo de Automata Learning con aprendizaje pasivo. LearnTA utiliza el comportamiento observado del SUL que se quiere aprender para construir un modelo formal. El comportamiento observado del SUL está constituido por secuencias (trazas) de observaciones, cada una de las cuales tiene un evento de interacción del sistema con su entorno y su estado visible en un instante de tiempo. El modelo formal construido por LearnTA es un tipo especial de autómata de tiempo real determinista. Para evaluar LearnTA, se han realizado una serie de experimentos en los que los SULs son sistemas sintéticos de diferente tamaño. Asimismo, también se ha realizado una comparación con TAG, otro herramienta perteneciente al estado del arte.