Autor: Mario Graff

PGGP: Prototype Generation via Genetic Programming

Hugo Jair Escalante Mario Graff Alicia Morales-Reyes (2016)

Prototype generation (PG) methods aim to find a subset of instances taken from a large training data set, in such a way that classification performance (commonly, using a 1NN classifier) when using prototypes is equal or better than that obtained when using the original training set. Several PG methods have been proposed so far, most of them consider a small subset of training instances as initial prototypes and modify them trying to maximize the classification performance on the whole training set. Although some of these methods have obtained acceptable results, training instances may be under-exploited, because most of the times they are only used to guide the search process. This paper introduces a PG method based on genetic programming in which many training samples are combined through arithmetic operators to build highly effective prototypes. The genetic program aims to generate prototypes that maximize an estimate of the generalization performance of an 1NN classifier. Experimental results are reported on benchmark data to assess PG methods. Several aspects of the genetic program are evaluated and compared to many alternative PG methods. The empirical assessment shows the effectiveness of the proposed approach outperforming most of the state of the art PG techniques when using both small and large data sets. Better results were obtained for data sets with numeric attributes only, although the performance of the proposed technique on mixed data was very competitive as well.

Artículo

Tecnologías de la Información y Comunicación INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS OTRAS

Strategy for the automated diagnostic of the openess degree in government data

RAMON REYES CARRION ELIO ATENOGENES VILLASEÑOR GARCIA MARIO GRAFF GUERRERO (2016)

Propósito: una estrategia de análisis de información de extracción de datos y modelos, para evaluar de una manera (semi) automatizada, los datos del gobierno mexicano que analizan la pertinencia, capacidad y organización de los datos abiertos del gobierno mexicano.

Diseño / metodología / enfoque: Proponemos un estudio detallado de los formatos, estructura, temporalidad, uniformidad, acceso, herramientas disponibles, para determinar el grado de apertura de los datos del gobierno mexicano. Además, los resultados obtenidos del estudio, servirán para el modelado y la evaluación de la información para diseñar e implementar las estrategias de análisis de los datos de gobierno abierto, utilizando técnicas avanzadas de análisis de big data.

Originalidad / valor: esta metodología pone en evidencia la viabilidad de las categorías definidas por el grupo de investigación: "Seminario de Investigación de gobierno abierto y big data". Por último, diagnosticamos los datos del gobierno mexicano utilizando herramientas de análisis de big data.

Implicaciones prácticas: el resultado será la aplicación de herramientas de análisis de big data para abrir datos susceptibles de aplicarse a los datos del gobierno de los países en desarrollo. El modelado de los datos será el punto de partida o el diseño e implementación de las estrategias de análisis de datos o se aplicará al gobierno abierto a través del uso de herramientas avanzadas de análisis de datos.

Artículo

Tecnologías de la Información y Comunicación Big data Análisis de datos México INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

A Case Study of Spanish Text Transformations for Twitter Sentiment Analysis

Oscar Sánchez Siordia Eric Tellez SABINO MIRANDA JIMENEZ Mario Graff Daniela Moctezuma Elio Atenógenes Villaseñor García (2017)

Sentiment analysis is a text mining task that determines the polarity of a given text, i.e., its positiveness or negativeness. Recently, it has received a lot of attention given the interest in opinion mining in micro-blogging platforms. These new forms of textual expressions present new challenges to analyze text because of the use of slang, orthographic and grammatical errors, among others. Along with these challenges, a practical sentiment classifier should be able to handle efficiently large workloads. The aim of this research is to identify in a large set of combinations which text transformations (lemmatization, stemming, entity removal, among others), tokenizers (e.g., word n-grams), and token-weighting schemes make the most impact on the accuracy of a classifier (Support Vector Machine) trained on two Spanish datasets. The methodology used is to exhaustively analyze all combinations of text transformations and their respective parameters to find out what common characteristics the best performing classifiers have. Furthermore, we introduce a novel approach based on the combination of word-based n-grams and character-based q-grams. The results show that this novel combination of words and characters produces a classifier that outperforms the traditional wordbased combination by 11.17% and 5.62% on the INEGI and TASS’15 dataset, respectively.

Artículo

Sentiment Analysis Error-robust text representations Opinion mining INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS TECNOLOGÍA DE LOS ORDENADORES INTELIGENCIA ARTIFICIAL INTELIGENCIA ARTIFICIAL

Semantic Genetic Programming Operators Based on Projections in the Projections in the Phenotype Space

Mario Graff ERIC SADIT TELLEZ AVILA Elio Atenógenes Villaseñor García SABINO MIRANDA JIMENEZ (2015)

In the Genetic Programming (GP) community there has been a great interest in developing semantic genetic operators. These type of operators use information of the phenotype to create ospring. The most recent approaches of semantic GP include the GP framework based on the alignment of error space, the geometric semantic genetic operators, and backpropagation genetic operators. Our contribution proposes two semantic operators based on projections in the phenotype space. The proposed operators have the characteristic, by construction, that the ospring's tness is as at least as good as the tness of the best parent; using as tness the euclidean distance. The semantic operators proposed increment the learning capabilities of GP. These operators are compared against a traditional GP and Geometric Semantic GP in the Human oral bioavailability regression problem and 13 classication problems. The results show that a GP system with our novel semantic operators has the best performance in the training phase in all the problems tested.

Artículo

Tecnologías de la Información y Comunicación INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

INGEOTEC at SemEval 2017 Task 4: A B4MSA Ensemble based on Genetic Programming for Twitter Sentiment Analysis

SABINO MIRANDA JIMENEZ MARIO GRAFF GUERRERO Eric Tellez DANIELA MOCTEZUMA GARCIA (2017)

Este documento describe el sistema utilizado en SemEval-2017 Tarea 4 (Subtarea A): Clasificación de polaridad de mensaje para ambos idiomas, inglés y árabe. Nuestro sistema propuesto es un conjunto de dos capas, el primero usa nuestro marco genérico para la clasificación de polaridad multilingüe (B4MSA) y la segunda capa combina todos los valores de función de decisión predichos por sistemas B4MSA usando una función no lineal desarrollada usando un sistema de Programación Genética, EvoDAG. Con este enfoque, los mejores rendimientos alcanzados por nuestro sistema fueron la recuperación de macro0.68 (en inglés) y 0.477 (en árabe), que nos colocaron en sexta y cuarta posición en la tabla de resultados, respectivamente.

Artículo

Tecnologías de la Información y Comunicación Lingüística Análisis de sentimiento Twitter INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

Minería de opinión en blogs financieros para la predicción de tendencias en mercados bursátiles

Sergio Hernández SABINO MIRANDA JIMENEZ Elio Atenógenes Villaseñor García ERIC SADIT TELLEZ AVILA Mario Graff (2015)

El análisis de redes sociales para el estudio de mercados financieros se ha vuelto un tema de investigación y desarrollo de herramientas que permite a los agentes financieros usar las opiniones de la gente para aumentar la precisión en las predicciones de mercado. Nuestra investigación se enfoca en la predicción de la tendencia de índices financieros usando la minería de opinión, basado en el análisis de blogs especializados en finanzas para el idioma inglés. Los comenta-rios vertidos en estos blogs son clasificados en términos de su opinión respecto a la tendencia de mercado (a la alza, estable o a la baja). Se evalúan distintas téc-nicas de aprendizaje computacional y minería de textos para la clasificación de los comentarios realizados durante un periodo de tres meses. Los resultados ob-tenidos muestran que este análisis puede ser incorporado como un factor en la toma de decisión de los agentes financieros y mejorar la precisión de sus proyec-ciones.

Artículo

Minería de opinión INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

INGEOTEC at SemEval 2017 Task 4: A B4MSA Ensemble based on Genetic Programming for Twitter Sentiment Analysis

SABINO MIRANDA JIMENEZ MARIO GRAFF GUERRERO Eric Tellez DANIELA MOCTEZUMA GARCIA (2017)

Este documento describe el sistema utilizado en SemEval-2017 Tarea 4 (Subtarea A): Clasificación de polaridad de mensaje para ambos idiomas, inglés y árabe. Nuestro sistema propuesto es un conjunto de dos capas, el primero usa nuestro marco genérico para la clasificación de polaridad multilingüe (B4MSA) y la segunda capa combina todos los valores de función de decisión predichos por sistemas B4MSA usando una función no lineal desarrollada usando un sistema de Programación Genética, EvoDAG . Con este enfoque, los mejores rendimientos alcanzados por nuestro sistema fueron la recuperación de macro0.68 (en inglés) y 0.477 (en árabe), que nos colocaron en sexta y cuarta posición en la tabla de resultados, respectivamente.

Artículo

Tecnologías de la Información y Comunicación Lingüística Aplicada Análisis de sentimiento Twitter INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

Near neighbor searching with K nearest references

EDGAR LEONEL CHAVEZ GONZALEZ Mario Graff Gonzalo Navarro ERIC SADIT TELLEZ AVILA (2015)

Proximity searching is the problem of retrieving,from agiven data base,those objects closest to aquery.To avoid exhaustive searching, data structures called indexes are builton the data base prior to serving queries.The curse of dimensionality is awell-known problem

for indexes: in spaces with sufficiently concentrated distance histograms,no index out performs anexhaustive scan of the data base.

Artículo

Tecnologías de la Información y Comunicación INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

Semantic Crossover Operator for GP based on the Second Partial Derivative of the Error Function

RANYART RODRIGO SUAREZ PONCE DEL LEON Mario Graff JUAN JOSE FLORES ROMERO (2015)

In recent years, a variety of semantic operators have been successfully developed to improve the performance of GP. This work presents a new semantic operator based on the semantic crossover based on the partial derivative error. The operator presented here uses the information of the second partial derivative to choose a crossover point in the second parent. The results show an improvement with respect to previous semantic operator.

Artículo

Tecnologías de Información y Comunicación INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS

A Simple Approach to Multilingual Polarity Classication in Twitter

Eric Tellez MARIO GRAFF GUERRERO RANYART RODRIGO SUAREZ PONCE DEL LEON SABINO MIRANDA JIMENEZ DANIELA MOCTEZUMA GARCIA OSCAR GERARDO SANCHEZ SIORDIA (2016)

Recientemente, el análisis del sentimiento ha recibido mucha atención debido al interés en las opiniones mineras de los usuarios de las redes sociales. El análisis del sentimiento consiste en determinar la polaridad de un texto dado, es decir, su grado de positividad o negatividad. Tradicionalmente, los algoritmos de análisis de sentimiento se han adaptado a un lenguaje específico dada la complejidad de tener una serie de variaciones léxicas y errores introducidos por las personas que generan contenido. En esta contribución, nuestro objetivo es proporcionar un marco multilingüe simple de implementar y fácil de usar, que pueda servir como base para los concursos de análisis de sentimientos y como punto de partida para construir nuevos sistemas de análisis de sentimientos. Comparamos nuestro enfoque en ocho idiomas diferentes, tres de ellos tienen importantes concursos internacionales, a saber, SemEval (inglés), TASS (español) y SENTIPOLC (italiano). Dentro de las competiciones, nuestro enfoque abarca desde posiciones medias a altas en los rankings; mientras que en los idiomas restantes nuestro enfoque supera el resultado informado.

Artículo

Tecnologías de Información y Comunicación Análisis de sentimiento Redes sociales Twitter INGENIERÍA Y TECNOLOGÍA CIENCIAS TECNOLÓGICAS OTRAS ESPECIALIDADES TECNOLÓGICAS OTRAS