Un algoritmo lingüístico-estadístico para resumen automático de textos especializados

Resumen En este trabajo se presenta un nuevo algoritmo de resumen automatico de textos especializados, en concreto del dominio medico , que auna estrategias linguisticas y estadisticas. La novedad del articulo radica en la correcta combinacion de dichas estrategias de cara a demostrar que los sistemas hibridos pueden obtener mejores resultados que los sistemas estadisticos o linguisticos por si solos. Se aplica el algoritmo sobre un corpus de textos medicos y se evalua siguiendo el protocolo de NIST y utilizando el paquete Rouge. Se obtienen excelentes resultados en comparacion con otros sistemas y se observa que los resumenes realizados son muy similares a los de los especialistas del dominio. 1. Introduccion El resumen automatico es actualmente un tema de investigacion muy relevante. La investigacion en esta area se inicio en los anos sesenta, emple-ando tecnicas basadas en frecuencias de palabras (Luhn, 1959) o frases clave (Edmundson, 1969). Con el tiempo, estas tecnicas han ido evolucio-nando y volviendose mas complejas. Podemos ha-cer una division general de estas tecnicas en dos grupos principales: las tecnicas estadisticas y las tecnicas linguisticas. En el primer grupo 1 , encon-tramos, entre otros, trabajos que emplean mo-delos bayesianos (Kupiec, Pedersen, and Chen, 1995), la Maximal Marginal Relevance (Golds-tein et al., 1999), tecnicas de clustering (Ra-dev. En el segundo grupo, destacamos trabajos que explotan las posiciones textuales (Brandow, Mitze, and Rau, 1995; Lin and Hovy, 1997), la estructura del discurso (Ono, Sumita, 1 No pretendemos hacer aqui una revision exhaustiva del estado de la cuestion en resumen automatico. Para mas informacion sobre tecnicas y/o sistemas de resumen remitimos a los trabajos de (Sparck Jones, 2007; Mani, 2001; Mani and Maybury, 1999).