Autores: Anderson Morillo, Daniel Peña, Juan Carlos Martinez Santos, Edwin Puertas
Venue: Proceedings of the 18th International Workshop on Semantic Evaluation (SemEval-2024)
DOI: 10.18653/v1/2024.semeval-1.194
Resumen
Este artículo presenta un modelo de inteligencia artificial diseñado para detectar relaciones semánticas en lenguaje natural, abordando los retos de SemEval 2024 Task 1. El objetivo es avanzar en la comprensión automática de los matices del lenguaje humano mediante análisis semántico. Con una combinación de redes neuronales convolucionales (CNN), redes LSTM y un mecanismo de atención, el modelo se entrena sobre el conjunto STR-2022. Este enfoque mejora su capacidad para detectar matices semánticos en distintos textos. El modelo alcanzó una efectividad del 81.92% y ocupó el puesto 24 en SemEval 2024 Task 1. Estos resultados demuestran su robustez y adaptabilidad en la detección de relaciones semánticas y validan su desempeño en contextos lingüísticos diversos. El trabajo aporta al procesamiento de lenguaje natural ofreciendo perspectivas sobre relatedness textual semántica y un punto de referencia para investigación futura.