Tese

Using complex networks and Deep Learning to model and learn context (2020)

• Authors:
  • Júnior, Edilson Anselmo Corrêa
  • Amancio, Diego Raphael (Orientador)
• Autor USP: CORRÊA JÚNIOR, EDILSON ANSELMO - ICMC
• Unidade: ICMC
• Sigla do Departamento: SCC
• Subjects: REDES COMPLEXAS; PROCESSAMENTO DE LINGUAGEM NATURAL; AMBIGUIDADE; LINGUÍSTICA COMPUTACIONAL; PROCESSAMENTO DE TEXTO
• Keywords: Ambiguity; Complex networks; Context; Contexto; Deep learning; Deep learning
• Agências de fomento:
  • Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
  • Financiado pelo Google Research Awards for Latin America Program
• Language: Inglês
• Abstract: A estrutura da língua é fortemente influenciada pelo contexto, seja ele social, do discurso (falado e escrito) ou o próprio contexto de palavras. Este preceito propiciou a criação de várias técnicas de Processamento de Língua Natural (PLN) que tiram vantagem dessa informação para realizar uma miríade de tarefas, incluindo tradução automática, sumarização e classificação de textos. Entretanto, em grande parte dessas aplicações o contexto tem sido abordado apenas como uma informação de entrada e não como um elemento a ser explorado e modelado. Nesta tese, exploramos o contexto em um nível mais profundo, trazendo novas representações e metodologias. Ao longo da tese, consideramos o contexto como um elemento importante que deve ser modelado para melhor desempenhar as tarefas da PLN. Demonstramos como redes complexas podem ser usadas para representar e aprender informações de contexto durante a desambiguação do sentido das palavras. Além disso, propusemos uma abordagem de modelagem de contexto que combina word embeddings e uma representação de rede, esta abordagem permitiu a indução de sentidos de uma forma não supervisionada usando métodos de detecção de comunidade. Usando essa representação exploramos sua aplicação na classificação de textos, expandimos a abordagem para permitir a extração de características de texto com base no fluxo semântico, que foram posteriormente usadas em um classificador supervisionado treinado para discriminar textos por gênero e data de publicação.Os estudos realizados nesta tese demonstram que a modelagem de contexto é importante dada a interdependência entre linguagem e contexto, e que pode trazer benefícios para diferentes tarefas de PLN. O framework proposto, tanto para modelagem quanto para extração de características textuais, pode ser posteriormente utilizado para explorar outros aspectos e mecanismos da linguagem.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2020
• Data da defesa: 15.12.2020


---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  JÚNIOR, Edilson Anselmo Corrêa. Using complex networks and Deep Learning to model and learn context. 2020. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2020. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16022021-151616/. Acesso em: 28 fev. 2026.

• APA

  Júnior, E. A. C. (2020). Using complex networks and Deep Learning to model and learn context (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16022021-151616/

• NLM

  Júnior EAC. Using complex networks and Deep Learning to model and learn context [Internet]. 2020 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16022021-151616/

• Vancouver

  Júnior EAC. Using complex networks and Deep Learning to model and learn context [Internet]. 2020 ;[citado 2026 fev. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-16022021-151616/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Semantic flow in language networks discriminates texts by genre and publication date