Publicación:
SIAMES. Social Impact Advisor and Measurement System

Vista sencilla de ítem
dc.contributor.authorHernández Marín, Daniel
dc.contributor.directorManjarrés Riesco, Ángeles
dc.contributor.directorSolórzano García, Marta
dc.date.accessioned2024-05-20T12:24:32Z
dc.date.available2024-05-20T12:24:32Z
dc.date.issued2020-10-01
dc.description.abstractActualmente existe una tendencia que recupera los enfoques más tradicionales de la IA e investiga sobre su combinación con otras técnicas ligadas a la Ciencia de Datos, generando una simbiosis entre métodos simbólicos y probabilistas que ha despertado el interés de investigadores y profesionales de la IA. Mediante esta investigación profundizamos en este campo planteando y estudiando un sistema RBC combinado con minería de textos, aplicando de manera novedosa un enfoque ontológico en ambas tareas, todo ello aplicado a la medición de impacto social. En concreto, de_nimos un modelo de sistema RBC, proponemos una ontología para el campo de conocimiento de la medición de impacto social y funciones de similitud semántica originales para la recuperación de casos. En este artículo reportamos los resultados de nuestra experimentación con SIAMES (Social Impact Advisor and Measurement System), un sistema recomendador de indicadores de impacto social. El sistema cuenta con dos fases: en primer lugar, extrae información estructurada de un corpus de informes de medición de impacto mediante Minería de Textos Semántica basada en ontologías. En segundo lugar, inspirándonos en el Razonamiento Basado en Casos, recupera los indicadores más adecuados para cada empresa social.es
dc.description.abstractCurrently there is a trend that recovers the more traditional approaches to AI and investigates its combination with other techniques linked to Data Science, generating a symbiosis between symbolic and probabilistic methods that has aroused the interest of researchers and AI professionals. Through this research we delve into this _eld by proposing and studying a CBR system combined with text mining, applying an ontological approach in both tasks in a novel way, all applied to the measurement of social impact. Specifically, we de_ne a RBC system model, we propose an ontology for the _eld of knowledge of social impact measurement and original semantic similarity functions for the recovery of cases. In this article we report the results of our experimentation with SIAMES (Social Impact Advisor and Measurement System), a recommender system of social impact indicators. The system has two phases: _rst, it extracts structured information from a corpus of impact measurement reports using Semantic Text Mining based on ontologies. Second, taking inspiration from Case-Based Reasoning, it retrieves the most appropriate indicators for each social enterprise.en
dc.description.versionversión final
dc.identifier.urihttps://hdl.handle.net/20.500.14468/14168
dc.language.isoes
dc.publisherUniversidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster Universitario en I.A. Avanzada: Fundamentos, Métodos y Aplicaciones
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.titleSIAMES. Social Impact Advisor and Measurement Systemes
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Hernandez_Marin_Daniel_TFM.pdf
Tamaño:
1.58 MB
Formato:
Adobe Portable Document Format
Descargar
Colecciones
Trabajos de fin de máster (TFM)