Motor de búsqueda textual con inteligencia lingüística

En las últimas décadas se ha ido implementando la digitalización y el almacenamiento virtual de materiales como artículos y documentos en repositorios y bases de datos. Este gran volumen de información digital ha creado la necesidad de desarrollar herramientas de búsqueda que permitan encontrar la información de manera precisa y rápida. Aunque en la actualidad existen multitud de motores de búsqueda disponibles, la gran mayoría están limitados a búsquedas rígidas y no disponen de funcionalidades suficientes que permitan dar libertad al usuario. Con el objetivo de ofrecer más posibilidades a los usuarios y extraer un mayor valor de las bases de datos documentales, investigadores del Instituto Universitario de Análisis y Aplicaciones Textuales (IATEXT) perteneciente a la Universidad de las Palmas de Gran Canaria (ULPGC) han desarrollado un motor de búsqueda capaz de procesar corpus de documentos digitalizados para realizar búsquedas textuales partiendo de frases o palabras y empleando diversos filtros.

Los investigadores han desarrollado un motor de búsqueda que actúa sobre un conjunto de documentos (denominado corpus), el cual se procesa para entrenar al motor para que puede realizar, posteriormente, las búsquedas y la contextualización de las respuestas. De este modo, se crean bases de datos de documentos digitales sobre las cuales actúa el motor desarrollado.

El software emplea un servicio de lematización que también ha sido desarrollado por los investigadores, en el que cada término único representa un lema. Su lexicón cuenta con más de 4 millones de palabras distintas y el servicio de lematización emplea este lexicón para reconocer con exactitud las palabras en un texto en español. Además, el servicio cuenta con dos algoritmos adicionales: uno de ellos es capaz de detectar hasta tres pronombres enclíticos y el otro puede detectar prefijos en cualquiera de las palabras incluidas en el lexicón.

Asimismo, también se han implementado otras funcionalidades que emplean la inteligencia lingüística y que incrementan el potencial del software desarrollado: búsqueda por lemas, por categoría gramatical, con comodines y con distancia entre palabras; así como filtros de contextualización propios de cada corpus documental. Además, es posible adaptar estas funcionalidades a las necesidades de cada cliente.

Creación de motores de búsqueda avanzados en grandes bases de datos de documentos textuales, tales como boletines oficiales, registros mercantiles. En general, de interés para organismos con bases de datos y fondos documentales potentes con necesidad de gestión.

Sistemas informáticos para empresas de gestión documental.

La tecnología desarrollada proporciona los siguientes beneficios:

• Es un software versátil; dado que emplea un lexicón amplio que permite realizar búsquedas empleando diversos criterios de discriminación.
• Es una tecnología adaptable y dinámica, de manera que es posible ir incorporando nuevos textos al corpus y además implementar nuevas funcionalidades que mejoren el motor.
• Es aplicable a cualquier corpus textual, como se ha comprobado en diferentes buscadores ya desarrollados por los investigadores.

Características y funcionalidades del motor:

• Más de 4 millones de términos únicos.
• Rapidez a la hora de procesar nuevos documentos, alcanzando velocidades de hasta 10.000 palabras por minuto.
• Permite hacer búsquedas con inteligencia lingüística.
• Adaptable a las necesidades y el tipo de búsqueda que necesite el usuario.
• Dispone de algoritmos adicionales para hacer búsquedas más amplias, incluyendo formas con uno o varios pronombres enclíticos y prefijos.

Los investigadores forman parte del Instituto Universitario de Análisis y Aplicaciones Textuales (IATEXT), perteneciente a la Universidad de las Palmas de Gran Canaria (ULPGC). Su investigación se centra en el análisis de distintos tipos de textos desde perspectivas interdisciplinares como la lingüística y la computacional.

Actualmente los investigadores se encuentran desarrollando funcionalidades adicionales que permitan completar la utilidad de esta tecnología y solucionar problemas observados a medida que se va ampliando su uso a otras aplicaciones.

Se buscan colaboraciones que conduzca a una implementación de la tecnología presentada. El escenario ideal para la institución sería llegar a un acuerdo para transferir el uso de la tecnología en el marco de nuevas aplicaciones. Sin embargo, la forma, los términos y las condiciones de la colaboración pueden discutirse abiertamente si la tecnología presentada es de interés.

El motor de búsqueda textual se encuentra ya desarrollado y listo para su implementación, y ya se ha utilizado en diversos proyectos como DiSeCan y Buscador-IA.