Corpus y modelos entrenados para NLP en Español

Se han creado clasificadores para las siguientes tareas NLP:

• Segmentador de Oraciones (Sentence Splitting)
• Tokenización
• POS Tagging
• Named Entity Recognition (NER)

Para obtener estos modelos se han utilizado y modificado los siguientes corpus:

• AnCora
• CoNLL-2002
• WikiNER

Evaluaciones

Segmentación de Oraciones:

	CoNLL-A	CoNLL-B
Precision	0.9762	0.9865
Recall	0.9541	0.9763
F-Measure	0.9650	0.9814

Tokenización:

	CoNLL-A	CoNLL-B
Precision	0.9953	0.9945
Recall	0.9977	0.9973
F-Measure	0.9965	0.9959

POS Tagging:

Cantidad Oraciones	4060
Tamaño mínimo de oraciones	2
Tamaño máximo de oraciones	105
Tamaño promedio de oraciones	26,81
Cantidad de etiquetas	320
Exactitud	95,09%

Named Entity Recognition:

Corpus de Evaluación	F-Measure
AnCora	0.9731
WikiNER	0.8408
CoNLL-A	0.7672
CoNLL-B	0.7998