Bach, Ana Josefina. 2016 10 07 "Descubrimiento de patrones temporales en un corpus de letra

106 Pages·2017·1.6 MB·English

by  Bach, Ana Josefina

Tesis de Maestría
DDeessccuubbrriimmiieennttoo ddee ppaattrroonneess
tteemmppoorraalleess eenn uunn ccoorrppuuss ddee lleettrraass ddee
mmúússiiccaa ffoollkkllóórriiccaa yy ddeell rroocckk
rriiooppllaatteennssee
Bach, Ana Josefina
2016-10-07
Este documento forma parte de la colección de tesis doctorales y de maestría de la Biblioteca
Central Dr. Luis Federico Leloir, disponible en digital.bl.fcen.uba.ar. Su utilización debe ser
acompañada por la cita bibliográfica con reconocimiento de la fuente.
This document is part of the doctoral theses collection of the Central Library Dr. Luis Federico
Leloir, available in digital.bl.fcen.uba.ar. It should be used accompanied by the corresponding
citation acknowledging the source.
Cita tipo APA:
Bach, Ana Josefina. (2016-10-07). Descubrimiento de patrones temporales en un corpus de letras
de música folklórica y del rock rioplatense. Facultad de Ciencias Exactas y Naturales.
Universidad de Buenos Aires.
Cita tipo Chicago:
Bach, Ana Josefina. "Descubrimiento de patrones temporales en un corpus de letras de música
folklórica y del rock rioplatense". Facultad de Ciencias Exactas y Naturales. Universidad de
Buenos Aires. 2016-10-07.
DDiirreecccciióónn:: Biblioteca Central Dr. Luis F. Leloir, Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires. CCoonnttaaccttoo:: [email protected]
Intendente Güiraldes 2160 - C1428EGA - Tel. (++54 [phone]
UNIVERSIDAD DE BUENOS AIRES
Facultad de Ciencias Exactas y Naturales
Departamento de Computacio´n
Descubrimiento de patrones temporales en un corpus de letras
de mu´sica folklo´rica y del rock rioplatense
Tesis presentada para optar al t´ıtulo de Mag´ıster en Explotacio´n de Datos y
Descubrimiento de Conocimiento
Ana Josefina Bach
Director de tesis: Jose Castan˜o
Buenos Aires, 2016

Resumen
Culturomics es la aplicacio´n de recopilacio´n y an´alisis de datos para el estudio de la
cultura humana. La miner´ıa de textos temporal se presenta como una herramienta
para alcanzar los objetivos de Culturomics, mediante el procesamiento automa´tico y
el establecimiento de patrones para explicar la historia. El objetivo de este trabajo
fue utilizar t´ecnicas de explotaci´on de datos y aprendizaje automa´tico para detectar
la existencia patrones temporales en las letras del rock y del folklore argentino. Para
ello se armo´ un corpus de letras de rock y folklore comprendidas entre 1960 y 2014. A
este corpus se le aplicaron t´ecnicas de agrupamiento de to´picos y de clasificacio´n para
determinar la existencia de una relaci´on entre los t´opicos y los hitos hist´oricos.
Palabras claves: Culturomics, Miner´ıa de textos temporal, LDA, Factorizacio´n ma-
tricial no negativa din´amica, VowpalWabbit, Word2Vec.
iii
iv
Abstract
Culturomics is the application of high-throughput data collection and analysis to the
studyofhumanculture.Textminingispresentedasausefulmethodologytoachievethe
goals of Culturomics, performing automatic processing, and setting patterns to explain
history. The aim of this study is to use data mining techniques and machine learning to
detect any patterns in Argentine rock and folklore songs throughout history. For this
purpose, a corpus of rock and folk song lyrics was built considering the periods between
theyear1960and2014.Thiscorpuswassubjecttoclusteringandclassificationoftopics
techniques to determine the presence of a relationship between topics and milestones.
Keywords: Culturomics, Temporal Text Mining, LDA, Dynamic Non-negative Matrix
Factorization, VowpalWabbit, Word2Vec.
v
´
Indice general
1. Introduccio´n 1
1.1. Culturomics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Miner´ıa de textos temporal . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Trabajo anterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Objetivo de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5. Organizacio´n de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. T´ecnicas utilizadas para el an´alisis y agrupamiento de textos 6
2.1. Latent Dirichlet Allocation (LDA) . . . . . . . . . . . . . . . . . . . . . 6
2.2. Modelado din´amico de t´opicos (Dynamic Topic Modeling) . . . . . . . 9
2.3. Factorizacio´n matricial no negativa (Non-
negative Matrix Factorization) . . . . . . . . . . . . . . . . . . . . . . . 11
2.4. Word2vec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5. Topicos a trav´es del tiempo (Topics over the time) . . . . . . . . . . . . 17
3. Materiales y m´etodos 20
3.1. Materiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. M´etodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1. An´alisis exploratorio . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2. Clasificaci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4. Resultados 56
4.1. Experimentos Exploratorios . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.1. Ventanas de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.2. Corpus sin separar ventanas . . . . . . . . . . . . . . . . . . . . 67
4.2. Clasificacio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
vi
4.2.1. M´etricas de evaluacio´n . . . . . . . . . . . . . . . . . . . . . . . 75
5. Conclusio´n 81
5.1. Conclusio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Trabajos a futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A. Lista de Stopwords 83
B. Gr´aficos de uso de las palabras a trav´es del tiempo 85
vii
viii
´ 1
CAPITULO
Introducci´on
En este cap´ıtulo se introduce el concepto de Culturomics para la interpretacio´n de
las tendencias culturales y la relacio´n de Culturomics con Miner´ıa de texto. Se presenta
un trabajo anterior realizado sobre un corpus de letras de rock argentino, en el cual
se aplicaron t´ecnicas de miner´ıa de texto para detectar patrones de comportamiento
temporales. Finalmente se define el objetivo de esta tesis.
1.1. Culturomics
Culturomics es un neologismo creado por investigadores de Harvard para refe-
rirse a una forma de lexicolog´ıa computacional que estudia el comportamiento hu-
mano y las tendencias culturales reflejadas en el lenguaje y en el uso de palabras
[Michel et al., 2011]. Inicialmente se utilizaron libros para su estudio, pero tambi´en
se planea incorporar peri´odicos, manuscritos, mapas, obras de arte, y otras creaciones
humanas.Laclavedeesteenfoqueeselprocesamientoautoma´ticodemillonesdetextos.
Los resultados de Culturomics son un nuevo tipo de evidencia en las humanidades.
Al igual que con los f´osiles de criaturas antiguas, el reto de Culturomics reside en la
interpretacio´n de esta evidencia.
Las caracter´ısticas de una sociedad se pueden determinar a trav´es de fuentes no
tradicionales, como la mu´sica. Las obras musicales, como objeto susceptible de estudio
en el campo de Culturomics, poseen informaci´on temporal y proveen un archivo de la
evolucio´n de la cultura.
“El an´alisis estil´ıstico no tiene por qu´e considerar para´metros externos a la mu´sica
tales como la ideolog´ıa, las circunstancias pol´ıticas y sociales. Sin embargo, la historia
1