Acceso usuarios
Este trabajo modela computacionalmente enunciados metafóricos de un corpus extraído de Platero y yo, de Juan Ramón Jiménez, anotado de manera manual. La formalización metafórica se inicia mediante un grafo dirigido acíclico (DAG), con nodos y aristas clasificados conforme a una tipología léxica, sintáctico-lógico-semántica y conceptual. Tras el análisis de métricas topológicas y la detección de comunidades, se emplea un algoritmo de búsqueda en profundidad (DFS) como operador de segmentación de la red, de la que derivan los grafos correspondientes a los enunciados del corpus. Se crean así curvas de transición entre clases cognitivas nodales, ordenadas secuencialmente, según la linealidad perceptiva del discurso. Las características estructurales, semánticas y cognitivo-perceptivo-secuenciales, discretamente codificadas, se integran con embeddings contextuales densos como entrada a una red neuronal basada en grafos (GNN) empleada como codificador representacional según el marco teórico Graph Networks. La evaluación mediante técnicas de agrupamiento no supervisado, métricas de cohesión semántica y un estudio de ablación indica que el modelo propuesto genera mayor cohesión y separabilidad en el espacio de representación vectorial analizado que los modelos exclusivamente estadístico-distribucionales. Se evidencia, además, la relevancia de la categorización relacional empleada. Este hecho abre nuevas líneas de investigación en el modelado y procesamiento computacional metafórico.
This study computationally models metaphorical utterances based on a manually annotated corpus extracted from Platero y yo by Juan Ramón Jiménez. The metaphorical formalization begins with a directed acyclic graph (DAG), whose nodes and edges are classified according to a lexical, syntactic-logical-semantic, and conceptual typology. Following the analysis of topological metrics and community detection, a depthfirst search (DFS) algorithm is employed as a segmentation operator on the network, from which the graphs corresponding to the corpus utterances are derived. Transition curves are then constructed between cognitive node classes, sequentially ordered according to the perceptual linearity of the discourse. Structural, semantic, and cognitive-perceptual-sequential features, discretely encoded, are integrated with dense contextual embeddings as input to a graph neural network (GNN), employed as a representational encoder, according to the Graph Networks theoretical framework. The evaluation conducted using unsupervised clustering techniques, semantic cohesion metrics, and an ablation study indicates that the proposed model generates greater cohesion and separability in the analyzed vector representation space than exclusively statistical-distributional models. Furthermore, it highlights the relevance of the relational categorization employed. This finding opens new lines of research in the computational modeling and processing of metaphor.
