Acceso usuarios
Tharindu Ranasinghe, Ruslan Mitkov 
, Amal Haddad Haddad, Damith Premasiri
El dominio de la Botánica es rico en términos metafóricos. Estos términos tienen un papel importante en la descripción e identificación de flores y plantas. Sin embargo, la identificación de este tipo de términos en el discurso es una tarea difícil. Esto puede conducir a errores en los procesos de traducción y otras tareas lexicográficas. Este proceso es aún más difícil cuando se trata de traducción automática, tanto en el caso de las unidades monoléxicas, como en el caso de las unidades multiléxicas. Uno de los desafíos a los que se enfrentan las aplicaciones del Procesamiento del Lenguaje Natural y las tecnologías de Traducción Automática es la identificación de términos basados en metáfora a través de métodos de aprendizaje profundo. En este estudio, tenemos el objetivo de rellenar este vacío a través del uso de trece modelos populares basados en transformadores, además del ChatGPT. Asimismo, demostramos que los modelos discriminativos aportan mejores resultados que los modelos de GPT-3.5. El mejor resultado alcanzó una puntuación de 92,2349% F1 en las tareas de identificación de nombres metafóricos de flores y plantas.
The domain of Botany is rich with metaphorical terms. Those terms play an important role in the description and identification of flowers and plants. However, the identification of such terms in discourse is an arduous task. This leads in some cases to committing errors during translation processes and lexicographic tasks. The process is even more challenging when it comes to machine translation, both in the cases of single-word terms and multi-word terms. One of the recent concerns of Natural Language Processing (NLP) applications and Machine Translation (MT) technologies is the automatic identification of metaphor-based words in discourse through Deep Learning (DL). In this study, we seek to fill this gap through the use of thirteen popular transformer based models, as well as ChatGPT, and we show that discriminative models perform better than GPT-3.5 model with our best performer reporting 92.2349% F1 score in metaphoric flower and plant names identification task.
