[R-es] Procesamiento de Lenguaje Natural

[Gilsanz, Jose Luis]

Hola:

Me gustaría que me recomendarais paquetes o alguna forma de "hincarle el diente" para empezar a investigar en la siguiente cuestión.

El proyecto trata de que, a partir de un numero grande de documentos pdf que contienen, básicamente, Notas Simples del Registro de la Propiedad deseamos extraer para cada uno de esos documentos una serie de ítems de información, a saber:
-Finca Registral
-Registro de la Propiedad
-Referencia Catastral (si la hubiera)
-IDUFIR o CUR (identificadores únicos de finca registral, si las hubiera)

Los documentos provienen de muy diversas fuentes por lo que la información no se podría extraer con minería de textos "pura" ya que, por ejemplo, la finca registral puede venir especificada como:
-FINCA DE TOLEDO Nº: XXXXXXX
-Nº Finca: FINCA DE PILAR DE LA HORADADA Nº: XXXXXXX
-Finca registral: XXXXXXX
-REGISTRAL XXXXXX
-FINCA DE MARBELLA (Sección 03) Nº: XXXXXX
-Finca: XXXXXX

Siendo un total profano en la materia, creo que se puede definir como un proyecto a tratar usando un Procesamiento de Lenguaje Natural, en tanto que se necesita de un análisis semántico de los textos vista la variedad de formas que hay de expresar el mismo concepto con textos distintos. Desconozco si existe algún tipo de proceso de Aprendizaje Automático que se pueda también aplicar para que el proceso vaya "aprendiendo" como se puede ir encontrando la información de los distintos ítems de forma complementaria al PLN.

He localizado esta web:  https://cran.r-project.org/web/views/NaturalLanguageProcessing.html en la que hay multitud de paquetes/herramientas para análisis de este tipo pero me gustaría que me indicarais cual o cuales creéis que son los más apropiados para este caso concreto o si tengo que enfocar el tema por otro lado completamente distinto.

Mil gracias por vuestros consejos.

Un saludo


JLL Valoraciones, S.A.
Registration number: A-28806222.
Registered Office: Pº de la Castellana, 130 - 1ª ; 28046 Madrid

This e-mail is for the use of the intended recipient(s) only. If you have received this e-mail in error, please notify the sender immediately and then delete it. If you are not the intended recipient, you must not use, disclose or distribute this e-mail without the author's prior permission. We have taken precautions to minimise the risk of transmitting software viruses, but we advise you to carry out your own virus checks on any attachment to this message. We cannot accept liability for any loss or damage caused by software viruses. If you are the intended recipient and you do not wish to receive similar electronic messages from us in future then please respond to the sender to this effect

	[[alternative HTML version deleted]]