Resumen. En este trabajo se realiza una investigación respecto al estado actual de los trabajos relacionados con la forma en que las Gramáticas de Reemplazo de Hiperaristas (HRGs) pueden ser usadas para definir modelos de lenguajes para transformación de grafos, con el objetivo de resolver problemas en diferentesáreas del Procesaminto de Lenguaje Natural (PLN) [5], tales como, análisis sintáctico y semántico, desambiguación del sentido de la palabra, comprensión de texto y resumen, por nombrar algunas. Debido a que el uso de las gramáticas HRGs puede facilitar la comprensión y generación de aplicaciones del Procesamiento de Lenguaje Natural(PLN), se ha incrementado el interés por el estudio del análisis basado en grafos, en partíclar, los grafos se consideran como una herramienta apropiada para representar la estructura semántica dentro del PLN.Palabras clave: Gramática de reemplazo de hiperarista, procesamiento de lenguaje natural y lenguajes basados en grafos.Abstract. In this work an investigation is made regarding the current state of the works related to the way in which the Hyperarist Replacement Grammar (HRGs) can be used to define language models for graph transformation, with the objective of solving problems in different Areas of Natural Language Processing (PLN) [5], such as, syntactic and semantic analysis, disambiguation of the sense of the word, text comprehension and summary, to name a few. Because the use of grammars HRGs can facilitate the understanding and generation of applications of Natural Language Processing (PLN), interest in the study of graph-based analysis has increased, in particular, graphs are considered as a tool appropriate to represent the semantic structure within the PLN.

Resumen. La identificación de relaciones no taxonómicas es una tarea que se realiza con el aprendizaje y la creación de ontologías. Además, la construcción manual de ontologías para expertos e ingenieros de conocimiento es una tarea costosa y lenta, por lo que es necesario crear algoritmos automáticos y/o semiautomáticos que agilicen el procedimiento. En esta investigación se propone un algoritmo para la extracción de relaciones no taxonómicas en una ontología de Inteligencia Artificial (IA), las cuales son evaluadas a través de una técnica de minería de datos: reglas de asociación, que cuenta con medidas estadísticas que determinan la probabilidad de ocurrencia entre los conceptos y el verbo conector relacionados. Los resultados experimentales indican que el 72 % de las relaciones obtenidas en el algoritmo existen en la ontología de IA. Palabras clave: relaciones no taxonómicas, extracción de información, ontología.

Resumen. En el siguiente artículo se describe como se resolvió la tarea 10 de SemEval 2018 llamada captura de atributos discriminativos, la cual consiste en encontrar la diferencia semántica entre la relación de dos conceptos como una característica. El modelo desarrollado se basa sobre el significado de la semántica y léxica de cada palabra para ampliar su conjunto de datos.Palabras clave: Similitud semántica, semántica léxica, atributos discriminativos.Abstract. This paper describes how the task 10 of SemEval 2018 called capture of discriminative attributes was solved, this consists to find the semantic difference between the relation of two concepts as a feature. The developed model is based on the meaning of the semantics and lexical of each word to expand the data set.