Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/57226
Título
Procesamiento de lenguaje natural con Deep Learning para el análisis de perfiles profesionales en consejos de administración
Autor
Director o Tutor
Año del Documento
2022
Titulación
Grado en Ingeniería Informática
Resumo
El gobierno corporativo ha ganado atención en el campo de las finanzas durante varias décadas.
Juega un papel clave en la toma de decisiones de inversión o de negocio. Una de sus características
más importantes es la independencia del consejo de administración debido a su importante
función de control e influencia en diversas variables ligadas al rendimiento y creación de riqueza.
Recientemente, los consejos de administración han sido criticados por su complacencia e incapacidad
de prevenir crisis en la empresa. Debido a esto, se han ampliado las perspectivas del
análisis de los consejos y ahora se incluyen características como la edad, el género, la nacionalidad
o la educación. Esta última no puede medirse de forma cuantitativa, ya que no se puede
recopilar con datos estructurados, por lo que se ha dejado de lado a pesar de su importancia.
En este trabajo se realiza un análisis en profundidad de la experiencia de los consejos de
administración de empresas de la bolsa de Madrid utilizando biografías, Procesamiento del
Lenguaje Natural (PLN) y redes neuronales profundas. Primero, se construye un modelo de
lenguaje (un modelo capaz de generar texto) en español. Después, se modifica y se convierte
en un modelo de regresión mediante transferencia de aprendizaje. El modelo final es capaz de,
dada una biografía de un consejero, proporcionar una medida de varios perfiles profesionales.
Se utilizan dos arquitecturas que generan dos modelos distintos: redes neuronales recurrentes
LSTM y transformers. A cada uno se le realiza un análisis de interpretabilidad mediante SHAP
para obtener las palabras más importantes de las entradas. Los archivos de donde provienen
las biografías se obtienen usando web scraping y se estructuran mediante un proceso ETL.
Finalmente, se realiza una comparación de las dos arquitecturas que nos lleva a elegir el modelo
con transformadores por su mejor rendimiento e interpretabilidad. Corporate governance has been the subject of attention in the financial field of study for several
decades. It plays a key role in making investment or business decisions. One of its most important
features is the independece of boards of directors due to its importance on carrying out
their control function and their influence on various company variables linked to performance
and value creation.
Recently, these boards of directors have been criticized for their complacency and inability to
prevent corporate crisis. The effect of this criticism has widened the perspective of the board
analysis, which now includes new characteristics such as age, gender, nationality or education.
The latter cannot be measured quantitatively as it does not qualify as structured data, so it
was left behind despite its importance.
In this project, an in-depth analysis of the education of directive boards from the stock market of
Madrid is conducted using biographies, Natural Language Processing (NLP) and deep neural
networks. First, a spanish language model (i.e. a neural net capable of generating text) is
built. Once the previous task is completed, the language model is modified and converted into
a regression model using transfer learning. This final model is capable of, given a director
biography, outputting a measure of several professional profiles.
Two different architectures which provide two different models are used: recurrent LSTM neural
networks and state of the art transformers. An interpretability analysis using SHAP is performed
to obtain the key words of the inputs. The files containing the biographies used to build these
models are extracted using web scraping and later structured in an ETL process.
Finally, a comparison of the two architectures is given leading us to choose the transformer
model thanks to its better performance and interpretability.
Palabras Clave
Deep Learning
Procesamiento del lenguaje natural
Economía financiera
Departamento
Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
Departamento de Economía Financiera y Contabilidad
Departamento de Economía Financiera y Contabilidad
Idioma
spa
Derechos
openAccess
Aparece en las colecciones
- Trabajos Fin de Grado UVa [29363]
Arquivos deste item
Exceto quando indicado o contrário, a licença deste item é descrito como Attribution-NonCommercial-NoDerivatives 4.0 Internacional