COpenMed Spanish Medical Corpus: a large medical resource for entity normalization

La mayoría de la información biomédica se encuentra presente como texto libre y existe un aumento constante de la creación de los documentos relacionados al área médica. El problema principal trata de que el texto libre mencionado se encuentra disponible pero en diferentes fuentes, puesto que no está unificado en un único corpus. Si bien es cierto que la lengua inglesa es el idioma preferido para escribir esos documentos, y existen varios corpus consolidando cierta información, terceros idiomas (como por ejemplo, español) que presentan una amplia información médica, aún necesitan desarrollar un corpus. Las tecnologías emergentes de Aprendizaje Automático crean y procesan diferentes métodos constantemente y aunque las técnicas matemáticas complejas son relevantes, los corpus de textos son la base del estudio del lenguaje natural. En ésta tesis de Máster, presentamos un nuevo corpus médico en español denominado COpenMed Corpus. El listado original de las páginas web (URLs) empleadas para construir el corpus alcanza la cantidad de 19.571 recursos relacionados con un total de 9.099 entidades. Una función especial de relleno de recursos relacionados a una misma identidad también se ha añadido: la función de relleno se emplea para establecer un valor N referente al mínimo número de referencias por entidad. Para la construcción del corpus se ha empleado N = 10 alcanzando un total de 90.990 páginas web descargadas. Para ésta descarga, se ha desarrollado un método que hace uso de técnicas Webscraping para descargar y procesar las páginas web obtenidas del listado. Como preparativos para un posible futuro trabajo y futuros pasos de uso del corpus creado, se ha pre-entrando dos modelos diferentes de Procesamiento Natural del Lenguaje. Los modelos empleados han sido RoBERTa y XLNet, ambos pre-entrenados con COpenMed corpus.---ABSTRACT---The majority of biomedical information is present as free text and there is a constant augment of documents created in a daily basis for this medical field. The main problem is that all of the free text is available but located at different sources, since it is not unified in a single corpus. Although English is the preferred language for writing documents, and has several corpus consolidating the information, another languages with vast amount of information has yet to develop a large corpus. Emerging Machine Learning technologies are appealing and different methods and processes are tested in a constant basis. Even though these complex mathematical techniques are relevant, text corpora are the basis of natural language studying. In this Master thesis we present a new large Spanish medical corpus: COpenMed Corpus. Original pool of URLs employed for constructing the corpus reaches the amount of 19.571 resources related to a total of 9.099 entities. A padding method for resources referred to a same entity was also added, the padding is employed by establishing a N value for minimum number of resources per entity. We employed N = 10 reaching a total of 90.990 URLs scraped. For this goal, we develop a method that employs Webscraping techniques for downloading and processing a substantial amount of URLs from a given pool of URLs. As preparations for further steps and future work, pre-training of two different Natural Language Processing models was also done in this Master thesis. Models employed are RoBERTa and XLNet, both of them pre-trained with COpenMed corpus