Abstract
La extracción automática de palabras clave es una tarea fundamental para la organización, indexación y análisis de grandes volúmenes de información textual. En el dominio financiero y económico, esta tarea presenta dificultades adicionales debido a la complejidad terminológica, la escasez de corpus específicamente anotados y la ambigüedad semántica de muchos conceptos especializados. En este Trabajo de Fin de Grado se aborda el problema de la extracción automática de terminología financiera en inglés desde una perspectiva experimental y comparativa. El objetivo principal es analizar el comportamiento de distintos enfoques representativos del estado del arte, incluyendo métodos no supervisados basados en ranking semántico y modelos supervisados ajustados mediante fine-tuning, utilizando textos reales procedentes de repositorios académicos abiertos. Para ello, se ha construido y curado un conjunto de datos financiero derivado del repositorio EconStor, aplicando un proceso de filtrado orientado a garantizar la coherencia entre texto y palabras clave. Sobre este corpus se han evaluado métodos extractivos como AttentionRank y MDERank, empleando diferentes modelos de lenguaje basados en transformers, así como modelos supervisados ajustados específica mente para la tarea. Los resultados experimentales muestran que los métodos no supervisados constituyen una solución viable y realista en escenarios donde no se dispone de datos anotados, destacando MDERank combinado con embeddings generados por RoBER-Ta como la alternativa más sólida. Por otro lado, los modelos ajustados mediante fine-tuning alcanzan valores de rendimiento significativamente superiores cuando se dispone de un conjunto de entrenamiento adecuado, aunque a costa de una mayor dependencia de recursos supervisados. Finalmente, se realiza un análisis cualitativo que pone de manifiesto las limitaciones de los esquemas de evaluación actuales en el dominio financiero, subrayando la necesidad de combinar métricas automáticas con análisis semánticos más ricos. El código desarrollado en este trabajo, junto con los scripts de experimentación y evaluación, se encuentra disponible en un repositorio público para garantizar la reproducibilidad de los resultados. ABSTRACT Automatic keyword extraction is a fundamental task in Natural Language Processing, particularly relevant for information retrieval, document indexing and terminology management. In specialized domains such as finance, this task presents additional challenges due to the complexity of the terminology, the frequent use of multi-word expressions and the scarcity of domain-specific annotated corpora. This work presents the design, implementation and evaluation of an experimental system for automatic extraction of financial terminology from English texts. The proposed approach combines non-supervised and supervised methods based on transformer based language models. In particular, non-supervised ranking-based techniques such as AttentionRank and MDERank are implemented and adapted to the financial do main, exploiting internal attention mechanisms and semantic embeddings. In addition, a supervised approach based on fine-tuning transformer models is explored by reformulating keyword extraction as a binary classification task over candidate terms. The system is evaluated using a financial corpus derived from the EconStor repository, applying standard metrics such as Precision@K, Recall@K and F1@K, complemented with qualitative analysis. The experimental results show that non-supervised methods provide a robust and practical solution when annotated data is unavailable, while fine-tuned models achieve significantly higher performance in supervised settings, at the cost of requiring labeled data. The findings highlight the strengths and limitations of current extraction methods in realistic financial scenarios and emphasize the impact of gold standard quality on evaluation. The implemented system is designed to be extensible and constitutes a solid basis for future work, including its deployment through a web-based service or API and the incorporation of additional domain-adapted language models.