Las técnicas de machine learning se han convertido en una de las estrategias fundamentales en cualquier proceso de modelado de lenguaje natural, también en los casos de procesamiento automático de contenido. A través de estas técnicas, los algoritmos permiten que las computadoras aprendan de la experiencia. Esta experiencia se materializa en datos de entrenamiento (conjuntos de datos), que en el caso de aprendizaje supervisado requieren anotación previa. El éxito de las predicciones realizadas por el modelo de lenguaje depende directamente de la calidad y el tamaño de nuestros datos de entrenamiento, especialmente cuando se usan en algoritmos de deep learning. Una de las ventajas más relevantes de este tipo de algoritmos es que no necesitan un diseño de características a priori. Sin embargo, esta propiedad los hace dependientes de conjuntos de datos más grandes que los algoritmos tradicionales de machine learning. En esta tarea nos centraremos en la construcción de conjuntos de datos anotados con características semánticas avanzadas extraídas de colecciones de recursos previamente extraídos, compilados y seleccionados. Esto se hará con herramientas para acceder a otros recursos avanzados como bases de datos abiertas y otros recursos reutilizables y redistribuibles recopiladores de información, así como herramientas de anotación específicas para los diferentes casos de uso. Además, la calidad de los recursos se asegurará mediante el desarrollo de anotaciones específicas de las directrices del problema y de las métricas de calidad de las anotaciones. Además, debido a la dificultad de determinar ciertos tipos de anotación, en muchos casos  de compleja la caracterización incluso realizada por expertos humanos, se investigará sobre la generación de conjuntos de datos de forma semiautomática, por lo que la creación de corpus reduce considerablemente el costo y el aumento de ejemplos de capacitación mejora la precisión de los métodos de machine learning y deep learning.