Tesis Doctoral Sistemas de clasificación de preguntas basados - gplsi

2.3. La clasificación automática de preguntas
Todas estas herramientas y procesos sirven para afrontar el desarrollo
de sistemas de PLN motivados por la lingüística, donde el enfoque se
centra en aprovechar estas herramientas para facilitar la comprensión
del texto y la realización de las tareas de procesamiento. Retomando
el ejemplo anterior del sistema de RI, un sistema de este tipo que
estuviera basado en un enfoque lingüístico podría localizar textos que
contuvieran determinadas estructuras gramaticales coincidentes con la
petición realizada por el usuario, y no sólo palabras sueltas tratadas
de forma individual en cualquier orden (Woods et al., 2000).
2.3. La clasificación automática de preguntas
La clasificación de preguntas 11 (CP) es una tarea de PLN que trata de
asignar de forma automática una clase, perteneciente a una taxonomía o
conjunto cerrado, a una pregunta formulada en lenguaje natural.
De una manera más formal, definimos la CP como una tarea de
clasificación multiclase que busca la asignación g : X → c1, . . . , cn de una
instancia x ∈ X (en nuestro caso una pregunta) a una de las n clases posibles
c1, . . . , cn (Li y Roth, 2005).
Un ejemplo de funcionamiento de estos sistemas sería, dada una pregunta
como “¿Quién fue el primer presidente de Taiwan?”, identificar que se
nos está preguntando por una persona. Otro ejemplo sería asociar a la
pregunta “¿Dónde nació Ulises S. Grant?” la clase semántica lugar, o dada
la pregunta “¿Cuántos planetas hay en el sistema solar?”, identificar que
la respuesta esperada es un número. En estos ejemplos, persona, lugar o
número serían las clases ci en las que nuestro sistema automático debe
clasificar estas preguntas. Como se puede deducir, antes de clasificar una
pregunta es necesario saber cuál es el conjunto de clases o taxonomía que
se pueden asignar a dicha pregunta. Estas clases o categorías son simples
etiquetas simbólicas. No se proporciona ninguna información adicional sobre
su significado a la hora de construir el clasificador. Esto implica que el
texto que constituye la etiqueta (persona, lugar o número en los ejemplos
anteriores) no puede ser utilizado como información a la hora de clasificar.
Como en la mayoría de tareas de PLN, las formas de afrontar la
resolución automática del problema de la CP son dos: aproximaciones basadas
en conocimiento o reglas (knowledge-based methods) y aproximaciones
basadas en corpus o aprendizaje automático (corpus-based methods). En
la primera aproximación, se utiliza conocimiento lingüístico preexistente,
codificado por un experto (por ejemplo, en forma de reglas, diccionarios,
tesauros, lexicones, ontologías, etc.), normalmente adquiridos de forma
manual. Por contra, en la segunda aproximación el conocimiento se extrae
11 Algunos de los nombres que recibe esta tarea en la literatura anglosajona son question
classification, question categorization y answer type recognition.
21