Tesis Doctoral Sistemas de clasificación de preguntas basados - gplsi

2.3. La clasificación automática de preguntas
Aprendizaje supervisado. Los ejemplos del corpus están etiquetados,
siendo el problema fundamental el de encontrar una función que
relacione un conjunto de entradas con un conjunto de salidas. Los
problemas de clasificación y regresión entran dentro de este grupo.
Aprendizaje no supervisado. Los ejemplos no están etiquetados,
siendo el problema fundamental el de encontrar la estructura subyacente
del conjunto de datos. Los problemas de agrupamiento (clustering)
y compresión de datos entran dentro de este grupo.
Aprendizaje semisupervisado. Se sitúa a medio camino entre el
aprendizaje supervisado y el no supervisado. Tiene lugar cuando
se emplean tanto datos etiquetados como no etiquetados para la
construcción del modelo (típicamente un pequeño conjunto de datos
etiquetados y un conjunto grande de datos sin etiquetar). Técnicas
como co-training o expectation-maximization entran dentro de este
grupo (Chapelle et al., 2006).
La tarea de CP entra dentro del campo del aprendizaje supervisado
(aunque existen algunas aproximaciones semisupervisadas, como veremos
en el capítulo 5). En las aproximaciones basadas en aprendizaje automático
a la tarea de CP, el conocimiento del experto que se empleaba en
los sistemas manuales es reemplazado por un conjunto suficientemente
grande de preguntas etiquetadas con sus correspondientes clases semánticas
correctas. A partir de este conjunto de entrenamiento se induce un modelo
que permite al clasificador, dada una nueva instancia, predecir la clase a la
que pertenece.
Existen numerosos algoritmos de aprendizaje que han demostrado su
utilidad en diferentes tareas de PLN. La figura 2.3 muestra algunos de estos
algoritmos agrupados en función de la familia a la que pertenecen (Alpaydin,
2004).
Resulta difícil imaginar un clasificador construido manualmente mediante
reglas que dependa de miles de características. Sin embargo, los
métodos de aprendizaje pueden utilizar un número potencialmente grande
de características para generalizar y clasificar de forma automática. La
gran promesa de esta aproximación es la de ofrecer al responsable de
desarrollar el sistema la posibilidad de centrarse en el diseño de las
características y en el desarrollo de datos etiquetados, en lugar de codificar
y manetener heurísticas complejas basadas en reglas. De esta forma, los
sistemas basados en aprendizaje automático permiten crear aplicaciones más
flexibles, que se adapten a cambios en el entorno y aprendan a partir de
corpus de entrenamiento. Esto permite superar muchas de las limitaciones
de los sistemas basados en reglas manuales. Algunas de las ventajas que
proporcionan con respecto a estos últimos son:
25