Tesis Doctoral Sistemas de clasificación de preguntas basados - gplsi

More documents

Recommendations

Info

Capítulo 2. La clasificación de preguntas Para llevar a cabo esta tarea, nuestro sistema crea un modelo de lenguaje 20 para cada clase (cada valor de cada faceta), basándose en un conjunto de documentos pertenecientes a dicha clase. Para identificar las clases presentes en la pregunta, se calcula la probabilidad de generar dicha pregunta a partir de los distintos modelos de lenguaje. A diferencia de las aproximaciones tradicionales a la búsqueda por categorías, no limitamos nuestra búsqueda a la lista de los posibles valores de las facetas, sino que extendemos estos valores aprovechando la redundancia de términos en los documentos. Volviendo al ejemplo de la guía de restaurantes, los documentos que describen restaurantes con cocina de tipo mejicana, contendrán probablemente palabras como “burrito”, “fajita” o “taco”. De igual forma, los documentos que describen restaurantes con servicios como aparcamiento propio, contendrán habitualmente las palabras “parking”, “aparcar” o “coche”. De esta forma, nuestro sistema puede interpretar una petición como “Quiero reservar una mesa para comerme un burrito” e inferir que el usuario está preguntando por las facetas cocina y servicios con los valores mejicano (disparada por la palabra “burrito”) y reservas (disparada por la palabra “reservar”) respectivamente. 2.7. Conclusiones En este capítulo se ha introducido formalmente el problema de la CP. Estos sistemas, al trabajar con lenguaje humano deben afrontar las dificultades inherentes a él. Los sistemas informáticos que afrontan los problemas derivados del tratamiento del lenguaje natural se engloban dentro del PLN, una rama de larga tradición dentro de la IA. A lo largo del capítulo hemos introducido las distintas aproximaciones seguidas en el desarrollo de sistemas de PLN en general y de sistemas de CP en particular. Atendiendo a las premisas establecidas en el capítulo anterior (los sistemas aprenden por sí mismos y el aprendizaje no requiere de recursos lingüísticos complejos), vamos a tomar una serie de decisiones de diseño: 38 Nuestros sistemas de CP se basarán en aprendizaje automático sobre corpus (descritos en la sección 2.3). De esta manera evitamos el desarrollo de reglas manuales y la dependencia de conocimiento experto, permitiendo al sistema aprender y adaptarse por sí mismo a diferentes situaciones. Vamos a seguir una aproximación estadística al tratamiento del lenguaje humano, tal y como se describió en la sección 2.2. Esta aproximación resulta más adecuada para nuestros propósitos que la aproximación lingüística, ya que esta última implica el uso de 20 En la sección 3.4.2 hablaremos más en detalle sobre estos modelos.
2.7. Conclusiones herramientas de análisis para los distintos niveles del lenguaje. El uso de estas herramientas trae consigo la dependencia con respecto al idioma y el dominio para el que fueron desarrolladas. Desarrollaremos nuestros clasificadores como módulos independientes, sin ligarlos a ningún sistema de BR concreto. Esto nos va a dar un mayor grado de libertada a la hora de trabajar sobre diferentes taxonomías de preguntas. Cuando la CP se integra dentro de un sistema completo de BR, el tipo de preguntas con los que trabaja está limitado a aquellas que el sistema de BR es capaz de responder. Tratando los sistemas de CP de forma aislada las taxonomías de clases no sufren esta limitación. En el siguiente capítulo describiremos en detalle la aproximación a la CP basada en aprendizaje automático, prestando atención a los distintos elementos que intervienen en este tipo de sistemas. Aprovecharemos esta descripción para mostrar otros estudios científicos realizados y establecer el estado de la cuestión en esta área. 39
Page 1: Tesis Doctoral Sistemas de clasific
Page 5 and 6: Índice general 1. Introducción 1
Page 7: Índice general 6.3.2. Resultados e
Page 10 and 11: Índice de figuras VIII 4.8. Precis
Page 12 and 13: Índice de tablas X 6.5. Resultados
Page 14 and 15: Capítulo 1. Introducción ¿Cómo
Page 16 and 17: Capítulo 1. Introducción lenguaje
Page 18 and 19: Capítulo 1. Introducción ejemplo
Page 20 and 21: Capítulo 1. Introducción Para cum
Page 22 and 23: Capítulo 1. Introducción Evaluar
Page 24 and 25: Capítulo 1. Introducción 12 En el
Page 26 and 27: Capítulo 2. La clasificación de p
Page 53 and 54: 3 Los sistemas de clasificación de
Page 55 and 56: Según las características de apre
Page 57 and 58: 3.1. Taxonomías Animal Game Person
Page 59 and 60: 3.1. Taxonomías algunas clases muy
Page 61 and 62: 3.1. Taxonomías Causal Antecedent
Page 63 and 64: 3.2. Corpus Pese a que se han defin
Page 65 and 66: 3.2. Corpus de responder. Las pregu
Page 67 and 68: zip. 3.2. Corpus Multieight-04. Est
Page 69 and 70: 3.3. Características de aprendizaj
Page 71 and 72: 3.3.2. Características léxicas 3.
Page 73 and 74: 3.3.4. Características semánticas
Page 75 and 76: 3.3. Características de aprendizaj
Page 77 and 78: 3.4. Algoritmos de aprendizaje de d
Page 79 and 80: 3.4. Algoritmos de aprendizaje que
Page 81 and 82: 3.4. Algoritmos de aprendizaje mode
Page 83 and 84: 3.4. Algoritmos de aprendizaje de c
Page 85 and 86: 3.4.6. k-nearest neighbors 3.4. Alg
Page 87 and 88: 3.4. Algoritmos de aprendizaje a ot
Page 89 and 90: 3.6. Conclusiones componente de ext
Page 91: 3.6. Conclusiones encontrar en todo
Page 94 and 95: Capítulo 4. CP supervisada basada
Page 100 and 101:
Capítulo 4. CP supervisada basada
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Capítulo 5. CP semisupervisada exp
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 149 and 150:
6 Clasificación de preguntas míni
Page 151 and 152:
6.1.2. Divergencia de Jensen-Shanno
Page 153 and 154:
6.2. Descripción del sistema wiki
Page 155 and 156:
X1movie,actor = X1martin,actor = 6.
Page 157 and 158:
Paso 2 6.2. Descripción del sistem
Page 159 and 160:
6.2. Descripción del sistema asesi
Page 161 and 162:
Clase what actress starred in the l
Page 163 and 164:
6.3. Experimentos y evaluación cue
Page 165 and 166:
Experimento Inglés Español DC2 1-
Page 167 and 168:
Precisión Precisión 95 90 85 80 7
Page 169:
6.5. Conclusiones 6.5. Conclusiones
Page 172 and 173:
Capítulo 7. Conclusiones y trabajo
Page 174 and 175:
Page 176 and 177:
Page 178 and 179:
Page 180 and 181:
Page 183:
Glosario de acrónimos BOW Bolsa de
Page 186 and 187:
Apéndice A. Corpus de preguntas DC
Page 188 and 189:
Apéndice A. Corpus de preguntas DC
Page 191:
B Conjunto de semillas DC2 actor To
Page 194 and 195:
Bibliografía Beitzel, S. M., Jense
Page 196 and 197:
Bibliografía Church, K. W. y Gale,
Page 198 and 199:
Bibliografía Dietterich, T. G. (19
Page 200 and 201:
Bibliografía Association for Compu
Page 202 and 203:
Bibliografía the Association for C
Page 204 and 205:
Bibliografía Li, X. y Roth, D. (20
Page 206 and 207:
Bibliografía Moschitti, A. y Harab
Page 208 and 209:
Bibliografía Pinchak, C. y Lin, D.
Page 210 and 211:
Bibliografía Roget, P. (1987). Rog
Page 212 and 213:
Bibliografía Suzuki, J., Taira, H.
Page 214 and 215:
Bibliografía Repositories, volume
Page 216:
Bibliografía Zhang, D. y Lee, W. S
show all

Tesis Doctoral Sistemas de clasificación de preguntas basados - gplsi

Create successful ePaper yourself

Delete template?

Save as template?