- Inicio
- Atrás
|
Título: |
Contribución de la información semántica en un sistema de aprendizaje automático para resolver la implicación textual |
Autores: |
Vázquez Pérez, Sonia Kozareva, Zornitsa Petrova Montoyo Guijarro, Andrés |
Fecha: |
2007-11-26 2007-11-26 2006-09 |
Publicador: |
RUA Docencia |
Fuente: |
|
Tipo: |
info:eu-repo/semantics/article |
Tema: |
Implicación textual Semántica latente Aprendizaje automático Textual entailment Latent semantic indexing Machine learning |
Descripción: |
La forma en que podemos expresar un mismo pensamiento puede variar
dependiendo de las circunstancias, del objetivo que pretendemos alcanzar, etc. Esta
variabilidad del lenguaje se convierte en un problema cuando una aplicación de
procesamiento del lenguaje natural intenta extraer el mismo contenido semántico a
partir de dos construcciones distintas. Para resolver este problema se ha creado una
tarea denominada ”Reconocimiento de Implicación Textual” o ”Textual Entailment
Recognition”, cuyo objetivo es establecer si la semántica de un texto se puede inferir
de la semántica de otro texto. En este artículo, presentamos una nueva aproximación
que utiliza la semántica latente y la medida de similitud del coseno para resolver
el problema de la Implicación Textual. Para realizar la evaluación se han utilizado
diferentes corpus y recursos, realizando posteriormente un estudio sobre el impacto
de combinar la información semántica obtenida con un sistema de aprendizaje
automático. The variability of semantic expression is a special characteristic of natural
language. This variability is challenging for many natural language processing
applications that try to infer the same meaning from different text variants. In order
to treat this problem a generic task has been proposed: Textual Entailment Recognition.
In this paper, we present a new Textual Entailment approach based on Latent
Semantic Indexing (LSI) and the cosine measure. This proposed approach extracts
semantic knowledge from different corpora and resources. Our main purpose is to
study how the acquired information can be combined with an already developed
and tested Machine Learning system. The carried out experiments show that the
combination of MLEnt, LSI and cosine measure improves the results of the initial
approach. Este trabajo ha sido parcialmente financiado por los proyectos CICyT número TIC2003-07158-C04-01 y PROFIT número FIT-340100-2004-14 y por el Gobierno
Valenciano GV04B-276. |
Idioma: |
Español |