Reentrenamiento : aprendizaje semisupervisado de los sentidos de las palabras
Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10045/1437
Título: | Reentrenamiento : aprendizaje semisupervisado de los sentidos de las palabras |
---|---|
Autor/es: | Suárez Cueto, Armando | Palomar, Manuel | Rigau Claramunt, German |
Palabras clave: | Desambiguación léxica | Máxima entropía | Basado en corpus | Boots-trapping | Co-training | Word sense disambiguation | Maximum entropy | Corpus-based |
Fecha de publicación: | mar-2005 |
Editor: | Sociedad Española para el Procesamiento del Lenguaje Natural |
Cita bibliográfica: | SUÁREZ CUETO, Armando; PALOMAR SANZ, Manuel; RIGAU CLARAMUNT, German. “Reentrenamiento : aprendizaje semisupervisado de los sentidos de las palabras”. Procesamiento del lenguaje natural. Nº 34 (marzo 2005), pp. 49-66 |
Resumen: | Este artículo presenta un algoritmo iterativo-incremental, reentrenamiento, que adquiere de forma automática nuevos ejemplos anotados semánticamente, asegurando una alta precisión. El algoritmo se inscribe dentro de los métodos de aprendizaje automático basados en corpus y usa los modelos de probabilidad de máxima entropía. Reentrenamiento consiste en la retroalimentación del corpus de entrenamiento, mediante sucesivos ciclos de aprendizaje y clasificación, de nuevos ejemplos clasificados con un grado alto de confianza. Este nuevo método se inspira en los algoritmos de coentrenamiento (co-training) pero asumiendo unas restricciones más fuertes a la hora de decidir qué ejemplos se etiquetan e incorporan a la siguiente iteración y cuáles no. | This paper presents re-training, a bootstrapping algorithm that automatically acquires semantically annotated data, ensuring high levels of precision. This algorithm uses a corpus-based system of word sense disambiguation that relies on maximum entropy probability models. The re-training method consists of the iterative feeding of training-classification cycles with new and high-confidence examples. The process relies on several filters that ensure the accuracy of the disambiguation by discarding uncertain classifications. This new method is inspired by co-training algorithms, but it makes stronger assumptions on when to assign a label to a linguistic context. |
Patrocinador/es: | This paper has been partially supported by the Spanish Government (CICyT) under project number TIC2000-0664-C02-02 and the Valencia Government (OCyT) under project number CTIDIB-2002-151. |
URI: | http://hdl.handle.net/10045/1437 |
ISSN: | 1135-5948 |
Idioma: | spa |
Tipo: | info:eu-repo/semantics/article |
Aparece en las colecciones: | Procesamiento del Lenguaje Natural - Nº 34 (marzo 2005) INV - GPLSI - Artículos de Revistas |
Archivos en este ítem:
Archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
PLN_34_05.pdf | 220,95 kB | Adobe PDF | Abrir Vista previa | |
Todos los documentos en RUA están protegidos por derechos de autor. Algunos derechos reservados.