Ir al contenido

Documat


Combinación de Sistemas mediante Aprendizaje Automático en Tareas de Procesamiento de Lenguaje Natural

  • Autores: Fernando Enríquez de Salamanca Ros Árbol académico, José Antonio Troyano Jiménez Árbol académico
  • Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 48, 2012, págs. 127-130
  • Idioma: español
  • Títulos paralelos:
    • System combination using machine learning in NLP tasks
  • Enlaces
  • Resumen
    • español

      La combinación de sistemas constituye un área de investigación ampliamente estudiada en el ámbito del Reconocimiento de Patrones, en donde se han desarrollado múltiples técnicas para aprovechar la diversidad de métodos de clasificación de los que se dispone actualmente gracias al Aprendizaje Automático. En el desarrollo de esta Tesis Doctoral se ha realizado un estudio de las técnicas de combinación existentes y su grado de implicación en tareas del PLN. Asimismo se han expuesto algunos trabajos sobre tareas concretas y un estudio comparativo con los resultados arrojados por muchas de estas técnicas implementadas y aplicadas sobre la tarea de etiquetado morfosintáctico. El uso de un gran número de corpus diferentes y los experimentos llevados a cabo nos han permitido extraer algunas conclusiones que creemos de gran utilidad de cara al uso de estas técnicas en el futuro dentro del PLN.

    • English

      The combination of systems is an area of widely studied research in the field of Pattern Recognition, where many techniques have been developed for taking advantage of the diversity of classification methods that are currently available thanks to Machine Learning. During the work implied in this PhD Thesis we have carried out a study of the existing combination techniques and their implication in NLP tasks. Some works on concrete tasks have also been exposed as well as a comparative study with the results obtained by many of these techniques implemented and deployed over the POS-tagging task. By using many different corpora and making many different experiments we have been able to draw some conclusions that can be very helpful for using these techniques in the future inside NLP.

  • Referencias bibliográficas
    • Arrow, K. 1951. Social Choice and Individual Values. Wiley, New York.
    • Brants, T. 2000. Tnt. a statistical part-of-speech tagger. In Proceedings of the 6th Applied NLP Conference (ANLP00), páginas 224-231.
    • Daelemans, W., J. Zavrel, A.v.d. Bosch, y K.v.d. Sloot. 2003. Mbt: Memory-based tagger, reference guide. Informe Técnico 03-13, ILK.
    • French, S. 1985. Group consensus probability distributions: a critical survey. Bayesian Statistics, 2:183-202.
    • Huang, Y. S. y C. Y. Suen. 1995. A method of combining multiple experts for the recognition of unconstrained handwritten numerals. IEEE Transactions...
    • Joachims, T., 1999. Making large-Scale SVM Learning Practical, capítulo 11. MIT Press.
    • Maudes, J., J.J. Rodríguez, y C. García-Osorio. 2007. Cascading for nominal data. Multiple Classifier Systems, Lecture Notes in Computer Science,...
    • Schmid, H. 1994. Probabilistic part-of-speech tagging using decision trees. In Proceedings of the Conference on New Methods in Language Processing.
    • Wolpert, D.H. 1992. Stacked generalization. Neural Networks, 5:241{259.

Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno