Minería de argumentos con aprendizaje profundo y atención

Mostrar todas las versiones(2)

Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.

Guardado en:

Detalles Bibliográficos
Autor principal:	González, David Ignacio
Otros Autores:	Teruel, Milagro
Formato:	publishedVersion bachelorThesis
Lenguaje:	Español
Publicado:	2020
Materias:	Arquitectura computacional Redes neuronales Inteligencia artificial Computing methodologies Artificial intelligence Natural language processing Neural networks
Acceso en línea:	http://hdl.handle.net/11086/15038
Aporte de:	Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba

id	I10-R141-11086-15038
record_format	dspace
spelling	I10-R141-11086-150382023-12-13T18:58:11Z Minería de argumentos con aprendizaje profundo y atención González, David Ignacio Teruel, Milagro Arquitectura computacional Redes neuronales Inteligencia artificial Computing methodologies Artificial intelligence Natural language processing Neural networks Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019. info:eu-repo/semantics/publishedVersion Fil: González, David Ignacio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. En este trabajo agregamos un mecanismo de atención a una red neuronal del estado del arte, que consiste de una red BiLSTM con embeddings de caracteres y una capa de CRF. Este modelo no sólo ha sido previamente aplicado en minería de argumentos, sino en muchas otras tareas de etiquetado de secuencias, como el Reconocimiento de Entidades Nombradas, PoS tagging, chunking, y el reconocimiento de eventos. Se simplificó la red para poder lograr una mejor comparación de resultados, y agregamos dos enfoques distintos del mecanismo de atención, variando las funciones de activación disponibles. Luego se realizaron experimentos y se analizaron los resultados obtenidos para determinar el impacto de la atención en el rendimiento de la red. Los modelos con atención fueron evaluados con un conocido corpus de ensayos persuasivos. El mismo consta de 402 ensayos de estudiantes en inglés, anotados manualmente con componentes argumentativos y sus relaciones. Se observó que el rendimiento de uno de los enfoques del mecanismo de atención superó al modelo sin atención, mientras que el enfoque restante no obtuvo mejoras en el desempeño. De la misma manera se comprobó que las distintas funciones de activación del mecanismo de atención son determinantes para el mismo. In this paper, we add an attention mechanism to a state-of-the-art neural network, which consists of a BiLSTM with characters embeddings and a CRF layer. This model has not only been previously applied in argument mining, but in many other sequence tagging tasks, such as Named Entity Recognition, PoS tagging, chunking, and event recognition. The network was simplified in order to achieve a better comparison of results, and then two different attention mechanism approaches were added, varying between the availables activation functions. Experiments were then conducted, and the results obtained were analyzed to determine the impact of attention on the network performance. Attention models were evaluated with a well-known persuasive essays corpus. It consists of 402 students essays, manually annotated with argumentative components and their relations. It was observed that the performance of one of the attention mechanism approaches outperformed the no-attention model, while the remaining approach did not result in improvements of performance. Also, we proved that the different activation functions of the attention mechanism are decisive in the network performance. info:eu-repo/semantics/publishedVersion Fil: González, David Ignacio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. 2020-03-10T21:14:36Z 2020-03-10T21:14:36Z 2019 bachelorThesis http://hdl.handle.net/11086/15038 spa Atribución-NoComercial-CompartirIgual 4.0 Internacional http://creativecommons.org/licenses/by-nc-sa/4.0/
institution	Universidad Nacional de Córdoba
institution_str	I-10
repository_str	R-141
collection	Repositorio Digital Universitario (UNC)
language	Español
topic	Arquitectura computacional Redes neuronales Inteligencia artificial Computing methodologies Artificial intelligence Natural language processing Neural networks
spellingShingle	Arquitectura computacional Redes neuronales Inteligencia artificial Computing methodologies Artificial intelligence Natural language processing Neural networks González, David Ignacio Minería de argumentos con aprendizaje profundo y atención
topic_facet	Arquitectura computacional Redes neuronales Inteligencia artificial Computing methodologies Artificial intelligence Natural language processing Neural networks
description	Tesis (Lic. en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.
author2	Teruel, Milagro
author_facet	Teruel, Milagro González, David Ignacio
format	publishedVersion bachelorThesis
author	González, David Ignacio
author_sort	González, David Ignacio
title	Minería de argumentos con aprendizaje profundo y atención
title_short	Minería de argumentos con aprendizaje profundo y atención
title_full	Minería de argumentos con aprendizaje profundo y atención
title_fullStr	Minería de argumentos con aprendizaje profundo y atención
title_full_unstemmed	Minería de argumentos con aprendizaje profundo y atención
title_sort	minería de argumentos con aprendizaje profundo y atención
publishDate	2020
url	http://hdl.handle.net/11086/15038
work_keys_str_mv	AT gonzalezdavidignacio mineriadeargumentosconaprendizajeprofundoyatencion
_version_	1806949515264000000

Minería de argumentos con aprendizaje profundo y atención

Ejemplares similares