Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva

Mostrar todas las versiones(3)

La extracción y representación eficiente de información a partir del conocimiento expresado en lenguajes naturales es de suma importancia teniendo en cuenta la gran cantidad de saber que existe en esta forma. Sin embargo, estos problemas han probado ser de difícil tratamiento a pesar de haber sido e...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Lado, Gustavo Alberto
Otros Autores: Segura, Enrique Carlos
Formato: Tesis doctoral publishedVersion
Lenguaje:Español
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2022
Materias:
REDES NEURONALES ARTIFICIALES
PROCESAMIENTO DEL LENGUAJE NATURAL
APRENDIZAJE PROFUNDO
SEMANTICA COGNITIVA
ARTIFICIAL NEURAL NETWORKS
NATURAL LANGUAGE PROCESSING
DEEP LEARNING
COGNITIVE SEMANTICS
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n7245_Lado
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id tesis:tesis_n7245_Lado
record_format dspace
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
topic REDES NEURONALES ARTIFICIALES
PROCESAMIENTO DEL LENGUAJE NATURAL
APRENDIZAJE PROFUNDO
SEMANTICA COGNITIVA
ARTIFICIAL NEURAL NETWORKS
NATURAL LANGUAGE PROCESSING
DEEP LEARNING
COGNITIVE SEMANTICS
spellingShingle REDES NEURONALES ARTIFICIALES
PROCESAMIENTO DEL LENGUAJE NATURAL
APRENDIZAJE PROFUNDO
SEMANTICA COGNITIVA
ARTIFICIAL NEURAL NETWORKS
NATURAL LANGUAGE PROCESSING
DEEP LEARNING
COGNITIVE SEMANTICS
Lado, Gustavo Alberto
Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
topic_facet REDES NEURONALES ARTIFICIALES
PROCESAMIENTO DEL LENGUAJE NATURAL
APRENDIZAJE PROFUNDO
SEMANTICA COGNITIVA
ARTIFICIAL NEURAL NETWORKS
NATURAL LANGUAGE PROCESSING
DEEP LEARNING
COGNITIVE SEMANTICS
description La extracción y representación eficiente de información a partir del conocimiento expresado en lenguajes naturales es de suma importancia teniendo en cuenta la gran cantidad de saber que existe en esta forma. Sin embargo, estos problemas han probado ser de difícil tratamiento a pesar de haber sido empleadas variadas estrategias a lo largo de los años. Originalmente las técnicas de inteligencia artificial para el procesamiento del lenguaje natural estaban basadas en la semántica estructuralista, por lo que requerían del análisis sintáctico de las sentencias, y la clasificación en categorías semánticas de las palabras, entre otros. Actualmente los modelos basados en redes neuronales artificiales pueden obtener muy buenos resultados y no requieren del mismo tipo de preprocesamiento sintáctico pero tienden a poseer una alta complejidad y costo de entrenamiento. En este trabajo se propone un nuevo tipo de modelo alternativo, también basado en redes neuronales artificiales e inspirado en la semántica cognitiva, para convertir información secuencial en vectores de dimensión fija. Este modelo fue utilizado en la codificación de tanto palabras como sentencias. En el caso de las palabras se pudo demostrar su capacidad para representar información morfológica y robustez ante variaciones asociadas a distintos tipos de errores. Para las sentencias también se pudo verificar la correlación semántica entre representaciones obtenidas por el modelo y evaluaciones hechas por humanos sobre datos provenientes de fuentes reales, como también otras estimaciones realizadas para datos artificiales. Así mismo, el modelo propuesto no solo brinda una alternativa más sencilla evitando las desventajas mencionadas inicialmente, sino que además permite superar algunos inconvenientes aún existentes en las técnicas más avanzadas y facilita la integración con otras estrategias de aprendizaje automático.
author2 Segura, Enrique Carlos
author_facet Segura, Enrique Carlos
Lado, Gustavo Alberto
format Tesis doctoral
Tesis doctoral
publishedVersion
author Lado, Gustavo Alberto
author_sort Lado, Gustavo Alberto
title Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
title_short Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
title_full Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
title_fullStr Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
title_full_unstemmed Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
title_sort un modelo de redes neuronales artificiales inspirado en la semántica cognitiva
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2022
url https://hdl.handle.net/20.500.12110/tesis_n7245_Lado
work_keys_str_mv AT ladogustavoalberto unmodeloderedesneuronalesartificialesinspiradoenlasemanticacognitiva
AT ladogustavoalberto anartificialneuralnetworkmodelinspiredbycognitivesemantics
_version_ 1782023281484759040
spelling tesis:tesis_n7245_Lado2023-10-02T20:26:34Z Un modelo de redes neuronales artificiales inspirado en la semántica cognitiva An artificial neural network model inspired by cognitive semantics Lado, Gustavo Alberto Segura, Enrique Carlos REDES NEURONALES ARTIFICIALES PROCESAMIENTO DEL LENGUAJE NATURAL APRENDIZAJE PROFUNDO SEMANTICA COGNITIVA ARTIFICIAL NEURAL NETWORKS NATURAL LANGUAGE PROCESSING DEEP LEARNING COGNITIVE SEMANTICS La extracción y representación eficiente de información a partir del conocimiento expresado en lenguajes naturales es de suma importancia teniendo en cuenta la gran cantidad de saber que existe en esta forma. Sin embargo, estos problemas han probado ser de difícil tratamiento a pesar de haber sido empleadas variadas estrategias a lo largo de los años. Originalmente las técnicas de inteligencia artificial para el procesamiento del lenguaje natural estaban basadas en la semántica estructuralista, por lo que requerían del análisis sintáctico de las sentencias, y la clasificación en categorías semánticas de las palabras, entre otros. Actualmente los modelos basados en redes neuronales artificiales pueden obtener muy buenos resultados y no requieren del mismo tipo de preprocesamiento sintáctico pero tienden a poseer una alta complejidad y costo de entrenamiento. En este trabajo se propone un nuevo tipo de modelo alternativo, también basado en redes neuronales artificiales e inspirado en la semántica cognitiva, para convertir información secuencial en vectores de dimensión fija. Este modelo fue utilizado en la codificación de tanto palabras como sentencias. En el caso de las palabras se pudo demostrar su capacidad para representar información morfológica y robustez ante variaciones asociadas a distintos tipos de errores. Para las sentencias también se pudo verificar la correlación semántica entre representaciones obtenidas por el modelo y evaluaciones hechas por humanos sobre datos provenientes de fuentes reales, como también otras estimaciones realizadas para datos artificiales. Así mismo, el modelo propuesto no solo brinda una alternativa más sencilla evitando las desventajas mencionadas inicialmente, sino que además permite superar algunos inconvenientes aún existentes en las técnicas más avanzadas y facilita la integración con otras estrategias de aprendizaje automático. The extraction and representation of information expressed in natural languages in an efficient manner is of utmost importance considering the significant amount of knowledge that exists in this form. However, these problems have proven to be difficult to handle despite the use of various strategies over the years. Originally, artificial intelligence techniques for natural language processing were based on structuralist semantics, so they required the syntactic analysis of sentences, the classification of words into semantic categories and so forth. Currently, models based on artificial neural networks can obtain very good results and do not require the same type of syntactic preprocessing, but tend to have a high complexity and training cost. In this work, a new type of alternative model, also based on artificial neural networks and inspired by cognitive semantics, is proposed to convert sequential information into fixed-dimensional vectors. This model was used for the encoding of both, words and sentences. In the case of words, it was able to demonstrate its ability to represent morphological information and robustness to variations associated with different types of errors. For sentences, it was possible to verify the semantic correlation between representations obtained by the model and evaluations made by humans on data from real sources, as well as other estimations made for artificial data. Besides, the proposed model not only provides a simpler alternative, avoiding the disad- vantages mentioned initially, but also it allows to overcome some issues remaining in the most advanced techniques and, it facilitates the integration with other machine learning strategies. Fil: Lado, Gustavo Alberto. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2022-12-15 info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n7245_Lado

Ejemplares similares