Ventajas e inconvenientes
Ventajas: permite la clasificación de gran cantidad de información y trabaja con el texto completo
Inconvenientes: necesita mucho tiempo y espacio por la dimensión de los vectores, pero exiten métodos para reducirlos
Aplicaciones a otros tipos de documentos
Artículos de grupos de discusión (News)
Abstracts de artículos científicos
Abstracts de patentes
Demostración:
http://websom.hut.fi/websom
ET-MAP
Es un sistema de clasificación temática y búsqueda de homepages de Internet, similar a los mapas auto-organizados de Kohonen
Demostración:
http://ai2.BPA.arizona.edu/ent
Mapas de redes de publicaciones científicas
Mapa semejente al de Xia Lin, que relaciona las revistas de determinado campo temático
Funcionamiento: se construye un vector para el título de cada revista que contiene las citas de cada artículo
Aplicaciones:
se obtiene un mapa de relaciones, útil para estudiar las relaciones entre revistas
también se obtiene otro mapa de dominios
3. Aplicaciones lingüísticas
Procesamiento en lenguaje natural
Se ha utilizado una adaptación de los SOM: estudios semánticos y pragmáticos
Modelado de la gradación y lógica difusa
la gradación es habitual en el lenguaje natural
también lo es la contextualidad
la relación lenguaje-mundo es uno a muchos
la mejor herramienta es la lógica difusa
La ambigüedad del lenguaje puede ser un problema:
se intenta resolver mediante SOMs
Indización y thesauros
Problemas de vocabulario y de subjetividad
Indización automática: se ha propuesto el sistema Concept Assigner (basado en una variante de la red Hopfield)
La tecnología corriente requiere la interacción humana
Los términos de indización se pueden asignar muy rápido procurando a los indizadores feedback
Proyecto GATOAC (Generación automática de thesauros orientada a las arquitecturas de componentes)
Traducción automática
Inferencia gramatical: se aprende, se infiere, un modelo formal que representa a los ejemplos, patrones de entrada
Caso particular de la traducción: traducción semántica o comprensión del lenguaje
No están satisfactoriamente resueltos: sólo se han conseguido avances en dominios restringidos
El problema del tiempo en las RN artificiales: los modelos conexionistas han de disponer de conexiones con recurrencias: Redes Neuronales Recurrentes
Se ha demostrado que las RNR pueden resolver tareas en el campo de la:
Inferencia gramatical (IG)
Comprensión del lenguaje (CL)
Traducción automática entre lenguajes (TA)
Se han entrenado distintos modelos recurrentes y se ha observado que la eficacia del modelo aumenta al realimentar la capa de salida de la red en las neuronas ocultas.
Entre los desarrollos futuros señalados están:
– inducción de GREs:
sería deseable estudiar la capacidad de todas o algunas de las RNR para estimar probabilidades asociadas a una GRE
habría que estudiar el incremento del número de muestras que requeriría aprender una GRE y el tiempo precisado para entrenar la RES
la inferencia gramatical libre de contexto queda pendiente
– CL
es posible construir un traductor texto-a-texto mediante interlingua
– TA
hay que seguir trabajando en representaciones que permitan abordar traducciones con vocabularios grandes
abordar tareas de TA con dominios semánticos más amplios
abordar estudios sobre traducción entre pares de lenguajes distintos al inglés-castellano ya estudiados
queda pendiente la integración del traductor conexionista a un modelo reconocedor de voz
Conclusiones
Las redes neuronales artificiales tienen:
capacidad de aprendizaje a partir del mundo real
habilidad para resolver problemas en los que aparecen dependencias temporales
Esto las hace herramientas ideales para:
procesamiento del lenguaje
reconocimiento de voz
tratamiento del leguaje natural
comprensión del lenguaje
traducción automática entre lenguajes
4. Diseño de interfaces
La aplicación de redes neuronales permite una mayor interactividad a partir de:
Realización de inferencias
Presentación de alternativas
Autoaprendizaje
Procedimiento discutido
No se percibe un comportamiento más eficiente
Por el contrario el coste (por ejemplo en memoria) es superior a los modelos de desarrollo tradicionales
La investigación en este campo se orienta hacia:
Modelos hipertextuales e hipermedia
Hipernet
Derivados de modelos tradicionales (índices)
AIR (Adaptative Information Retrieval System)
SCALIR (Hybrid Symbolic & Connectionist Models in Legal Information Retrieval)
ANLI (Adaptive Network Library Interface)
Conet-IR
Knowboot
5. Almacenamiento y recuperación de la información
Los pesos de las conexiones son las unidades de memoria de la red y el proceso de almacenamiento se conoce como aprendizaje, que puede estar no revisado, supervisado por un entrenador o reforzado:
?aprendizaje no revisado no precisa patrones previamente establecidos ni requiere comparación exterior con las respuestas producidas por la red.
?aprendizaje supervisado supone el entrenamiento de la red de acuerdo con los ejemplos que se introducen en ella.
?aprendizaje reforzado consiste en la información externa que separa a la red para indicarle si la respuesta de una pregunta ha sido satisfactoria o no.
Problemas del almacenamiento
las palabras no siempre se ajustan a los conceptos o materias que señalan.
las palabras deben reducirse a categorías numéricas con las que operará el programa informático.
Técnicas más utilizadas en la búsqueda y recuperación de la información
estadística de caracteres adyacentes o análisis de n-gramas.
índices invertidos.
un algoritmo llamado "ránking de relevancia".
"relevance feed-back”.
en vez de utilizar la palabra original en el índice, se puede utilizar un subconjunto de entidades (semánticas) artificiales o incluir un tesauro.
Temas en curso en IR
Se caracterizan por la búsqueda en sistemas que presentan comportamiento adaptativo, interactivo y transparencia:
comprensión de búsquedas incompletas o comparaciones incompletas.
comprensión de las intenciones vagas (dudosas) del usuario.
capacidad para generalizar sobre las búsquedas así como sobre los resultados de las mismas.
adaptación a las necesidades cambiantes de los usuarios.
permitir feed-back relevante.
ayudar al usuario a buscar inteligentemente por los datos.
añadir contexto sensible.
Problemas de evaluación del IR
la relevancia es un concepto muy subjetivo.
la relevancia es siempre relativa a los documentos encontrados.
muchos usuarios no saben lo que están buscando
Búsqueda incompleta
Las aplicaciones comerciales con más éxito de las RNA en búsqueda de información son las búsquedas en conjuntos de datos incompletos tal como los datos reunidos con un programa de OCR: localizar información difusa, errores de deletreado, variaciones fonéticas,…
Productos: Excalibur, ZyIMAGE, InfoSelect, etc.
Otras aplicaciones en la búsqueda incompleta son
Búsqueda de información utilizando una red neuronal híbrida multicapa.
Sistemas de diálogo asociativo (ASDIS).
Controladores de deletreado convencionales y de memoria asociativa.
Lógica difusa con cuantificadores lingüísticos en la toma de decisiones y control.
Recuperación de información basada en redes neuronales no supervisadas de agrupamientos temáticos difusos
Data Mining
Las redes neuronales son buenas en
búsquedas incompletas
datos heterogéneos
datos ruidosos
tareas de generalización y de asociación
El estudio de Data Mining (descubrimiento de información): la búsqueda de respuestas desconocidas a preguntas desconocidas.
Conclusiones
el algoritmo utilizado para el desarrollo de la red neuronal demuestra que es posible tratar grandes volúmenes de información.
el uso de este algoritmo posibilita obtener interfaces intuitivas y gráficas lo cual enriquece las perspectivas desde las que el usuario afronta el proceso de acceso a la información.
la búsqueda de información puede ser un área frustrante de información ya que en nuevos modelos es difícil demostrar que trabajan mejor cuantitativa y cualitativamente que cualquier modelo previo. El añadido de nuevas dependencias a menudo enlentece los procesos.
el estudio de la búsqueda de información ha estado siempre mucho más relacionado con patrones de reconocimiento estadístico que con técnicas de Inteligencia Artificial
6. Filtrado de información
DSI
Se filtra y ordena gran cantidad de información en relación al interés del usuario. Se selecciona la información más relevante.
Los trabajos sobre DSI con RN son cada vez más, y de mayor interés. Es un servicio de gran aceptación.
Servicio de NEWS personalizado
Esta red se construye sobre la base de los artículos leídos y marcados como rechazados.
Se puede usar también buscando por palabras clave de los artículos en conjunción con un modelo de RN.
Muestra prometedores resultados en el acercamiento hecho a un sistema basado en un IR.
Sistemas expertos para el desarrollo de una colección.
Proyecto para desarrollar un sistema experto para asistir la selección de material para bibliotecas.
Parte del proyecto trata la construcción de un componente de aprendizaje dentro del sistema, y dos acercamientos, inducción y RN, son prefijados.
Algunos autores han discutido la posibilidad de una máquina con capacidad de aprender y adquirir conocimiento en el dominio de la selección de monografías.
Filtrado neuronal de KOHONEN basado en caracteres
El método de Kohonen se puede implementar con gran facilidad ya que es bastante simple, mediante la entrada de sensores.
Los textos que mejor se correspondan con las características del mapa. serán los más aptos para agruparse en el mapa.
Puede usarse como un recurso de filtrado en un entorno con una pregunta estática y un dinámico flujo de información.
7. Ejemplos de aplicaciones
Neural Data Analysis
Nicos
nnsysid
 Página anterior | Volver al principio del trabajo | Página siguiente  |