| Revista: | Computación y sistemas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000365514 |
| ISSN: | 1405-5546 |
| Autores: | Reyes, José A1 Montes, Azucena1 González, Juan G1 Pinto, David E2 |
| Instituciones: | 1Centro Nacional de Investigación y Desarrollo Tecnológico, México, Distrito Federal. México 2Benemérita Universidad Autónoma de Puebla, Puebla. México |
| Año: | 2013 |
| Periodo: | Abr-Jun |
| Volumen: | 17 |
| Número: | 2 |
| Paginación: | 263-272 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Experimental, aplicado |
| Resumen en español | Este artículo presenta una clasificación de roles semánticos basada en características sintácticas, semánticas y contextuales. El objetivo de este artículo es identificar mediante la tarea de clasificación, el tipo de rol semántico existente entre un evento y sus actantes; por ello se presenta un análisis de características para seleccionar un subconjunto que mejore el desempeño de la tarea. Adicionalmente, se presenta una comparativa de cuatro algoritmos de clasificación: máquinas de soporte vectorial, los k-vecinos más cercanos, clasificador de Bayes y el clasificador basado en arboles de decisión C4.5, esto con la finalidad de analizar su desempeño con todas las características y con las relevantes en cada categoría de rol semántico. Con base en la experimentación, se obtiene que la selección de atributos mejora el desempeño de la tarea de clasificación, ya que con el grupo de características relevantes, se obtiene el mejor desempeño de 84.6% con el algoritmo basado en arboles de decisión C4.5. El resultado del etiquetado de roles puede ser utilizado para una representación de conocimiento o se puede utilizar para apoyar en la tarea de aprendizaje ontológico |
| Resumen en inglés | This paper presents a classification of semantic roles using syntactic, semantic and contextual features. The aim of our work is to identify types of semantic roles involving events and their actors; therefore, we fulfill a feature analysis in order to select the best feature subset which improves the fulfillment of the task. In addition, we compare four classification algorithms: Support Vector Machine (SVM), k-nearest neighbor (k-NN), Bayes classifier and decision tree classifier C4.5. This comparison was made in order to analyze the performance of these algorithms with all features against relevant features for each semantic role category. In our experimentation, we obtain that feature selection improved the performance of algorithms in our classification task, since with relevant features we obtained the best performance of 84.6% with decision tree classifier C4.5. The results for the labeling task can be used for knowledge representation or ontology learning |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Procesamiento de datos, Lingüística computacional, Roles semánticos, Clasificación, Adquisición del conocimiento, Aprendizaje de máquinas, Procesamiento de lenguaje natural |
| Keyword: | Computer science, Data processing, Computing linguistics, Semantic roles, Classification, Knowledge acquisition, Machine learning, Natural language processing |
| Texto completo: | Texto completo (Ver HTML) |
