Ítem
Acceso Abierto
Integración del aprendizaje por refuerzo en parsers semánticos para la deducción lógica en lenguaje natural
Título de la revista
Autores
Gómez Vargas, Camilo Andrés
Fecha
2025-08-27
Directores
Andrade Lotero, Edgar José
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El procesamiento del lenguaje natural (NLP) es una subdisciplina de la inteligencia artificial centrada en la interacción entre las computadoras y los seres humanos mediante lenguaje natural. Su objetivo es desarrollar modelos y sistemas que comprendan, interpreten y generen lenguaje natural de manera similar a como lo hace una persona. En este contexto, los parsers semánticos juegan un papel fundamental, ya que son herramientas que descomponen y representan la estructura y el significado de las oraciones. Estos permiten transformar el texto en una representación formal, proporcionando un medio para que los sistemas inteligentes cuenten con una representación del significado subyacente de las palabras y relaciones. Aunque los parsers semánticos son herramientas de gran importancia en NLP, estos métodos tienden a depender de reglas preestablecidas o de modelos supervisados que aprenden de ejemplos etiquetados, limitando su capacidad para la generalización y representación de nuevas estructuras. Esta falta de flexibilidad de los parsers para adaptarse a nuevas oraciones o a estructuras más complejas sin la necesidad de re-entrenamiento o de una definición más amplia de reglas gramaticales, restringen su utilidad en tareas complejas de inferencia y razonamiento lógico. Por tanto, el objeto de estudio de este trabajo es desarrollar un sistema que utilice aprendizaje por refuerzo profundo para optimizar la representación de estructuras lógicas a partir de oraciones en lenguaje natural. Así, esta investigación desarrolla un modelo capaz de realizar representaciones de silogismos con estructuras conjuntivas e implicatorias. El trabajo se centra en la definición del entorno de aprendizaje, la señal de recompensas, el esquema de entrenamiento y la evaluación de resultados. De esta manera, se busca mejorar la capacidad de las máquinas para interpretar y razonar sobre el lenguaje, lo cual representa un avance en el desarrollo de sistemas de inteligencia artificial que puedan operar con un razonamiento estructurado, consistente y fundamentado.
Abstract
Natural language processing (NLP) is an artificial intelligence subdiscipline focused on the interaction between computers and humans through natural language. The goal of NLP is to develop models and systems that can understand, interpret, and generate natural language like a human. Semantic parsers play a fundamental role in this context because they break down and represent the structure and meaning of sentences. Semantic parsers transform text into a formal representation, providing intelligent systems with a means to understand the underlying meaning of words and relationships. However, these methods tend to rely on pre-established rules or supervised models that learn from labeled examples, which limits their ability to generalize and represent new structures. The inability of parsers to adapt to new sentences or more complex structures without retraining or a broader definition of grammatical rules restricts their usefulness in complex inference and logical reasoning tasks. Thus, this study aims to develop a system that uses deep reinforcement learning to optimize the representation of logical structures from sentences in natural language. This research develops a model capable of representing syllogisms with conjunctive and implicative structures. The study focuses on defining the learning environment, reward signal, training scheme, and evaluation of results. This approach aims to enhance machines' ability to interpret and reason about language, representing an advancement in the development of artificial intelligence systems capable of operating with structured, consistent, and well-founded reasoning.
Palabras clave
Procesamiento de lenguaje natural , Teoría de representación de discursos , Aprendizaje por refuerzo , Razonamiento automático , Inferencia lógica , Representación formal del lenguaje
Keywords
Natural language processing , Discourse representation theory , Reinforcement learning , Automatic reasoning , Logic inference , Formal representation of language
