Ítem
Acceso Abierto
Aprendizaje por refuerzo de un parser semántico óptimo en DRT
Título de la revista
Autores
Piza Londoño, Jessenia
Fecha
2024-08-12
Directores
Andrade Lotero, Édgar José
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
Este documento se trata del procesamiento de lenguaje natural (NLP, por sus siglas en inglés), que se enfoca en desarrollar sistemas de comunicación efectivos entre computadoras y humanos. Aunque los mayores avances en esta área se han logrado mediante grandes modelos de lenguaje (LLMs, por sus siglas en inglés), estos suelen ser imprecisos en dominios regidos por reglas, como las relaciones espaciales o las normas legales. Para abordar estos dominios, se utilizan parsers semánticos que asignan representaciones lógicas a los textos a través del análisis de su estructura sintáctica y la interpretación semántica. Sin embargo, estos parsers son complejos y su diseño es complicado debido a la implementación manual de reglas específicas. Este estudio propone un enfoque innovador que utiliza el aprendizaje por refuerzo profundo para desarrollar un parser semántico que pueda aprender y adaptarse automáticamente. El agente, a través de recompensas, optimizará su comportamiento con el tiempo, lo que podría tener un impacto significativo en el avance del procesamiento de lenguaje natural.
Abstract
This document is about natural language processing (NLP), which focuses on developing effective communication systems between computers and humans. While the most significant advances in this area have been achieved through large language models (LLMs), these models often lack precision in rule-governed domains, such as spatial relations or legal norms. To address these domains, semantic parsers are used to assign logical representations to texts by analyzing their syntactic structure and semantic interpretation. However, these parsers are complex, and their design is challenging due to the manual implementation of specific rules. This study proposes an innovative approach using deep reinforcement learning to develop a semantic parser that can learn and adapt automatically. Through rewards, the agent will optimize its behavior over time, which could have a significant impact on the advancement of natural language processing.
Palabras clave
Representación formal del lenguaje , Razonamiento automático , Inferencia Lógica , Teoría de la Representación del Discurso , Procesamiento de Lenguaje Natural
Keywords
Formal representation of language , Automatic reasoning , Logical inference , Discourse representation theory , Natural language processing
