Search

En este trabajo se describe el desarrollo de un corpus de preguntas y respuestas factuales similares a las utilizadas en las conferencias TREC. Dicho corpus consta de más de 70.000 muestras, cada una de ellas con la siguiente información: una pregunta, el tipo de esa pregunta, la respuesta exacta, el párrafo del que ha sido extraída la respuesta, el documento del que ha sido extraído el párrafo y una etiqueta indicando si la respuesta es correcta (muestra positiva) o no (muestra negativa) en el contexto proporcionado. El corpus desarrollado puede ser utilizado, por ejemplo, para entrenar un clasificador binario que decida de forma automática si la respuesta proporcionada por un determinado sistema es correcta o no. Hasta donde conocemos, éste es el primer corpus que puede ser utilizado para entrenar todos y cada uno de los módulos de un sistema de Búsqueda de Respuestas: clasificación de la pregunta, recuperación de información, extracción de la respuesta y validación de la misma. El proceso para la obtención del corpus ha sido realizado de forma semi-automática. This paper describes the development of an English corpus of factoid TREC-like question-answer pairs. The corpus obtained consists of a set of more than 70,000 samples, containing each one the following information: a question, its question type, an exact answer to that question, the different context levels (sentence, paragraph and document) where the answer occurs inside a document, and a label indicating whether the answer is correct (a positive sample) or not (a negative sample). For instance, this corpus can be used for training a binary classifier in order to decide if a given answer is correct (positive) to the question formulated or not (negative). To our knowledge, this is the first corpus that can be used to train each one of the modules of a trainable Question Answering system: question classification, information retrieval, answer extraction and answer validation. The process carried out to obtain the corpus was semi-automatic. Este trabajo ha sido desarrollado en el marco del proyecto CICYT R2D2 (TIC2003-07158-C04).

Este artículo presenta una aproximación multilingüe a la clasificación de preguntas basada en aprendizaje automático, empleando características de aprendizaje independientes del idioma. Esto va a permitir que el sistema sea flexible y fácilmente adaptable a nuevos idiomas. Sobre un corpus paralelo de preguntas en inglés y castellano, contrastaremos el rendimiento del sistema con tres métodos distintos de aprendizaje: Máquinas de Vectores Soporte, Máxima Entropía y aprendizaje basado en ejemplos. This paper presents a multilingual approach to question classification based on machine learning. This approach is flexible and easy to adapt to new languages using language independent learning features. The system’s performance has been compared in a parallel English-Spanish corpus of questions using three different learning methods: Support Vector Machines, Maximum Entropy and Memory-based Learning. Este trabajo ha sido subvencionado por el proyecto CICYT R2D2 (TIC2003-07158-C04) y por el Ministerio de Educación y Ciencia y el Fondo Social Europeo a través de la beca BES-2004-3935.

En este artículo se presenta un mecanismo de adquisición automática de reglas a partir de corpora anotados sintácticamente. Esta aproximación se basa en una extensión del algoritmo propuesto por Claire Cardie y David Pierce (Cardie y Pierce, 1998). Se muestra cómo mejora el modelo aplicando técnicas de lexicalización (Molina, 2004). In this paper we present a mechanism for the automatic acquisition of rules from syntactic anotated corpora. This approach is based on an extension of the Claire Cardie and David Pierce algorithm (Cardie y Pierce, 1998). The improvement of the model using lexicalization techniques (Molina, 2004) is shown. Este trabajo ha sido subvencionado por los proyectos PROFIT 3LB (FIT-150500-2002-244) y CICYT R2D2 (TIC2003-07158-C04-03).

Entidad financiera: MCyT (Proyecto PROFIT: FIT-150500-2002-411).

Presentamos una herramienta, llamada 3LB-SAT, para el etiquetado semántico de corpus multilingüe. Sus principales características son que está orientado a la palabra, que permite introducir el corpus en diferentes formatos (formato parentizado TBF y formato XML) y que usa el diccionario EuroWordnet para consultar el sentido de las palabras en cuatro lenguas (español, catalán, euskara e inglés). We present a tool, called 3LB-SAT, for the semantic tagging of multilingual corpora. Main features of this tool are that it is word-oriented, allows different formats for input corpus (TBF format, PenTreebank Bracketted Format and XML) and uses EuroWordnet for searching the word sense in four languages. Este trabajo ha sido subvencionado por el proyecto PROFIT 3LB (FIT-150500-2002-244) y el proyecto CICYT TUSIR (TIC2000-0664-C02-01).