< Terug naar vorige pagina
Project
Statistisch relationeel leren van natuurlijke taal
Het begrijpen van natuurlijke taal is gemakkelijk voor mensen, maar is erg
complex voor computers. De belangrijkste redenen hiervoor zijn het structurele
karakter en de inherente dubbelzinnigheid van natuurlijke taal. Bijgevolg is
voor een correcte interpretatie van taal context vereist. Om het begrijpen van
natuurlijke taal uit te voeren door middel van technieken uit machinaal leren is
een gepaste voorstelling noodzakelijk die deze relationele informatie in rekening
brengt, en de nodige achtergrondkennis opneemt in het leerproces.
Statistisch relationeel leren is bijzonder geschikt voor het uitdrukken van deze
structurele informatie, en laat ook toe om de context en achtergrondkennis
op te nemen die nodig is voor het begrijpen van natuurlijke taal. Bovendien
biedt de probabilistische aard van deze aanpak perspectieven voor het omgaan
met linguïstische ambiguïteit. Deze thesis onderzoekt de belofte van statistisch
relationeel leren voor natuurlijke taalverwerking en toont het nut van deze
aanpak aan.
Als eerste bijdrage tonen we de expressiviteit en interpreteerbaarheid van de
relationele representatie voor twee problemen in natuurlijke taalverwerking. We
verkennen ook het belang van de declaratieve aanpak voor het opnemen van
contextuele informatie, en analyseren de invloed van de relationele representatie
door een vergelijking vanverschillende technieken voor machinaal leren. Een
tweede bijdrage is de uitbreiding van kLog, een framework voor relationeel
leren met kernels, met een module voor natuurlijke taalverwerking, om zo een
raamwerk voor relationeel leren van natuurlijke taal te bekomen. Als derde
bijdrage introduceren we technieken voor relationele regularisatie enfeature
ordening, die toelaten het belang van relationele eigenschappen te beoordelen.
Tenslotte breiden we het leren van regels uit naareen probabilistische setting,
en verkennen de toepassing hiervan in het kader van machinaal lezen.
complex voor computers. De belangrijkste redenen hiervoor zijn het structurele
karakter en de inherente dubbelzinnigheid van natuurlijke taal. Bijgevolg is
voor een correcte interpretatie van taal context vereist. Om het begrijpen van
natuurlijke taal uit te voeren door middel van technieken uit machinaal leren is
een gepaste voorstelling noodzakelijk die deze relationele informatie in rekening
brengt, en de nodige achtergrondkennis opneemt in het leerproces.
Statistisch relationeel leren is bijzonder geschikt voor het uitdrukken van deze
structurele informatie, en laat ook toe om de context en achtergrondkennis
op te nemen die nodig is voor het begrijpen van natuurlijke taal. Bovendien
biedt de probabilistische aard van deze aanpak perspectieven voor het omgaan
met linguïstische ambiguïteit. Deze thesis onderzoekt de belofte van statistisch
relationeel leren voor natuurlijke taalverwerking en toont het nut van deze
aanpak aan.
Als eerste bijdrage tonen we de expressiviteit en interpreteerbaarheid van de
relationele representatie voor twee problemen in natuurlijke taalverwerking. We
verkennen ook het belang van de declaratieve aanpak voor het opnemen van
contextuele informatie, en analyseren de invloed van de relationele representatie
door een vergelijking vanverschillende technieken voor machinaal leren. Een
tweede bijdrage is de uitbreiding van kLog, een framework voor relationeel
leren met kernels, met een module voor natuurlijke taalverwerking, om zo een
raamwerk voor relationeel leren van natuurlijke taal te bekomen. Als derde
bijdrage introduceren we technieken voor relationele regularisatie enfeature
ordening, die toelaten het belang van relationele eigenschappen te beoordelen.
Tenslotte breiden we het leren van regels uit naareen probabilistische setting,
en verkennen de toepassing hiervan in het kader van machinaal lezen.
Datum:8 sep 2009 → 16 dec 2014
Trefwoorden:Natural language, Relational learning
Disciplines:Toegepaste wiskunde
Project type:PhD project