Estas charlas que entran dentro de las Jornadas ESCUCHA ACTIVA organizadas por la Cámara de Comercio de Alicante y la empresa Human Like nos presentan una nueva forma de entender las redes sociales aplicadas a los negocios y cómo aprovecharlas mediante software específico de vigilancia tecnológica en redes sociales.

El profesor Mikhail Alexandrov nos presenta el Group Method of Data Handling, un método inductivo predictivo para resolver tareas de aprendizaje automático. En el cual, busca la optimización de la estructura (o del modelo) en vez de buscar la optimización de los parámetros. Este algoritmo se considera un algoritmo evolutivo de la inteligencia artificial. El ojetivo del GMDH es buscar el grado de complejidad óptima dentro de una clase dada. Ésta clase debe ser especificada de antemano.

José M. Perea, de la Universidad de Jaén, nos presenta una revisión de la tarea de expansión de la consulta, es decir, de añadir nuevos términos relevantes a partir de la consulta original, aplicada a la Recuperación de Información Geográfica (GIR por sus siglas en inglés). Ésta área se enfoca en recuperar documentos relacionados con información geográfica como países, regiones, referencia a monumentos, coordenadas, etc. Estos sistemas combinan la búsqueda temática con restricciones geográficas. Pero ambas búsquedas están relacionadas mediante una relación. Por ejemplo, "Accidente de avión cerca de ciudades rusas". Este es un campo multidisciplinar pues afectan a áreas de recuperación de información, procesamiento del lenguaje o descubrimiento del conocimiento.

La expansión de la pregunta es un paso clásico en el área de la Recuperación de Información (IR) pero las técnicas tradicionales de expansión suelen fallar en GIR debido a la ambigüedad de muchos términos geográficos. Por lo tanto, para estas tareas se aplican técnicas concretas de expansión especialmente diseñadas para la información geográficas.

Terminó la presentación presentando el sistema SINAI-GIR que combina varias propuestas de expansión de la consulta en un sistema de recuperación de información geográfica.

Este supuesto tutorial¹, presentado por Parth Gupta de la Universidad Politécnica de Valencia, explica cómo mejorar los resultados de búsqueda mediante algoritmos de aprendizaje automático. Hoy en día, los motores de búsqueda son primordiales para la vida contemporánea. Aunque no lo sepas, cuando navegas por Internet y buscas algo en alguna página concreta mediante un buscador o utilizas Google o Bing, estás utilizando un motor de búsqueda. Prácticamente todos estos buscadores te devuelven un resultado de búsqueda formado por una lista ordenada de enlaces a documentos (ranking), normalmente también te muestran un trozo del texto de cada uno de los documentos (snippet)para que puedas tener una idea de lo que contiene dicho documento sin tener que visitarlo. La clave de estos buscadores es presentar este ranking de documentos de forma que haya la mayor proporción de documentos interesantes para ti (precisión) y que estén el mayor número de documentos interesantes que pueda haber en la web intentando no dejar alguno importante (cobertura). Por tanto, estos buscadores intentan mejorar estos dos factores en sus búsquedas para mejorar la calidad.

Normalmente, los buscadores utilizan técnicas estáticas, que no mejoran con el tiempo, basadas en lo llamada métodos no supervisados. El autor propone un nuevo sistema basado en aprendizaje automático y para ello utiliza el corpus supervisado llamado LetoR Dataset que aprende de sus errores y aciertos utilizando técnicas de aprendizaje automático supervisado. Estos sistemas tienen bastantes ventajas como, por ejemplo, que aprenden con el tiempo y, por lo tanto, mejoran afinando los parámetros del modelo de forma automática, se pueden adaptar a las preferencias de cada usuario a partir de la retroalimentación de éstos² o permiten incorporar nuevas características de aprendizaje.

La traducción automática es la tarea de traducir texto de un idioma a otro de forma automática o semiautomática utilizando un sistema informático. Para estos sistemas es muy usual utilizar corpus paralelos, en que tenemos documentos en un idioma y su traducción en otro, para después, de forma probabilística, alinear términos o segmentos de un idioma a otro. El alineamiento en traducción automática es la capacidad de los sistemas automáticos de asociar trozos de texto (palabras, expresiones, frases, ...) en un idioma dado con su equivalente en el otro idioma. De tal forma que, después del alineamiento, conozcamos los equivalentes de esos trozos de texto en el otro idioma. Después, el resultado de este alineamiento se puede dar como traducción final pero lo usual es que las técnicas de alineamiento se apliquen como primeras etapas de otras técnicas para refinar estas traducciones.

Las aproximaciones con las que se suele atacar el alineamiento se pueden dividir en dos grandes bloques: modelos estadísticos o métodos heurísticos. Los primeros, como su nombre indica, utilizan la estadística para, a partir de grandes colecciones de documentos paralelos, intentar descubrir las probabilidades que tiene cada par de fragmento origen y destino. Los más famosos son los modelos IBM de alineamiento y los Modelos Ocultos de Markov (MOMs). Sobre los MOMs espero hablar en sucesivas entradas pero son modelos muy utilizados en las técnicas de aprendizaje automático (como pudiera ser Bayes, Redes Neuronales, Support Vector Machine, etc...) cuya particularidad es que permiten, de forma muy natural, determinar secuencias de características. Esto es muy útil si lo que se quiere es traducir una frase que se puede ver como una secuencia de términos. Estos sistemas están muy limitados por el tamaño del corpus, la restricción del dominio y el tiempo elevado de entrenamiento. Cuando más pequeño es el tamaño de los corpus paralelos, peores resultados darán y crear estos corpus es un trabajo manual y muy tedioso y costoso, así que obtener grandes corpus paralelos siempre es un problema. Otro problema es si entrenamos un corpus paralelo sobre un determinado tema y entrenamos el sistema con él, los modelos probabilísticos aprenden sobre el contexto de ese dominio y no son capaces de funcionar igual en otros dominios. Por último, estos sistemas tienen un coste de entrenamiento my elevado, sobretodo si los corpus crecen en tamaño y el modelo en complejidad.

Por otra parte, están los basados en métodos heurísticos que usan todo tipos de reglas, recursos y técnicas muy dispares pero que no están basadas en probabilidades ni en técnicas de aprendizaje automático. El problema de utilizar estos métodos es que la gran mayoría se basan en diccionarios y si la palabra no se encuentra en dichos diccionarios el sistema no será capaz de traducirlas. De cualquier forma existen algunos que aplican técnicas para intentar solucionar este problema (como por ejemplo, técnicas de similitud léxica).

También existen sistemas mixtos, que a los modelos estadísticos se les añade técnicas heurísticas para mejorar los resultados.

Felipe Sánchez, de la Universidad de Alicante, nos habla de un método que ellos han denominado pressure alignment (alineamiento de presión). Este sistema tiene la ventaja de que se puede utilizar en tiempo real (no requiere un entrenamiento previo) y que, además, puede utilizar muchos recursos combinados como diccionarios bilingües, traductores on-line o memorias de traducción. La idea del autor se basa en coger las frases original y traducidas y las divide ambas en n-gramas (combinaciones de términos consecutivos de un tamaño n) hasta un tamaño de 5 y se manda cada segmento a los distintos recursos para obtener alineamientos asimétricos, es decir, que los resultados serán distintos en un sentido y en el otro. Con todos los resultados de la traducción utilizando estos recursos, se crea una matriz en que un eje serán los términos en un idioma y en el otro los términos en el otro idioma. Cuando un término o subsecuencia de términos aparezcan como traducción de otro, se aumenta la presión en las cuadrículas que intersectan. Esta presión se calcula en proporción de los resultados de los recursos que devuelven traducciones similares dividido por el área que ocupan.

A partir de esta matriz, se obtiene aquellas palabras que han obtenido mayores presiones en su cuadrícula. En caso de empate se utilizan todas las combinaciones (aunque no me ha quedado claro como).