Etiquetado de secuencias

En el aprendizaje automático , el etiquetado de secuencias es un tipo de tarea de reconocimiento de patrones que implica la asignación algorítmica de una etiqueta categórica a cada miembro de una secuencia de valores observados. Un ejemplo común de una tarea de etiquetado de secuencias es el etiquetado de partes del discurso , que busca asignar una parte del discurso a cada palabra en una oración o documento de entrada. El etiquetado de secuencias se puede tratar como un conjunto de tareas de clasificación independientes , una por miembro de la secuencia. Sin embargo, la precisión generalmente se mejora al hacer que la etiqueta óptima para un elemento dado dependa de las elecciones de elementos cercanos, utilizando algoritmos especiales para elegir el mejor conjunto global de etiquetas para toda la secuencia a la vez.

Como ejemplo de por qué encontrar la mejor secuencia de etiquetas globalmente podría producir mejores resultados que etiquetar un elemento a la vez, considere la tarea de etiquetado de partes del discurso que acabamos de describir. Con frecuencia, muchas palabras son miembros de múltiples partes del discurso, y la etiqueta correcta de dicha palabra a menudo se puede deducir de la etiqueta correcta de la palabra a la izquierda o derecha inmediatas. Por ejemplo, la palabra "sets" puede ser un sustantivo o un verbo. En una frase como "he sets the books down", la palabra "he" es inequívocamente un pronombre, y "the" inequívocamente un determinante , y utilizando cualquiera de estas etiquetas, "sets" se puede deducir como un verbo, ya que los sustantivos muy rara vez siguen a los pronombres y es menos probable que precedan a los determinantes que los verbos. Pero en otros casos, solo una de las palabras adyacentes es igualmente útil. En "he sets and then knocks over the table", solo la palabra "he" a la izquierda es útil (cf. "... picks up the sets and then knocks over..."). Por el contrario, en "... y también pone la mesa", sólo la palabra "el" a la derecha es útil (cf. "... y también conjuntos de libros eran..."). Un algoritmo que procede de izquierda a derecha, etiquetando una palabra a la vez, sólo puede utilizar las etiquetas de las palabras adyacentes a la izquierda y podría fallar en el segundo ejemplo anterior; viceversa para un algoritmo que procede de derecha a izquierda.

La mayoría de los algoritmos de etiquetado de secuencias son de naturaleza probabilística y se basan en la inferencia estadística para encontrar la mejor secuencia. Los modelos estadísticos más comunes que se utilizan para el etiquetado de secuencias hacen una suposición de Markov, es decir, que la elección de la etiqueta para una palabra en particular depende directamente solo de las etiquetas inmediatamente adyacentes; por lo tanto, el conjunto de etiquetas forma una cadena de Markov . Esto conduce naturalmente al modelo oculto de Markov (HMM), uno de los modelos estadísticos más comunes utilizados para el etiquetado de secuencias. Otros modelos comunes en uso son el modelo de Markov de máxima entropía y el campo aleatorio condicional .

• Inteligencia artificial
• Redes bayesianas (de las cuales los HMM son un ejemplo)
• Clasificación (aprendizaje automático)
• Sistema dinámico lineal , que se aplica a tareas donde la "etiqueta" es en realidad un número real
• Aprendizaje automático
• Reconocimiento de patrones
• Minería de secuencias

• Erdogan H., [1]. "Etiquetado de secuencias: enfoques generativos y discriminativos, modelos ocultos de Markov, campos aleatorios condicionales y SVM estructurados", tutorial de ICMLA 2010, Bethesda, MD (2010)