Implicación textual

En el procesamiento del lenguaje natural , la implicación textual ( ET ), también conocida como inferencia del lenguaje natural ( ILN ), es una relación direccional entre fragmentos de texto . Esta relación se cumple siempre que la veracidad de un fragmento de texto se derive de otro.

En el marco de la Teoría de la Implicación (TE), los textos implicados y los textos implicados se denominan texto ( t ) e hipótesis ( h ), respectivamente. La implicación textual no es lo mismo que la implicación lógica  pura ; tiene una definición más flexible: " t implica h " ( t ⇒ h ) si, típicamente, una persona que lee t inferiría que h es muy probablemente verdadera. ^{[ 1 ]} (Alternativamente: t ⇒ h si y solo si, típicamente, una persona que lee t estaría justificada al inferir la proposición expresada por h a partir de la proposición expresada por t . ^{[ 2 ]} ) La relación es direccional porque incluso si " t implica h ", lo contrario, " h implica t ", es mucho menos seguro. ^{[ 3 ] [ 4 ]}

Determinar si esta relación se cumple es una tarea informal, que a veces se superpone con las tareas formales de la semántica formal (satisfacer una condición estricta generalmente implicará la satisfacción de una condición menos estricta); además, la implicación textual engloba parcialmente la implicación de palabras .

La implicación textual se puede ilustrar con ejemplos de tres relaciones diferentes: ^{[ 5 ]}

Un ejemplo de TE positivo (el texto implica una hipótesis) es:

• Texto: Si ayudas a los necesitados, Dios te recompensará .

Hipótesis: Dar dinero a un hombre pobre tiene buenas consecuencias .

Un ejemplo de TE negativo (el texto contradice la hipótesis) es:

• Texto: Si ayudas a los necesitados, Dios te recompensará .

Hipótesis: Dar dinero a un hombre pobre no tiene consecuencias .

Un ejemplo de un texto que no implica ni contradice (no implica ni contradice) es:

• Texto: Si ayudas a los necesitados, Dios te recompensará .

Hipótesis: Dar dinero a un hombre pobre te convertirá en una mejor persona .

Una característica del lenguaje natural es que existen muchas maneras diferentes de expresar lo que se quiere decir: varios significados pueden estar contenidos en un solo texto y un mismo significado puede expresarse mediante diferentes textos. Esta variabilidad de la expresión semántica puede considerarse el problema dual de la ambigüedad lingüística . En conjunto, dan como resultado una correspondencia de muchos a muchos entre expresiones y significados lingüísticos. La tarea de parafrasear implica reconocer cuándo dos textos tienen el mismo significado y crear un texto similar o más corto que transmita casi la misma información. La implicación textual es similar ^{[ 6 ]} , pero debilita la relación al hacerla unidireccional. Las soluciones matemáticas para establecer la implicación textual pueden basarse en la propiedad direccional de esta relación, mediante la comparación de algunas similitudes direccionales de los textos involucrados ^{[ 4 ] .}

La implicación textual mide la comprensión del lenguaje natural, ya que solicita una interpretación semántica del texto y, debido a su generalidad, sigue siendo un área activa de investigación. Se han considerado muchos enfoques y refinamientos de los mismos, como la incrustación de palabras , los modelos lógicos, los modelos gráficos, los sistemas de reglas, el enfoque contextual y el aprendizaje automático. ^{[ 6 ]} Las soluciones prácticas o a gran escala evitan estos métodos complejos y, en su lugar, utilizan solo la sintaxis superficial o las relaciones léxicas, pero son, en consecuencia, menos precisas. ^{[ 3 ]} A partir de 2005Los sistemas de última generación están lejos del rendimiento humano; un estudio encontró que los humanos coinciden en el conjunto de datos el 95,25 % de las veces. ^{[ 7 ]} Los algoritmos de 2016 aún no habían alcanzado el 90 %. ^{[ 8 ]}

Muchas aplicaciones de procesamiento del lenguaje natural, como la respuesta a preguntas , la extracción de información , el resumen , el resumen de múltiples documentos y la evaluación de sistemas de traducción automática, necesitan reconocer que un significado objetivo particular puede inferirse a partir de diferentes variantes de texto. Normalmente, la inferencia se utiliza como parte de un sistema más amplio, por ejemplo, en un sistema de predicción para filtrar predicciones triviales u obvias. ^{[ 9 ]} La inferencia textual también tiene aplicaciones en la estilometría adversaria , cuyo objetivo es eliminar el estilo textual sin cambiar el significado general de la comunicación. ^{[ 10 ]}

Algunos de los conjuntos de datos NLI en inglés disponibles incluyen:

• SNLI ^{[ 11 ]}
• MultiNLI ^{[ 12 ]}
• SciTail ^{[ 13 ]}
• ENFERMO ^{[ 14 ]}
• MedNLI ^{[ 15 ]}
• QA-NLI ^{[ 16 ]}

Además, existen varios conjuntos de datos NLI que no están en inglés, como se indica a continuación:

• XNL ^{[ 17 ]}
• DACCORD, RTE3-FR, SICK-FR ^{[ 18 ]} para francés
• FarsTail ^{[ 19 ]} para Farsi
• OCNLI ^{[ 20 ]} para chino
• SICK-NL ^{[ 21 ]} para holandés
• IndoNLI ^{[ 22 ]} para indonesio

• Implicación (lingüística)
• Motor de inferencia
• Razonador semántico
• lógica difusa
• detección de postura

• Potthast, Martin; Hagen, Matthias; Stein, Benno (2016). Ofuscación del autor: Ataque al estado del arte en la verificación de autoría (PDF) . Conferencia y laboratorios del Evaluation Forum.

• Conjunto de recursos de implicación textual