Aprendizaje neuronal aplicado a la fusión de colecciones multilingües en CLIR

Transcripción

1 Aprendzaje neuronal aplado a la fusón de oleones multlngües en CLIR Mª Teresa Martín Valdva Unversdad de Jaén Av. Madrd 37, mate@ujaen.es L. Alfonso Ureña López Unversdad de Jaén Av. Madrd 37, laurena@ujaen.es Fernando Martínez-Santago Unversdad de Jaén Av. Madrd 37, dofer@ujaen.es Resumen: Un problema omún al trabajar on sstemas CLIR (Cross-Lngual Informaton Retreval) basados en la traduón de onsultas onsste en obtener una úna lsta de doumentos relevantes a partr de los resultados loales obtendos para ada oleón monolngüe. En este trabajo se presenta un estudo omparatvo de las estrategas tradonalmente usadas para resolver este problema. Se nluyen en el estudo dos ténas reentes: la regresón logísta y el álulo del RSV (Retreve Status Value) en dos pasos. Además, se presenta e mplementa una nueva téna basada en redes neuronales artfales que utlza el algortmo LVQ (Learnng Vetor Quantzaton) y on la que se obtenen resultados prometedores. Como muestran los expermentos realzados, los mejores resultados son obtendos medante el uso de la téna denomnada RSV en dos pasos. Sn embargo, este método requere que las onsultas estén alneadas a nvel de térmno. Esto es, para ada térmno de la onsulta, debe onoerse ómo ha sdo tradudo al resto de los domas. Dado que tal nformaón no sempre está dsponble, es usual que las onsultas uenten on una parte alneada y otra no alneada. Es por ello que la segunda parte del artíulo, estuda la forma de ntegrar la nformaón obtenda a partr de la parte alneada y la no alneada en el método RSV en dos pasos medante el uso de regresón logísta y LVQ. Palabras lave: Redes neuronales artfales, Sstemas CLIR, LVQ, RSV en dos pasos, Regresón logísta, Estrategas de fusón de doumentos. Abstrat: A very ommon problem that arses when we deal wth CLIR systems based on queres translaton onssts of obtanng an only relevant douments lst from the loal results of eah monolngual olleton. In ths work a omparatve study of the strateges tradtonally used appears to solve ths problem. Two reent tehnques are nluded n the study: the logst regresson and the alulaton of the 2-step RSV. We nlude two reent tehnques: logst regresson and 2- step RSV. Moreover, we present and mplement a new tehnque based on neural networks usng LVQ algorthm wth promsng results obtaned. The experments show that best results are obtaned by the 2-step RSV tehnque. Nevertheless, ths method requres that the query must be algned at term level. That s, t must be known how eah term of the query has been translated nto dfferent languages. As suh nformaton s not always avalable, t s usual that the query has an algned and not algned part. So, we study the way of ntegratng the data obtaned from the algned and not algned part n 2-step RSV method by means of the use of logst regresson and LVQ. Keywords: Artfal neural networks, CLIR systems, LVQ, 2-step RSV, Logst regreson, Mergng doument strateges

2 1 Introduón En la últma déada, el nterés por desarrollar sstemas de reuperaón de nformaón multlngüe (CLIR - Cross Lngual Informaton Retreval) ha redo de manera espetaular (Grefenstette, 1998). Un sstema CLIR es un sstema de reuperaón de nformaón apatado para operar sobre una oleón de doumentos multlngüe. Esto es, supuesto que un usuaro onsulte un sstema CLIR, éste debe reuperar todos aquellos doumentos relevantes de entre los que se enuentran en la oleón, on ndependena del doma utlzado tanto en la onsulta omo en los doumentos. Así, la salda de uno de estos sstemas será freuentemente una lsta heterogénea de doumentos esrtos en nglés, español, franés, alemán... y ordenada según la puntuaón obtenda por ada doumento para la onsulta dada. Para mplementar sstemas CLIR exsten varas aproxmaones. Por un lado, exsten sstemas CLIR que traduen las onsultas a los domas neesaros, mentras que otros rean una oleón de doumentos monolngüe medante la traduón de la oleón orgnal multlngüe. Tambén se han realzado sstemas que utlzan un enfoque mxto, traduendo las onsultas, pero mantenendo un úno índe de doumentos multlngüe. S ben la opón de tradur únamente las onsultas paree que es la predomnante atualmente, este enfoque dfulta la obtenón de una úna lsta de doumentos relevantes pues, en general, obtendremos tantas lstas omo domas estén presentes en la oleón. La traduón doumental, por su parte, presenta problemas de esalabldad, además de resultar pesada la traduón de toda la oleón, espealmente en un ambente expermental, on freuentes ambos y la onseuente rendexaón de la oleón. En un sstema CLIR basado en traduón de onsultas se realza un proeso de reuperaón de nformaón monolngüe ndependente para ada doma. De esta manera, se obtenen tantas oleones omo lenguajes dvdendo los doumentos por domas. A ontnuaón, ada onsulta se lanza ontra su oleón orrespondente obtenendo una lsta de doumentos relevantes por ada uno de los domas. El últmo paso, onsste en mezlar estas lstas para proporonar al usuaro una úna lsta de doumentos relevantes. Tenendo en uenta que la relevana de ada doumento es obtenda on relaón a la oleón de doumentos monolngüe a la ual pertenee, y no on relaón a la oleón orgnal multlngüe, la obtenón de una úna lsta de doumentos relevantes a partr de las lstas monolngües no es un problema trval. Se trata de un problema aberto en el que se han expermentado dversas estrategas, desde aplar un senllo algortmo estlo Round- Robn, hasta normalzar la puntuaón obtenda por ada doumento. Sn embargo, la pérdda de presón on respeto a los esquemas reuperaón de nformaón monolngüe que trabajan on una úna gran oleón baja onsderablemente (Voorhees, 1995, Savoy, 2001). Reentemente, Martínez, Martín y Ureña, (2002) proponen un nuevo método de fusón de doumentos para onsegur una úna lsta de artíulos relevantes. Esta aproxmaón, denomnada RSV en dos pasos (RSV: Retreval Status Value), se basa en la rendexaón de los doumentos reuperados en un úno nuevo espao multlngüe donde ada térmno y sus traduones son onsderados snónmos y, por onsguente, on una freuena doumental omún. El problema que presenta este método es que para que funone orretamente es neesaro que el voabularo esté alneado: dada una palabra en una onsulta, se debe onoer su traduón a ada uno del resto de domas. Lamentablemente, esto no sempre es posble, por lo que se hae neesara un estratega alternatva que permta manejar onsultas on un nvel de alneaón de palabras paral. Como onseuena de ello, para ada doumento obtendremos, al menos, dos puntuaones: la alanzada por la parte alneada de la onsulta (alulada medante RSV en dos pasos) y la puntuaón lograda por la parte no alneada de la onsulta (alulada de manera tradonal). En este trabajo se propone una nueva estratega basada en redes neuronales que permte ntegrar tanto la puntuaón de la onsulta obtenda por la parte alneada omo por la no alneada. En prmer lugar, se presenta un estudo omparatvo entre las dstntas estrategas tradonales que se han vendo utlzando en la fusón de doumentos y métodos más reentes omo el RSV en dos pasos y el uso de regresón logísta. Como novedad, se nluye en la omparatva una téna prometedora basada en

3 Redes Neuronales Artfales (RNA) para la obtenón de una úna lsta de doumentos relevantes. En segundo lugar, el artíulo estuda la utlzaón de la regresón logísta y las RNA para ntegrar la parte alneada y no alneada de una onsulta en el álulo del RSV en dos pasos. Como muestran los resultados, la ombnaón de estas nuevas ténas para alular el RSV en dos pasos supone un nremento onsderable en la presón. El resto del artíulo se organza de la sguente manera: En la sguente seón, se presenta una breve ntroduón a las RNA. A ontnuaón, se desrben las ténas tradonales en la fusón de doumentos en sstemas CLIR, así omo la nueva téna propuesta basada en el algortmo LVQ. Después, se expla el uso de la regresón logísta y el algortmo LVQ para la ntegraón de la parte no alneada en las onsultas on el método RSV en dos pasos. Por últmo, se desrben los expermentos realzados y los resultados obtendos, así omo las onlusón fnales. 2 Redes neuronales artfales En este artíulo se desrbe el uso de RNA apladas a la resoluón del problema de la fusón de doumentos en sstemas CLIR. Las RNA son modelos estadístos de proesamento de nformaón que están nsprados en un sstema nervoso bológo (MClelland y Rumelhart, 1986). Una RNA se ompone de un onjunto de elementos de proesamento denomnados neuronas e nteronetados entre sí a través de unos pesos de onexón. Medante un proeso de aprendzaje (fase de entrenamento), la RNA ajusta sus pesos de onexón para generar un modelo apaz de norporar la nformaón de los datos de ejemplo. Las RNA se han aplado a un gran número de problemas reales de omplejdad onsderable (Fesler y Beale, 1997). Estos problemas nluyen reonomento de patrones y pronóstos, lasfaón de datos, aproxmaón de funones... Exsten muhos tpos de redes dependendo de su arqutetura, tpo de aprendzaje utlzado o algortmo de entrenamento aplado a la red. Una de las redes más utlzadas en lasfaón y que se puede entender omo un método de regresón es el modelo LVQ (Learnng Vetor Quatzaton) (Kohonen, 1995). Se trata de una red basada en el modelo de Kohonen que utlza aprendzaje ompettvo supervsado para ajustar los pesos de onexón. Una red ompettva permte agrupar y representar los datos que están stuados en un msmo espao de entradas. Los pesos de ada neurona representan puntos en el espao de entrada llamados vetores prototpo o odebooks. En el aprendzaje ompettvo, las neuronas de la apa de salda ompten entre sí para onsegur prolamarse ganadora. Sólo la undad de salda que gane la ompetón será la que modfque sus pesos de onexón. Por otra parte, puesto que se trata de un aprendzaje supervsado, la red neesta un onjunto de datos de entrenamento que nluyan tanto las araterístas que se desean aprender omo la salda orreta que debería dar la red en respuesta a esa entrada. En la seón 4 se desrbe on detalle el funonamento de la red LVQ aplada a la fusón de doumentos en oleones CLIR. 3 Estrategas de fusón de doumentos Exsten varas aproxmaones para mezlar oleones monolngües pero, omo se muestra en (Savoy, 2001), la pérdda de presón se enuentra entre un 20% y un 40% dependendo de la oleón. A pesar de su smpldad, una de las ténas más utlzadas en esta tarea onsste en ordenar smplemente atendendo a la puntuaón alanzada por ada doumento (raw sorng). En un ntento de haer omparables las puntuaones de las dstntas oleones monolngües, se ha propuesto en dversas oasones normalzar tales valores loalmente (raw sorng normalzado). Las fórmulas 1 y 2 muestran dstntas formas de llevar a abo esta normalzaón (Powell et al., 2000). ' RSV RSV = (1) max( RSV ) RSV ' RSV mn( RSV ) = (2) max( RSV ) mn( RSV ) El uso de algortmos tpo round-robn es un enfoque gualmente smplsta y on unos resultados smlares, sólo que, en este aso, se ordena atendendo no a la puntuaón sno a la posón alanzada por ada doumento

4 loalmente en relaón a la oleón monolngüe a la ual tal doumento pertenee. Una aproxmaón que ha dado buenos resultados hae uso de la regresón logísta. Se trata de un método estadísto que permte alular la probabldad de relevana de un doumento d en base a su puntuaón orgnal y el logartmo del rankng obtendo. Dependendo de estas probabldades de relevana, estmadas a partr de la fórmula 3 para ada oleón monolngüe, los doumentos se nteralan reando una úna lsta ordenada por probabldad (Le Calvé, 2000, Savoy, 2003). e Prob( d ) = 1 + e α + β1 ln( rank ) + β2 rsv α + β1 ln( rank ) + β2 rsv (3) Los oefentes α, β 1 y β 2 son parámetros desonodos que deben ser alulados usando otros métodos omo máxma probabldad o métodos teratvos basados en el álulo de mínmos uadrados. Puesto que la regresón logísta requere ajustar el modelo, se debe dsponer de un onjunto de datos de entrenamento (las onsultas y sus juos de relevana) para ada una de las oleones monolngües. Reentemente, Martínez, Martín y Ureña, (2002) proponen un nuevo método de fusón de doumentos denomnado RSV en dos pasos, obtenendo unos resultados prometedores. Un térmno y sus traduones deben ompartr la msma freuena doumental, de tal manera que el fator df (nverse doument frequeny) aplado a la hora de alular el peso de un térmno, no debe depender de la oleón onsderada, sno del onjunto de todas ellas. El método propuesto alula el RSV en dos fases: 1. La fase de preseleón de doumentos se orresponde on la traduón y lanzamento de la onsulta sobre ada oleón monolngüe, D j, omo se realza de manera usual en los sstemas CLIR basados en traduón de onsultas. Esta fase genera dos resultados. En prmer lugar, se obtene una úna oleón multlngüe de doumentos preseleonados (D ) on la unón de los prmeros doumentos reuperados para ada doma. Por lo tanto, esta oleón multlngüe, D, tendrá un total de N*1.000 doumentos, donde N es el número de domas. En segundo lugar, para ada térmno de la onsulta orgnal, se obtene su traduón al resto de los domas. Al onjunto de térmnos que son traduones de un térmno dado, se le llamará onepto. Un onepto es ndependente del doma. Así, se obtene un voabularo T, formado por todos los oneptos presentes en la onsulta. 2. La fase de reordenamento onsste en rendexar la oleón D, onsderando el voabularo T. Se rea un índe de oneptos, en lugar de uno de térmnos, ya que todos los térmnos de un msmo onepto se tratan omo ourrenas del msmo onepto. Por últmo, se lanza la onsulta sobre este índe, onsulta que estará formada por oneptos y no por térmnos, on lo que es ndependente del lenguaje. El problema prnpal que presenta esta aproxmaón es que requere que todos los térmnos estén alneados. Sn embargo, esto no es sempre posble y se hae neesaro utlzar una téna que ombne de alguna manera la parte de onsulta alneada y la no alneada. En este trabajo se presentan dos nuevas aproxmaones para resolver este problema: el uso de regresón logísta y el uso de una RNA basada en el modelo de Kohonen. 4 Una nueva estratega de fusón de doumentos: LVQ En esta seón se presenta una nueva téna para obtener una úna lsta de doumentos para la oleón multlngüe basada en la utlzaón de una RNA. Conretamente, se ha utlzado el algortmo de aprendzaje ompettvo LVQ. El algortmo LVQ usa un onjunto de vetores de smltud denomnados vetores de pesos, vetores de referena o odebooks. A ada lase se le asoa un onjunto de vetores de pesos w k, de manera que durante el proeso de aprendzaje, uno de ellos será seleonado y la lase a la que pertenee será elegda omo ganadora de la ompetón. Aunque en prnpo el algortmo LVQ se utlza para lasfaón, en este trabajo se ha ajustado la salda de la red para que dé una medda de proxmdad a una lase en lugar de smplemente determnar s un ejemplar pertenee a una determnada lase. Conretamente, en este trabajo se utlza el algortmo LVQ para determnar la probabldad de que un doumento sea relevante. Para ello, se utlzan dos odebooks omo representantes de ada lase, la lase 0 que representa a los

5 doumentos no relevantes y la lase 1 que representa a los doumentos relevantes. Con este método, al gual que ourre on la regresón logísta, se requere un onjunto de datos de entrenamento que nluyan por ada ejemplar (por ada doumento) las araterístas que se desean aprender (el rankng y el RSV) junto on la respuesta orreta (1 ó 0 dependendo de s el doumento es o no relevante). Cada doumento se representa omo un vetor x on tantas dmensones omo araterístas se deseen aprender (en nuestro aso, dos). Con esto, se mplementan tantas redes LVQ ndependentes omo domas haya en nuestro sstema, de manera que, para ada oleón monolngüe, se tene una red on dos undades de entrada y una úna undad de salda. El proeso de entrenamento tene lugar de la sguente manera. En ada teraón, el algortmo seleona un vetor de entrada, x, y lo ompara on ada vetor de pesos, w k, usando alguna medda de smltud (en nuestro aso, onretamente se ha utlzado la dstana eulídea x -w k ); el vetor w será el ganador s es el más erano a x, por lo que será la lase asgnada: k { x w } x w = mn (4) Las lases ompten entre ellas para enontrar el vetor de entrada más paredo, para que el ganador sea el que menor dstana eulídea tenga respeto al vetor de entrada. Sólo la lase ganadora podrá modfar el vetor de pesos usando un algortmo de aprendzaje reforzado, o postvo o negatvo, dependendo de que la lasfaón sea orreta o no. De este modo, s la lase ganadora pertenee a la msma lase que el vetor de entrada (la lasfaón ha sdo orreta), el peso se reforzará postvamente, aerándose lgeramente al vetor de entrada. Por el ontraro, s la lase ganadora es dferente a la lase del vetor de entrada (la lasfaón no ha sdo orreta), se penalzará el peso de manera negatva, alejándose lgeramente del vetor de entrada. Sea x (t) un vetor de entrada en el tempo t, y w k (t) el vetor de pesos para la lase k en el tempo t. La sguente euaón defne el proeso de aprendzaje báso para el algortmo LVQ. k w w = w + α α () t ( x w ) () t ( x w ) s = d s d (5) donde α(t) es el rato de aprendzaje, sendo 0<α(t)<1, una funón monótona dereente del tempo. Se reomenda que α(t) sea más ben pequeña nalmente, es der, menor de 0,5, y que dereza hasta un umbral dado muy erano a 0 (Kohonen, 1995). Una vez onludo el entrenamento omenza la fase de produón. Para ada doumento, se sumnstra a la red el rankng y el RSV, y la red da omo salda la dstana del doumento a la lase relevante (lase 1). Este valor se toma omo la puntuaón dada por la red a dho doumento. 5 RSV en dos pasos on la onsulta paralmente alneada El prnpal problema del método RSV en dos paso es que neesta que ada térmno de la onsulta debe estar alneado on los térmnos de los demás domas. Sn embargo, esto no sempre es posble, ben por la estratega de traduón elegda o ben por el uso ténas de expansón de onsultas loales para ada oleón. Para tratar las onsultas paralmente alneadas se deben ntegrar tanto la parte alneada omo la no alneada. Para ello, el peso de los térmnos que se enuentran alneados en la onsulta se alula utlzando el método RSV en dos pasos, tal omo queda desrto más arrba. De esta manera obtenemos un prmer ndador de la relevana para ada doumento. Independentemente de este ndador, se alula un segundo peso para ada doumento onsderando tan solo los térmnos no alneados. Esto es, reamos una subonsulta formada únamente por térmnos no alenados y se alula la smltud entre esta subonsulta y ada uno de los doumentos reuperados en la fase de preseleón. La smltud doumentosubonsulta se alula sguendo algún modelo tradonal omo el vetoral, Okap u otro (Frakes y Baeza-Yates, 1992). De esta manera, para ada doumento se alulan dos puntuaones o índes de relevana. En este trabajo se propone dos nuevos métodos para ntegrar la parte alneada y la no alneada: Uso de regresón logísta: Al gual que en el método desrto on regresón logísta (Fórmula 3) en el que se usó la puntuaón y el rankng para la fusón de doumentos,

6 se puede utlzar el msmo método para ntegrar el rankng (enontrado por el doumento al fnal de la prmera fase de preseleón de doumentos del método RSV en dos pasos), el RSV alneado ( rsv ) y el RSV no alneado ( rsv ) (Fórmula 6): e Prob( d ) = 1 + e na a na α + β1 ln( rank ) + β 2 rsv + β3 rsv a na α + β1 ln( rank ) + β 2 rsv + β3 rsv a (6) Uso de RNA: El algortmo LVQ desrto en la seón anteror se utlza para ntegrar la parte alneada y no alneada además del rankng orgnal del doumento. En este aso, la red utlza 3 neuronas de entrada (se pretende aprender 3 araterístas) y una neurona de salda. Así, tanto los vetores de entrada omo los vetores prototpo tenen 3 dmensones. El proeso de aprendzaje y proeso de produón posteror es el msmo que el desrto para el algortmo LVQ en la seón anteror. De nuevo, el nonvenente que presentan ambos métodos es que para ajustar los parámetros es neesaro un onjunto de datos de entrenamento. Sn embargo, on estas aproxmaones no sólo se tenen en uenta la parte alneada y no alneada sno que además ntegran el rankng orgnal obtendo por el doumento. Además, estos métodos se pueden aplar uando se tenen onsultas totalmente alneadas (RSV no alneado es gual a 0) omo una manera de mejorar el método RSV en dos pasos puesto que permte el uso de nformaón extra proedente del prmer paso (fase de preseleón de doumentos): el rankng del doumento obtendo medante el proeso de reuperaón monolngüe. 6 Expermentos y resultados Para los expermentos se han utlzado las oleones del CLEF y 2002 en 5 domas (nglés, español, alemán, franés e talano), así omo los juos de relevana. Inglés Alemán Franés Español Italano Nºdos Tamaño (MB) Nºonsultas CLEF Nºdos rel CLEF Nºonsultas CLEF Nºdos rel CLEF Tabla 1: Desrpón de las oleones CLEF (extraído de (Savoy, 2001, Savoy, 2002)) Cada oleón ha sdo preproesada usando lstas de parada y algortmos de stemmng dsponbles en Internet 2 (Frakes y Baeza-Yates, 1992). Las lstas de parada se han nrementado on algunas otras palabras de uso omún. Además, ya que el alemán utlza palabras ompuestas, se ha utlzado el paquete MORPHIX (Neuman, 2003) para redurlas a palabras smples. Una vez preproesadas las oleones, se han ndexado on el sstema de reuperaón de nformaón Zprse usando el modelo probablísto Okap (Robertson, Walker y Beauleu, 2000). Para realzar los expermentos, el prmer paso onsste en onsegur una lsta de doumentos relevantes para ada una de las oleones monolngües medante la traduón de onsultas a ada uno de los domas dsponbles. Para tradur la onsulta se ha utlzado Babylon 3. Para ada térmno de la onsulta, este donaro blngüe propone varas traduones. En los expermentos se ha utlzado la prmera palabra traduda propuesta para ada térmno. Sólo se ha tendo en uenta los ampos Ttle y Desrpton de la onsulta. Por últmo, se ha utlzado pseudorealmentaón (PRF pseudo-relevane feedbak) para expandr las onsultas adoptando la aproxmaón de Robertson-Croft (Harman, 1992). Los resultados de los expermentos blngües se muestran en la Tabla 2. 1 El CLEF (Cross Language Evaluaton Forum) es una atvdad de aráter anual y de ámbto europeo que se elebra desde el año 2000 oordnado por DELOS Network of Exellene for Dgtal Lbrares en olaboraón on el NIST y el TREC Babylon es un donaro eletróno dsponble a través de

7 Idoma Pre. Meda Pre. Meda CLEF 2001 CLEF 2002 Inglés 0,4582 0,5049 Inglés->Alemán 0,3232 0,3187 Inglés->Franés 0,4112 0,4677 Inglés->Español 0,4533 0,3867 Inglés->Italano 0,3150 0,2817 Tabla 2: Expermentos blngües Para mplementar la regresón logísta se ha utlzado el paquete R (Ihaka y Gentleman, 1996). Las pruebas realzadas on el algortmo LVQ, fueron llevados a abo usando la mplementaón desrta en la doumentaón de LVQ_PAK (Kohonen et al., 1996) on los parámetros por defeto. Así, para ada expermento se utlzan 2 odebooks o vetores de pesos, uno para la lase 0 y otro para la lase 1. El rato de aprendzaje α se nalza a 0,3. La Tabla 3 muestra los resultados obtendos medante la utlzaón de las dstntas ténas desrtas para la fusón de doumentos on la onsulta paralmente alneada. Conretamente, se han utlzado la sguentes aproxmaones: Round-Robn, Raw Sorng, Raw Sorng Normalzado on las dos euaones propuestas (Fórmulas 2 y 3), Regresón Logísta, LVQ y RSV en dos pasos. En esta tabla tambén se muestra la presón óptma teóra alulada medante el algortmo propuesto por Chen (2002). Este algortmo mezla las lstas monolngües de forma óptma bajo la suposón de que se onserva el orden relatvo de los doumentos. Requere para su álulo el uso de los juos de relevana de las onsultas por lo que su utldad es puramente teóra. Estratega de fusón Pre. Meda CLEF 2001 Pre. Meda CLEF 2002 Round-Robn (aso base) 0,273 (0%) 0,251 (0%) Raw Sorng 0,291 (6,6%) 0,281 (11,9%) RS N1 0,271 (-0,7%) 0,235 (-6,4%) RS N2 0,297 (8,8%) 0,272 (8,4%) Regresón Logísta Entrenamento 0,289 (15,1%) LVQ Entrenamento 0,293 (16,4%) RSV en 2 pasos 0,327 (19,8%) 0,308 (22,7%) Pre. Óptma 0,420 (53,8%) 0,367 (46,2%) Tabla 3. Expermentos multlngües on onsultas paralmente alneadas Como se observa, los mejores resultados se obtenen on el álulo del RSV en dos pasos. La mejora obtenda es de un 22,7%. Por otra parte, el uso del algortmo LVQ de manera ndependente supera levemente los resultados obtendos on la regresón logísta. Sn embargo, ambas aproxmaones requeren la utlzaón de un onjunto de datos de entrenamento. Para ello, se ha utlzado la oleón CLEF 2001 on los juos de relevana para el entrenamento mentras que la oleón CLEF 2002 se usa para evaluaón. En un ntento por mejorar los resultados obtendos on el RSV en dos pasos, se han utlzado las dos ténas que presentan la sguente mejor presón (regresón logísta y LVQ) para ntegrar la parte alneada y la no alneada de la onsulta. Los resultados se muestran en la Tabla 4. Los resultados obtendos mejoran onsderablemente la presón obtenda uando se aplan los métodos por separado. El nremento de presón on respeto al método RSV en dos pasos orgnal es de un 4,6% uando se utlza regresón logísta para ntegrar la parte alneada y no alneada, mentras que on el algortmo LVQ la mejora es de un 9,0%. Pre. Meda CLEF 2001 Pre. Meda CLEF 2002 RSV en 2 pasos Entrenamento 0,323 (28,7%) on RL RSV en 2 pasos Entrenamento 0,337 (34,3%) on LVQ Pre. Óptma 0,420 (53,8%) 0,367 (46,2%) Tabla 4. Integraón de la parte alneada y no alneada on RSV en dos pasos 7 Conlusones En este artíulo se presenta un estudo omparatvo de dstntas estrategas de fusón de doumentos. En el estudo se norpora una nueva téna basada en el uso de aprendzaje neuronal. Conretamente, se apla el algortmo ompettvo LVQ para generar una úna lsta de doumentos en un sstema CLIR. Aunque omo muestran los resultados, la mejor opón es el método RSV en dos pasos, la red neuronal LVQ se presenta omo una nueva alternatva on resultados prometedores que superan lgeramente a la regresón logísta.

8 Por otra parte, el problema fundamental del método RSV en dos pasos es que requere que los térmnos de la onsulta estén totalmente alneados. Para resolver el problema, se ha ntegrado la parte alneada y la no alneada utlzando regresón logísta y el algortmo LVQ. Los resultados obtendos muestran que el uso de ambas ténas aumentan la presón onsderablemente. Como trabajos futuros, se pretende utlzar otras redes neuronales apladas a la fusón de doumentos CLIR omo, por ejemplo, la red de ontrapropagaón (CPN Counter Propagaton Network) o la red de propagaón haa atrás (BPN Bakpropagaton Network). Otro aspeto de nterés es el uso del método RSV en dos pasos on otras ténas de traduón no basadas en donaros eletrónos, tales omo máqunas de traduón automátas o tesauros de smltud multlngües. Agradementos Este trabajo ha sdo fnanado on el proyeto (MCYT) FIT Bblografía Chen, A Cross-language retreval experments at CLEFF Pro. CLEF pp Fesler, E., R. Beale Handbook of Neural Computaton. Oxford Unversty Press. Frakes, W.B., R. Baeza-Yates Informaton retreval: Data, strutures and algorthms. Prete Hall. Grefenstette, G Cross-Language Informaton Retreval. Kluwer aadem publshers. Boston. Harman, D Relevane feebak revsted. Pro. ACM-SIGIR 92. pp Ihaka, R. y R. Gentleman R: A Language for Data Analyss and Graphs. Journal of Computatonal and Graphal Statsts. Vol. 5. pp Kohonen, T Self-organzaton and assoatve memory. 2ª Edón, Sprnger.Verlag, Berlín. Kohonen, T., J. Hynnnen, J. Kangas, J. Laaksonen, K. Torkkola Informe téno, LVQ_PAK: The Learnng Vetor Quantzaton Program Pakage. Helsnk Unversty of Tehnology, Laboratory of Computer and Informaton Sene, FIN Espoo, Fnlanda. Le Calvé, A Database mergng strategy based on logst regresón. Informaton Proessng & Management. Vól. 36: Martínez, F., M.T. Martín, L.A. Ureña SINAI on CLEF 2002: experments wth mergng strateges. Pro. CLEF pp MClelland, J., D. Rumelhart Parallel Dstrbuted Proessng. Volúmenes I y II. MIT Press. Cambrdge, MA. Neumann, G Morphx software pakage. phx.html. Dsponble en mayo de Powell, A.L., J.C. Frenh, J. Callan, M. Connell y C.L. Vles The mpat of database seleton on dstrbuted searhng. Pro. of ACM-SIGIR pp New York. Robertson, S.E., S. Walker y M. Beauleu Expermentaton as a way of lfe: Okap at TREC. Informaton Proessng and Management. Vol, 1, pp Savoy, J Report on CLEF-2001 experments. Pro. CLEF pp Savoy, J Report on CLEF-2002 experments: ombnng multple soures of evdene. Pro. CLEF pp Savoy, J Cross-language nformaton reteval: experments based on CLEF-2000 orpora. Inforamton Proessng and Management. Vol. 39. pp Voorhees, E The olleton fuson problem. Pro. TREC-3. pp Gathersburg.