Clasificación de Textos Adaptada para Conversión de Texto en Habla Multidominio

Transcripción

1 Clasificación d Txtos Adaptada para Convrsión d Txto n Habla Multidominio Francsc Alías, Xavir Gonzalvo, Xavir Svillano, Joan Claudi Socoró, José Antonio Montro y David García Dpartamnto d Comunicacions y Toría d la Sñal Enginyria i Arquitctura La Sall, Univrsidad Ramon Llull Pg. Bonanova 8, Barclona {falias, gonzalvo, xavis, jclaudi, montro, dgarcia}@ sall.url.du Rsumn: En st trabajo s prsnta un sistma d clasificación d txtos adaptado a las ncsidads qu planta la convrsión d txto n habla multidominio. Est sistma, qu s una volución d una propusta antrior basada n la rprsntación d los txtos mdiant un grafo d nodos pondrados, ha sido dsarrollado para mjorar la ficincia d clasificación d txtos cortos, así como para minimizar l cost computacional d la misma. Para llo, s trabaja sobr l spacio d comparación dfinido por l txto a clasificar n lugar d utilizar l construido a partir d los documntos d ntrnaminto. Los xprimntos d clasificación dsarrollados sobr un corpus d txtos publicitarios mustran la conscución d los objtivos plantados. Palabras clav: Clasificación d txtos, txtos cortos, cost computacional, convrsión d txto n habla Abstract: This papr introducs a txt classification systm tund to cop with th rquirmnts of multi-domain txt-to-spch synthsis. This mthod, basd on a prvious systm which rprsnts txts by mans of a wightd graph, has bn dvlopd to improv th classification fficincy for small txts and to minimiz its computational cost. To that ffct, th comparison spac is built from th input txt instad of bing built from th training documnts. Classification xprimnts conductd on an advrtising txt corpus show th achivmnt of th posd goals. Kywords: Txt classification, small txts, computational cost, txt-to-spch synthsis. Introducción El propósito final d la convrsión d txto n habla (CTH) s la gnración d habla sintética compltamnt natural a partir d un txto d ntrada cualquira. Históricamnt, s han sguido dos stratgias para lograr st objtivo (Yi y Glass, 998): i) la qu prima la flxibilidad d la convrsión ant la calidad d la síntsis, dando lugar a los sistmas d convrsión d txto n habla d propósito gnral (CTH-PG); y ii) la qu antpon la naturalidad d la síntsis a la gnralidad d la CTH, conocida como convrsión d txto n habla d dominio rstringido (CTH-DR). Siguindo sta sgunda stratgia, s prsntó la convrsión d txto n habla multidominio (CTH-MD) (Alías, Iriondo, y Barnola, 2003; Alías t al., 2003), qu prsigu consguir una calidad sintética Trabajo financiado n part por l proycto IntgraTV-4all (FIT ) dl MCyT. quivalnt a la d los sistmas d CTH-DR, aumntando su flxibilidad al considrar distintos dominios (stilos d locución, mocions, tmáticas, tc.) para la síntsis. Txto Procsaminto dl Lnguaj Natural Clasificación d txtos CTH clásica Procsaminto Digital d la Sñal Sñal d voz Figura : Diagrama d bloqus d la arquitctura d un CTH-MD. En st contxto, s ncsario qu l sistma d CTH-MD conozca, durant l procso d convrsión d txto n habla, qué dominio o dominios son los más adcuados para podr sinttizar l txto d ntrada con la mayor naturalidad posibl. Para llo, l sistma d CTH-MD incorpora un módulo d clasifica-

2 ción d txtos a la arquitctura clásica d los sistmas d CTH (vr Figura ). En st trabajo s prsnta una volución dl sistma d clasificación d txtos (CT) prsntado n trabajos antriors (Alías, Iriondo, y Barnola, 2003; Alías t al., 2003), con l objtivo d optimizar dos d los lmntos clav d la CT n l contxto d la CTH-MD: la ficincia d clasificación, principalmnt para txtos xtrmadamnt cortos (p.j. fras por documnto), y l cost computacional dl procso d clasificación. 2. Clasificación automática d dominios La clasificación d dominios para CTH-MD s ncuntra, d algún modo, ntr l nfoqu clásico d la clasificación tmática d documntos y l problma d la clasificación stilística (no tmática) d txtos (p.j. dtrminación d la autoría o l génro d un txto) (Sbastiani, 2002; Sbastiani, 2005). Por un lado, la información tmática s important para organizar los txtos qu forman l corpus, pro por otro lado, fijars únicamnt n sta información no parc suficint para dtrminar la mjor manra d pronunciarlos (prosodia, pausas, tc.), por lo qu rsulta intrsant qu l modlado d los txtos incorpor información qu tom n considración la scuncialidad inhrnt dl habla (p.j. coarticulación ntr sonidos). Con st objtivo, los txtos s modlan mdiant un grafo d nodos intrconctados (con tantos nodos como palabras aparcn n l txto), ntrlazados mdiant conxions pondradas (coocurrncias d palabras). Esta structura s dnomina Rd Rlacional Asociativa (RRA) y fu inicialmnt utilizada para la rprsntación visual d documntos (Rnnison, 994) (vr (Alías, Iriondo, y Barnola, 2003) para más dtalls). Gracias a su tipología, la RRA no sólo considra los términos (junto a los signos d puntuación) qu aparcn n l txto (bolsa d palabras (Sbastiani, 2002)), sino qu contmpla todas sus rlacions, modlando así la continuidad y la structura d los txtos. 2.. Paramtrización y modlado dl txto Como s ha comntado, la paramtrización dl txto db contmplar tanto la tmática como la scuncialidad dl mnsaj. Así pus s utilizan, por un lado, parámtros tmáticos (frcuncia dl término -TF- y frcuncia invrsa dl término n los documntos - IDF- (Sbastiani, 2002)), y por otro, parámtros qu dnominamos structurals (frcuncia d coocurrncia d las palabras -COF- y númro d palabras conscutivas coincidnts ntr los txtos comparados (Alías t al., 2003)). Admás, n st trabajo s introduc un nuvo parámtro tmático dnominado invrs word frquncy (IWF), dfinido sgún la cuación: ( ) M iwf i = log, tf i > 0 () tf i dond M s l númro d palabras dl txto y tf i l númro d vcs qu l término i aparc n s txto. IWF s pud intrprtar como una aproximación d IDF, ya qu pondra cada término sgún su pso dntro d cada documnto, n lugar d considrar su distribución a lo largo d toda la colcción. Una vz paramtrizado l txto, s utiliza l modlo d spacio vctorial (MEV) (Salton, 989) para rprsntar los txtos como vctors n un spacio multidimnsional común. Las componnts d stos vctors (psos) s obtndrán d la concatnación d los parámtros tmáticos (TFIDF ó IWF) y structurals (COF) dscritos (para más dtalls, vr figuras n la scción 4) Entrnaminto El procso d ntrnaminto part d una colcción d documntos d k D agrupados n un conjunto C d catgorías (dominios). En primr lugar, para disponr d un spacio común d rprsntación y comparación para todos los txtos, s gnra una RRA global (R N ) qu contmpla todas las palabras d cada uno d los dominios, así como sus rlacions (vr Figura 2(a)). Sguidamnt, s modlan los txtos d cada uno d los dominios a partir d sta rd global, obtnindo una RRA Full para cada dominio o RRA F D n (R N ) (vr Figura 2(b)). El procso d ntrnaminto finaliza cuando cada RRA F D n s rprsnta mdiant un vctor patrón ( p n R N, n =... C ), obtnido por los d k Dn documntos d ntrnaminto qu l corrspondn, rprsntados sgún l MEV dfinido por la RRA global (vr Tabla ). Sus componnts sguirán l ordn dictado por l MEV complto o Full spac, d ahí su nombr.

3 k k D D C - < k D C Para d k D Para d k D Para d k D C Construcción d la RRA global ( ) Construcción d la RRA F D = f (RRA global) ( ) Construcción d la RRA F D C = f (RRA global) ( ) ω ω ω (a) (b) Figura 2: Procso d gnración d (a) la RRA global y (b) las RRA F D n d dominio, dsd D hasta D C, rfrnciadas a la RRA global d dimnsión R N y construidas a partir d los documntos d ntrnaminto d cada dominio D = {D,...,D C }. En los grafos, indica nodo ocupado, nodo vacío y las conxions discontinuas dnotan coocurrncias inxistnts Explotación Una vz gnradas la RRA F D n y obtnidos sus vctors patrón p n R N, s procd a xplotar l sistma d clasificación d txtos. Para llo, primro s modla l txto a clasificar t k / D sgún l MEV dfinido por la RRA global, obtnindo l vctor t k R N (vr Tabla ). A continuación, s compara l vctor t k con cada uno d los vctors p n, utilizando la distancia dl cosno. Finalmnt, l txto d ntrada s asigna al dominio rspcto al qu prsnt una mnor distancia. 3. Rd Rlacional Asociativa Rducida Uno d los factors críticos dl modlo RRA F s la compljidad computacional dl mismo, ya qu para clasificar cualquir txto s ncsario rcorrr ants toda la RRA global para rprsntarlo d forma cohrnt con los datos d ntrnaminto. Admás, por l hcho d no liminar palabras (no s aplica lista d parada), no rducir la flxión d las mismas (no s xtra l radical), incluir sus coocurrncias, l spacio multidimnsional dfinido por la RRA global tndrá un tamaño considrabl n comparación con l txto a clasificar, lo qu pud rducir la sparabilidad ntr los distintos dominios. Con l objtivo d minimizar l cost computacional y mjorar la ficincia d clasificación d la CT basada n RRA F, custions clav n l contxto d la CTH-MD, n st trabajo s propon una nuva stratgia d clasificación basada n una Rd Rlacional Asociativa Rducida (RRA R). 3.. Dfinición La ida fundamntal d la CT basada n RRA R consist n sustituir l spacio d comparación d los txtos dfinido por la RRA global por un spacio vctorial dfinido a partir dl txto d ntrada t k. Por lo tanto, la RRA gnrada a partir d t k (n adlant, RRA R) s la qu marcará l ordn d comparación d los datos. En st caso, su contnido stará rprsntado a partir dl vctor t k dntro dl spacio vctorial R Lk dfinido por la RRA R (sindo L k l númro d parámtros considrado -palabras y coocurrncias- dl txto t k, con L k N, típicamnt). Así pus, durant l procso d clasificación, los dominios D n dbrán rprsntars sgún la RRA R (R Lk ) (vr Tabla 2). Gracias a st nfoqu, la compljidad computacional qu implica rprsntar t k n l spacio dfinido por rd global s sustituy por l cost d rprsntar cada dominio D n n l spacio RRA R, cost qu srá, gnralmnt, mucho mnor. No obstant, la stratgia RRA R no s más qu una aproximación d la RRA F, cuya justificación tórica s pasa a dscribir a continuación Justificación La rducción d dimnsionalidad dl MEV utilizado para rprsntar los txtos qu implica la stratgia RRA R rspcto a la RRA

4 Tabla : Ejmplo ilustrativo d la rprsntación d los vctors patrón d dominio p n (RRA F) y dl txto a clasificar t k sgún la RRA global, dados trs dominios D, D 2 y D 3 distintos. Los símbolos {ωa n,ωn B,...,ωn Z } rprsntan los psos corrspondints a los términos d los txtos. Datos Contnido Rprsntación global MEV {A, B,C, D, E, F, G, H,I,J} (ω A, ω B, ω C, ω D, ω E, ω F, ω G, ω H, ω I, ω J) D {A, B, C, D, E, F, G} p = (ωa, ωb, ωc, ωd, ωe, ωf,ω G,0,0, 0) D 2 {A, B, C, E, H,I, J} p 2 = (ωa, 2 ωb, 2 ωc, 2 0, ωe,0,0, 2 ωh, 2 ωi, 2 ωj) 2 D 3 {A, B, H, D} p 3 = (ωa, 3 ωb,0, 3 ωd,0,0, 3 0, ωh,0, 3 0) t k {C, A, Z} t k = (ωa,0, k ωc,0, k 0,0, 0,0, 0, 0) F pud justificars dsd un punto d vista algbraico. Por un lado, la RRA F pud rprsntars mdiant un spacio vctorial R N, spacio al qu prtncn todos los vctors dl conjunto d documntos d ntrnaminto D. En él s dfinn tanto los vctors patrón p n d cada dominio, como los vctors t k d los txtos a clasificar con M k componnts activas y (N M k ) nulas, dond M k N (vr Tabla ). Por otro lado, la RRA R también pud rprsntars algbraicamnt n l spacio vctorial R L, con L k N y L k M k, dbido a las palabras d t k no rprsntadas n la RRA global. Por otro lado, dntro dl spacio vctorial dfinido por la RRA global, también s pud dfinir un subspacio vctorial V R N, a partir d una bas B = { b, b 2,..., b M k} d M k vctors ortogonals dfinidos por las componnts activas dl vctor t k. Esta bas stará formada por los vctors d la bas canónica d R N qu ocupan las posicions no nulas dl vctor t k (vr Tabla 3). Utilizando sta bas, s pud rprsntar l vctor patrón p n sobr l subspacio V como la mjor aproximación (ˆ p n ), sgún l critrio d los mínimos cuadrados, mdiant la cuación (2). Cualquir otra proycción d los vctors p n dntro dl subspacio V, prsntará un rror d aproximación mayor. ˆ p n = < p n, b > < b, b > b + + < p n, b M k > < b M k, bm k b M k > (2) dond { b, b 2,..., b M k} s una bas ortogonal dl subspacio V dfinido a partir d t k. Si s compara la rprsntación d los datos n l spacio vctorial R Lk dfinido por la RRA R qu gnra un MEV (vr Tabla 2) con la qu s obtin d su proycción n l subspacio vctorial V R N dfinido por la RRA global (vr Tabla 3), s dmustra qu utilizar la stratgia RRA R quival a habr aproximado, con un rror cuadrático Tabla 2: Rprsntación d los datos d la Tabla n l MEV dfinido sobr R Lk =3 dfinido por la RRA R dl txto a clasificar t k. Datos Contnido Rpr. rducida MEV {C, A, Z} (ω C, ω A, ω Z) t k {C, A, Z} D {A, B, C, D, E, F, G} t k = (ωc, k ωa, k ωz) k p = (ωc, ωa,0) p 2 = (ωc, 2 ωa,0) 2 D 3 {A, B, H,D} p 3 = (0, ωa,0) 3 D 2 {A, B, C, E, H,I, J} mínimo, los vctors patrón d los dominios sobr l subspacio vctorial V. Añadir qu, admás dl cambio d ordn d las componnts, custión qu no afcta al cálculo d las distancias, sólo xist una pquña difrncia d (L k M k ) posicions nulas d los vctors patrón dbidas a las palabras prsnts n l txto a clasificar qu no han sido obsrvadas durant la fas d ntrnaminto. Sin mbargo, stas posicions nulas, por un lado, no afctan al rsultado dl producto scalar d los vctors t k y p n, y por otro, afctarán por igual a todas las comparativas n l contxto d la distancia cosnoidal utilizada (a través d la norma dl vctor t k ). D todos modos, la aproximación RRA R implica prdr part d la información contnida n la rprsntación global d los vctors patrón d las RRA F D n, custión qu Tabla 3: Rprsntación d los datos d la Tabla n l subspacio vctorial V gnrado a partir d la bas ortogonal B = { b, b 2 } dfinida por las M k = 2 componnts activas d t k, rprsntado sgún l MEV global. Bas dl Subspacio Vctorial V b = (,0, 0,0, 0,0, 0,0, 0,0) b 2 = (0,0,,0, 0,0, 0,0, 0,0) Datos Contnido Componnts V D {A, B, C, D, E, F, G} ˆ p = (ωa, ωc) D 2 {A, B, C, E, H,I, J} ˆ p2 = (ωa, 2 ωc) 2 D 3 {A, B, H,D} ˆ p3 = (ωa,0) 3 t k {C, A, Z} ˆ t k = (ωa, k ωc) k

5 afcta al cálculo d la distancia dl cosno a través d la norma d los mismos. En los xprimntos qu s prsntan sguidamnt, s analiza l impacto d sta aproximación n términos d la ficincia d la clasificación, así como d su cost computacional. 4. Exprimntos Los xprimntos s han dsarrollado sobr un corpus d txtos publicitarios, dividido n trs dominios: ducación (527 frass), tcnología (323 frass) y cosmética (57 frass) con stilos d locución algr, nutro y snsual, rspctivamnt, dl qu s han liminado las frass ambiguas (Alías t al., 2004). Los CT studiados s ntrnan con l 80% d los datos d cada dominio, asgurando la robustz stadística d los rsultados mdiant un 0-fold random-subsampling. Con l objtivo d valuar la habilidad d las stratgias d clasificación d txto propustas, las frass dl corpus s agrupan alatoriamnt para gnrar psudo-documntos (documntos, n adlant) suscptibls d sr clasificados. D st modo, s pudn comparar los métodos d CT considrados a mdida qu s rduc l númro d frass por documnto, pasando dsd una situación más crcana al problma d la CT clásica (con muchas frass por documnto), hasta l caso xtrmo d disponr sólo d una fras por documnto, situación bastant habitual n CTH. 4.. Método d rfrncia En st primr xprimnto s analizan distintos métodos d CT sobr l barrido d frass por documnto studiado, con l objtivo d buscar un algoritmo d rfrncia qu prmita validar l funcionaminto d las propustas d CT basadas n RRA Support Vctor Machins En l contxto d la clasificación tmática d grands colccions d documntos s dond l algoritmo basado n Support Vctor Machins (SVM) ha dmostrado un funcionaminto óptimo (Joachims, 998; Sbastiani, 2002). Sin mbargo, como s indica n (Sassano, 2003), a mdida qu l volumn d datos d ntrnaminto s rduc rspcto al tamaño dl MEV mplado para rprsntarlos, l método SVM pird ficincia, llgando a djar d funcionar corrctamnt n l caso d trabajar con un MEV d dimnsión mayor qu l númro d jmplos. Est comportaminto d SVM s db a la rlación xistnt ntr l númro d datos d ntrnaminto y l tamaño dl MEV a paramtrizar, qu para krnls linals, ncsita disponr d O(N) jmplos para modlar corrctamnt un spacio R N (Shaw-Taylor y Cristianini, 2004). Dbido a la stratgia d clasificación utilizada, dond no s trata con un CT únicamnt tmático y s ntrna al CT sólo con los txtos dl corpus d voz, la difrncia ntr l tamaño dl spacio vctorial gnrado por los datos d ntrnaminto y l númro d jmplos s acntúa al no liminar la variabilidad d los términos (xtracción dl lma) ni las palabras vacías dl txto (lista d parada) s más, sta rlación mpora al considrar las coocurrncias d las palabras n l modlado d los txtos. Por llo, SVM no prsnta rsultados satisfactorios para st problma, como s ha indicado n trabajos prvios (Alías t al., 2003; Alías t al., 2004) ICA, bigramas o NN A la vista d los pobrs rsultados ofrcidos por SVM, s studiaron otras altrnativas para obtnr un CT d rfrncia. Entr las técnicas xistnts s scogiron trs stratgias con nfoqus d clasificación distintos. En primr lugar, s analiza l funcionaminto d un CT basado n l análisis n componnts indpndints (ICA) d los txtos (trabajando con tantas componnts como dominios) aplicado satisfactoriamnt a la búsquda smisuprvisada d dominios y a la jrarquización dl corpus n (Alías t al., 2004; Svillano, Alías, y Socoró, 2004). En sgundo lugar, s implmnta un CT probabilístico a nivl d caráctr basado n n- gramas, concrtamnt bigramas. En st caso, cada una d los dominios (catgorías) s rprsnta mdiant un modlo d lnguaj probabilístico, obtnido a partir d la distri- F mdia 0,9 0,8 0,7 0,6 0,5 ICA NN TFIDF BIGRAMAS Figura 3: Eficincia d clasificación d los métodos d rfrncia a lo largo dl barrido d frass/documnto studiado.

6 F mdia NN TFIDF COF NN TFIDF NCOF NN IWF COF NN IWF NCOF RRA F TFIDF COF RRA F TFIDF NCOF RRA F IWF COF RRA F IWF NCOF F mdia RRA R TFIDF COF RRA R TFIDF NCOF RRA R IWF COF RRA R IWF NCOF RRA F TFIDF NCOF RRA F IWF NCOF (a) RRA F vs. NN. (b) RRA F NCOF vs. RRA R. Figura 4: Eficincia d clasificación d los métodos d CT studiados a lo largo dl barrido d frass/documnto considrado, para distintas paramtrizacions dl txto. bución d las parjas d caractrs prsnts n l txto d s dominio (Cavnar y Trnkl, 994). En st trabajo, s ha scogido trabajar con bigramas por su bun compromiso ntr la información d contxto considrada y l volumn d datos disponibl para modlar d forma robusta cada dominio (a mayor n, s obtin mayor información contxtual, pro por l contrario, a mnor n, s logra una mayor robustz stadística para l mismo númro d datos). Finalmnt, s studia l funcionaminto dl clasificador basado n Narst Nighbour (NN), trabajando con la pondración TF IDF, como método básico d CT sobr un MEV. Sgún sta stratgia, una vz rprsntados todos los documntos n un spacio vctorial común, l txto d ntrada s asigna a la catgoría asociada al documnto más crcano, sgún la distancia dl cosno. En la Figura 3 s prsnta la ficincia d clasificación (mdida F mdia (Sbastiani, 2002)) d los trs métodos comparados a lo largo dl barrido d frass por documnto studiado. S pud obsrvar cómo NN s l método qu prsnta un mjor comportaminto global, sguido dl clasificador basado n bigramas y, finalmnt, s ncuntra l CT basado n ICA, qu sufr rápidamnt la rducción dl tamaño d los documntos. Por llo, s scog NN como método d rfrncia para validar l funcionaminto d la CT basada n RRA n los siguints xprimntos Análisis d la propusta En st xprimnto s compara la ficincia d clasificación d los métodos d CT basados n RRA rspcto a NN, para cuatro paramtrizacions dl txto distintas. Por un lado, s difrncia la rprsntación dl txto qu incorpora parámtros structurals, n st caso, las coocurrncias d las palabras (COF), d las qu no los incluyn (NCOF). Por otro lado, s analizan las pondracions d los términos mdiant los parámtros tmáticos TFIDF IWF (combinados dntro d los vctors qu dfinn l contnido d los txtos sgún lo indicado n la Figura 4) Eficincia d clasificación La Figura 4 prsnta los rsultados d F obtnidos dl barrido d frass por documnto ralizado para todos los métodos y todas las paramtrizacions dl txto studiadas, utilizando la distancia dl cosno como mdida d similitud. Por un lado, s pud obsrvar como los métodos basados n RRA prsntan mjors rsultados qu NN, y por otro, como los métodos d rprsntación global (RRA F y NN) rducn significativamnt su ficincia d clasificación al incorporar COF n la paramtrización dl txto, con un funcionaminto óptimo para TFIDF NCOF. Sin mbargo, para RRA R la inclusión COF ayuda a mjorar los rsultados. Admás, RRA R obtin un rndiminto óptimo para IWF con rsultados muy parjos ntr COF y NCOF. A partir d st análisis, s concluy qu la CT basada n RRA R, aunqu dfinida como aproximación d RRA F, prsnta un comportaminto similar al obtnido por la CT basada n RRA F TFIDF NCOF, llgando a consguir los mjors rsultados d clasificación a nivl d fras/documnto.

7 0,8 RRA R RRA F NN Timpo [sg] RRA R TFIDF COF RRA R TFIDF NCOF RRA R IWF COF RRA R IWF NCOF F mdia 0,6 0,4 0, (a) Cost computacional d tst d RRA F. 0 TFIDF COF TFIDF NCOF IWF COF IWF NCOF Paramtrización Figura 5: Eficincia d clasificación mdia d los métodos dntro dl barrido d frass/documnto d la Figura 4, para distintas paramtrizacions dl txto. Timpo [sg] Tst RRA F TFIDF COF RRA F TFIDF NCOF RRA F IWF COF RRA F IWF NCOF 3 2 En la Figura 5 s obsrva qu, a nivl global, RRA R prsnta una rspusta más robusta rspcto a las distintas paramtrizacions considradas, n contraposición a RRA F y NN. Asimismo, la inclusión d COF provoca un impacto más ngativo n RRA F qu n NN por l hcho d trabajar con un único vctor patrón por dominio, n lugar d usar un vctor por documnto. Sin mbargo, RRA F consigu mjors rsultados qu NN con NCOF, tanto para IWF como TFIDF Cost computacional En st xprimnto s studia l cost computacional d la CT basada n RRA R vs. RRA F. Est cost s obtin como l timpo mdio d clasificación sobr 0 jcucions d -fold dl random subsampling utilizado n las prubas. El studio s ha ralizado sobr un PC (PIV.79GHz GB RAM) con sistma oprativo Linux y compilador gcc Dl análisis d la Figura 6, s dduc qu la CT basada n RRA R prsnta un mnor timpo d clasificación qu RRA F a lo largo dl barrido d frass/documnto. Para RRA F, l studio mustra una clara difrncia d comportaminto cuando s comparan las configuracions qu utilizan las coocurrncias (COF) con las qu no las utilizan (NCOF), dbido al aumnto d la dimnsión dl spacio vctorial cuando s trabaja con vctors qu incluyn COF. En cambio, para RRA R los rsultados son más homogénos, indpndintmnt d la paramtrización utilizada. Concrtamnt, a mdida qu disminuy l tamaño d los txtos a clasificar, l cost computacional también disminuy d forma linal (n dos tramos linals con cambio d pndint alrddor d 0 frass/doc). Est comportaminto dcrcint s db, fundamn- (b) Cost computacional d tst d RRA R. Figura 6: Cost computacional d clasificación dntro dl barrido d frass/documnto, para distintas paramtrizacions dl txto. talmnt, a qu l spacio d comparación ntr vctors lo dfin l txto a clasificar (d mnor tamaño qu l global), rduciéndos l timpo d clasificación. Tomando la CT basada n RRA F como rfrncia, la RRA R prsnta unas rduccions rlativas dl cost computacional qu van dsd un 2% para 30 frass/doc, pasando por un 47% para 4 frass/doc, hasta un 20% para fras/doc, utilizando sus configuracions óptimas n términos d timpo d jcución (TFIDF NCOF para RRA F y IWF NCOF para RRA R, aunqu las variacions n RRA R son mínimas). Por lo tanto, parc claro qu l método d CT basado n RRA R consigu mjorar los rsultados rspcto al método antrior, n lo qu s rfir al cost computacional dl procso d clasificación, sindo ést más o mnos proporcional al tamaño d los txtos a clasificar. 5. Discusión A lo largo d los xprimntos dscritos n st trabajo, s ha podido obsrvar cómo todos los métodos d CT analizados s vn afctados, n mayor o mnor mdida, por la rducción dl númro d frass d los documntos a clasificar. Sin mbargo, la stratgia d CT qu prsnta un comportaminto más robusto rspcto al tamaño d los txtos s la basada n RRA R, qu consigu admás los mjors rsultados n términos d ficincia d clasificación (sguida d crca por la con-

8 figuración óptima d RRA F) cuando s trabaja con muy pocas frass por documnto. El comportaminto particular d RRA R rspcto a RRA F y NN stá ligado al cambio d nfoqu qu sta stratgia propon para clasificar los txtos. En st contxto, toma mayor importancia la mra prsncia d la palabra (IWF) qu su pso y singularidad a lo largo d la colcción (TFIDF). Asimismo, la paramtrización structural dl txto, considrada n st caso mdiant la inclusión d las coocurrncias, prmit mjorar las tasas d clasificación obtnidas n algunos casos, a difrncia dl nfoqu global (RRA F o NN), dond los rsultados simpr mporan l aumnto dl tamaño d los vctors implica una mnor sparabilidad d los datos, por lo qu rsulta más fácil comtr rrors d clasificación. 6. Conclusions En st trabajo s ha prsntado un nuvo paso para l dsarrollo d un sistma d clasificación d txtos (CT) adaptado a las ncsidads d la convrsión d txto n habla multidominio (CTH-MD), s dcir: txtos cortos y bajo cost computacional. Para llo, s ha propusto una volución dl método d CT basado n una Rd Rlacional Asociativa (RRA) d rprsntación global d los txtos (RRA F), a partir d un cambio n l nfoqu dl procso d clasificación. El nuvo método d CT, basado n una RRA Rducida, ha dmostrado, a lo largo d las prubas ralizadas, una buna ficincia d clasificación, una mayor robustz frnt a la rducción dl tamaño dl txto d ntrada y un mnor cost computacional rspcto a RRA F rducindo la sobrcarga introducida por la CT sobr l procso d CTH-MD. D todos modos, los modrados rsultados consguidos para pocas frass por documnto (p.j. F = 0.78 para fras/doc) indican qu todavía xist un margn d mjora para continuar invstigando n sta dircción. Bibliografía Alías, F., I. Iriondo, y P. Barnola Multi-domain txt classification for unit slction Txt-to-Spch Synthsis. En Th 5th Intrnational Congrss of Phontic Scincs (ICPhS), páginas , Barclona. Alías, F., X. Svillano, P. Barnola, L. Formiga, I. Iriondo, y Socoró. J. C Convrsión d Txto n Habla Multidomino. En III Jornadas n Tcnología dl Habla, páginas 0 06, Valncia. Alías, F., X. Svillano, P. Barnola, y J.C. Socoró Arquitctura para convrsión txto-habla multidominio. Procsaminto dl Lnguaj Natural, 3: Cavnar, W.B. y J.M. Trnkl N- Gram-Basd Txt Catgorization. En Procdings of 3rd Annual Symposium on Documnt Analysis and Information Rtrival, páginas 6 75, Las Vgas, USA. Joachims, T Txt catgorization with support vctor machins: larning with many rlvant faturs. En Procdings of ECML-98, 0th Europan Confrnc on Machin Larning, numro 398, páginas Springr Vrlag, Hidlbrg, DE. Rnnison, E Galaxy of Nws: An Approach to Visualizing and Undrstanding Expansiv Nws Landscaps. En ACM Symposium on Usr Intrfac Softwar and Tchnology, páginas 3 2. Salton, G Automatic Txt Procssing: Th Transformation, Analysis, and Rtrival of Information by Computr. Addison-Wsly. Sassano, M Virtual Exampls for Txt Classification with Support Vctor Machins. En Procdings of 2003 Confrnc on Empirical Mthods in Natural Languag Procssing, páginas , Japón. Sbastiani, F Machin larning in automatd txt catgorisation. ACM Computing Survys, 34(): 47. Sbastiani, F Txt catgorization. En Txt Mining and its Applications. WIT Prss, UK, capítulo 4, páginas Svillano, X., F. Alías, y J.C. Socoró ICA-Basd Hirarchical Txt Classification for Multi-domain Txt-to-Spch Synthsis. En Procdings of ICASSP, volumn 5, páginas , Montral. Shaw-Taylor, J. y N. Cristianini Krnl Mthods for Pattrn Analysis. Cambridg Univrsity Prss. Yi, J. y J. Glass Naturalsounding spch synthsis using variabllngth units. En Procdings of ICSLP, páginas 67 70, Sydny, Australia.