Gracias por el A2A. Defino su frase “enfoque ontológico” como el enfoque que se utilizó ampliamente en mi último trabajo y, en menor medida, en mi trabajo actual. Esencialmente, codifica el conocimiento humano en un gráfico (la ontología), donde los vértices representan conceptos y las aristas representan relaciones (nombradas y ponderadas) entre estos conceptos. El gráfico admite la búsqueda por vertexID (ID de concepto). Junto con esto, tiene un componente de búsqueda, que le permite buscar conceptos por nombre (y devolver el ID del concepto).
La clasificación en este contexto es enviar una secuencia de texto (su documento para clasificar) contra el componente de búsqueda, y convertirlo en una bolsa de conceptos. Luego, puede acumular estos conceptos en el conjunto de nuevos conceptos que forman la base de la clasificación. Por ejemplo, si su objetivo era clasificar un conjunto de documentos por especialidad médica, podría buscar todos los conceptos en el documento que tengan un concepto vecino que sea un concepto de especialidad médica, luego reemplazar ese concepto con el concepto de especialidad y descartar los demás . La distribución de concepto así formada (normalizada para sumar 1) le da el equivalente de las probabilidades de predicción para los enfoques de clasificación “tradicionales”. Esto es solo un ejemplo, puede haber otras variaciones. Por ejemplo, también podría restringirse a las relaciones IS-A en lugar de buscar vecinos.
Un profesional importante de este enfoque es que no está supervisado. Esto le permite ir rápidamente contra un corpus sin etiqueta (y que no tiene metadatos convenientes para asignar etiquetas). Sin embargo, una desventaja importante de este enfoque es que puede ser muy sensible al dominio, es decir, la calidad de su clasificación dependerá en gran medida de qué tan bien su ontología cubra el área temática de sus documentos y sus etiquetas de clasificación.
- ¿Qué (empíricamente) necesita más datos de entrenamiento (etiquetados): modelos discriminativos o modelos generativos?
- Estoy interesado en el aprendizaje automático y la inteligencia artificial y recién comencé a aprender Python. ¿Qué otras habilidades debo tener en mi haber para tener éxito en este campo?
- ¿Cuáles son algunos problemas de aprendizaje automático que están más allá del poder de scikit-learn para resolver?
- ¿Cómo debo elegir entre SVM y árbol de decisión para un problema de clasificación?
- ¿Será posible predecir cuándo y qué producto comprará alguien con una precisión útil?