Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/26187
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Garat, Diego | - |
dc.contributor.advisor | Moncecchi, Guillermo | - |
dc.contributor.author | Bello, Andrés | - |
dc.contributor.author | Sclavi, Matías | - |
dc.date.accessioned | 2020-12-17T16:30:34Z | - |
dc.date.available | 2020-12-17T16:30:34Z | - |
dc.date.issued | 2020 | - |
dc.identifier.citation | Bello, A. y Sclavi, M. Generación de diálogo utilizando aprendizaje por refuerzo y redes neuronales adversarias [en línea] Tesis de grado. Montevideo : Udelar. FI. INCO, 2020. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/26187 | - |
dc.description.abstract | El procesamiento de lenguaje natural (PLN) intenta modelar la capacidad de los seres humanos para comunicarse entre sí. En el marco de esta área, nuestro trabajo tiene por objetivo la generación de diálogo escrito, particularmente entre dos personas de diferente género, mediante el uso de aprendizaje por refuerzo y redes generativas adversarias (GAN). Para lograr este objetivo se construye un corpus que contiene diálogos de películas en inglés, el cual se utiliza para entrenar dos agentes, uno por cada género. Ambos agentes están implementados como una tarea de aprendizaje por refuerzo, donde cada uno está constituido por dos modelos: un generador y un discriminador. El objetivo del generador es producir las respuestas a los diálogos, mientras que el discriminador tiene la tarea de distinguir si la respuesta es generada por un humano o por el modelo. La calidad de las respuestas generadas por los agentes es evaluada utilizando métricas basadas en heurísticas y mediante evaluación humana. Los resultados obtenidos en esta última muestran que 45% de las respuestas no son distinguidas como provenientes del modelo, mientras que las métricas basadas en heurísticas presentan que los agentes utilizados están por encima de la línea base, implementada utilizando la similitud semántica de las respuestas. | es |
dc.format.extent | 52 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | es | es |
dc.publisher | Udelar.FI. | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.subject | Generación de diálogo | es |
dc.subject | Aprendizaje por refuerzo | es |
dc.subject | Redes generativas adversarias | es |
dc.subject | Redes neuronales recurrentes | es |
dc.title | Generación de diálogo utilizando aprendizaje por refuerzo y redes neuronales adversarias | es |
dc.type | Tesis de grado | es |
dc.contributor.filiacion | Bello Andrés, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
dc.contributor.filiacion | Sclavi Matías, Universidad de la República (Uruguay). Facultad de Ingeniería. | - |
thesis.degree.grantor | Universidad de la República (Uruguay). Facultad de Ingeniería | es |
thesis.degree.name | Ingeniero en Computación | es |
dc.rights.licence | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) | es |
Aparece en las colecciones: | Tesis de grado - Instituto de Computación |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
BS20.pdf | Tesis de grado | 1,45 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons