Recognizing textual entailment

Bermejo Ferrer, José Ángel

Publication

Recognizing textual entailment

Bermejo Ferrer, José Ángel

Abstract

Understanding meaning and being able to perform inferences based on natural language text is an instinctive, subconscious process for human speakers, as we are able to quickly derive inferences from text, questions and received information. Entailment is a type of natural language inference (NLI) in which, by definition, a premise P entails a hypothesis H when H must be true if P is true. In this work, we examine the complexity of the semantic relation of entailment and develop a system that detects this relation via the use of thematic roles by means of the Universal Networking Language (UNL). The system was implemented in Python using ETAP-3 as its UNL- Enconverter and tested against two corpora to varying degrees of success. Our results show the significance of theta roles in detecting entailment. Our findings also coincide with observations made in recent work using neural based NLI systems: the need for these systems to learn the semantic effects of monotonicity reasoning, as well as the benefits of symbolic approaches to efficiently perform semantic processes of natural language inference.
Entender el concepto "significado" y ser capaz de realizar inferencias basadas en texto de lenguaje natural es un proceso instintivo y subconsciente para los hablantes humanos, ya que somos capaces de derivar rápidamente inferencias a partir de textos, preguntas o información recibida. El entrañamiento es un tipo de inferencia de lenguaje natural (ILN) en el cual, por definición, una premisa P entraña una hipótesis H cuando H es verdadera si P es verdadera. En este proyecto, se examina la complejidad de la relación semántica de entrañamiento y se desarrolla un sistema que detecta esta relación a través del uso de papeles temáticos mediante el Universal Networking Language (UNL). El sistema fue implementado en Python utilizando ETAP-3 como convertidor a UNL y puesto a prueba utilizando dos corpus, obteniendo resultados con éxito variable. Nuestros resultados muestran la importancia del uso de papeles temáticos para detectar entrañamiento. Además, nuestros hallazgos coinciden con las observaciones realizadas en trabajos recientes que usan sistemas de ILN basados en redes neuronales: la necesidad de que estos sistemas aprendan los efectos semánticos del razonamiento monotónico, así como los beneficios de los acercamientos simbólicos para aumentar la eficiencia de los procesos semánticos de inferencia de lenguaje natural.