Emerging Topics from the Fifth Italian Conference on Computational Linguistics
Roberto Basili, Simonetta Montemagni⋄ · Italian Journal of Computational Linguistics · 2019
la rivista italiana promossa dall'Associazione Italiana di Linguistica Computazionale (AILC -www.ai-lc.it),è un volume miscellaneo i cui articoli documentano lavori di ricerca risultati particolarmente promettenti nell'ambito della Conferenza CLiC-it 2018 (Torino, 10-12 dicembre 2018) insieme ad un contributo originale sottomesso per la pubblicazione sulla rivista.La selezione di contributi qui rappresentata documenta la ricerca condotta in diversi ambiti, che spaziano da studi sulle applicazioni di modelli neurali all'apprendimento in sistemi di Natural Language Processing, sui modelli vettoriali della semantica distribuzionale sino a metodi complessi di inferenza linguistica, utili in applicazioni moderne, quali la traduzione automatica.I temi affrontati dunque coprono sviluppi recenti e molto fecondi della ricerca in linguistica computazionale, come ad esempio la trasparenza epistemologica dei modelli induttivi basati su reti neurali, l'annotazione sintattica automatica dell'italiano, l'utilizzo di tecniche avanzate di apprendimento neurale, quali gli algoritmi basati sui "trasformer", per arrivare ai modelli distribuzionali del significato.Gli articoli sui temi emergenti sono stati, come sempre, selezionati attraverso un processo iterativo di peer-review: come contributo alla conferenza e come candidato ai premi di "Best Young Paper" e "Distinguished Young Paper".Infine, la versione estesa degli articoli selezionati da CLiC-it 2018 e gli articoli proposti per la pubblicazione su IJCoL sono stati oggetto di revisione paritaria come articolo di rivista scientifica.Nel contributo di Rossini, Croce e Basili viene discusso il problema della leggibilità dei modelli neurali del linguaggio naturale, che rappresenta una questione centrale quando si considera l'impatto di tali modelli all'interno di scenari applicativi del mondo reale.In particolare, viene proposta una tecnica di embedding basata su un metodo matematico per la rappresentazione di spazi caratterizzati da un numero elevato di dimensioni (denominata metodologia di Nyström), finalizzata a supportare inferenze analogiche relative alla relazione causale tra i dati di addestramento e le decisioni della rete neurale.I metodi kernel utilizzati per costruire gli embeddings di Nyström sono in grado di catturare informazione semantica, sintattica e lessicale, fornendo spiegazioni fondate e percepite come naturali dall'utente.La valutazione quantitativa riportata si riferisce a un compito di inferenza semantica, il Semantic Role Labeling, condotto per l'italiano e l'inglese qui usato come caso di studio.I risultati raggiunti mostrano che le spiegazioni basate su kernel semantici sono particolarmente affidabili ed efficaci, consentendo alle