El artículo formula el problema de Reconocimiento de Diccionario, que es relevante para una amplia gama de problemas aplicados: reconocimiento de palabras en una señal de audio ruidosa para tareas de procesamiento de lenguaje natural o en una señal electromagnética ruidosa, reconocimiento de patrones visuales en visibilidad limitada, y mucho más. Un problema de Reconocimiento de Diccionario consiste en encontrar un conjunto de palabras de un conjunto dado para maximizar la precisión de clasificación de las palabras en el diccionario sin perder la representación semántica. La idea de resolver el problema es representar un conjunto de objetos (codificados como una secuencia de símbolos o secuencias visuales) en forma de un grafo a -partito, donde cada parte del grafo corresponde a un grupo de objetos con una característica común determinada (clase de equivalencia). La tarea es encontrar un conjunto de representantes de las clases de equivalencia en el que la precisión de clasificación por el clasificador H cumpla ciertos criterios: (1) máxima precisión de clasificación; (2) precisión maximin: la precisión de clasificación binaria de cada par de objetos no es inferior a un cierto valor. El Algoritmo Maximin propuesto proporciona cliques a -partitos con una precisión de clasificación en el peor caso de maximin y pertenece a la clase a -. El Algoritmo Maximal proporciona cliques a -partitos con el peso total máximo (el problema pertenece a la clase a -duro). Los algoritmos presentados seleccionan un conjunto de representantes de manera óptima en términos de precisión de clasificación para el clasificador específico y tiempo de ejecución. Los algoritmos aumentan la precisión de clasificación al utilizar métodos de clasificación clásicos sin optimización adicional de los propios clasificadores. Probamos los algoritmos en datos simulados y proporcionamos un proyecto de código abierto en GitHub. Los resultados de los Algoritmos Maximin y Maximal dan una precisión de clasificación de 4, 8 y 16 cercana a la mejor precisión (obtenida por enumeración exhaustiva) y mejor que la precisión mediana en más del 20% para los clasificadores de máquinas de vectores de soporte. Además, los algoritmos aumentan la velocidad de selección de representantes en cinco órdenes de magnitud en comparación con el algoritmo de fuerza bruta con una ligera pérdida de precisión.