Extragerea informațiilor

Extragerea informațiilor este sarcina  de extragere (construire) automată a datelor structurate din documente nestructurate sau semistructurate care pot fi citite de mașină.

Extragerea informațiilor este un tip de regăsire a informațiilor asociat cu procesarea textului în limbaj natural . Un exemplu de extragere a informațiilor poate fi căutarea vizitelor de afaceri - formal este scris astfel: НанеслиВизит(Компания-Кто, Компания-Кому, ДатаВизита) - din fluxuri de știri , precum: „Ieri, 1 aprilie 2007, reprezentanți ai corporației Pepelac International au vizitat biroul Gravitsap Productions”. Scopul principal al unei astfel de transformări este capacitatea de a analiza informații inițial „haotice” folosind metode standard de procesare a datelor . [1] Un scop mai restrâns poate fi, de exemplu, sarcina de a identifica tipare logice în evenimentele descrise în text. [2]

În tehnologiile informaționale moderne , rolul unei astfel de proceduri precum extragerea informațiilor crește din ce în ce mai mult - datorită creșterii rapide a cantității de informații nestructurate (fără metadate ), în special pe Internet . Aceste informații pot fi mai structurate prin conversia lor în formă relațională sau prin adăugarea de markup XML . [3] Când monitorizați fluxurile de știri cu agenți inteligenți , veți avea nevoie de metode pentru a extrage informații și a le transforma într-o formă cu care va fi mai convenabil să lucrați mai târziu.

O sarcină tipică de extragere a informațiilor este scanarea unui set de documente în limbaj natural și popularea unei baze de date cu informații utile extrase. Abordările moderne de regăsire a informațiilor folosesc metode de procesare a limbajului natural care abordează doar un set foarte limitat de subiecte (întrebări, probleme) - adesea doar un singur subiect. De exemplu, Message Understanding Conference (MUC ) este o conferință competitivă și, în trecut, sa concentrat pe:

• MUC-1 (1987), MUC-2 (1989): Operațiuni navale.
• MUC-3 (1991), MUC-4 (1992): Terorismul în țările din America Latină.
• MUC-5 (1993): Microelectronics Venture Operations.
• MUC-6 (1995): Articole de știri despre schimbările în procesele de management.
• MUC-7 (1998): Rapoarte de lansare a satelitului.

Textele în limbaj natural pot necesita un fel de transformare preliminară într-un limbaj (de exemplu, RDF  - Resource Description Framework) care poate fi înțeles de un computer.

Subsarcini tipice de extragere a informațiilor:

• Recunoașterea elementelor denumite ( entități ), de exemplu: nume de persoane, nume de organizații, nume geografice, evenimente, desemnări temporare și monetare etc.
• Rezolvarea anaforelor și coreferențelor : căutarea conexiunilor care se referă la același obiect. Un caz tipic de astfel de referințe este anafora pronominală.
• Identificarea terminologiei: găsirea de cuvinte cheie și expresii ( colocations ) pentru un text dat.
• Auto- abstracție : selectarea informațiilor semantice, emotive, evaluative etc. din text. Poate fi generativă și declarativă.

Note

1. ↑ Procesarea datelor poate fi înțeleasă, printre altele , și pur și simplu acumularea lor într- o bază de date .
2. ↑ Data mining se ocupă de această sarcină .
3. ↑ Conceptul de dezvoltare a Internetului, în care fiecărui document este atașat un fișier cu metadate în format XML , se numește web semantic și este considerat foarte promițător; dar merită remarcat: acest lucru nu este același lucru cu transformarea documentului în sine.

Vezi și

• informație
• Relevanţă
• Bază de cunoștințe
• Ontologie (informatica)
• Management de date
• Lingvistică computațională
• Reprezentarea cunoștințelor

Link -uri

• Procesarea automată a limbajului natural: Apache UIMA
• Un sistem pentru extragerea și căutarea informațiilor structurate din matrice mari de text mass-media. Caracteristici arhitecturale și lingvistice.
• Extragerea de cunoștințe din texte în limbaj natural pentru rezolvarea problemelor pe modele de rețea.
• Protocolul Z39.50: acces deschis la informații bibliografice.  (link indisponibil din 13-05-2013 [3457 zile] - istoric )
• Platformă extensibilă de extragere a textului.
• Metode individuale active pentru extragerea cunoștințelor și a datelor
• Rezumat al disertației lui Simakov K. V. pe tema „Modele și metode pentru extragerea cunoștințelor din textele în limbaj natural”.
• Un model de extragere a faptelor din textele în limbaj natural și o metodă de formare a acestuia.

• https://web.archive.org/web/20110718185816/http://extraccioninformacion.iespana.es/ Extracción informacion (site-ul spaniol)
• http://www.itl.nist.gov/iaui/894.02/related_projects/muc/ MUC
• http://projects.ldc.upenn.edu/ace/ Arhivat pe 25 septembrie 2013 la Wayback Machine ACE (LDC)
• https://web.archive.org/web/20060308054306/http://www.itl.nist.gov/iad/894.01/tests/ace/ ACE (NIST)
• http://lcl2.di.uniroma1.it  (link indisponibil) - TermExtractor
• TermFinder , extractor de terminologie on-line pentru EN, FR și IT - aplicație web
• Tutoriale video, discuții, prelegeri Videolectures.net
• Extragerea automată a metadatelor pentru căutarea corporativă și mashup-uri (Apache UIMA)