Extração da Informação Gregório Patriota Lucas Paes Renan H. Torres Vinícius Viana
Roteiro Motivação Processo de extração da informação Abordagens para um sistema de EI Aplicações Conclusão
Motivação Crescimento desordenado da internet: Em Dez/2012 o site InternetArchive afirmou que a internet possuia 10PetaBytes Em 2015 estudos prevêm 966ExaBytes (1,000,000,000,000,000,000bytes) Oportunidade de extrair informações da rede Problemas Documentos na maioria das vezes: não-estruturas ou semi-estruturados Migração de dados entre interfaces distintas: Web-service -> Banco de Dados
Motivação Com Extração de Informações é possível: Gerar resumos de textos Minerar Dados Preencher Base de Dados Sumarizar Textos
Introdução O que é EI? Encontra informações em documentos não estruturados ou semi-estruturados Conversão para estruturas de tabelas WebServices Banco de Dados Exibição dos dados de forma legível
Sistema de Extração de Informação Introdução Sistema de Extração de Informação Sistema de Extração de Informação
Processo de extração de informação
Introdução História JASPER (1980s) Sistema para finanças MUC-Message Understanding Conference [final da década de 80] Internet/Web [década de 90]
Recuperação de Informação Recuperação de informação trata documentos relevantes, levando em conta os termos que aparecem no documento Análise sintática do documento
Extração de Informação Busca mais direta nos textos. Pesquisa direcionada em partes específicas do texto Possui custo computacional mais baixo, menor esforço
Extração de Informação Extração de informação é uma tarefa na área de Recuperação da Informação As informações são extraídas baseando-se no prévio conhecimento do documento Procura encontrar informações e derivar conhecimento de documentos recuperados através da estrutura de sua representação
Mineração na web
Processo de extração de informação individual Documento Reconhecimento de entidades Análise Léxica e Morfológica Análise de relacionamentos e contexto Análise Sintática Integração Análise semântica Inferência Informação estruturada e contexto
Sistema de EI A Implementação de sistemas de Extração de Informação distinguem-se entre duas abordagens: Engenharia de conhecimento Treinamento automático As abordagens são diferenciadas pela forma com que as regras são definidas
Engenharia de conhecimento Regras são elaboradas manualmente Para isso é necessário que um especialista em sistemas de Extração de Informação participe efetivamente da criação das regras Sistemas mais precisos Mais tempo para desenvolvê-lo
Treinamento automático Algoritmos de Inteligência Artificial para treinar o sistema Documentos são utilizados no treinamento e na geração das regras Usuários podem interagir O algoritmo aprende regras com a interação com o usuário Tempo menor de desenvolvimento Menor precisão nos resultados
Abordagens para um Sistema de EI Wrappers Processamento de Linguagem Natural – PLN
Wrappers Módulo que extrai a informação de documentos e a exporta como parte de uma estrutura de dados Avanço da WEB, necessidade de sistemas mais eficientes com capacidade suficiente para extrair informação dos textos
Wrappers Textos estão Estruturados Semi-estruturados Utilizam dados sobre a formatação do texto, marcadores, freqüência estatística das palavras
Construção de wrappers Automática Define regras de extração com um corpus de treinamento com de técnicas de aprendizagem de máquina. Semi-automática Auxiliado por ferramentas, o usuário especifica a estrutura e o contexto dos dados a serem extraídos. Manual Mais demorada e trabalhosa, porém com maior precisão nos dados extraídos.
Processamento de Linguagem Natural - PLN Textos estão Semi-Estruturados (pouca estrutura) Sem estrutura PLN trabalha com língua e suas nuances para descobrir dados relevantes a serem extraídos
Visão Geral Nível Morfológico Nível Sintático Nível Semântico Nível Discursivo Nível Pragmático
Nível Morfológico A análise Morfológica determina: Radical + Sufixo Classe da Palavra Conjugação Pessoa Eat+s Verbo Singular 3ª Pessoa Dog+s Substantivo Plural ----------
Nível Sintático A análise sintática faz uso do dicionário gerado pela análise morfológica procurando mostrar relacionamento entre palavras. As palavras que apresentam apenas um sentido possível podem ser substituídas pela sua representação semântica Tem como saída a representação da sentença que representa as dependências entre palavras As sentenças de exemplo apenas diferem na sintaxe e apresentam significados diferentes
Nível Semântico Não é apenas neste nível que o significado é determinado, todos os níveis contribuem para a determinação do significado O nível semântico determina o possível significado de uma sentença, focando nas interações entre os significados das palavras na sentença Sem ambiguidade semântica A cabeça une-se ao tronco pelo pescoço Ele é o cabeça da rebelião Sabrina tem boa cabeça
Nível Discursivo Analisa textos maiores que sentenças Foca nas propriedades do texto como um todo, determinando significado através das conexões de sentenças Resolução de Anáfora: Substituição de pronomes pelas entidades que eles referenciam Reconhecimento de estrutura de texto: em um revistas temos; artigos de capa, opiniões, eventos passados, anúncios
Nível Pragmático Foca no significado que vai além do contexto do texto Requer um conhecimento global Os exemplos seguintes utilizam anáforas mas as resoluções necessitam de um conhecimento global Os vereadores recusaram receber os manifestantes, porque eles temiam o confronto Os vereadores recusaram receber os manifestantes, porque eles defendiam a revolução.
Técnicas de Extração Autômatos finitos Casamento de padrões Classificadores de texto Modelos de Markov escondidos (HMM)
Autômatos Finitos Bons para textos estruturados. Definidos manualmente ou aprendidos automaticamente. Tipos: Acceptors: com resposta sim ou não Recognizers: um ou mais estados finais (categorização) Transducers
Casamento de Padrões Textos estruturados, semi-estruturados e livres. Padrões descritos através de expressões regulares (ER) que “casam” com o texto para extrair as informações. ER mais intuitivas do que autômatos.
Classificadores de Texto Textos semi-estruturados Documento é dividido em fragmentos, podendo utilizar várias características deles (tamanho, posição, formatação, presença de palavras) Realiza classificação local independente para cada fragmento, perdendo informações estruturais importantes do documento
Modelos de Markov Escondidos (HMM) Textos livres e semi-estruturados. Verifica a ocorrência de padrões em sequência no texto de entrada. Assume-se que a probabilidade de se visitar um site depende do site que foi visitado anteriormente. Maximiza a probabilidade de acerto para o conjunto todo de padrões.
Aplicações de Extração de Informação Ubibus UbibusAnalysis TG de vgl2 do Cin UFPE Extrator de Dados Contextuais - responsável por buscar nas redes sociais informações sobre ocorrências de trânsito no Recife o Ubibus, um sistema de transporte público inteligente, ubíquo e sensível ao contexto [Vieira et al. 2011]
Aplicações de Extração de Informação Filtragem de Fóruns Controle de Conteúdo Assunto do Dialogo Monitoramento da WEB Buscar por Hackers Busca por Terroristas
Aplicações de Extração de Informação DEWI É uma ferramenta baseada na Web que permite aos usuários encontrar e extrair as variáveis de conjuntos de dados selecionados dentro da ciência social, a coleta de dados numéricos “The Stanford University Libraries”. Ele está disponível para uso pela comunidade de Stanford para investigação e instrução. O Sistema DEWI foi inspirado no Codebook Eletrônico (BCE) para Windows que foi desenvolvido por Dennis Carroll no Centro Nacional para Estatísticas da Educação (ENC).
Aplicações de Extração de Informação Software aplicado em várias áreas: A seguir, histórias de sucesso de clientes para extração de dados Web
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Aplicações de Extração de Informação
Conclusões Extrair Informação é preciso WEB é um pandemônio de informações Soluções inteligentes
Dúvidas
Referências MANFREDINI, V. H.; Proposta de uma Técnica de Extração de Informação de Arquivos de Log de Servidores Proxy Silva, E. F. A.; Barros, F. A.; Prudencio, R. B. C.; Uma Abordagem de Aprendizagem Híbrida para Extração de Informação em Textos Semi- Estruturados http://en.wikipedia.org/wiki/Information_extract ion Liddy, E. D. In Encyclopedia of Library and Information Science, 2nd Ed. Marcel Decker, Inc http://www.cnlp.org/publications/03NLP.LIS.Enc yclopedia.pdf
Referências Schneider O. M., Rosa, L.J., Processamento de Linguagem Natural (PLN), http://moschneider.tripod.com/pln.pdf Aranha C., Passos E. A Tecnologia de Mineração de Textos, PUC-RIO Bulegon H., Moro M. C. C., Text Mining and Natural Language Processing in Discharge Summaries, PPGTS,PUCPR http://143.54.31.10/reic/edicoes/2003e2/tutori ais/MineracaoNaWeb.pdf
Referências www.cin.ufpe.br/~if796/2006- 1/ExtracaoInformacao.ppt http://sare.unianhanguera.edu.br/index.php/rce xt/article/viewFile/413/409 MELO, Taciana. Um Sistema Especialista para Extração e Classificação de Receitas Culinárias em Páginas Eletrônicas. Trabalho de Conclusão de Curso. UFPE, CIn. 2000. - www.cin.ufpe.br/~tg/2000-2/tmlm.doc