André Ricardo – arsl
Danilo Veras – dlv
Leila Soriano – lssta
Luis Otávio – locb

Motivação

Onde tudo começou

Processo de Extração

Wrappers

Aplicações

Referências

O que é informação?
 Bem dinâmico com valor associado

Curiosidade, busca por informação,
busca por conhecimento
 O diferencial do ser humano

Consultar
 um dos pilares da gestão de conhecimento

Busca por informação como
necessidade empresarial

Aspecto chave das empresas
 mecanismos para facilitar busca de
informação

Acesso eficiente às informações
 maior produtividade e novas oportunidades
Gestão
Portal de
Informações
Consciência
Conhecimento
Informação
Dados

A Internet
 Gigantesca base de documentos em
crescimento acelerado

Como obter informações relevantes em
bases textuais?
 Extração de informação

MUC - Message Understanding
Conference
 Abordagem de EI utilizando processamento
de linguagem natural
 Simulação de um analista do serviço de
inteligência procurando informações a
respeito de um tópico particular

Aplicações:
 MUC-1 (1987), MUC-2 (1989): Naval




operations messages.
MUC-3 (1991), MUC-4 (1992): Terrorism in
Latin American countries.
MUC-5 (1993): Joint ventures and
microelectronics domain.
MUC-6 (1995): News articles on
management changes.
MUC-7 (1998): Satellite launch reports.

Extrair, de documentos textuais,
apenas os dados relevantes ao usuário
 Utilização de um template
Template
Documento
Sistema de EI
Item1:
Item2:
Item3:
Item4:
Item5:
BD
BC

Pode ser dividido em 5 tarefas:
 Segmentação
 Classificação
 Associação
 Normalização
 Deduplicação

Processo de segmentar o texto de
entrada em tokens
 cada token (segmento) deve corresponder
a um campo do template de saída
 i.e., cada token deve preencher um campo
do template

Determina qual campo do template de
saída corresponde a cada segmento do
texto de entrada
 A relação deve ser de um para um

É importante salientar que os
processos de segmentação e
classificação, em geral, acontecem
simultaneamente

Determina quais segmentos (tokens) estão
relacionados a um mesmo fato

Supondo um texto que descreva vários
cursos universitários
 Um mesmo curso pode ser descrito por mais de um
parágrafo

A extração precisa determinar quais
segmentos de quais parágrafos se referem ao
mesmo curso

Permite que as informações sejam
armazenadas segundo um padrão préestabelecido

O horário de um curso pode ser representado
como 2pm-4pm ou como 4-6pm, por
exemplo
 Neste caso, o processo de normalização poderia
transformar os dois formatos para 14h00-16h00 e
 16h00-18h00, respectivamente

Elimina informações redundantes do
banco de dados com os templates de
saída

Um curso pode ser ministrado em mais
um departamento e, por isso, ter sua
descrição em mais de uma página web
 Sem o processo de deduplicação, o banco
terá informações redundantes

Recuperação de Informação
 Estuda formas de armazenar e recuperar
documentos de forma rápida e automática

Extração de Informação
 Objetiva obter informações específicas a
partir de um documento

EI e RI são tecnologias complementares

Recuperação de Informação:
 Entrega documentos para o usuário

Extração de Informação:
 Entrega fatos para o usuário/aplicações

CCT

EI
 Entendimento do
 Somente uma parte do
texto inteiro
 Representação alvo
complexa
 Necessita reconhecer
aspectos estilísticos
texto é relevante
 Representação alvo
rígida
 Estilo e cor do texto é
irrelevante

Linguagem Natural é difícil de tratar
automaticamente...

Flexível
▪ Frodo Baggins succeeds Bilbo Baggins as chairperson
of Bank of America.
▪ Bank of America named Frodo Baggins as its new
chair-person after Bilbo Baggins.

Ambígua
▪ Sam, Frodo’s partner, a CMU student, …

Dinâmica
▪ Novas palavras: ecotourist, lol
▪ Novos significados: to google, to message

Grande influência do tipo de texto:
 Estruturados
 Semi-estruturados
 Livres

Baseados em PLN

Wrappers
 Manual
 Automático

Sistemas baseados em PLN são
capazes de lidar com as irregularidades
das línguas naturais

Técnicas:
 Part-of-speech (POS) tagging
▪ Mark each word as a noun, verb,
preposition, etc.
 Semantic word categories
▪ KILL: kill, murder, assassinate, strangle,
suffocate

Baseada em engenharia do conhecimento
 Construção de regras de extração
 Padrões de extração descobertos por investigação e
exame do corpus de treinamento

Vantagens
 Boa performance dos sistemas

Desvantagens
 Processo de desenvolvimento trabalhoso
 Escalabilidade
 Necessidade de um especialista

Baseado em aprendizagem de máquina
 Aprender sistemas de EI a partir de um conjunto de
treinamento

Vantagens
 Mais fácil marcar um corpus do que criar regras de
extração
 Menor esforço do especialista
 Escalabilidade

Desvantagens
 Esforço de marcação do corpus de treinamento
 Autômatos Finitos
 Pattern matching
 Classificação de Textos
 Modelos de Markov Escondidos (HMM)

Definidos por:
(1) estados que “aceitam” os símbolos do texto que
preenchem algum campo do formulário de saída;
(2) estados que apenas consomem os símbolos
irrelevantes encontrados no texto;
(3) símbolos que provocam as transições de estado.

Textos estruturados e semi-estruturados
 Delimitadores, ordem dos elementos

Algoritmos específicos para EI
 WIEN, SoftMealy, STALKER
<LI> <A HREF="…"> Mani Chandy </A>, <I>Professor of Computer
Science</I> and <I>Executive Officer for Computer Science</I>
…
<LI> Fred Thompson, <I>Professor Emeritus of Applied Philosophy and
Computer Science</I>
? / next_token
?/å
b
U
?/ å
s<U,U> / å
s<b,U> /
“U=” + next_token
s<b,N> /
“N=” + next_token
N
_
U
etc.
s<U,N> /
“N=” + next_token
s<N,N> / å
_
N
?/ å
? / next_token
Key
• ? : wildcard
• U : state to extract URL
• U : state to skip over tokens
until we reach N
• N : state to extract Name
• N : state to skip over tokens
until we reach A
• s<X,Y> : separator rule for
the separator of
states X and Y
• etc.

Utiliza expressões regulares que
“casam” com o texto para extrair as
informações

Textos livres, estruturados e semi
 Delimitadores, padrões regulares
▪ Ex. data, CEP

Algoritmos específicos para EI
 WHISK, Rapier

Tarefa de EI -> tarefa de classificação

Textos semi-estruturados

Classificadores
 Convencionais: KNN, Naive Bayes, Redes
Bayesianas
 Específicos: SRV

Vantagens
 Podem utilizar várias características de cada
fragmento
▪ Ex. tamanho, posição, formatação, presença de
palavras

Desvantagens
 Classificação local

Classificam seqüências de padrões
 Classes representadas pelos estados do HMM
 Retorna a seqüência de estados com maior probabilidade
de ter emitido cada seqüência de símbolos de entrada.
0,5
título
0,2
S
veículo
0,5
0,5
0
0,5
0,5
0,5
0,8
autor
0,2
0,2
0,5
0,5
outros
data
0,1
HMM

Textos livres e semi-estruturados
Site L1
1
2
Site L2
3
P1  L1, L2, L2, L1, L1, L1, L2, L2, L2, L2
P2  L2, L1, L2, L1, L1, L2, L1, L1, L2, L2
P3  L1, L1, L1, L2, L1, L2, L1, L2, L2, L2
Deseja-se
identificar este
usuário!!
PX  L1, L2, L2, L2, L1, L2, L1, L1, L2, L1
P1  L1, L2, L2, L1, L1, L1, L2, L2, L2, L2
4 transições que saem de L1
A1
Chegada
Saída
L1
L2
L1
L2
0.5
0.5
 2 transições vão para L
 2 transições vão para L

1
2
Assume-se que a probabilidade
de se visitar um site depende do
site que foi visitado no dia
anterior, caracterizando uma
Cadeia de Markov.
P1  L1, L2, L2, L1, L1, L1, L2, L2, L2, L2
5 transições que saem de L2
A1
Chegada
Saída
L1
L2
L1
0.5
0.5
L2
0.2
0.8
 1 transição vai para L1
 4 transições vão para L2

Assume-se que a probabilidade
de se visitar um site depende de
que site foi visitado no dia
anterior, caracterizando uma
Cadeia de Markov.
A1
Chegada
A2
L1
0.5
0.5
L2
0.2
0.8
A3
L1
L2
L1
0.4
0.6
L2
0.25
0.75
Saída
L2
Saída
Saída
L1
Chegada
Chegada
L1
L2
L1
0.4
0.6
L2
0.5
0.5

Vantagens
 Realizam uma classificação ótima para a
seqüência completa de entrada

Desvantagens
 Limitação: utilizam apenas um atributo por
padrão a ser classificado

Baseada em uma técnica de SpellChecker
 Quebra os tokens em n-gramas (n=3)
▪ Ex. “cavalo” -> “cav”, “ava”, “val”, “alo”
 Conjunto de treinamento
▪ tokens com a classe correspondente
▪ Persiste o treinamento
 Classifica exemplos de entrada através de
uma distribuição de probabilidade

Extração de Informação em BD
 Query Manager (QM)
▪ Ferramenta Web
▪ Agiliza consulta e EI dos BD’s de empresas
▪ Facilita construção de relatórios
Localizada no RJ, é especializada em soluções e-learning.

Extração de Informação em
Documentos
 Análise do Código Fonte de Aplicações
▪ Uso de Padrões
▪ Qualidade do Código
Empresa de Curitiba, oferece sistemas de análise do código
fonte em diversas linguagens.

Extração de Informação na WEB
 Filtragem de Fóruns
▪ Controle do Conteúdo
▪ Assunto dos Diálogos
Empresa de São Paulo com mais de 20 anos de mercado.
Oferece soluções para e-learning.

Extração de Informação na WEB
 Monitoramento da WEB
▪ Busca por Hackers
▪ Busca por Terroristas
Empresa mundialmente reconhecida, presente no Brasil há
10 anos, oferecendo soluções nas áreas de segurança web
e redes.

Extração de Informação na WEB
 Monitoramento de opiniões espontâneas na WEB
 Análises qualitativas e quantitativas dos dados
recolhidos
 Informação estruturada de cada post, a partir de cada
serviço cadastrado.
 Empresa brasileira com:

Extração de Informações Estratégicas
 Business Intelligence
▪ Análise de Mercado
▪ Melhoria de Processos
Empresa brasileira que oferece soluções na área de BI.

Extração de Informações Estratégicas
 Análises Biológicas de Dados
▪ Regiões Codificantes (DNA)
▪ Regiões Ativas (Proteínas)
National Center for Biotechnology Information, criado em
1988, localizado nos Estados Unidos. É a principal fonte
de informações sobre Genômica na Internet.

Extração de Informações Estratégicas
 Análises de Arquivos de LOG
▪ Logs de Erro
▪ Logs de Acesso
Empresa mundialmente reconhecida, com mais de 25 anos, oferece
soluções para a análise de logs de erro e acesso a bancos de dados.

Extração de Informações Estratégicas
 Análises de Imagens
▪ Geologia
▪ Climatologia
▪ Astrologia
Empresa brasileira com 10 anos de mercado, oferece soluções para
análise e classificação de imagens.











Revista Espaço Acadêmico http://www.espacoacademico.com.br/059/59silvafilho.htm
Wikipedia - http://www.wikipedia.org
Negócios Integrados - http://www.ni.com.br
PT Sistemas de informação - http://www.ptsi.pt/PTSI
ATSolutions - http://www.atsolutions.com.br
Techne - http://www.techne.com.br
Datacraft - http://www.datacraft.com.br
NBCI - http://www.ncbi.nlm.nih.gov
Semiotic Systems - http://www.semiotic.com.br
E.Life - http://www.elife.com.br
Uma Abordagem de Aprendizagem Híbrida para Extração
de Informação em Textos Semi-Estruturados. Eduardo F.A.
Silva, Flávia A. Barros & Ricardo B. C. Prudêncio
Download

ei-2008