Extração de Informação

Domingos SávioRaoni Franco

Roberto CostaRonaldo Marques

Roteiro

Motivação História Processo de Extração Wrappers Aplicações Referências

Motivação

Internet – Crescimento exponencial de informações;

Maior parte da informação está na base de textos.

Motivação

Documentos não estruturados ou semi-estruturados;

Migração de dados entre diferentes interfaces.

Motivação

Como pesquisar?

Como resumir?

Como gerar bases de conhecimento?

O que é relevante?

História

Início (fim da década de 80) MUC-Message Understanding Conference

Processamento de Linguagem Natural

Ontem Internet

Wrappers

Hoje Mash-up

Processo de Extração

Trata o problema da extração de dados relevantes a partir de uma coleção de documentos [Mus99]

Os dados a serem extraídos são previamente definidos em um template (formulário)

Sistema p/ EI

BD

Item1:Item2:Item3:Item4:Item5:

Template

BC

Processo de Extração

Transformar infomações não-estruturadas em um corpus de documentos ou páginas web dentro de uma base de dados.

Aplicado em diferentes tipos de textos: Artigos de Jornais Web pages Artigos Científicos Mensagens de Newsgroup Classified ads Notas Médicas

EI Tradicional

Extrair informações relevantes de um trecho de texto Blah blah blah relevante blah blah blah

Domínio específico ex: Domínio de Businness

O significado do que é “relevante” é pré-definido ex: ciclo de vida de companhias:

Ações: juntar, separar, comprar Companhias envolvidas e seus papéis Capital envolvido

Dados obscuros e objetivos do escritor são irrelevantes

Utilidade da EI

A base estruturada resultante pode ser usada

para: Procurar ou analisar, utilizando queries

padrões de banco de dados Mineração de Dados Geração de sumários (possivelmente em outra

linguagem) Construção de índices para a coleção de

documentos fonte.

Exemplo: Ataque Terrorista

Exemplo: Ataque Terrorista

Exemplo: Ataque Terrorista

EI comparada com outros campos relacionados

EI vs. Recuperação de Informação EI vs. Compreensão Completa do Texto

EI vs. Recuperação de Informação

RI: Dada uma consulta do usuário, um sistema de RI

seleciona um subconjunto de documentos relevantes de um conjunto maior

Depois o usuário procura as informações que ele necessita no subconjunto selecionado

EI extrai informações relevantes de documentos RI e EI são tecnologias complementares

EI vs. Recuperação de Informação

Recuperação de Informação: Entrega documentos para o usuário

Extração de Informação: Entrega fatos para o usuário/aplicacões

EI vs. Compreensão Completa do Texto

• CCT – entendimento do texto inteiro

• CCT – respresentação alvo deve acomodar a complexidade da língua

• CCT – necessita reconhecer aspectos estilísticos

• EI – somente uma parte do texto é relevante

• EI – representação alvo rígida

• EI – estilo e cor do texto é irrelevante

Por que EI é difícil?

Linguagem Natural é difícil Languagem é flexível – várias formas para

expressar uma única informação 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. Bilbo Baggins was succeeded by Frodo Baggins as

chair-person of Bank of America.… precisa de mais alguma versão?

Por que EI é difícil?

Linguagem é ambígua – mesma sentença podendo ter significados diferentes

Sam, Frodo’s partner, a CMU student, …

Linguagem é dinâmica New words are constantly introduced into the

language: ecotourist, lol Established words gain new senses: to google, to

message

20

Subject: US-TN-SOFTWARE PROGRAMMERDate: 17 Nov 1996 17:37:29 GMTOrganization: Reference.Com Posting ServiceMessage-ID: <56nigp$mrs@bilbo.reference.com>

SOFTWARE PROGRAMMER

Position available for Software Programmer experienced in generating software for PC-Based Voice Mail systems. Experienced in C Programming. Must be familiar with communicating with and controlling voice cards; preferable Dialogic, however, experience with others such as Rhetorix and Natural Microsystems is okay. Prefer 5 years or more experience with PC Based Voice Mail, but will consider as little as 2 years. Need to find a Senior level person who can come on board and pick up code with very little training. Present Operating System is DOS. May go to OS-2 or UNIX in future.

Please reply to:Kim AndersonAdNET(901) 458-2888 faxkimander@memphisonline.com

Subject: US-TN-SOFTWARE PROGRAMMERDate: 17 Nov 1996 17:37:29 GMTOrganization: Reference.Com Posting ServiceMessage-ID: <56nigp$mrs@bilbo.reference.com>

SOFTWARE PROGRAMMER

Position available for Software Programmer experienced in generating software for PC-Based Voice Mail systems. Experienced in C Programming. Must be familiar with communicating with and controlling voice cards; preferable Dialogic, however, experience with others such as Rhetorix and Natural Microsystems is okay. Prefer 5 years or more experience with PC Based Voice Mail, but will consider as little as 2 years. Need to find a Senior level person who can come on board and pick up code with very little training. Present Operating System is DOS. May go to OS-2 or UNIX in future.

Please reply to:Kim AndersonAdNET(901) 458-2888 faxkimander@memphisonline.com

Sample Job Posting

21

Extracted Job Template

computer_science_jobid: 56nigp$mrs@bilbo.reference.comtitle: SOFTWARE PROGRAMMERsalary:company:recruiter:state: TNcity:country: USlanguage: Cplatform: PC \ DOS \ OS-2 \ UNIXapplication:area: Voice Mailreq_years_experience: 2desired_years_experience: 5req_degree:desired_degree:post_date: 17 Nov 1996

22

Amazon Book Description….</td></tr></table><b class="sans">The Age of Spiritual Machines : When Computers Exceed Human Intelligence</b><br><font face=verdana,arial,helvetica size=-1>by <a href="/exec/obidos/search-handle-url/index=books&field-author= Kurzweil%2C%20Ray/002-6235079-4593641">Ray Kurzweil</a><br></font><br><a href="http://images.amazon.com/images/P/0140282025.01.LZZZZZZZ.jpg"><img src="http://images.amazon.com/images/P/0140282025.01.MZZZZZZZ.gif" width=90 height=140 align=left border=0></a><font face=verdana,arial,helvetica size=-1><span class="small"><span class="small"><b>List Price:</b> <span class=listprice>$14.95</span><br><b>Our Price: <font color=#990000>$11.96</font></b><br><b>You Save:</b> <font color=#990000><b>$2.99 </b>(20%)</font><br></span><p> <br>

….</td></tr></table><b class="sans">The Age of Spiritual Machines : When Computers Exceed Human Intelligence</b><br><font face=verdana,arial,helvetica size=-1>by <a href="/exec/obidos/search-handle-url/index=books&field-author= Kurzweil%2C%20Ray/002-6235079-4593641">Ray Kurzweil</a><br></font><br><a href="http://images.amazon.com/images/P/0140282025.01.LZZZZZZZ.jpg"><img src="http://images.amazon.com/images/P/0140282025.01.MZZZZZZZ.gif" width=90 height=140 align=left border=0></a><font face=verdana,arial,helvetica size=-1><span class="small"><span class="small"><b>List Price:</b> <span class=listprice>$14.95</span><br><b>Our Price: <font color=#990000>$11.96</font></b><br><b>You Save:</b> <font color=#990000><b>$2.99 </b>(20%)</font><br></span><p> <br>…

23

Extracted Book Template

Title: The Age of Spiritual Machines : When Computers Exceed Human IntelligenceAuthor: Ray KurzweilList-Price: $14.95Price: $11.96::

Tipos de texto

Estruturado Formato pre-definido e rígido

Não-Estruturado Livre Sentenças em alguma linguagem natural

Semi-estruturado Formatação não segue regras rígidas Algum grau de estruturação

campos ausentes variações na ordem dos dados

<HTML><TITLE>Some Country Codes</TITLE><BODY> <B>Congo</B> <I>242</I><BR> <B>Egypt</B> <I>20</I><BR> <B>Spain</B> <I>34</I><BR> <B>Belize</B> <I>501</I><BR>

<HR></BODY></HTML>

• Uno 97, 4p., Ar, Dir, VE, Som,

Prata

• Gol 16V, ano 94, Ar, 2 portas, Al.

• Corsa 92, c/ 2 portas, Alarme,

Rodas

Estudantes caras-pintadas protestaram, ontem, no Centro de São Paulo exigindo o impeachment do prefeito Celso Pitta, acusado de corrupção por sua ex-mulher.

Tipos de Sistemas para EI

Baseados em PLN Extrair informações de textos em linguagem natural (livre) Padrões lingüísticos

Wrappers Principalmente para textos estruturados e semi-estruturados Formatação do texto, marcadores, freqüência estatística

das palavras Construção

Manual X Aprendizagem

Construção manual de Wrappers

Baseada em engenharia do conhecimento Construção manual de regras de extração Padrões de extração são descobertos por especialistas

após examinarem o corpus de treinamento

Vantagem Boa performance dos Sistemas

Desvantagens Processo de desenvolvimento trabalhoso Escalabilidade Especialista pode não estar disponível

Construção Automática de Wrappers

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

Natural Language Processing Capazes de lidar com as irregularidades

das línguas naturais Técnicas.

Part-of-speech (POS) tagging Mark each word as a noun, verb, preposition,

etc. Syntactic parsing

Identify phrases: NP, VP, PP Semantic word categories

KILL: kill, murder, assassinate, strangle, suffocate

Wrappers - Técnicas de Extração

Definem como o sistema realiza o processo de extração da informação

Técnicas Autômatos Finitos Casamento de Padrões Classificação de Textos Modelos de Markov Escondidos

Wrappers – Autômatos Finitos

Regras de extração na forma de autômatos finitos Definidos por:

(1) estados que “aceitam” os símbolos do texto que preenchem algum campo do formulário de saída,

(2) os estados que apenas consomem os símbolos irrelevantes encontrados no texto, e

(3) os símbolos que provocam as transições de estado Textos estruturados e semi-estruturados

Delimitadores, ordem dos elementos

Wrappers – Autômatos finitos

Exemplo<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>

b

U_U

N_N

? / å etc.

? / å

? / å

? / next_token

? / 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 ofstates X and Y

• etc.

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 ofstates X and Y

• etc.

s<U,U> / ås<U,U> / å

s<b,U> /“U=”+ next_token

s<N,N> / ås<N,N> / ås<b,N> /“N=”+ next_token

s<U,N> /“N=”+ next_tokens<U,N> /“N=”+ next_token

Wrappers - Casamento de Padrões Aprendem regras na forma de expressões regulares. Expressões regulares que “casam” com o texto para extrair as

informações Textos livres, estruturados e semi-estruturados

Delimitadores, padrões regulares (Ex. data, CEP)

Padrão :: * (Digit) ‘ BR’ * ‘$’ (Number)Formulário:: Aluguel {Quartos $1} {Preço $2}

Capitol Hill – 1 br twnhme. fplc D/W W/D.

Undrgrnd pkg incl $675. 3 BR, upper flr

of turn of ctry HOME. incl gar, grt N. Hill

loc $995. (206) 999-9999 <br>

<i> <font size=-2>(This ad last ran

on 08/03/97.) </font> </i> <hr>

Wrappers - Classificação de textos

Dividem o texto de entrada em fragmentos candidatos a preencher algum campo do formulário de saída.

Classificam os fragmentos com base em suas características posição número de palavras presença de palavras específicas letras capitalizadas

Desvantagem Classificação local independente para cada fragmento

(desvantagem) Textos semi-estruturados

Classificação de Textos

Classificam fragmentos do documento para determinar que campo do formulário eles devem preencher

Classificador

outrosempresaoutrosnomecargoenderecoenderecotelefonetelefone

Wrappers - Modelos de Markov Escondidos (HMM) Um HMM é um autômato finito probabilístico que consiste em:

(1) Um conjunto de estados ocultos S; (2) Uma probabilidade de transição Pr[s’/s] entre os estados ocultos s E S e

s’ E S; (3) Um conjunto de símbolos T emitidos pelos estados ocultos; (4) Uma distribuição de probabilidade Pr[t/s] de emissão de cada símbolo t E

T para cada estado escondido s E S. Processo de classificação

O algoritmo Viterbi Retorna a seqüência de estados ocultos com maior probabilidade de ter

emitido cada seqüência de símbolos de entrada. Vantagem

Realizar uma classificação ótima para a seqüência completa de entrada. Desvantagem

Não é capaz de fazer uso de múltiplas características dos Tokens (por exemplo, formatação, tamanho e posição),

Desenvolvimento Teórico Um “modelo” HMM é definido por:

1 2

3

y1 y2 y3 y4 y1 y2 y3 y4

y1 y2 y3 y4

a12

a13

a21

a23

a31 a23

a11 a22

a33

b11

b31

b21

b32

b12 b22

b33

b13 b23b14 b24

b34

O número de estados não-visíveis. A matriz de transição de estados.

O número de observações ou estados visíveis.

A matriz de probabilidade de emissão de estados visíveis.

Exemplo Ilustrativo

1 2 3

Lago L1

Lago L2

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

PX L1, L2, L2, L2, L1, L2, L1, L1, L2, L1

Deseja-seidentificar este

pato!!

Exemplo Ilustrativo

P1 L1, L2, L2, L1, L1, L1, L2, L2, L2, L2

4 transições que saem de L1

2 transições vão para L1

2 transições vão para L2

A1 Chegada

Sa

ída

L1 L2

L1 0.5 0.5

L2

Assume-se que a probabilidade dese visitar um lago depende de quelago foi visitado no dia anterior,caracterizando uma Cadeia de Markov.

Exemplo Ilustrativo

P1 L1, L2, L2, L1, L1, L1, L2, L2, L2, L2

A1 Chegada

Saída

L1 L2

L1 0.5 0.5

L2

5 transições que saem de L2

1 transição vai para L1

4 transições vão para L2

Assume-se que a probabilidade dese visitar um lago depende de quelago foi visitado no dia anterior,caracterizando uma Cadeia de Markov.

Exemplo Ilustrativo

P1 L1, L2, L2, L1, L1, L1, L2, L2, L2, L2

A1 Chegada

Saída

L1 L2

L1 0.5 0.5

L2 0.2 0.8

5 transições que saem de L2

1 transição vai para L1

4 transições vão para L2

Assume-se que a probabilidade dese visitar um lago depende de quelago foi visitado no dia anterior,caracterizando uma Cadeia de Markov.

Exemplo Ilustrativo

0.80.2L2

0.50.5L1

L2L1

Sa

ída

ChegadaA1

0.70.2L2

0.60.4L1

L2L1

Sa

ída

ChegadaA2

0.50.5L2

0.60.4L1

L2L1S

aíd

a

ChegadaA3

Exemplo Ilustrativo

Conclusões: Probabilidade de PX ter sido gerado pelo Pato 1:

PX L1, L2, L2, L2, L1, L2, L1, L1, L2, L1

A1 Chegada

Sa

ída

L1 L2

L1 0.5 0.5

L2 0.2 0.8

0.5 x 0.8 x 0.8 x 0.2 x 0.5 x 0.2 x 0.5 x 0.5 x 0.2 = 0.00032

Exemplo Ilustrativo

Conclusões: Probabilidade de PX ter sido gerado pelo Pato 2:

PX L1, L2, L2, L2, L1, L2, L1, L1, L2, L1

A2 Chegada

Sa

ída

L1 L2

L1 0.4 0.6

L2 0.25 0.75

0.6 x 0.75 x 0.75 x 0.25 x 0.6 x 0.25 x 0.4 x 0.6 x 0.25 = 0.000759375

Exemplo Ilustrativo

Conclusões: Probabilidade de PX ter sido gerado pelo Pato 3:

PX L1, L2, L2, L2, L1, L2, L1, L1, L2, L1

A3 Chegada

Sa

ída

L1 L2

L1 0.4 0.6

L2 0.5 0.5

0.5 x 0.5 x 0.5 x 0.6 x 0.5 x 0.6 x 0.4 x 0.5 x 0.6 = 0.0027

Comparando as probabilidades, conclui-se que o mais provável é que o pato desconhecido seja o Pato 3!

Extração de Informação em Documentos Conteúdo

Análise EstruturalAnálise Semântica

Empresa portuguesa responsável por 3,4% do PIB de Portugal.

Aplicações

Extração de Informação em Documentos Análise do Código Fonte de Aplicações

Uso de PadrõesQualidade do Código

Empresa de Curitiba, oferece sistemas de análise do código fonteem diversas linguagens.

Aplicações

Extração de Informação na WEB Filtragem de Fóruns

Controle do ConteúdoAssunto dos Diálogos

Empresa de São Paulo com mais de 20 anos de mercado. Oferecesoluções para e-learning.

Aplicações

Extração de Informação na WEBMonitoramento da WEB

Busca por HackersBusca por Terroristas

Empresa mundialmente reconhecida, presente no Brasil há 10 anos,

oferecendo soluções nas áreas de segurança web e redes.

Aplicações

Aplicações

Extração de Informação na WEB Monitoramento de opiniões espontâneas da WEB Análises qualitativas e quantitativas dos dados recolhidos Informação estruturada de cada post, a partir de cada serviço

cadastrado. Empresa brasileira com

3 anos de mercado.

Extração de Informações Estratégicas Business Intelligence

Análise de MercadoMelhoria de Processos

Empresa brasileira que oferece soluções na área de BI.

Aplicações

Extração de Informações Estratégicas Análises Biológicas de Dados

Regiões Codificantes (DNA)Regiões Ativas (Proteínas)

National Center for Biotechnology Information, criado em 1988, localizadonos Estados Unidos. É a principal fonte de informações sobre Genômicana Internet.

Aplicações

Extração de Informações EstratégicasAnálises de Arquivos de LOG

Logs de ErroLogs 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.

Aplicações

Extração de Informações Estratégicas Análises de Imagens

GeologiaClimatologiaAstrologia

Empresa brasileira com 10 anos de mercado, oferece soluções paraanálise e classificação de imagens.

Aplicações de RI

Referências

Uma Abordagem de Aprendizagem Híbrida para Extração de Informação em Textos Semi-Estruturados. Eduardo F.A. Silva, Flávia A. Barros & Ricardo B. C. Prudêncio

http://gate.ac.uk/ie/index.html 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/