Index of /rozprawy2/10951

Akademia G´

orniczo-Hutnicza

im. Stanis lawa Staszica w Krakowie

Wydzia l Informatyki, Elektroniki i Telekomunikacji

Katedra Informatyki

Rozprawa doktorska

Automatyczna ekstrakcja relacji semantycznych

z tekst´

ow w j

ezyku polskim

_,

Aleksander Smywi´

nski-Pohl

Promotor:

prof. dr hab. Wies law Lubaszewski

O´swiadczam, ´swiadomy odpowiedzialno´sci karnej za po´swiadczenie nieprawdy, ˙ze niniejsza prac, e dyplomow, a wykona lem osobi´, scie i

samodzielnie, i nie korzysta lem ze ´zr´ode l innych ni ˙z wymienione w pracy.

. . . .

1. Wstep ..._, 7

1.1. Teza rozprawy doktorskiej ... 7

1.2. Struktura rozprawy doktorskiej ... 8

1.3. Podziekowania..._, 9

2. Wprowadzenie do zagadnienia ekstrakcji informacji ... 10

2.1. Pojecie ekstrakcji informacji ... 10_,

2.2. Uzasadnienie potrzeby bada´n ... 12

2.3. Natura danych a problem ekstrakcji informacji ... 14

2.4. Zadania definiowane w ramach ekstrakcji informacji ... 16

3. Reprezentacja wiedzy – relacje i sieci semantyczne ... 22

3.1. Symbol jezykowy... 22_,

3.2. Relacje semantyczne ... 28

3.3. Sieci semantyczne... 35

4. Historia i stan bada´n nad ekstrakcja informacji ... 42_,

4.1. Ekstrakcja informacji w jezyku angielskim ... 42_,

4.2. Ekstrakcja informacji w jezyku polskim ... 55_,

5. Szkic algorytmu ekstrakcji relacji semantycznych ... 67

5.1. Cel algorytmu ... 67

5.2. Struktura g l´ownego algorytmu... 69

5.3. Algorytmy pomocnicze... 70

5.4. Wykorzystywane ´zr´od la wiedzy ... 72

6. Zasoby wykorzystywane przez algorytm ... 75

6.1. Korpusy tekst´ow ... 75

6.2. S lowniki fleksyjne... 77

6.3. S lownik semantyczny ... 80

6.4. Ontologia ... 84

6.5. Semantyczna baza wiedzy ... 87

6.6. Integracja ´zr´ode l wiedzy ... 89

6.7. Opis symbolu jezykowego... 90_,

7. Algorytmy pomocnicze ... 92

7.1. Algorytm wyboru zda´n zawierajacych relacje semantyczne... 92_,

7.2. Semantyczna klasyfikacja symboli jezykowych... 98_, 4

SPIS TRE´SCI 5

7.3. Ujednoznacznianie sensu wyra˙ze´n w tek´scie ... 105

7.4. Automatyczne okre´slanie ogranicze´n semantycznych... 115

8. Algorytm tworzenia wzorc´ow ekstrakcyjnych... 122

8.1. Wyb´or ekstrahowanej relacji... 122

8.2. Okre´slenie zbioru symboli po laczonych relacj_, a ... 123_,

8.3. Wyszukiwanie par symboli w korpusie ... 124

8.4. Filtrowanie zda´n zawierajacych argumenty relacji... 126_,

8.5. Ekstrakcja wzorc´ow formalnych... 127

8.6. Okre´slenie statystycznych cech wzorc´ow... 128

8.7. Dopasowywanie wzorc´ow formalnych do tekstu... 131

8.8. Okre´slenie ogranicze´n semantycznych ... 134

8.9. Rozpoznawanie relacji semantycznych ... 139

9. Konstrukcja wzorc´ow relacji ca lo´s´c-cz , e´s´c... 141

9.1. Pary poje´_,c dla relacji ca lo´s´c-cze´_,s´c ... 141

9.2. Taksonomia ontologii Cyc ... 143

9.3. Przyk lady zda´n zawierajacych relacj_, e ca lo´_, s´c-cze´_,s´c ... 144

9.4. Filtrowanie przyk lad´ow... 146

9.5. Ekstrakcja wzorc´ow formalnych... 147

9.6. Ujednoznacznienie sensu wyra˙ze´n w korpusie PAP ... 149

9.7. Dopasowywanie wzorc´ow formalnych do zda´n ... 151

9.8. Okre´slenie ogranicze´n semantycznych ... 154

10.Wyniki ekstrakcji relacji ca lo´s´c-cze´_,s´c... 158

10.1. Wyniki dopasowania wzorc´ow formalnych ... 158

10.2. Wyniki dopasowania wzorc´ow ekstrakcyjnych ... 168

10.3. Ekstrakcja innych relacji semantycznych ... 175

11.Podsumowanie ... 177

11.1. Najwa˙zniejsze osiagni_, ecia naukowe ... 178_,

11.2. Dalsze kierunki bada´n... 180

Bibliografia... 183

Dodatki ... 197

A. Lista par symboli po laczonych predykatem #$anatomicalParts ... 198_,

B. Lista par polskich symboli dla predykatu #$anatomicalParts... 201

C. Taksonomia zakorzeniona w pojeciu #$Bird... 204_,

D. Wzorce formalne relacji ca lo´s´c-cze´_,s´c o CDP ≥ 2... 206

E. Lista predykat´ow DBpedii dla relacji ca lo´s´c-cze´_,s´c ... 211

Praca dotyczy ekstrakcji informacji z polskich tekst´ow. Zasadniczym jej tematem jest rozpoznawa-nie relacji semantycznych w oparciu o automatyczrozpoznawa-nie konstruowane wzorce ekstrakcyjne. Przedstawiono w niej r´ownie˙z algorytm selekcji zda´n, na podstawie kt´orych tworzony jest model ekstrakcji oraz algorytmy ujednoznaczniania i semantycznej klasyfikacji wyra˙ze´n jezyka polskiego._,

Wzorce ekstrakcyjne sa konstruowane na podstawie przyk ladowych zda´_, n zawierajacych wyra˙zenia po-_, laczone relacjami oraz wyposa˙zane s_, a w ograniczenia semantyczne zdefiniowane z wykorzystaniem poj_, e´_,c ontologii Cyc. Ograniczenia okre´slane sa na podstawie trzech metod: r_, ecznej oceny zda´_, n, predykat´ow on-tologii Cyc oraz danych znajdujacych si_, e w DBpedii._,

Przeprowadzono szereg eksperyment´ow weryfikujacych skuteczno´_, s´c opisywanych algorytm´ow, w szcze-g´olno´sci dotyczacych ekstrakcji relacji ca lo´_, s´c-cze´_,s´c. Pokazuja one, ˙ze u˙zycie ogranicze´_, n semantycznych prowadzi do istotnej poprawy precyzji ekstrahowanych informacji. Por´ownanie wynik´ow ekstrakcji dla ogranicze´n uzyskanych na r´o˙zne sposoby pozwala obroni´c teze pracy o mo˙zliwo´_, sci automatycznej eks-trakcji relacji semantycznych z wykorzystaniem algorytmu hybrydowego, korzystajacego z symbolicznych_, zasob´ow wiedzy.

S lowa kluczowe: ekstrakcja relacji, wzorce ekstrakcyjne, relacja ca lo´s´c-cze´_,s´c, ograniczenia semantyczne, jezyk polski, Cyc, Wikipedia_,

1. Wst

ep

_,

1.1. Teza rozprawy doktorskiej

Tematem niniejszej pracy jest automatyczna ekstrakcja relacji semantycznych z tekst´ow w jezyku_, polskim. Teza pracy jest nastepuj_, aca: mo ˙zliwe jest skonstruowanie hybrydowego algorytmu eks-_, trakcji wybranych relacji semantycznych z tekst´ow w jezyku polskim, kt´_, ory:

1. dawa lby wyniki bardziej precyzyjne ni ˙z te, otrzymywane za pomoca algorytm´_, ow sta-tystycznych,

2. nie by lby ograniczony do pojedynczej dziedziny wiedzy, 3. wymaga lby mniejszego nak ladu pracy r

,

ecznej, ni ˙z algorytm wytrenowane na r

,

ecznie oznakowanym zbiorze uczacym._,

Poszczeg´olne elementy tezy wymagaja doprecyzowania. W pierwszej kolejno´_, sci nale˙zy wyja´sni´c co rozumiemy przez algorytm hybrydowy – jest to algorytm, kt´ory wykorzystuje elementy charakterystyczne dla dw´och paradygmat´ow szeroko stosowanych w przetwarzaniu jezyka naturalnego, tj. paradygmatu_, statystycznego oraz paradygmatu symbolicznego.

Cecha charakterystyczn_, a pierwszego paradygmatu jest wykorzystywanie du˙zych zbior´_, ow danych, naj-cze´_,sciej du˙zych korpus´ow tekst´ow. Stosujac proste algorytmy statystyczne (np. opieraj_, ace si_, e na praw-_, dopodobie´nstwie warunkowym wystepowania r´_, o˙znych zdarze´n jezykowych) lub bardziej zaawansowane_, algorytmy uczenia maszynowego oczekuje sie, ˙ze odpowiednie modele zjawisk j_, ezykowych, zostan_, a zbu-_, dowane automatycznie. Takie podej´scie stosowane jest np. przez firme Google w jej systemie t lumaczenia_, maszynowego1. Zaleta system´_, ow tego rodzaju jest to, ˙ze nie wymagaja dostosowywania do konkretnego_, jezyka naturalnego, natomiast wad_, a, ˙ze nie zawsze dost_, epne s_, a zasoby pozwalaj_, ace na wytrenowanie_, odpowiednio precyzyjnych modeli.

W przeciwie´nstwie do paradygmatu statystycznego, w paradygmacie symbolicznym podstawowym zasobem wykorzystywanym przez algorytmy sa bazy wiedzy, opisuj_, ace zjawiska j_, ezykowe w spos´_, ob sym-boliczny. Najcze´_,sciej bazy te konstruowane sa r_, ecznie, co wymaga du˙zych nak lad´_, ow finansowych. Ponadto, przy ich konstrukcji zak lada sie okre´_, slona teori_, e funkcjonowania j_, ezyka, kt´_, ora mo˙ze okaza´c sie niekom-_, pletna lub niedok ladna. Z drugiej jednak strony, dzia lanie algorytmu jest latwiejsze do zrozumienia, gdy˙z np. po´srednie wyniki jego dzia lania mo˙zna zinterpretowa´c w kontek´scie wykorzystywanej teorii. Przy-k ladami zasob´ow wykorzystywanych w algorytmach tego rodzaju sa WordNet [41], FrameNet [8] oraz_, ontologia Cyc [66].

Pierwszy podpunkt tezy, m´owiacy o tym, ˙ze wyniki algorytmu hybrydowego powinny by´_, c lepsze ni˙z wyniki otrzymywane przez algorytm statystyczny, nie oznacza, ˙ze algorytm ten nie mo˙ze pos lugiwa´c

1_Dost

,

epne http://translate.google.com.

sie danymi statystycznymi. Teza to ma na celu podkre´_, slenie charakteru algorytmu – jego hybrydowo´sci, tzn. uwzgledniania zar´_, owno danych korpusowych, jak i symbolicznych. Aby obroni´c te cz_, e´_,s´c tezy na-le˙zy pokaza´c, ˙ze uwzglednienie cech symbolicznych prowadzi do poprawy precyzji ekstrakcji. Je´_, sli taka poprawa nie nastepuje, oznacza loby to, ˙ze dodatkowy nak lad zwi_, azany z analiz_, a symboliczn_, a nie jest_, uzasadniony.

Nie nale˙zy jednak przyjmowa´c, ˙ze teza ta jest trywialna – badania pokazuja bowiem, ˙ze wykorzy-_, stanie analizy symbolicznej, kt´ora wymaga miedzy innymi ujednoznacznianie sensu wyra˙ze´_, n jezykowych,_, wcale nie musi poprawi´c wynik´ow algorytm´ow przetwarzania tekstu. Wynika to przede wszystkim z pro-blem´ow jakie pojawiaja si_, e przy ujednoznacznianiu – jego jako´_, s´c mo˙ze by´c na tyle niska, ˙ze dodatkowa poprawa wynik´ow, otrzymywana dzieki wykorzystaniu zasob´_, ow symbolicznych, jest niwelowana przez b ledy pojawiaj_, ace si_, e na tym etapie [3]._,

Drugi podpunkt tezy wymaga, aby algorytm sprawdza l sie w mo˙zliwie najszerszym spektrum zasto-_, sowa´n. Chodzi tu przede wszystkim o pokazanie, ˙ze analiza semantyczna prowadzona w trakcie ekstrakcji informacji nie jest trywialna. Przyjmujac bowiem, ˙ze algorytm przeznaczony by lby do ekstrakcji infor-_, macji z waskiej dziedziny wiedzy, mo˙zliwe by loby uzyskanie znacznie lepszych wynik´_, ow, bowiem problem wieloznaczno´sci danych jest w takich warunkach istotnie ograniczony. Ponadto, zak ladajac okre´_, slona dzie-_, dzine wiedzy mo˙zna wykorzysta´_, c ontologie lub s lownik dziedzinowy, kt´_, ore definiuja i klasyfikuj_, a wy l_, acznie_, te pojecia oraz relacje, kt´_, ore wystepuj_, a w danej dziedzinie. Konstrukcja algorytmu niezale˙znego od dzie-_, dziny jest o tyle utrudniona, ˙ze konieczne jest wykorzystanie bardzo obszernych zasob´ow, kt´ore obejmuja_, swoim zakresem jak najwieksz_, a liczb_, e poj_, e´_,c, nale˙zacych do r´_, o˙znych dziedzin. Biorac pod uwag_, e ten fakt,_, problemy ujednoznaczniania sensu, klasyfikacji wyra˙ze´n oraz rozpoznawania relacji semantycznych musza_, by´c faktycznie rozwiazane._,

Ostatnie wymaganie dotyczy nak lad´ow pracy recznej, kt´_, ore sa konieczne do realizacji za lo˙zonego_, przedsiewzi_, ecia. Wypracowana metoda powinna go minimalizowa´_, c, cho´c trudno oczekiwa´c, aby mo˙zna ja_, by lo ca lkowicie wyeliminowa´c. Aby wykaza´c prawdziwo´s´c tej cze´_,sci tezy, konieczne jest zaimplementowanie r´o˙znych wariant´ow algorytmu – jednego opierajacego si_, e w istotnej mierze na danych pozyskanych r_, ecznie_, oraz drugiego, w kt´orym przewa˙zajaca ilo´_, s´c danych, pozyskana by laby w spos´ob automatyczny. Je´sli wyniki drugiego wariantu oka˙za si_, e lepsze od wynik´_, ow wariantu pierwszego, ta cze´_,s´c tezy zostanie r´ownie˙z obroniona.

1.2. Struktura rozprawy doktorskiej

Rozwiazanie tak z lo˙zonego problemu jakim jest automatyczna ekstrakcja relacji nie jest zadaniem_, prostym, dlatego te˙z opis jego rozwiazania jest do´_, s´c obszerny. Chcac u latwi´_, c czytelnikowi poruszanie sie_, po niniejszym tek´scie, tre´s´c pracy podzielona zosta la na szereg rozdzia l´ow. I tak w rozdziale 2 przedsta-wione zosta lo wprowadzenie do zagadnienia ekstrakcji informacji. W szczeg´olno´sci zdefiniowano w nim samo pojecie ekstrakcji informacji, tak jak jest ono rozumiane przez autora, przedstawiono w nim szereg_, problem´ow, kt´ore stanowia o z lo˙zono´_, sci tego zagadnienia oraz om´owiono zadania definiowane w ramach tej dziedziny wiedzy, z szczeg´olnym uwzglednieniem ekstrakcji relacji semantycznych._,

W rozdziale 3 przedstawiona jest terminologia wykorzystywana w dalszych cze´_,sciach pracy. Rozdzia l ten jest niezbedny, poniewa˙z praca niniejsza nale˙zy do dziedziny informatyki, ale nie mo˙ze abstrahowa´_, c od termin´ow wykorzystywanych w jezykoznawstwie. Szczeg´_, olny nacisk zosta l po lo˙zony na om´owienie relacji semantycznych, gdy˙z to one sa przedmiotem ekstrakcji oraz sieci semantycznych, gdy˙z stanowi_, a_, one podstawowy zas´ob wykorzystywany do rozwiazania postawionego problemu._,

1.3. Podziekowania_, 9

Rozdzia l 4 zawiera om´owienie historii bada´n nad ekstrakcja informacji. W pierwszej kolejno´_, sci om´ o-wiono w nim rozw´oj tej dziedziny na przyk ladzie jezyka angielskiego, gdy˙z, podobnie jak w innych pro-_, blemach podejmowanych w dziedzinie przetwarzania jezyka naturalnego, najwcze´_, sniej zajeto si_, e tym_, problemem w kontek´scie tego jezyka. W drugiej cz_, e´_,sci tego rozdzia lu om´owione sa r´_, ownie˙z postepy jakie_, zosta ly dokonane w tej dziedzinie dla jezyka polskiego. Stanowi_, a one zasadniczy punkt odniesienia dla_, bada´n przedstawionych w niniejszej rozprawie.

Zasadnicza cze´_,s´c pracy rozpoczyna sie w rozdziale 5 – w nim opisana jest struktura g l´_, ownego algo-rytmu s lu˙zacego do ekstrakcji relacji semantycznych. Zosta ly w nim przedstawione r´_, ownie˙z algorytmy pomocnicze niezbedne do realizacji tego zadania oraz zasoby wykorzystywane przez algorytm. Zasoby te_, sa szczeg´_, o lowo om´owione w rozdziale 6, natomiast algorytmy pomocnicze w rozdziale 7.

Rozdzia l 8 zawiera szczeg´o lowy opis algorytmu s lu˙zacego do konstrukcji wzorc´_, ow ekstrakcyjnych oraz spos´ob ich wykorzystania do ekstrakcji relacji semantycznych. Jest to niewatpliwie najwa˙zniejszy rozdzia l_, niniejszej pracy, a fragment, kt´ory zas luguje na najwieksz_, a uwag_, e dotyczy r´_, o˙znych metod okre´slania ogranicze´n semantycznych wykorzystywanych do ekstrakcji relacji. Przedstawione sa w nim zasady r_, ecznej_, oraz automatycznej konstrukcji tych ogranicze´n.

Kolejne dwa rozdzia ly, tj. 9 oraz 10, opisuja proces konstrukcji wzorc´_, ow ekstrakcyjnych dla relacji ca lo´s´c-cze´_,s´c oraz wyniki eksperyment´ow przeprowadzonych z u˙zyciem tych wzorc´ow. Eksperymenty te stanowia podstaw_, e obrony tezy przedstawionej na pocz_, atku niniejszego rozdzia lu._,

Rozdzia l 11 zawiera wnioski wynikajace z niniejszej pracy. Przede wszystkim om´_, owione sa wnioski_, p lynace bezpo´_, srednio z przeprowadzonych eksperyment´ow. Przedstawiony jest r´ownie˙z szereg zagadnie´n zwiazanych z ekstrakcj_, a relacji semantycznych, kt´_, ore mog lyby poprawi´c jako´s´c uzyskanych wynik´ow, ale nie zosta ly zbadane przez autora.

1.3. Podzi

ekowania

_,

Przygotowanie niniejszej pracy nie by loby mo˙zliwe bez pomocy licznej grupy os´ob. W pierwszej ko-lejno´sci chcia lbym podziekowa´_, c swojej rodzinie, w szczeg´olno´sci ˙zonie Annie, za wyrozumia lo´s´c oraz cier-pliwo´s´c. Chcia lbym bardzo serdecznie podziekowa´_, c swojemu promotorowi, prof. dr. hab. Wies lawowi Lubaszewskiemu, za nieustanne wsparcie merytoryczne udzielane na wszystkich etapach powstawania tej pracy. Ponadto chcia lbym podziekowa´_, c dr. hab. in˙z. Markowi Kisielowi-Dorohinickiemu, dr. in˙z. Bartoszowi Zi´o lce, Mike’owi Bergmanowi, pracownikom Ma lopolskiego Centrum Przedsiebiorczo´_, sci oraz pracownikom Wydzia lu Zarzadzania i Komunikacji Spo lecznej Uniwersytetu Jagiello´_, nskiego za mo˙zli-wo´s´c udzia lu w projektach badawczych, kt´ore rozwine ly moje umiej_, etno´_, sci naukowe i dzieki kt´_, orym uzyska lem wsparcie materialne w trakcie wielu lat powstawania niniejszej pracy. Osobne podziekowanie_, kieruje do Jakuba Perli´_, nskiego, za przet lumaczenie znacznej ilo´sci poje´_,c ontologii Cyc na jezyk polski,_, Krzysztofa Wr´obla, z kt´orym wsp´o lpracowali´smy w projekcie ekstrakcji informacji z Wikipedii oraz Sa-binie Prajsner-Szaty´nskiej, kt´ora ocenia la wyniki ekstrakcji algorytmu. Podziekowania pragn_, e r´_, ownie˙z z lo˙zy´c Sebastianowi Zontkowi, prezesowi firmy Wisdio S.A., za szereg uwag dzieki kt´_, orym prezentowany algorytm bedzie mia l wi_, eksze zastosowanie praktyczne._,

2.1. Poj

ecie ekstrakcji informacji

_,

Ekstrakcja informacji (ang. information extraction – IE ) jest jednym z problem´ow podejmowanych w ramach przetwarzania jezyka naturalnego (ang. natural language processing – NLP ). Obejmuje ona_, obszar bada´n le˙zacy na styku prostych metod opieraj_, acych si_, e na dopasowaniu wzorc´_, ow formalnych (np. wyra˙ze´n regularnych) do tekstu oraz metod uwzgledniaj_, acych semantyk_, e j_, ezyka [58, s. 725-727]. Ambicj_, a_, badaczy zajmujacych si_, e ekstrakcj_, a informacji nie jest jednak stworzenie algorytmu, kt´_, ory dokonywa lby pe lnej interpretacji analizowanego tekstu, gdy˙z ten problem nale˙zy do obszaru bada´n okre´slanego mianem automatycznego rozumienia tekstu. Niemniej badania te istotnie przekraczaja proste metody, w kt´_, orych wydobycie okre´slonej informacji sprowadza sie do rozpoznania charakterystycznego uk ladu tekstu (jak np._, w systemach wydobywajacych tytu l, autor´_, ow oraz s lowa kluczowe z publikacji naukowych) czy okre´slonego uk ladu znacznik´ow HTML (jak to ma miejsce w systemach s lu˙zacych do automatycznej konwersji stron_, internetowych posiadajacych sztywn_, a struktur_, e do postaci danych tabelarycznych). Tym, co odr´_, o˙znia ekstrakcje informacji, od tego drugiego podej´_, scia i co zbli˙za do automatycznego rozumienia tekstu jest centralna rola semantyki w tej metodzie przetwarzania danych.

W historii bada´n nad ekstrakcja informacji mo˙zna spotka´_, c sie z wieloma jej definicjami. Moens [92]_, przytacza kilka spo´sr´od nich, poczynajac od Riloff i Lorenzena [134], kt´_, orzy omawiajac system AutoSlog-_, TS, przedstawiaja nast_, epuj_, ac_, a definicj_, e:_,

IE systems extract domain-specific information from natural language text. The domain and types of information to be extracted must be defined in advance. IE system often focus on object identification, such as references to people, places, companies, and physical objects. [...] Domain-specific extraction patterns (or something similar) are used to identify relevant information.1

Moens zwraca uwage, ˙ze definicja ta reprezentuje tradycyjne rozumienie tego, czym jest ekstrakcji infor-_, macji. W szczeg´olno´sci wystepuje w niej odwo lanie do wzorc´_, ow ekstrakcyjnych (domian-specific extraction patterns), kt´ore dostosowane sa do ´_, sci´sle okre´slonej dziedziny wiedzy. Definicja ta r´ownie˙z zak lada, ˙ze do-mena i rodzaj informacji, kt´ore maja zosta´_, c wyekstrahowane, sa z g´_, ory znane, a zadanie systemu polega na identyfikacji obiekt´ow takich jak ludzie, miejsca czy przedsiebiorstwa._,

Definicja ta jest uznawana przez Moens za zbyt wask_, a, bo cho´_, c w praktyce system ekstrakcji informacji zak lada istnienie schematu danych wykorzystywanego do organizacji danych pozyskiwanych z

analizowa-1 _{Systemy ekstrakcji informacji ekstrahuj}

,

a informacje nale ˙zace do okre´_, slonej dziedziny z tekst´ow w jezyku naturalnym._, Dziedzina oraz typ informacji, kt´ore maja zosta´_, c wyekstrahowane musza by´_, c zdefiniowane z g´ory. System ekstrakcji in-formacji czesto koncentruje si_, e na identyfikacji element´_, ow, takich jak odniesienia do ludzi, miejsc, przedsiebiorstw oraz_, obiekt´ow fizycznych. [...] Dostosowane do wybranej dziedziny wzorce ekstrakcyjne (lub co´s podobnego) sa u ˙zywane do_, identyfikacji istotnych informacji. (t lum. aut.)

2.1. Pojecie ekstrakcji informacji_, 11

nego zbioru tekst´ow, to ten schemat nie powinien by´c dostosowany wy lacznie do jednej dziedziny wiedzy._, Innymi s lowy, oczekujemy aby system ekstrakcji informacji by l uniwersalny w swym sposobie dzia lania. Podobnie, podkre´slenie roli wzorc´ow ekstrakcyjnych jest wa˙zne, ale obecnie nie oczekuje sie, ˙ze b_, ed_, a one_, budowane dla ka˙zdej dziedziny wiedzy z osobna.

Moens nastepnie analizuje definicj_, e_,2 _{Cowiego i Lehnert [30]:}

[information extraction] isolates relevant text fragments, extracts relevant information from the fragments, and then pieces together the extracted information in a coherent framework. [...] The goal of information extraction research is to build systems that find and link relevant information while ignoring extraneous and irrelevant information.3

Definicja ta pojawia sie w artykule Information extraction, podsumowuj_, acym rozw´_, oj tej dziedziny do roku 1996, ze szczeg´olnym uwzglednieniem Message Understanding Conference (MUC), kt´_, orej g l´ownym celem by la stymulacja rozwoju oraz ewaluacja system´ow ekstrakcji informacji.

Moens zauwa˙za, ˙ze definicja ta jest bliska wsp´o lczesnym definicjom ekstrakcji informacji. W szczeg´ ol-no´sci brakuje w niej odwo la´n do wzorc´ow ekstrakcyjnych – jest ona wiec definicj_, a uniwersaln_, a. K ladzie_, r´ownie˙z nacisk na charakterystyczne dla ekstrakcji informacji ignorowanie tych tre´sci, kt´ore nie sa istotne_, z punktu widzenia prowadzonej analizy. Moens zauwa˙za jednak, ˙ze ekstrakcja informacji nie musi ogra-nicza´c sie do tekst´_, ow w jezyku naturalnym. Poj_, ecie to mo˙zna rozszerzy´_, c na informacje zawarte w doku-mentach d´zwiekowych i audiowizualnych, dlatego autorka proponuje nast_, epuj_, ac_, a definicj_, e [92, s. 4]:_,

Information extraction is the identification, and consequent or concurrent classification and structuring into semantic classes, of specific information found in unstructured data sources, such as natural language text, making the information more suitable for information processing tasks.4

Definicja zaproponowana przez Moens jest skonstruowana w ten spos´ob, aby mog la obejmowa´c swoim zasiegiem r´_, ownie˙z wydobywanie informacji z danych takich jak materia ly audiowizualne czy pliki gra-ficzne, przez co jest bardziej uniwersalna. Wprowadza ona jednak pojecie nieustrukturyzowanych ´_, zr´ode l wiedzy, kt´ore cho´c jest intuicyjnie zrozumia le, nie posiada precyzyjnej definicji. Cel ekstrakcji informa-cji r´ownie˙z nie jest zbyt jasny w tym kontek´scie – chodzi o sprawniejsze wykorzystanie wyekstrahowanej wiedzy, ale sprawno´s´c ta nie jest okre´slona (chodzi o wieksz_, a wydajno´_, s´c, czy wieksz_, a precyzj_, e?). Definicja_, ta staje sie zatem zbyt szeroka._,

Intencja Moens mo˙ze zosta´c wyra˙zona w inny spos´ob. W jezykoznawstwie od dawna znane jest roz-_, r´o˙znienie na jezyk przedmiotowy oraz metaj_, ezyk [73, s. 14-17]. Alfred Tarski w artykule The semantic_, conception of truth and the foundations of semantics [151] wykorzystuje to rozr´o˙znienie w celu zdefinio-wania semantycznej definicji prawdy:

[...] we have to use two different languages in discussing the problem of the definition of truth and, more generally, any problems in the field of semantics. The first of these languages is the language which is

”talked about” and which is the subject matter of the whole discussion;

2_{Definicja ta chronologicznie jest wcze´sniejsza ni ˙z definicja Riloff i Lorenzena.}

3 _{[Ekstrakcja informacji] izoluje istotne fragmenty tekstu, ekstrahuje istotne informacje z tych fragment´ow, a nast}

,

epnie laczy wyekstrahowane informacje w sp´_, ojna ca lo´_, s´c. Celem bada´n w zakresie ekstrakcji informacji jest zbudowanie system´ow, kt´ore znajduja i l_, acz_, a istotne informacje, ignoruj_, ac uboczne oraz nieistotne informacje. (t lum. aut.)_,

4 _{Ekstrakcja informacji polega na identyfikacji oraz sekwencyjnym, b}

,

ad´z wsp´o lbie˙znym klasyfikowaniu oraz struktury-zowaniu w klasy semantyczne specyficznych informacji znalezionych w nieustrukturyzowanych ´zr´od lach wiedzy, takich jak teksty w jezyku naturalnym, w celu sprawniejszego wykorzystania tej wiedzy w zadaniach przetwarzania informacji. (t lum._, aut.)

[...]. The second is the language in which we

”talk about” the first language [...]. We shall refer to the first language as

”the object language”, and to the second as”the meta-language”.

5

Zwraca on r´ownie˙z uwage, ˙ze przedstawione rozr´_, o˙znienie przydatne jest w ka˙zdym kontek´scie, w kt´ o-rym mowa jest o semantyce jezyka. Zamiast odwo lywa´_, c sie do poj_, ecia nieustrukturyzowanych danych,_, kt´ore sugeruje, ˙ze dane tekstowe, czy jakiekolwiek inne dane, z kt´orych chcemy ekstrahowa´c informacje nie posiadaja struktury, mo˙zemy odwo la´_, c sie do koncepcji meta-j_, ezyka. Mo˙zemy wtedy powiedzie´_, c, ˙ze dane takie posiadaja struktur_, e (np. w kontek´_, scie tekstu sa to zdania i s lowa, w kontek´_, scie materia l´ow audiowi-zualnych ramki d´zwieku i obrazu, etc.), ale struktura ta jest wyra˙zona wy l_, acznie w terminach meta-j_, ezyka_, (zdania, s lowa, ramki, etc.). Istote ekstrakcji informacji stanowi przej´_, scie od opisu w terminach meta-jezyka do opisu z u˙zyciem j_, ezyka przedmiotowego. A tylko informacje wyra˙zone w tym drugim j_, ezyku_, moga by´_, c bezpo´srednio wykorzystane w systemach informatycznych stworzonych do ich przetwarzania.

Opis danych zawartych np. w artykule dotyczacym Banku Japonii w terminach meta-j_, ezyka wygl_, a-_, da lby nastepuj_, aco: tekst sk lada si_, e z 12 paragraf´_, ow, 85 zda´n i 900 s l´ow, 30% zda´n zawiera ponad 20 s l´ow, s lowo

”jest” wystepuje 24 razy, a s lowo, _”waluta” 3 itd. Natomiast ten sam artyku l opisany w je-,

zyku przedmiotowym bedzie m´_, owi l jaki jest cel inflacyjny Banku, jaki jest aktualny poziom deflacji, jaka jest aktualna i planowana warto´s´c jena w stosunku do dolara, itp. Informacje wyra˙zone w meta-jezyku_, nie moga by´_, c wykorzystane bezpo´srednio np. w aplikacji dokonujacej automatycznych inwestycji waluto-_, wych, gdy˙z jezyk ten nie zawiera poj_, e´_,c takich jak

”waluta” czy”kurs”. Co prawda w jezyku tym mo˙zna,

odnie´s´c sie do s lowa_,

”waluta” ale jest ono jedynie cytowane. W przeciwie´nstwie do meta-jezyka, j, ezyk,

przedmiotowy zawiera te terminy.

Biorac pod uwag_, e tradycj_, e wykorzystania termin´_, ow

”jezyk przedmiotowy” oraz, _”meta-jezyk” w j, ezy-,

koznawstwie i filozofii proponujemy nastepuj_, ac_, a definicj_, e ekstrakcji informacji:_,

Ekstrakcja informacji jest procesem nadawania znaczenia (interpretacji), w kt´orym prze-chodzi sie od opisu danych w terminach meta-j_, ezyka, do opisu w terminach j_, ezyka przedmio-_, towego, dzieki czemu uzyskane informacje mog_, a by´_, c bezpo´srednio wykorzystane w zadaniach przetwarzania informacji. Ekstrakcja informacji zwykle ogranicza sie do interpretowania pew-_, nego podzbioru dostepnych informacji, istotnych z punktu widzenia realizowanego zadania._, W dalszej cze´_,sci niniejszej pracy bedziemy przyjmowa´_, c te definicj_, e jako obowi_, azuj_, ac_, a. W szczeg´_, olno´sci prezentowany algorytm ekstrakcji relacji zosta l skonstruowany w taki spos´ob, aby ograniczenie, o kt´orym mowa w drugiej cze´_,sci definicji, mia lo jak najmniejszy zasieg, tzn. tak aby opracowany algorytm m´_, og l by´c wykorzystywany niezale˙znie od dziedziny zastosowania.

2.2. Uzasadnienie potrzeby bada´

n

Automatyczne przetwarzania jezyk´_, ow naturlanych jest aktywnym obszarem bada´n naukowych. W 2011 roku program Watson stworzony przez IBM wygra l konkurs Jeopardy!6, w kt´orym uczestnicy odpowiadali (a w la´sciwie zadawali pytanie zawierajace odpowied´_, z) na pytania wyra˙zone w jezyku na-_, turalnym. Pokona l on dw´och ludzi, kt´orzy wcze´sniej wielokrotnie wygrywali ten konkurs, wykazujac si_, e_,

5_{[...] musimy wi}

,

ec u ˙zywa´c dw´och jezyk´_, ow w kontek´scie dyskusji nad problemem definicji prawdy i szerzej, ka ˙zdego problemu w obszarze semantyki. Pierwszym z tych jezyk´_, ow jest jezyk_,

”o kt´orym jest mowa” i kt´ory jest przedmiotem ca lej dyskusji; [...] Drugi jest jezykiem_,

”w kt´orym m´owimy o” pierwszym jezyku [...]. Do pierwszego j, ezyka b, edziemy odnosi´, c sie,

mianem

”jezyka przedmiotowego”, a do drugiego mianem, _”meta-jezyka”.,

2.2. Uzasadnienie potrzeby bada´n 13

niezwyk la wiedz_, a oraz znakomit_, a pami_, eci_, a obejmuj_, ac_, a szeroki zakres dziedzin ˙zycia. Wygrana ta po-_, r´ownywana by la do wcze´sniejszego tryumfu IBMa, kt´orego Deep Blue pokona l arcymistrza szachowego Gariego Kasparowa. Podobnie niejedna osoba mia la do czynienia z wirtualnym asystentem Siri, wbu-dowanym w telefony marki Apple, kt´ory wydaje sie rozumie´_, c bardzo szeroki zakres polece´n g losowych i reagowa´c stosowanie do zamierze´n jego u˙zytkownika. Czy zatem nie osiagn_, eli´_, smy ju˙z celu wyznaczonego przez Alana Turinga [154], jakim by lo zbudowanie my´slacej maszyny?_,

Analizujac wynik bada´_, n publikowanych w czasopismach po´swieconych przetwarzaniu j_, ezyka, mo˙zna_, jednak doj´s´c do innych wniosk´ow. Czastkowe zadania, takie jak znakowanie morfosyntaktyczne, roz-_, strzyganie wieloznaczno´sci, parsowanie zda´n, czy wreszcie ekstrahowanie informacji, nadal nie sa reali-_, zowane w spos´ob ca lkowicie satysfakcjonujacy. Przyk ladowo – aktualnie najlepszy polski tagger morfo-_, syntaktyczny cechuje sie 90% precyzj_, a w przypisywaniu warto´_, sci kategorii gramatycznych do s l´ow [158]. Najlepsze algorytmy ekstrahujace relacje z angielskich tekst´_, ow osiagaj_, a jako´_, s´c (F1) na poziomie

70-80% [21, 40, 39], zbyt niska aby uzyskiwane wyniki mo˙zna by lo wykorzystywa´_, c praktycznie. Natomiast poprawne rozpoznawanie mowy ogranicza sie do kr´_, otkich wypowiedzi zawierajacych co najwy˙zej kilka_, s l´ow [164]. Dlatego te˙z wyniki osiagane przez komercyjne programy nale˙zy traktowa´_, c z pewna rezerw_, a –_, niewatpliwie przyczyniaj_, a si_, e one do popularyzacji osi_, agni_, e´_,c z dziedziny przetwarzania jezyk´_, ow natural-nych, lecz daleko im do kompetencji jezykowej ludzi._,

Niniejsza praca jest pr´oba podniesienia jako´_, sci uzyskiwanych rezultat´ow w dziedzinie ekstrakcji in-formacji w jezyku polskim. Cho´_, c nie przynosi ona ostatecznych rozstrzygnie´_,c poruszanych problem´ow, pokazuje jednak i weryfikuje jeden z mo˙zliwych kierunk´ow rozwoju system´ow ekstrahujacych informacje._, Istotny nacisk po lo˙zony zosta l r´ownie˙z na automatyzacje tego procesu, co nie mo˙zna by´_, c zweryfikowane w odniesieniu do system´ow komercyjnych.

2.2.1. Wyszukiwanie informacji w sieciach rozleg lych

Jednym z obszar´ow, w kt´orych ekstrakcja informacji mo˙ze przynie´s´c istotna popraw_, e jest wyszukiwanie_, informacji w sieciach rozleg lych. Nieustannie rosnaca ilo´_, s´c danych tekstowych powoduje, ˙ze standardowe mechanizmy wyszukiwania, oparte na dopasowaniu s l´ow kluczowych oraz strukturze odno´snik´ow hipertek-stowych dobrze sprawdzaja si_, e jedynie przy wyszukiwaniu pojedynczych informacji (tzn. znajduj_, acych si_, e_, na jednej stronie internetowej lub kilku powiazanych stronach). Je´_, sli informacja jest rozproszona w wielu dokumentach, ze wzgledu na liczb_, e zwracanych rezultat´_, ow, ich reczne przegl_, adanie jest nieefektywne._,

Zastosowanie mechanizm´ow ekstrakcji informacji pozwoli loby na znalezienie poszukiwanej informacji bez potrzeby przegladania wielu dokument´_, ow, zawierajacych jedynie cz_, astkowe odpowiedzi na zadane py-_, tanie. W szczeg´olno´sci wynikiem algorytmu mog laby by´c precyzyjna odpowied´z zbudowana na podstawie wielu czastkowych wynik´_, ow.

To zastosowanie ekstrakcji informacji mo˙zna zilustrowa´c nastepuj_, acym przyk ladem. Przypu´_, s´cmy, ˙ze firma produkujaca nawozy zamierza zainwestowa´_, c w nowa fabryk_, e w jednym z kraj´_, ow azjatyckich. Swoja decyzj_, e uzale˙znia jednak od wielu czynnik´_, ow, w tym obowiazuj_, acych w danym kraju regula-_, cji prawnych dotyczacych sposobu transportu oraz przechowywania substancji gro´_, znych dla ´srodowiska. O ile wiele czynnik´ow makroekonomicznych dotyczacych kraj´_, ow ´swiata dostepnych jest np. w rocznikach_, statystycznych, o tyle szczeg´o lowe regulacje prawne nie posiadaja takiego zestawienia. Odpowied´_, z na pytanie, jakie regulacje obowiazuj_, a w danym kraju, wymaga zbadania szczeg´_, o lowych przepis´ow prawa obowiazuj_, acych w tym kraju. Zastosowanie mechanizm´_, ow ekstrakcji informacji umo˙zliwi loby odnalezienie konkretnych przepis´ow regulujacych to zagadnienie oraz sformu lowanie poprawnej odpowiedzi._,

2.2.2. Analiza informacji zawartych w danych tekstowych

Kolejnym obszarem, w kt´orym ekstrakcja informacji mo˙ze by´c bardzo przydatna jest analiza informacji np. na potrzeby gospodarki, kryminalistyki czy bezpiecze´nstwa wewnetrznego. Analiza danych pochodz_, a-_, cych z wielu niezale˙znych ´zr´ode l tekstowych (nie tylko internetowych) mo˙ze by´c istotnie usprawniona, je´sli system komputerowy pozwala na wydobywanie (ekstrahowanie) z wielu dokument´ow tylko tych infor-macji, kt´ore istotne sa z jej punktu widzenia. Precyzyjne, ustrukturyzowane i skondensowane informacje,_, posiadajace uzasadnienie w postaci odno´_, snik´ow do ´zr´ode l, pozwalaja znacznie przy´_, spieszy´c podejmowanie trafnych decyzji.

Podobnie jak w przypadku wyszukiwania informacji w sieciach rozleg lych, tak i w analizie doku-ment´ow tekstowych ekstrakcji informacji, mo˙ze istotnie przyczyni´c sie do poprawy efektywno´_, sci pracy os´ob rozwiazuj_, acych dany problem. R´_, o˙znica pomiedzy tymi scenariuszami polega na tym, ˙ze w pierwszym_, wypadku poszukiwana jest odpowied´z na konkretne pytanie, kt´ora mo˙ze by´c zawarta w wielu dokumen-tach. W przypadku analizy dokument´ow np. w kontek´scie bezpiecze´nstwa wewnetrznego, cz_, esto konieczne_, jest nie tylko znalezienie odpowiedzi na okre´slone pytanie, ale automatyczne uporzadkowanie wielu po-_, wiazanych informacji. Zadanie to nie mo˙ze by´_, c zrealizowane, je´sli nie przyjmiemy pewnego schematu (ontologii) uporzadkowywania tych informacji. Wiele metod z zakresu ekstrakcji informacji zak lada ist-_, nienie takiego schematu, a ich celem jest w la´snie wype lnienie tych schemat´ow danymi odnalezionymi w dokumentach.

Przyk ladem zastosowania mechanizmu ekstrakcji informacji, dajacego w rezultacie analizy dokumen-_, t´ow tekstowych ujednolicone dane, mo˙ze by´c system s lu˙zacy do automatycznej oceny CV kandydat´_, ow do pracy. System oparty o mechanizmy ekstrakcji informacji nie wymaga lby przy rejestracji wype lniania d lugiej ankiety, badajacej umiej_, etno´_, sci oraz dotychczasowa karier_, e kandydata, ale akceptowa lby CV na-_, pisane w jezyku naturalnym, zgodnie z og´_, olnymi zasadami, bez narzucania jednego, wcze´sniej ustalonego szablonu. W efekcie analizy informacje zawarte w dokumencie trafia lyby do bazy danych, kt´ora pozwa-la pozwa-laby wyszukiwa´c kandydat´ow wed lug ujednoliconych kryteri´ow. System tego rodzaju akceptowa lby na wej´sciu zwyk le dokumenty tekstowe, a na wyj´sciu produkowa lby informacje w ujednoliconym formacie, kt´ore mo˙zna by przetwarza´c zar´owno za pomoca zapyta´_, n ad-hoc jak i wyspecjalizowanych algorytm´ow analitycznych.

2.3. Natura danych a problem ekstrakcji informacji

2.3.1.

”

Nieprzezroczysto´

s´

c” semantyczna danych tekstowych

Dane tekstowe sa semantycznie_,

”nieprzezroczyste” dla algorytm´ow, tzn. w tek´scie algorytm ma do czy-nienia wy lacznie z form_, a symboli j_, ezykowych lub nawet tylko z ci_, agami liter (wi_, ecej informacji na temat_, opozycji symbol – ciag znak´_, ow znajduje sie w rozdziale 3). O ile wi_, ec wyszukiwanie oparte o dopasowa-_, nie s l´ow kluczowych mo˙ze zosta´c zrealizowane z ca lkowitym pominieciem znaczenia symboli j_, ezykowych,_, o tyle ekstrakcja danych wymaga zidentyfikowania kategorii semantycznych przetwarzanych s l´ow i wyra-˙ze´n (por´ownaj [89, s. 545-546]). Np. je´sli poszukiwane sa informacje gospodarcze na temat kraj´_, ow azjatyc-kich, w pierwszym rzedzie trzeba okre´_, sli´c jakie sa nazwy tych kraj´_, ow. Wprowadzenie frazy

”gospodarka kraj´ow azjatyckich” w zwyk lej wyszukiwarce nie przyniesie po˙zadanego rezultatu, je´_, sli nie jest dostepny_, dokument, w kt´orym pojawi loby sie takie zestawienie. Charakter danych tekstowych mo˙zna przeciwstawi´_, c danym ustrukturyzowanym, dostepnym np. w relacyjnej bazie danych. W tym drugim przypadku nie po-_, winno by´c watpliwo´_, sci, z kt´orych tabel nale˙zy pobra´c dane, aby uzyska´c po˙zadan_, a informacj_, e, poniewa˙z_,

2.3. Natura danych a problem ekstrakcji informacji 15

ich struktura jest jawna. Dane tekstowe r´ownie˙z posiadaja struktur_, e, ale nie jest ona jawna i musi zosta´_, c odtworzona w procesie ekstrakcji informacji.

2.3.2. Wieloznaczno´

s´

c danych tekstowych

Dane tekstowe sa wieloznaczne, co powoduje, ˙ze na ka˙zdym poziomie analizy j_, ezykowej mo˙zna uzyska´_, c wiele wynik´ow, spo´sr´od kt´orych najcze´_,sciej tylko jeden jest w la´sciwy w okre´slonym kontek´scie (por´ ow-naj [3]). Poczyow-najac od identyfikacji przynale˙zno´_, sci formy do okre´slonej jednostki leksykalnej (np. forma goli, mo˙ze przynale˙ze´c do jednostek o formach podstawowych: goły, golić, gol, itp.), poprzez okre´slenie warto´sci kategorii gramatycznych (np. forma goły odpowiada mianownikowi liczby pojedynczej oraz laczowi liczby pojedynczej wszystkich rodzaj´ow meskich przymiotnika goły), oraz znaczenie jednostki (np._, wyraz zamek mo˙ze reprezentowa´c budowlę7 lub mechanizm zamykający drzwi), sko´nczywszy na drzewie rozbioru syntaktycznego, na wszystkich poziomach analizy wystepuj_, a wieloznaczno´_, sci.

Pominiecie problemu rozstrzygania wieloznaczno´_, sci prowadzi do wynik´ow, kt´ore moga by´_, c wielo-znaczne lub takich, kt´orych nie da sie sensownie zinterpretowa´_, c. Jest to szczeg´olnie istotne, je´sli na podstawie wynik´ow generowanych przez system ekstrakcji, informacje sa dalej przetwarzane z wykorzy-_, staniem mechanizm´ow automatycznego wnioskowania.

Problem ten mo˙zna bardzo dobrze zilustrowa´c na przyk ladzie serwisu Google Trends8_{. Je´sli b}

,

edziemy w nim chcieli por´owna´c popularno´s´c dw´och jezyk´_, ow programowania: Rubiego i Pythona, szybko oka˙ze sie,_, ˙ze ze wzgledu na wieloznaczno´_, s´c tych wyra˙ze´n, prezentowane wyniki nie sa wiarygodne. Przyk ladowo_, w trendzie Rubiego mo˙zna zauwa˙zy´c odno´sniki do wydarze´n zwiazanych z afer_, a Berlusconiego_, 9_.

U˙zyt-kownik serwisu mo˙ze oczywi´scie wybra´c mniej wieloznaczne terminy, np. wpisujac Ruby language oraz_, Python language, uniknie wieloznaczno´sci, ale wtedy wyniki r´ownie˙z nie bed_, a do ko´_, nca wiarygodne, gdy˙z u˙zytkownicy wyszukiwarki Google, na bazie kt´orej prezentowane sa wyniki w Google Trends, znacznie_, rzadziej korzystaja z tego rodzaju jednoznacznych zapyta´_, n poszukujac informacji na okre´_, slony temat.

Gdyby w systemie tym zastosowano mechanizmy ekstrakcji informacji oraz uwzgledniono problem_, wieloznaczno´sci, uzyskany wynik m´og lby by´c zdecydowanie bardziej precyzyjny. Inteligentny system po-siada lby wiedze na temat wieloznaczno´_, sci tych termin´ow i w tym konkretnym kontek´scie przedstawi l wyniki uwzgledniaj_, ace znaczenie posiadaj_, ace wsp´_, olny nadrzednik semantyczny – tj. j_, ezyk programowa-_, nia.

2.3.3. Wyrazy pospolite a nazwy w lasne

Kolejnym problemem, kt´ory musi zosta´c uwzgledniony w procesie ekstrakcji informacji s_, a nazwy w la-_, sne (por´ownaj [71, s. 19-20]). Z jednej strony nazwy sa szczeg´_, olnie istotne w procesie analizy informacji, gdy˙z ze wzgledu na swoj_, a w_, ask_, a dystrybucj_, e najcz_, e´_,sciej zawieraja istotne informacje, kt´_, ore powinny by´c uwzglednione przy ekstrakcji. Z drugiej strony, ich liczba jest istotnie wi_, eksza ni˙z liczba wyraz´_, ow pospoli-tych, przez co w zasadzie nie konstruuje sie s lownik´_, ow, kt´ore pretendowa lyby do obejmowania wszystkich nazw w lasnych (z wyjatkiem s lownik´_, ow czastkowych, zawieraj_, acych np. imiona, nazwiska, czy nazwy_, geograficzne). Nazwy w lasne czesto posiadaj_, a wiele wariant´_, ow (np. AMD: Advanced Micro Devices, itp.), niekiedy tak˙ze synonim´ow (np. Cracowia: Pasy), co dodatkowo utrudnia ich analize. W j_, ezykach flek-_,

7_{W pracy przyj}

,

eto konwencje, zgodnie z kt´_, ora napisy, czyli sk ladniki meta-j_, ezyka, pisane s_, a pismem o sta lej szeroko´_, sci, a symbole jezykowe, czyli elementy j_, ezyka przedmiotowego, pogrubionym pismem o sta lej szeroko´_, sci. Rozr´o ˙znienie to jest szczeg´o lowo om´owione w rozdziale 3.

8_{http://www.google.com/trends/} 9_{Bohaterka seks-skandalu mia la na imi}

,

syjnych (wliczajac w to j_, ezyk polski) problem komplikowany jest r´_, ownie˙z przez fakt, ˙ze odmiana tych nazw musi zazwyczaj zosta´c odgadnieta przez algorytm ujednoznaczniania morfosyntaktycznego, w la´_, snie ze wzgledu na brak odpowiednich s lownik´_, ow.

Problem mo˙zna latwo zilustrowa´c na przyk ladzie systemu, kt´ory dobiera reklamy do tre´sci l´ow w portalu internetowym. W najprostszym przypadku taki system m´og lby wyszukiwa´c nazw reklamo-wanych produkt´ow w tre´sci artyku lu i je´sli taka nazwa pojawi laby sie, algorytm dodawa lby w tre´_, sci arty-ku lu odno´snik do reklamowanego produktu. System tego rodzaju mo˙ze dzia la´c ca lkiem nie´zle dla jezyka_, angielskiego (cho´c oczywi´scie istnieja lepsze metody dobierania reklam), ale ze wzgl_, edu na fleksj_, e j_, ezyka_, polskiego algorytm ten nie rozpozna odmienionych form reklamowanych produkt´ow. Je´sli w tek´scie po-jawi sie np. wyra˙zenie Najnowsza recenzja Tomb Raidera, a w bazie produkt´_, ow bedzie wyst_, epowa la gra_, Tomb Raider, to produkt ten nie zostanie wybrany. U˙zycie s lownik´ow fleksyjnych r´ownie˙z nie pomaga w tym kontek´scie, poniewa˙z ˙zaden z dostepnych w j_, ezyku polskim s lownik´_, ow fleksyjnych [112, 163, 161] nie zawiera odmiany obcego wyrazu Raider.

2.3.4. Wyra ˙zenia wielosegmentowe

Istotna kwesti_, a, kt´_, ory wia˙ze si_, e z nazwami w lasnymi, jest analiza wyra˙ze´_, n wielosegmentowych, takich jak panna młoda, czy Rawa Ruska (por´ownaj [71, s. 23-25]), kt´ore sk ladaja si_, e z wielu s l´_, ow. Nazw w lasne oraz inne wyra˙zenia wielosegmentowe, nie zachowuja zasady kompozycjonalno´_, sci, w my´sl kt´orej znaczenie wyra˙zenie z lo˙zonego jest suma znacze´_, n jego sk ladowych. Z tego wzgledu wyra˙zenia tego rodzaju musz_, a_, by´c rozpoznane jako ca lo´s´c, w przeciwnym bowiem razie ich analiza bedzie co najmniej niedok ladna, a w_, skrajnych przypadkach (np. Zielona Góra) mo˙ze prowadzi´c do zupe lnie b lednych wniosk´_, ow.

2.3.5. Wyra ˙zenia metaforyczne

Metaforyzacja jest procesem polegajacym na tworzeniu nowego znaczenia za pomoc_, a przekszta lce´_, n dokonywanych na znaczeniach ju˙z istniejacych w j_, ezyku. Potocznie przyjmuje si_, e, ˙ze metafora to zjawisko_, nale˙zace do j_, ezyka artystycznego. Jednak XX-wieczne j_, ezykoznawstwo pokazuje, ˙ze metafory wyst_, epuj_, a_, we wszystkich odmianach jezyka, w tym tak˙ze w j_, ezyku potocznym, a nawet j_, ezyku nauki (por´_, ownaj [64]). Wystepowanie metafor w tekstach j_, ezyka naturalnego sprawia ogromny k lopot algorytmom przetwarzania_, tekstu, gdy˙z bardzo trudno jest reprezentowa´c nieliteralne (przeno´sne) znaczenie w systemach formalnych. Na szcze´_,scie, wiele z czesto u˙zywanych metafor podlega skostnieniu, przez co mo˙zna umie´_, sci´c je w s lowniku wraz z wyra˙zeniami wielosegmentowymi, np. panna m loda, analiza koszykowa, teoria wzgledno´_, sci, itp.

2.4. Zadania definiowane w ramach ekstrakcji informacji

Ekstrakcja informacji jest z lo˙zonym procesem. Kompletny system ekstrakcji informacji wymaga roz-wiazania przynajmniej niekt´_, orych problem´ow om´owionych w punkcie 2.3. Proces ekstrahowania infor-macji mo˙zna jednak podzieli´c na etapy, kt´ore stanowia odr_, ebne problemy badawcze. Zwykle w ramach_, ekstrakcji informacji wyr´o˙znia sie nast_, epuj_, ace zagadnienia [58, s. 725-727]:_,

– rozpoznawanie jednostek referencyjnych (ang. named entity recognition), – rozpoznawanie wyra˙ze´n wsp´o lodnoszacych si_, e (ang. coreference resolution),_, – ekstrakcja relacji semantycznych (ang. relation extraction),

2.4. Zadania definiowane w ramach ekstrakcji informacji 17

– rozpoznawanie wyra˙ze´n temporalnych (ang. temporal expression recognition), – ekstrakcja zdarze´n (ang. event extraction),

– wype lnianie szablon´ow (ang. template filling).

2.4.1. Rozpoznawanie jednostek referencyjnych

Rozpoznawanie jednostek referencyjnych10_{polega na okre´sleniu, kt´ore spo´sr´od wyra˙ze´n wyst}

,

epujacych_, w tek´scie odnosza si_, e do specyficznych obiekt´_, ow najcze´_,sciej posiadajacych w lasn_, a nazw_, e oraz jaka jest_, kategoria semantyczna obiekt´ow, do kt´orych odnosza si_, e te wyra˙zania. Przyk ladowo w zdaniu:_,

Korea P´o lnocna zagrozi la wystrzeleniem pocisku balistycznego w kierunku USA.

wystepuj_, a dwie nazwy w lasne: Korea Północna i USA. Ka˙zde z tych wyra˙ze´_, n odnosi sie do obiektu, kt´_, o-remu mogliby´smy przypisa´c kategorie semantyczn_, a kraju. Przypisanie okre´_, slonej kategorii semantycznej uzale˙znione jest zwykle od sposobu dalszego wykorzystania ekstrahowanych informacji oraz od dostepnego_, schematu klasyfikacyjnego. O ile w systemach opisywanych w literaturze liczba tych kategorii mo˙ze by´c bardzo niewielka i obejmowa´c tylko zgrubny podzia l, o tyle zastosowania praktyczne moga wymaga´_, c szczeg´o lowej klasyfikacji.

Przyk ladowo Jurafsky i wsp´o lpracownicy [58, s. 728] wymienia nastepuj_, ace kategorie semantyczne dla_, jednostek referencyjnych:

– ludzie (ang. people),

– organizacje (ang. organizations), – miejsca (ang. locations),

– podmioty geopolityczne (ang. geo-political entitites), – obiekty u˙zyteczno´sci publicznej (ang. facilities), – pojazdy (ang. vehicles).

Podzia l ten jest jednak bardzo og´olny. Dla kontrastu warto przywo la´c zadania definiowane w ramach konferencji MUC (Message Understanding Conferenc) [30], gdzie konkurujace systemy ekstrahowa ly infor-_, macje na temat zdarze´n terrorystycznych w Ameryce Po ludniowej. Jednym z warunk´ow zaklasyfikowania danego zdarzenia jako aktu terrorystycznego by lo to, ˙ze celem ataku by l obiekt cywilny lub cywile (w przeciwie´nstwie do obiektów militarnych). Zastosowanie takiej definicji wymaga lo wprowadzenia istotnego rozgraniczenia pomiedzy obiektami cywilnymi i militarnymi. Je´_, sli system rozpoznawania jed-nostek referencyjnych nie stosowa lby tego rozr´o˙znienia, uzyskiwane przez niego wyniki by lyby ma lo pre-cyzyjne.

Nale˙zy r´ownie˙z zauwa˙zy´c, ˙ze problem ten nie ogranicza sie wy l_, acznie do rozpoznawania nazw w la-_, snych, ale wszystkich wyra˙ze´n, kt´ore w spos´ob jednoznaczny odnosza si_, e do obiekt´_, ow rzeczywistych, bad´_, z dobrze zdefiniowanych obiekt´ow abstrakcyjnych. Czesto rozpoznawanie jednostek referencyjnych_, obejmuje r´ownie˙z warto´sci procentowe, daty, godziny czy odniesienia do akt´ow prawnych.

Tablica 2.1: Przyk ladowa tabela w relacyjnej bazie danych zawierajaca wyniki ekstrakcji relacji bycia_, prezydentem pa´nstwa.

prezydent pa´nstwo

Park Geun-hye Korea Po ludniowa Bronis law Komorowski Polska

Fran¸cois Hollande Francja Evo Morales Boliwia Giorgio Napolitano W lochy

2.4.2. Rozpoznawanie wyra ˙ze´

n wsp´

o lodnosz

acych si

e

Zadanie rozpoznawania wyra˙ze´n wsp´o lodnoszacych si_, e (inaczej koreferencji ) polega na okre´_, sleniu, kt´ore wyra˙zenia wystepuj_, ace w tek´_, scie odnosza si_, e do tych samych obiekt´_, ow. Omawiajac to zagadnie-_, nie najcze´_,sciej wskazuje sie na zjawiska anafory i katafory, to jest zast_, epowanie (najcz_, e´_,sciej zaimkiem) wyra˙zenia, kt´ore odpowiednio ju˙z w tek´scie wystapi lo, b_, ad´_, z dopiero sie pojawi._,

”Gro´zby Korei P´o lnocnej sa nierealne. Jej zdolno´, s´c bojowa jest zerowa. Ja stoje osobi´, scie

na stra˙zy integralno´sci naszego pa´nstwa” – powiedzia la prezydent Korei Po ludniowej Park Geun-hye.

W powy˙zszym przyk ladzie wyra˙zenie jej odnoszace si_, e do Korei Północnej jest przyk ladem anafory,_, natomiast wyra˙zenie ja odnoszace si_, e do prezydent Korei Południowej przyk ladem katafory, podobnie_, jak wyra˙zenie naszego państwa, kt´ore odnosi sie do Korei Południowej._,

W zadaniu rozpoznawania wyra˙ze´n wsp´o lodnoszacych si_, e mo˙zna wyr´_, o˙zni´c dwa aspekty: pierwszy doty-czacy wi_, azania zaimk´_, ow z wyra˙zeniami, kt´ore zastepuj_, a oraz drugi polegaj_, acy na rozpoznawaniu innych_, wyra˙ze´n, w szczeg´olno´sci wariant´ow nazwy w lasnej, kt´ore posiadaja wsp´_, olne odniesienie. O ile w obu przypadkach cel jest ten sam, to znaczy zidentyfikowanie i przypisanie wszystkich wyra˙ze´n wsp´o lodno-szacych si_, e do pojedynczego obiektu, o tyle metody stosowane do realizacji tych zada´_, n bed_, a odmienne._, Rozpoznawanie odniesie´n zaimk´ow musi odbywa´c sie poprzez analiz_, e dyskursu i wymaga przynajmniej_, powierzchniowej analizy syntaktycznej. Natomiast rozpoznawanie wariant´ow nazwy w lasnej mo˙ze by´c zrealizowane przez zastosowanie s lownika wyra˙ze´n wielosegmentowych, w kt´orym poszczeg´olne warianty zgrupowane sa razem._,

2.4.3. Ekstrakcja relacji semantycznych

Ekstrakcja relacji semantycznych z tekst´ow polega na identyfikacji relacji semantycznych, kt´ore wyste-_, puja pomi_, edzy wyra˙zeniami w tek´_, scie. Identyfikacja ta obejmuje zar´owno rozpoznanie argument´ow relacji, ich kolejno´sci oraz rozpoznanie typu relacji. Przyk ladowo w zdaniu:

Prezydent Korei Po ludniowej Park Geun-hye odwiedzajac koszary, zagrzewa la ˙zo lnierzy_, do walki.

pomiedzy symbolami Korea_, Południowa oraz Park Geun-hye, odpowiadajacym wyra˙zeniom Korei_, Południowej oraz Park Geun-hye, wystepuje relacja bycia prezydentem pa´_, nstwa. Celem algorytmu eks-trahujacego t_, e relacj_, e mog loby by´_, c wype lnienie tabeli, kt´ora zawiera laby pary: (prezydent, pa´nstwo), tak jak zosta lo to przedstawione w tabeli 2.1.

2.4. Zadania definiowane w ramach ekstrakcji informacji 19

Wype lnianie tabeli w bazie danych jest typowym zastosowaniem mechanizmu ekstrakcji relacji. Przed-stawiony przyk lad posiada jednak pewne za lo˙zenia, kt´ore cho´c wystepuj_, a do´_, s´c powszechnie, nie musza_, by´c spe lnione. Pierwsze za lo˙zenie dotyczy argument´ow relacji – w przytoczonym przyk ladzie sa nimi jed-_, nostki referencyjne. Cho´c czesto w praktycznych zastosowaniach ekstrakcji informacji to za lo˙zenie jest_, prawdziwe, algorytmy ekstrakcji relacji moga r´_, ownie˙z operowa´c na wyra˙zeniach nominalnych, kt´ore nie sa_, nazwami w lasnymi, lecz rzeczownikami pospolitymi. Na przyk lad algorytm rozpoznajacy relacj_, e ca lo´_, s´ c-cze´_,s´c, m´og lby okre´sli´c, ˙ze cze´_,scia terytorium Polski s_, a obszary nizinne, bez wskazania o jakie niziny_, chodzi. Przypadek wpisuje sie bardzo dobrze w to, co rozumiane jest pod poj_, eciem ekstrakcji relacji._,

Drugie za lo˙zenie wystepuj_, ace w przytoczonym przyk ladzie dotyczy mo˙zliwo´_, sci wielokrotnego potwier-dzenia zachopotwier-dzenia ekstrahowanej relacji. Aby podwy˙zszy´c jako´s´c otrzymywanych wynik´ow, do bazy danych mog lyby trafia´c tylko te krotki, kt´orych wystapienie zosta lo kilkukrotnie potwierdzone. W og´_, ol-no´sci za lo˙zenie to mo˙ze nie by´c spe lnione, tzn. mo˙zemy wymaga´c aby algorytm rozpoznawa l relacje za ka˙zdym razem gdy pojawia sie ona w tek´_, scie.

Trzecie za lo˙zenie, kt´ore nie zosta lo do´s´c wyra´znie uwypuklone, dotyczy typu relacji. W przytoczonym przyk ladzie typ relacji zosta l z g´ory za lo˙zony. Ostatnio jednak coraz cze´_,sciej opisywane sa systemy eks-_, trahujace dowolne relacje semantyczne z tekstu [10, 12, 21]. S_, a to tak zwane otwarte systemy ekstrakcji_, relacji. W systemach tych nie okre´sla sie a priori zbioru ekstrahowanych relacji, lecz stara si_, e rozpozna´_, c wszystkie wystepuj_, ace relacje semantyczne. Nale˙zy jednak zwr´_, oci´c uwage, ˙ze tego rodzaju rozwi_, azania_, nie w pe lni odpowiadaja przyj_, etej tutaj definicji ekstrakcji informacji, gdy˙z ekstrahowane relacje nie pod-_, legaja interpretacji (w szczeg´_, olno´sci, relacja posiadajaca wiele reprezentacji tekstowych b_, edzie zwykle_, traktowana jak wiele odrebnych relacji)._,

Przedmiotem niniejszej pracy jest ekstrakcja relacji z polskich tekst´ow. Biorac pod uwag_, e wielo´_, s´c dostepnych wariant´_, ow ekstrakcji relacji, szczeg´o lowe om´owienie wariantu przyjetego w niniejszej pracy_, zosta lo przedstawione w punkcie 5.1.

2.4.4. Rozpoznawanie wyra ˙ze´

n temporalnych

Rozpoznawanie wyra˙ze´n temporalnych zwykle nie stanowi celu samego w sobie, lecz jest istotnym sk ladnikiem w ekstrakcji zdarze´n. Wyra˙zenia temporalne to wyra˙zenia odnoszace si_, e do czasu. Mo˙zna je_, zaklasyfikowa´c do jednego z trzech typ´ow [58, s. 743]:

– bezwzgledne wyra˙zenia temporalne,_, – wzgledne wyra˙zenia temporalne,_, – wyra˙zenia okre´slajace czas trwania._,

Bezwzgledne wyra˙zenia temporalne okre´_, slaja czas zaj´_, scia jakiego´s zdarzenia w bezwzglednej skali_, odniesienia (w obszarze kultury europejskiej bedzie to kalendarz gregoria´_, nski). Na przyk lad w zdaniu:

Manewry na Morzu Japo´nskim odbed_, a si_, e 15 kwietnia 2013 roku._,

wyra˙zenie 15 kwietnia 2013 roku jest bezwzglednym wyra˙zeniem temporalnym, gdy˙z okre´_, sla dok ladna_, date zdarzenia. Wzgl_, edne wyra˙zenia temporalne okre´_, slaja wyst_, apienie okre´_, slonego zdarzenia jedynie wzgledem innego wydarzenia lub daty:_,

Nie wszyscy historycy uwa˙zaja, ˙ze zrzucenie drugiej bomby atomowej na Nagasaki, 3 dni_, po zbombardowaniu Hiroszimy, by lo przyczyna zako´_, nczenia wojny z Japonia._,

W przytoczonym zdaniu wyra˙zenie 3 dni po zbombardowaniu Hiroszimy jest wzglednym wyra˙zeniem_, temporalnym. W tym konkretnym przypadku mo˙zna ustali´c bezwzgledn_, a dat_, e jego wyst_, apienia, poniewa˙z_, wyra˙zenie zbombardowanie Hiroszimy jest jednoznaczne. Nie wszystkie wyra˙zenia temporalne wzgledne_, posiadaja t_, e w lasno´_, s´c. Czasami jednak tym czego oczekujemy od systemu jest uszeregowanie wydarze´n w czasie, a wtedy wystarczajace s_, a informacje o wzgl_, ednych relacjach czasowych._,

Wyra˙zenia okre´slajace czas trwania wskazuj_, a odcinek czasu, w kt´_, orym okre´slone wydarzenie mia lo miejsce, np.

Ostatnia podr´o˙z pociagiem z Krakowa do Warszawy zaj_, e la ponad 4 godziny._,

Sa one szczeg´_, olnie istotne w kontek´scie zdarze´n d lugotrwa lych, gdy˙z umo˙zliwiaja identyfikacj_, e pocz_, atku_, oraz ko´nca wystepowania okre´_, slonego zdarzenia, co r´ownie˙z jest istotne w kontek´scie szeregowania zda-rze´n.

2.4.5. Ekstrakcja zdarze´

n

Ekstrakcja zdarze´n z tekstu polega na rozpoznaniu opisywanych zdarze´n i okre´sleniu najistotniejszych atrybut´ow tych zdarze´n. W poni˙zszym przyk ladzie11 :

W nocy ze ´srody na czwartek zmar l po d lugiej i cie˙zkiej chorobie minister kultury i dzie-_, dzictwa narodowego Andrzej Zakrzewski. Mia l 59 lat. Z wykszta lcenia prawnik, by l histo-rykiem, badaczem historii m.in. II Rzeczypospolitej. Przez wiele lat pracowa l w Instytucie Historii PAN.

mo˙zemy zidentyfikowa´c nastepuj_, ace zdarzenia:_, – ´smier´c Andrzeja Zakrzewskiego,

– prace Andrzeja Zakrzewskiego w Instytucie Historii PAN._,

W pierwszym zdarzeniu zidentyfikowany zosta l podmiot zdarzenia, czyli Andrzej Zakrzewski natomiast w drugim r´ownie˙z przedmiot zdarzenia, czyli Instytut Historii PAN, w kt´orym pracowa l historyk.

W odniesieniu do pierwszego zdarzenia mo˙zna r´ownie˙z okre´sli´c wzgledny czas jego wyst_, apienia: ze_, środy na czwartek, ale bez dodatkowej informacji obejmujacej dat_, e powstania tej notatki nie mamy_, mo˙zliwo´sci okre´slenia kiedy dok ladnie to nastapi lo. W odniesieniu do drugiego zdarzenia mo˙zna r´_, ownie˙z okre´sli´c przybli˙zony czas jego trwania, tj. wiele lat. Odwo lujac si_, e do og´_, olnej wiedzy o ´swiecie mo˙zna r´ownie˙z okre´sli´c, ˙ze drugie zdarzenie poprzedza lo pierwsze, jednak˙ze tego rodzaju inferencje raczej nie sa przeprowadzane przez systemy ekstrakcji informacji, gdy˙z wymagaj_, a wykorzystania rozbudowanych_, ontologii zdarze´n, z kt´orymi stowarzyszone sa odpowiednie regu ly wnioskowania._,

W tek´scie wystepuje r´_, ownie˙z opis stanu – choroba Andrzeja Zakrzewskiego – kt´ora pod wieloma wzgledami przypomina zdarzenie. W szczeg´_, olno´sci stan ten posiada sw´oj podmiot, poczatek oraz koniec,_, kt´ory w tym wypadku zbiega sie z wyst_, apieniem zdarzenia śmierci. W zale˙zno´_, sci od przyjetych za lo˙ze´_, n ekstrakcja zdarze´n mo˙ze r´ownie˙z obejmowa´c ekstrakcje informacji dotycz_, acych zmiany stanu przedmio-_, t´ow.

Efektem ekstrakcji zdarze´n powinno by´c przede wszystkim okre´slenie typu zdarzenia, jego podmiotu oraz przedmiot´ow bioracych w nim udzia l (o ile wyst_, epuj_, a). Wa˙znym aspektem jest r´_, ownie˙z okre´slenie czasu oraz miejsca wystapienia zdarzenia, a tak˙ze chronologiczne uporz_, adkowanie wyst_, epuj_, acych zdarze´_, n. Nie zawsze jednak jest to mo˙zliwe, na co wskazuje analizowany przyk lad.

2.4. Zadania definiowane w ramach ekstrakcji informacji 21 numer dokumentu: 1234 data dokumentu: 11/02/2010 ´ zródło~dokumentu: PAP innowacja: podmiot: nazwa: AMD

rodzaj: przedsi˛ebiorstwo

przedmiot:

typ: trawienie

rodzaj podło˙za: aluminium

urz ˛adzenie:

nazwa: SSZ 77

producent: AMD

typ: AB7

stan: w~u˙zyciu

grubo´s´c podło˙za: 100 nm

Rysunek 2.1: Przyk ladowy szablon ekstrakcyjny

2.4.6. Wype lnianie szablon´

ow

Ostatnim zadaniem definiowanym w ramach ekstrakcji informacji jest wype lnianie szablon´ow. Pomimo tego, ˙ze zadanie to wydaje sie najbardziej skomplikowanym, jest ono jednym z problem´_, ow, kt´ore naj-wcze´sniej by ly podejmowane w obrebie ekstrakcji informacji. W trakcie kolejnych edycji konferencji MUC_, [30] koncentrowano sie m.in na uzupe lnianiu szablon´_, ow dotyczacych atak´_, ow terrorystycznych w Ame-ryce Po ludniowej oraz innowacji w procesie wytwarzania urzadze´_, n p´o lprzewodnikowych. Podjecie tak_, skomplikowanego problemu zaowocowa lo wypracowaniem metod opartych o szablony ekstrakcyjne oraz identyfikacja wymienionych wcze´_, sniej prostszych zada´n, kt´ore musza by´_, c zrealizowane w celu stworzenia uniwersalnego systemu ekstrakcji informacji.

Zadanie wype lniania szablon´ow podobne jest do zadania ekstrakcji zdarze´n – w istocie szablony de-finiowane w ramach MUC dotyczy ly m.in. og losze´n o postepach w badaniach nad procesem produkcji_, uk lad´ow scalonych. Zadanie to by lo jednak bardziej skomplikowane, gdy˙z elementami szablonu mog ly by´c pod-szablony. Przyk ladowy szablon musia l obejmowa´c nie tylko informacje na temat daty og loszenia inno-wacji, przedsiebiorstwa kt´_, ore jej dokona lo, ale r´ownie˙z jej szczeg´o l´ow. Przyk ladowy szablon ekstrakcyjny m´og l wyglada´_, c jak na rysunku 2.1 (na podstawie [30]).

Jak wida´c na tym przyk ladzie zadanie to wymaga bardzo precyzyjnej identyfikacji obiekt´ow, kt´ore maja zosta´_, c umieszczone w szablonie, rozpoznania relacji lacz_, acych te obiekty, a tak˙ze dopasowania_, rozpoznanych relacji do odpowiednich element´ow szablonu. Wymaga lo to ´scis lego dopasowania syste-m´ow ekstrahujacych informacje do dziedziny, dla kt´_, orej system ten by l budowany. Trudno´s´c adaptowania system´ow tego rodzaju do nowych dziedzin okaza la sie istotn_, a wad_, a tego podej´_, scia i zaowocowa la uprosz-czeniem zada´n definiowanych w ramach ekstrakcji informacji.

Ekstrakcja informacji jest zagadnieniem, kt´ore laczy dwie odr_, ebne dziedziny wiedzy: j_, ezykoznaw-_, stwo oraz informatyke. Podstawowym materia lem, na kt´_, orym operuja algorytmy ekstrakcji informacji_, jest tekst. W doskona lym systemie ekstrakcji informacji nie powinny wystepowa´_, c ograniczenia co do charakteru danych jezykowych, dlatego nale˙zy przyj_, a´_,c, ˙ze znaczna cze´_,s´c zjawisk jezykowych opisanych_, w poprzednim rozdziale bedzie mia la wp lyw na skuteczno´_, s´c algorytmu ekstrakcyjnego. Jednak˙ze jezyko-_, znawstwo i informatyka pos luguja si_, e inn_, a terminologi_, a oraz sposobem reprezentacji wiedzy. Zjawiska s_, a_, opisywane przez jezykoznawc´_, ow jezykiem naukowym zbudowanym na bazie j_, ezyka naturalnego. W in-_, formatyce natomiast konieczne jest definiowanie wykorzystywanych struktur danych oraz algorytm´ow na bazie jezyka matematyki. Nie zawsze jednak jest mo˙zliwe prze lo˙zenie, czasami nieostrych poj_, e´_,c jezyko-_, znawstwa, na precyzyjne pojecia informatyczne._,

Z drugiej jednak strony warto zauwa˙zy´c olbrzymi wp lyw jaki wiedza jezykoznawcza wywar la na spo-_, s´ob reprezentacji wiedzy. Pierwsze filozoficzne rozwa˙zania na temat tak istotnych w logice (a w konse-kwencji w informatyce) poje´_,c jak np. alternatywa czy warto´s´c logiczna rozpocze ly si_, e od analizy j_, ezy-_, k´ow naturalnych. Pojeciami zaczerpni_, etymi z j_, ezykoznawstwa szczeg´_, olnie istotnymi z punktu wiedzenia ekstrakcji informacji w og´olno´sci, a ekstrakcji relacji semantycznych w szczeg´olno´sci sa symbol j_, ezykowy,_, relacja semantyczna oraz sie´c semantyczna.

Konieczno´s´c wprowadzenia technicznego pojecia symbolu j_, ezykowego wynika przede wszystkim z nie-_, jednoznaczno´sci poje´_,c takich jak s lowo, czy wyraz. Nie spos´ob jednak pisa´c o ekstrakcji informacji z tekstu nie odwo lujac si_, e do jego podstawowych budulc´_, ow. Relacje semantyczne sa istotne z dw´_, och powod´ow: w pierwszym rzedzie tematem tej pracy jest ekstrakcja relacji semantycznych – bez ich definicji nie mo˙zna_, opisa´c na czym mia laby polega´c ich ekstrakcja. Natomiast sieci semantyczne stanowia niezwykle istotne_, narzedzie wykorzystywane w r´_, o˙znych algorytmach, w szczeg´olno´sci operujacych na danych j_, ezykowych._, Sk ladnikami sieci semantycznych moga by´_, c r´o˙zne elementy, ale w tych najcze´_,sciej stosowanych sieciach we-_, z lami sa symbole j_, ezykowe, a relacjami – relacje semantyczne, b_, ad´_, z ontologiczne. W niniejszym rozdziale przedstawiamy zatem definicje poje´_,c takich jak: symbol jezykowy, relacja semantyczna, relacja ontolo-_, giczna, itd. Przedstawione definicje nie pretenduja do statusu definicji uniwersalnych. S_, a one opracowane_, na potrzeby realizacji zadania jakim jest ekstrakcja relacji semantycznych.

3.1. Symbol j

ezykowy

_,

3.1.1. Tr´

ojk

at semiotyczny

Jedna z najcz_, e´_,sciej cytowanych prac analizujacych znaczenie symboli j_, ezykowych jest praca Ogdena_, i Richardsa The Meaning of Meaning [100]. W pracy tej przedstawiona jest koncepcja tr´ojkata semiotycz-_, nego – konstrukcji teoretycznej s lu˙zacej do wyja´_, snienia relacji pomiedzy zjawiskami j_, ezykowymi takimi_,