elaborazione del linguaggio naturale maria teresa pazienza a.a. 2007-08
Post on 01-May-2015
217 Views
Preview:
TRANSCRIPT
Elaborazione del linguaggio naturale
Maria Teresa PAZIENZA
a.a. 2007-08
Intelligenza artificiale
Una macchina sarà considerata veramente intelligente solo quando sarà in grado di elaborare il linguaggio naturale come fa un umano
Elaborazione del linguaggio naturale
I metodi, le tecniche, i tools, e le applicazioni relativamente alla modellizzazione dell’uso del linguaggio naturale costituiscono le tecnologie del linguaggio naturale (ingegneria del linguaggio naturale)
Elaborazione del linguaggio naturale
Il linguaggio è un meccanismo di comunicazione il cui tramite è il testo o il discorso.
L’ingegneria è interessata, oltre che alla creazione di nuova conoscenza, anche alla creazione di sistemi per ottenere gli obiettivi desiderati.
I sistemi ingegnerizzati devono essere conformi a specifici criteri di adeguatezza (es. criteri legati all’esecuzione di processi in un certo tempo ed in un certo spazio)
Elaborazione del linguaggio naturale
Sistemi per l’elaborazione del linguaggio naturale
• Sviluppo di algoritmi per il parsing, la generazione, e la acquisizione di conoscenza linguistica
• Indagine sulla complessità spaziale e temporale di tali algoritmi• Progettazione dei linguaggi formali computazionalmente utili (es.
grammatiche e formalismi lessicali) per codificare conoscenza linguistica
• Indagine su architetture software appropriate• Considerazioni sui tipi di conoscenza non linguistica che vengono a
contatto • Problematiche di integrazione in sistemi applicativi più ampi
Elaborazione del linguaggio naturale
Un programma conta il numero di bits, bytes e linee in un file testo: quando conta le “parole” dello stesso file di testo, allora è necessario che abbia conoscenza di ciò che significa essere una “parola”.
Sono richieste varie tipologie di conoscenza linguistica per elaborare un testo
Elaborazione del linguaggio naturalemorfologia
La morfologia fornisce informazioni su le forme possibili per ogni parola del linguaggio ed il loro comportamento. Inoltre riconosce le variazioni delle parole singole.
di, del, della, delle,…casa, case, casetta, …capostazione, capistazione, …la, le, lo, gli, …la, lo, li, …
Elaborazione del linguaggio naturalesintassi
La sintassi contiene la conoscenza necessaria per spiegare come sequenze di parole possono non aver alcune senso a dispetto di altre sequenze che contengono invece esattamente, e nell’ordine corretto, le stesse parole.
La FIAT produce autovetture
La autovetture produce FIAT
Elaborazione del linguaggio naturalesemantica
Per capire il significato di una frase, oltre alla conoscenza delle parole e della struttura sintattica, è necessario avere
conoscenza del significato di ogni parola componente la frase (semantica lessicale) e
conoscenza di come queste componenti si combinino per formare significati più larghi (semantica composizionale)
Elaborazione del linguaggio naturalepragmatica
L’uso appropriato di espressioni di cortesia, o di stile a sottolineare la volontà di essere cortese (amareggiato, contrariato, affabile, benaugurale, volitivo, …) sono descritte dalla pragmatica.
La strutturazione corretta dei termini in risposta ad una domanda all’interno di una conversazione richiede conoscenza della struttura del discorso.
Elaborazione del linguaggio naturale
In sintesi la conoscenza del linguaggio necessaria per la comprensione dei testi si articola in 5 distinte categorie:
Morfologia: scomposizione delle parole in unità minime di significato (dogs=dog+s)
Sintassi: definizione delle relazioni strutturali tra le parole
Semantica: attribuzione del significato delle espressioni
Pragmatica: studio di come il linguaggio è usato per raggiungere un obiettivo (usi/convenzioni linguistiche)
Analisi del discorso: identificazione delle relazioni tra unità linguistiche più ampie della singola frase
Elaborazione del linguaggio naturale
L’elaborazione di un testo prevede l’attivazione di tool con conoscenza linguistica per l’analisi delle singole componenti e la risoluzione di possibili interpretazioni ambigue in ciascuna delle singole fasi.
Un testo è ambiguo se esistono più strutture linguistiche alternative che possono essere generate durante le fasi di analisi (non-determinismo)
L’ambiguità è il motivo per cui le macchine non riescono ad elaborare completamente il linguaggio naturale.
Elaborazione del linguaggio naturale
Problema dell’ambiguità
La vecchia porta la sbarra
Esistono più interpretazioni di questa frase
• una vecchia signora trasporta una sbarra• una vecchia porta sbarra una signora
Ambiguità
Una vecchia porta la sbarra
1-una articolo
2-vecchia aggettivo/sostantivo
3-porta sostantivo/verbo
4-la articolo/pronome
5-sbarra sostantivo/verbo
Proliferazione degli alberi sintattici
Assegnazione di più di un significato alla frase
AmbiguitàFare un piano
Fare verboUn articoloPiano sostantivo/avverbio/aggettivo
Assegnazione di più di un significato alla fraseFare costruire, progettare, idearePiano pianoforte, progetto, piano d’azione, piano
dell’edificioWord-sense disambiguation (lexical disambiguation) , Context analysis
Fare un piano (di corsa)
Ambiguità
La palla di Maria era arrivata davanti ai piedi di Mario. Lui le diede un calcio.
Assegnazione di più di un significato alla frase• risoluzione dell’anafora (il riferirsi di una parola,
solitamente un pronome, a una o più parole precedenti diz. De Mauro)
• conoscenza di dominio• senso comune
Ambiguità
Il fiume scorre veloce nel suo alveoIl traffico scorre veloce nella strada principale
Giovanni ama Maria Giovanni ama i racconti d’avventura
Assegnazione di più di un significato alla frasemetafora (figura retorica che consiste nel trasferire il significato di
una parola o di un’espressione dal senso proprio a un altro figurato che abbia con il primo un rapporto di somiglianza – diz. De Mauro)
Ambiguità
L’auto verde è arrivata sul tavolo della Presidenza del Consiglio
C’è acqua in frigo?
Assegnazione di più di un significato alla frase• metafora• nomi propri • terminologia • modello del mondo • senso comune
Ambiguità
Mario guardò la ragazza con la minigonnaMario guardò la ragazza con la cartellaMario guardò la ragazza con il binocoloMario guardò la ragazza con il collegaMario guardò la ragazza con sospetto
• strutture argomentali dei verbi • contesto • senso comune
Ambiguità
Il significato di una frase non è dato solo dal significato delle parole
Si richiede la conoscenza delle regole che governano:• il significato con cui le parole sono combinate,• l’ordine con cui compaiono, • i legami che le legano ad altri termini all’interno ed
all’esterno della frase.
E’ spesso necessario fare delle inferenze ed avere una conoscenza del mondo.
Perché l’ambiguità è un problema?
Lo spazio di ricerca: esplosione combinatoriale
Sostanzialmente l’ambiguità aumenta il numero delle possibili interpretazioni delle espressioni in ling. nat. da controllare. L’esplosione combinatoriale deriva dal dover moltiplicare le analisi per ciascuna diversa interpretazione.
Es. Supponiamo che ciascuna parola di una frase di 10 parole possa avere 3 interpretazioni: il numero totale delle interpretazioni della frase sarebbe
3*3*3*3*3*3*3*3*3*3= 59049
Perché l’ambiguità è un problema?
Ambiguità locale - globale
Ambiguità globale:“Giovanni conosce molte più ragazze di Mario”Ambiguità locale:“anche se lui ne conosce molte”
Ambiguità locale significa che una parte della frase può avere più di una interpretazione
Ambiguità globale significa che l’intera frase può avere più di una interpretazione
Perché l’ambiguità è un problema?
Ambiguità locale - globale
L’ambiguità locale si può talvolta risolvere con l’analisi sintattica
es. The old trains ……the young (1)…left the station (2)
La sintassi permette di disambiguare che train nella frase 1 è verbo e nella frase 2 è sostantivo
Perché l’ambiguità è un problema?
Ambiguità locale - globale
L’ambiguità globale richiede un’analisi semantica e pragmatica
es. Vidi il Gran Canyon volare a New York (1) Vidi il Boeing 747 volare a New York (2)
Il significato delle due frasi viene disambiguato perché sappiamo cosa può volare e cosa no (semantica).
In particolari circostanze le interpretazioni possono cambiare (pragmatica)
Tipi di ambiguità
Ambiguità categoriale
(1)Time is money (sostantivo)
(2)Time me on the last lap (verbo)
L’analisi sintattica aiuta ad identificare la categoria corretta
(3) Time flies like an arrow
Esistono 5 possibili analisi sint. per questa frase dove time può essere sostantivo, verbo, aggettivo
Tipi di ambiguità
Word-sense ambiguity
Una parola ha diversi significati (sensi)
(1) The battery was charged with jump leads(2) Thief was charged by PC Smith(3) The lecturer was charged with students recruitment
L’analisi sintattica aiuta a disambiguare:charged with, charged by
L’analisi semantica aiuta a disambiguarejump leads , student recruitment
Tipi di ambiguità
Ambiguità strutturale
“Metti la scatola sul tavolo dalla finestra nella cucina”
Possibili interpretazioni(1)Metti la scatola (una scatola specifica, quella sul
tavolo ) dalla finestra nella cucina(2)Metti la scatola sul tavolo (un tavolo specifico) dalla
finestra nella cucina
Problema della ambiguità proposizionale (in assenza di punteggiatura)
Tipi di ambiguità
Ambiguità referenziale
“Dopo che ebbero finito l’esame gli studenti e i professori lasciarono l’aula”
Possibili interpretazioni(1) gli studenti finirono l’esame(2) gli studenti ed i professori finirono l’esame(3) gli studenti ed i professori lasciarono l’aula
Situazioni attese (usando i frame)
(1) Giovanni diede a Marco un regalo e lui ringraziò
Tipi di ambiguità
Ellissi
Frasi incomplete dove non è chiaro il termine mancante.
“Giovanni aveva studiato molto e superò l’esame. Anche Mario”
(1)Mario aveva studiato molto
(2)Mario superò l’esame
(3)Mario aveva studiato molto e superò l’esame
Elaborazione del linguaggio naturale
L’elaborazione del linguaggio naturale richiede la descrizione di un modello del mondo.
Gran parte del significato non risiede all’interno delle parole, per cui il sistema di nlp deve avere la conoscenza del senso comune, o un modello del mondo usato da chi ha scritto il testo!
E’ sempre necessario capire tutto?
Giovanni ha comprato una Punto dal concessionario.
Chi ha venduto una Punto? Il concessionario
Giovanni ha regalato un anello alla sua fidanzata.
Cosa ha avuto in dono la fidanzata di Giovanni? Un anello.
Applicazioni possibili
Fornire spiegazioni a chi le chieda, anche per telefono (call center)
Capire il testo di una pagina web e decidere a chi possa interessare (semantic web)
Tradurre la pagina di un quotidianoCapire il testo di un giornale/libro e costruire un
sistema esperto a partire da questa conoscenzaGenerare risposte o testo libero per documentazione……
Ruolo della sintassi
La sintassi:
1. identifica il ruolo delle parole in una frase2.descrive come le parole sono raggruppate in
classi dette POS (part-of-speech)3.mostra come le parole sono collegate tra
loro all’interno di una frase4.spiega come le parole sono collegate ad
altre all’interno di più frasi.
POS / tag lessicali
Sono riconosciute almeno 8 classi principali:
noun, verb, adverb, pronoun, article, preposition, conjunction, participle
che permettono di associare un significato alla parola cui si riferiscono. Sapere se una parola è un pronome o un nome ci permette di riconoscere la tipologia di altre parole vicine alla prima.
Sono utili anche per le applicazioni (es. IR)
POS / tag lessicali
Le POS si dividono in due categorie:
open class (con un numero imprecisato, ed in continua evoluzione, di elementi)
closed class (con un numero fisso di elementi) function words (parole corte e usate
frequentemente che assumono un ruolo importante in una grammatica)
Come rappresentiamo la sintassi?
Lista
“Sue hit John”
[s, [np, [proper_noun, Sue] ],
[vp, [v,hit] ,
[np, [proper_noun, John]]
Parse treeUn modo di mostrare la struttura di un frammento di
linguaggio (slide successiva)
Grammatica
Una grammatica descrive quali sono le strutture ammesse in un linguaggio e divide una frase in simboli terminali
Regole di riscrittura
sentence -> noun phrase, verb phrase
noun phrase -> noun
noun phrase -> determiner, noun
verb phrase -> verb, noun phrase
Grammatica Transition network
(come attraversare una frase con strutture idonee)
They are cooking apples parse tree
“
They are cooking apples parse tree
Mario ama il calcio top-down strategy
1. S
2. S -> np, vp
3. S ->prpn, vp
4. S ->Mario, v, np
5. S ->Mario, ama, np
6. S ->Mario, ama, det, n
7. S ->Mario, ama, il, n
8. S ->Mario, ama, il, calcio
Va bene se esistono simboli terminale alternativi per ciascuna parola
Va male se esistono regole alternative per una frase
Mario ama il calcio bottom-up strategy
1. Mario ama il calcio2. Prpn, ama , il, calcio3. Prpn, v, il, calcio4. Prpn, v, det, calcio5. Prpn, v, det, n,6. Np, v, det, n7. Np, v, np8. Np, vp9. SVa bene se esistono regole alternative per una fraseVa male se esistono simboli terminale alternativi per
ciascuna parola
Strategie di ricerca
• Depth firstAttiva le regole una per volta e torna indietro se
fallisce (facile da programmare, richiede poca memoria, va bene se il parse tree è profondo)
• Breadth firstAttiva tutte le regole insieme (può essere più veloce,
l’ordine con cui appaiono le regole non è rilevante, va bene se il parse tree è piatto)
Prolog per scrivere grammaticheUna semplice grammaticas --> np vpnp --> det nnp --> det adj nvp --> v npdoves sentence “the cat ate the big fish”np noun phrase “the cat”vp verb phrase “ate the big fish”det determiner “the”n noun “cat”v verb “ate”adj adjective “big”
Prolog per scrivere grammatiche
Si può usare il Prolog per esprimere grammatiche facendo corrispondere una regola Prolog a ciascuna regola della grammatica; es:
sentence (S) :-noun_phrase (NP), verb_phrase (VP), append (NP,VP,S).
noun_phrase (NP) :-determiner (D), noun(N), append (D,N,NP).
noun_phrase (NP) :-determiner (D), adj(A), noun (N), append (D,A,AP),
append (AP,N,NP).
verb_phrase (VP) :-verb (V), noun_phrase (NP), append (V,NP,VP).…….
Prolog per scrivere grammatiche
…determiner ([D]) :-
member (D,[the,a,an]).
noun ([N]) :-
member (N,[cat, dog, mat, meat, fish]).
adj ([A]) :-
member (A,[big, fat, red]).
verb ([V]) :-
member (V,[ate, saw, killed, pushed]).
Parser Il parser è un algoritmo che usa una grammatica e un
lessico per riconoscere la struttura di una frase. L’input è la frase da analizzare, l’output è una qualche rappresentazione della struttura della frase.
Lessico Il lessico mostra a quale simbolo terminale (simbolo che
non può essere ulteriormente suddiviso) appartiene una parola del linguaggio (es.:
Eat= verboDuck=nounDuck=verbo
Prolog per analizzare frasi parser
s( sentence(NP,VP)) --> np(NP), vp(VP).
np(noun_phrase(NP)) -->prpn(PN)np(noun_phrase (D,N) -->det (D), n(N).np(noun_phrase (D,A,N)--> det(D),adjs(A),n(N).
adjs(adjective_phrase(A)-->adj(A).adjs(adjective_phrase(A,AJ))--> adj(A),adjs(AJ).
…
Prolog per analizzare frasi parser…vp(verb_phrase (V)) --> v(V).vp(verb_phrase(V,NP))--> v(V),np(NP).
det(determiner(X)) --> [X],{member(X,[a,an,the])}.
n(noun(X)) --> [X],{member(X,[woman, food])}.
prpn(proper_noun(X)) --> [X],{member(X,[john,sue,bill])}.
adj(adjective(X)) --> [X],{member(X,[red,fat,new])}.
v(verb(X)) --> [X],{member(X,[eats,likes,works])}.
Fornire informazioni ad un utente
Information retrieval
Information extraction
Question answering
Summarization
Textual entailment
….
Information extraction – J. R. Hobbs
“An information extraction system is a cascade of transducers or modules that, at each step, add structure and often lose information, hopefully irrelevant, by applying rules that are acquired manually and/or automatically”.
Estrazione di informazione da testi
L’estrazione di informazione da testi, IE (information extraction) è un processo di elaborazione che riceve in input testi e produce in uscita, come risultato dell’elaborazione, dati non ambigui in un formato predefinito.
Questi dati possono essere usati immediatamente, oppure possono essere conservati in una base di dati per analisi ed applicazioni successive.
IE versus IR
L’information retrieval IR ricerca testi e li presenta all’utente
L’information extraction IE analizza testi e presenta all’utente solo quelle informazioni cui egli è interessato (xxx informazioni rilevanti xxx)
I sistemi di IE sono più costosi e richiedono maggiore conoscenza (knowledge-intensive); inoltre sono specifici per un particolare dominio ed applicazione. Nell’ipotesi di avere a disposizione grandi volumi di dati (domain document collection - corpora), i sistemi di IE diventano più efficienti di quelli di IR
Problemi per l’IE
Il linguaggio naturale è:
Flessibile (modi diversi per affermare lo stesso fatto)
Ambiguo (la stessa affermazione può avere più significati)
Dinamico (vengono create nuove parole ed assegnati nuovi sensi a vecchie)
IE tasks MUC Message Understanding Conference
Tradizionalmente si riconoscono 5 diversi task di IE:NE Named Entity recognition (ricerca e classificazione di
nomi, luoghi, etc)CO Coreference Resolution (identifica relazioni di
identità tra entità nei testi)TE Template Element construction (aggiunge
informazioni descrittive ai risultai del NE usando le CO)TR Template Relation construction (ricerca relazioni tra
entità TE)ST Scenario Template production (fa corrispondere i
risultati del TE e TR negli specifici eventi di scenario
Performance dei task IE La performance dei task di IE dipende in maniera diversa
da:Testo (tipo di testo in analisi: articoli di giornale, email,
documenti web, …)Dominio (argomento generale dei corpora, es: notizie
finanziarie, domande di lavoro, offerte commerciali, …)Scenario (il particolare tipo di evento a cui è interessato
l’utente del sistema di IE, es: fusione di compagnie, curricula, descrizione di un prodotto, …)
Se si cambia la domanda di informazione ed il corpus di partenza, le performance del sistema possono cambiare.
Named Entity recognition - NE
Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.
“Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita.”
“Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano : le perdite dell’azienda sono dell’ordine di qualche milione di euro.”
Named Entity recognition - NE
Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.
“Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita.”
“Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano: le perdite dell’azienda sono dell’ordine di qualche milione di euro.”
Named Entity recognition - NE
Le performance del task di NE sono molto alte (più del 90%) e paragonabili a quelle umane (difficoltà nel mantenere costanza di decisione nel tempo e su collezioni di documenti di grandi dimensioni )
Coreference resolution - CO
Vengono identificate nei testi relazioni di identità tra entità (sia identificate dal NE, che referenze anaforiche ad esse).
Task meno utile a sé stante ma importante per applicazioni; identificare, e collegare in un ipertesto, tutte le occorrenze di una specifica istanza in un documento e in più documenti.
Performance della CO basse (circa 60%) e dipendenti dal dominio.
Coreference resolution - CO
“Oggi il nuovo Presidente della Repubblica Italiana è entrato nel pieno delle sue funzioni”
“ Giorgio Napolitano ha ricevuto una scolaresca come primo atto da presidente della Repubblica; come ha avuto modo di dire loro, la qualificazione culturale dei giovani deve costituire un impegno per i responsabili della nazione. Lui si impegnerà in questa direzione.”
Template Element production - TE
Come risultato delle attività di NE e CO, il sistema di IE diventa consapevole delle NE e delle loro descrizioni. Ciò rappresenta un primo livello di template (il cosiddetto template element).
L’insieme dei template elements può essere considerato come una prima base di conoscenza a cui il sistema accede per ottenere informazioni sui principali concetti di dominio, così come essi sono stati riconosciuti nel testo.
La performance del task è circa 80%, l’umano circa 90%.
Template Element production - TE
ORGANIZZAZIONE 123456789-1
ORG_NAME FIAT
ORG_ALIAS Fiat
ORG_TYPE Gruppo
ORG_PLACE Torino
ORG_COUNTRY Italia
Scenario template extraction - ST
L’estrazione del template di scenario rappresenta la sintesi delle attività di task diversi, soprattutto l’identificazione di alcuni template element che sono in relazione tra loro.
Ciò rappresenta un evento (scenario) collegato al dominio in esame. I valori riconosciuti vengono usati per riempire il template di scenario.
Scenario template extraction - ST
TEMPLATES ST:<TEMPLATE> := DOC_NR: “ 56 “
CONTENT: <SUCCESSION EVENT 56-1> <SUCCESSION EVENT 56-1>:=
SUCCESSION_ORG: <ORGANIZATION 56-1>POST: “executive vice president ”IN_AND_OUT: <IN_AND_OUT 56-1>
<IN_AND_OUT 56-1>VACANCY REASON: OTH_UNK
Scenario template extraction - ST
<IN_AND_OUT 56-1>:=IO_PERSON: <PERSON 56-2>NEW STATUS: OUTON_THE_JOB: NO
<IN_AND_OUT 56-1>:=
IO_PERSON: <PERSON 56-1>NEW STATUS: INON_THE_JOB: NOOTHER ORG: <ORGANIZATION 56-2>REL_OTHER_ORG: OUTSIDE_ORG
Scenario template extraction - ST
TEMPLATES TE:<ORGANIZATION 56-1>:=
ORG_NAME: “Burns Fry Ltd.”ORG_ALIAS: “Burns Fry”ORG_DESCRIPTION: “this brokerage firm”ORG_TYPE: COMPANYORG_LOCALE: Toronto CITYORG_COUNTRY: Canada
<ORGANIZATION 56-2>:=
ORG_NAME: “Merrill Lynch Canada Inc.”ORG_ALIAS: “Merrill Lynch”ORG_DESCRIPTION: “a unit of Merrill Lync & Co.”ORG_TYPE: COMPANY
Scenario template extraction - ST
<PERSON 56-1>:=PER_NAME: “Donald Wright”PER_ALIAS: “Wright”PER_TITLE: “Mr.”
<PERSON 56-2>:=PER_NAME: “Mark Kassirer”
Architettura di un sistema di IE
Generalmente un sistema di IE è caratterizzato dai seguenti moduli fondamentali:
Text Zoner, Pre-processor, Filter, Pre-parser, Parser, Fragment Combiner, Semantic Interpreter, Lexical Disambiguation, Coreference Resolution or Discourse Processing, Template Generator.
Architettura di un sistema di IE
Text ZoningQuesto modulo prende un testo e lo divide in
frammenti. Pre-processorVengono localizzati gli estremi delle frasi ed
identificata, per ciascuna di esse, una sequenza di item lessicali (parole e Pos)
Filter Vengono eliminate le frasi irrilevanti (frasi prive di
item rilevanti per l’applicazione) per ottenere testi brevi da elaborare
Architettura di un sistema di IE
Pre-parser Vengono riconosciute strutture frasili minime (frasi
nominali, verbi con ausiliari, termini composti,…) per semplificare il compito del parser successivo.
ParserPartendo da sequenze di item lessicali (frammenti) si
produce un albero sintattico dell’intera frase.
Fragment CombinationSi ricombinano gli alberi sintattici dei frammenti
Architettura di un sistema di IE
Semantic InterpretationDall’albero sintattico si produce una struttura
semantica, una forma logica o un frame evento. Si produce anche una prima disambiguazione lessicale.
Lexical DisambiguationSi passa da una struttura semantica con predicati
ambigui o generali ad una con predicati specifici e non ambigui.
Co-reference resolution Questo modulo risolve le coreferenze per entità
elementari (pronomi, frasi nominali, anafora).
Architettura di un sistema di IE
Template Generation
Tutte le strutture semantiche generate dalle precedenti elaborazioni del linguaggio naturale sono usate per produrre il template finale per l’utente solo nel caso in cui gli eventi riconosciuti hanno una rilevanza per l’utente maggiore della soglia prefissata.
Question/Answering - Q/A
I sistemi di Q/A forniscono l’indicazione del brano che contiene la risposta ad una richiesta dell’utente (non rispondono direttamente).
5 W (who, which, where, when, why)
Necessità di identificare preliminarmente le aree di interesse per l’utente (classi di domande) per finalizzare ad esse la struttura della conoscenza del sistema
Architettura sistemi di Q/A
QuestionQuestionAnalysis
InformationRetrieval
AnswerExtraction
AnswerMergingAnswer
Architettura sistemi di Q/A
Possono esserci loops
Non tutti i sistemi di Q/A aderiscono a questa architettura
Domande complesse (Quale delle sorelle Carlucci è entrata in politica?)
Q/A in domini aperti o in domini chiusi
Question/Answering - Q/A
Answer type: la classe di oggetti coinvolti dalla domanda; in genere sono strettamente collegati alle classi di NE riconosciute.
Question focus: proprietà od entità sottesa dalla domanda (In quale città c’è il Colosseo?)
Question topic: l’oggetto o l’evento cui attiene la domanda (es: “Qual è l’altezza del monte Everest?”, il focus è l’altezza, il topic è il monte Everest)
Candidate passage: un qualunque brano testuale (dalla frase all’intero documento) ritrovato in fase di ricerca
Candidate answer: nel contesto della domanda, una piccola quantità di testo dello stesso tipo dell’answer
Question/Answering - Q/A
Risorse comunemente usate:
Algoritmi di apprendimento automaticoGazeteersNE taggersPart of Speech taggersParsersWordnetStopword listTerminologie di dominio….
Question/Answering - Q/A
Domande capziose
“Chi sono i 5 uomini più ricchi del mondo?”
“Qual è l’attrice più famosa?
“Chi disse la celebre frase – Il dado è tratto?”
Summarization
Text summarizationIl processo di selezione delle informazioni più importanti da
una o più sorgenti di informazione per produrre una versione trasversale per un particolare utente o task.
EstrattoSommario consistente interamente di materiale copiato
dall’inputAbstractSommario di cui parte del contenuto non è presente
nell’input (categorie, parafrasi del contenuto, etc.)
Summarization – funzionalità
Sommari indicativiForniscono una funzione di riferimento per selezionare
documenti per una lettura più approfonditaSommari informativiCoprono tutte le informazioni salienti del documento
sorgente con un certo dettaglio Sommari valutativiValutano l’argomento della sorgente esprimendo il
punto di vista del sistema sulla qualità del lavoro dell’autore
Textual entailment
Il textual entailment esprime una relazione tra • un testo coerente T e• una espressione linguistica detta ipotesi H
Si dice che T entails H (T->H)se il significato di H può essere inferito dal significato di T
“Yahoo acquired Overture”entails“Yahoo owns Overture “
Textual entailment
Funzione di entailment e(T,H)È una funzione probabilistica che mappa la coppia T-H con
un valore tra 0 ed 1 ed esprime la confidenza con cui un giudice umano o un sistema automatico può valutare la relazione esistente tra T ed H.
ParaphraseL’ipotesi esprime un fatto uguale a quello espresso dal
testo (Yahoo acquired Overture, Yahoo bought Overture)
Strict entailmentLa frase contiene più fatti tra cui uno può essere inferito
dall’altro (Yahoo acquired Overture, now Yahoo owns Overture)
Approfondimenti
Ruslan Mitkov Editor: «The Oxford Handbook of Computational Linguistics (Oxford Handbooks in Linguistics)» (su google books sono accessibili molte pagine del libro che sono navigabili, questo e' il link The Oxford Handbook of Computational Linguistics)
Argomenti trattati in questa lezione
• Sistemi per l’elaborazione del linguaggio naturale• Morfologia, sintassi, semantica, prgmatica, analisi del
discorso• Ambiguità del linguaggio naturale (diverse forme di
ambiguità con diverse modalità di soluzione)• Applicazioni del TAL/NLP (information extraction –
IE, Question/Answering – Q/A, summarization, textual entailment)
top related