Počítače a porozumění textu

1. Počítače a porozumění textu Luboš Popelínský Fakulta informatiky MU popel@fi.muni.cz http://www.fi.muni.cz/~popel http://www.fi.muni.cz/kd Brno 4. ledna 2007

2. Obsah Porozumění textu Historie - umělá inteligence Automatická klasifikace textů Rozpoznání nevyžádaných elektronických zpráv (spamů) Komunikace s počítačem v přirozeném jazyce

3. Všichni muži jsou stejní. V JAKÉM SMYSLU? Pořád nás nčím obtěžují. MUŽETE UVÉST NĚJAKÝ PŘÍKLAD? Ano, poslal mne sem můj přítel. VÁŠ PŘÍTEL VÁS SEM POSLAL? Říká, že jsem skoro pořád sklíčená. JE MI LÍTO, ŽE JSTE SKLÍČENÁ. Je to pravda. Jsem nešťastná. MYSLÍTE, ŽE VÁM TATO NÁVŠTĚVA POMUŽE? Potřebuji nějakou pomoc, to je jisté. ….

4. Sněhu je málo i v Alpách, lyžuje se hlavně na ledovci(MF Dnes dnes) Praha - Evropa prožívá jednu z nejteplejších zim a sníhchybí lyžařůmnejenom v Česku. V Alpách sice většina středisek funguje, ale mají často omezený provoz a musí se spoléhat na technický sníh. Lidé by si tak před cestou měli ověřit, jaké podmínky lyžařské areály nabízejí. „Největší jistotou jsou ledovce,“ říká Ingrid Siederová z pražské pobočky Rakouské národní turistické centrály. V italských střediscích se v současné době lyžuje zhruba na třech čtvrtinách sjezdovek. Podobná je situace i ve Francii.

5. Porozumění textu Různé úrovně porozumění Zdroj Jazyk Styl - zpráva, úvaha Autor Postoj Téma „Kam jet lyžovat?“

6. Dartmouth College, Hannover, New Hampshire1956 John McCarthyet al. V roce 1970 počítač • Odhalí nové významné matematické věty • Bude velmistrem v šachu • Bude schopen komponovat vážnou hudbu na úrovni klasiků • Porozumí přirozenému jazyku a bude umět překládat

7. Dokazování vět 1976potvrzení důkazu „čtyř barev“ V rámci dokazování bylo třeba klasifikovat určitý počet map. Úkol přesahoval lidské možnosti, počítače jej však již tehdy zvládly Důkaz ale přesto provázejí určité "filozofické" pochybnosti Regulérní matematický důkaz by se neměl dělat výčtem prvků - a řada důkazů takto udělat opravdu nejde. V téže době – základy logického programování, jazyk Prolog

8. Deep Blue „… počítač bude velmistrem v šachu“ 1996 Gary Kasparov prohrál s šachovým počítačem IBM Deep Blue v simultánní hře

9. ELIZA Joseph Weizenbaum1966 Komunikace s počítačem v přirozeném jazyce typu lékař (psychiatr) - pacient

10. Sněhu je málo i v Alpách, lyžuje se hlavně na ledovci(MF Dnes dnes) Praha - Evropa prožívá jednu z nejteplejších zim a sníhchybí lyžařůmnejenom v Česku. V Alpách sice většina středisek funguje, ale mají často omezený provoz a musí se spoléhat na technický sníh. Lidé by si tak před cestou měli ověřit, jaké podmínky lyžařské areály nabízejí. „Největší jistotou jsou ledovce,“ říká Ingrid Siederová z pražské pobočky Rakouské národní turistické centrály. V italských střediscích se v současné době lyžuje zhruba na třech čtvrtinách sjezdovek. Podobná je situace i ve Francii.

11. Příklad: vícevýznamová slova čeština: koruna (stromu, platidlo, na hlavě), strana, … portugalština: Ela me contou tudo. Ela contou pelo menos vinte pessoas. Ela contou comigo.

12. Příklad: vícevýznamová slova Ele contou pelo menos vinte pessoas. Ele contou mais que vinte pessoas. Ele contou mais que 10 hommes. O diretor contou com 12 cavalos. A profesora countou com o Luis. 1. Ela me contou tudo. 2. Ela contou pelo menos vinte pessoas. 3. Ela contou comigo.

13. Klasifikace textu určení autora, žánru, tématu na základě příkladů a protipříkladů články z českých novin

14. Klasifikace českých novinových článků převážně Mladá fronta určení autora – rubrika Názory, Steigerwald, Komárek, Bendová určení rubriky – titulní strana, Názory, Lidé určení tématu/postoje – jaderné elektrarny, pro/proti vstupu do EU, pro/proti Klausovi

15. Metoda • Vytvoř seznam všech (důležitých) slov v sadě dokumentů • Reprezentuj dokument jako seznam dvojic (slovo,výskyt), kde výskyt=, pokud se slovo v dokumentu vyskytuje, jinak 0. • Označ dokumenty daného autora (pozitivnípříklady) • A dokumenty ostatních autorů jako negativnípříklady • Použij učící algoritmus

16. Výsledky počet správně klasifikovaných dokumentů > 90% při rozpoznávání autora a rubriky ~ 70% při rozpoznávání tématu nebo postoje

17. Diskuse Rozumí počítač těmto textům? Proč to funguje? Kdy to fungovat nebude?

18. Je to vůbec k něčemu užitečné? filtrování zajímavých odborných článků filtrování „závadných“ webovských stránek A především filtrování nevyžádané elektronické pošty - spamů

19. Filtrování nevyžádané elektronické pošty Spam = pošta nabízející nevyžádané produkty a služby Filtrování obvykle: člověkěm vytvořená pravidla (SpamAssassin) Hlavní nevýhoda: stejná pravidla pro každého Alternativa: použít učící program Např. DSPAM http://dspam.nuclearelephant.com Posílat mu obdržené spamy a možná hamy (tj. ne-spamy) Program analyzuje obsah těchto zaslaných zpráv Přesnost 99.5\% - 99.95\%, = 1 chyba na každých 200 to 2000 zpráv

20. Příklad 1 „počítačová hra“. Můžeme se naučit roboty rozlišit na základě krátké zkušenosti? přátelští nepřátelští

21. Příklad 1 „počítačová hra“. Můžeme se naučit roboty rozlišit na základě krátké zkušenosti? přátelští nepřátelští

22. tvar hlavy úsměv ozdoba krku tvar těla předmět v ruce přátelský Kruh ne kravata čtverec šavle ne Čtverec ano motýlek čtverec nic ano Kruh ne motýlek Kruh šavle ano Trojúhelník ne kravata čtverec balón ne Kruh ano nic trojúhelník květina ne Trojúhelník ne nic trojúhelník balon ano Trojúhelník ano kravata Kruh nic ne Kruh ano kravata Kruh nic ano Příklad 1: Roboti a atributový popis

23. Příklad 1: hypotéza a její testování

24. ELIZA Joseph Weizenbaum http://en.wikipedia.org/wiki/Joseph_Weizenbaum http://jerz.setonhill.edu/if/canon/eliza.htm

25. Další informace Association of Computational Linguistics SIG on Natural Language Learning corpora mailling list http://www.hit.uib.no/corpora/ konference CoNLL; ACL,EACL,NAACL, COLING; TSD Text Mining Ws KDD Conf. D.Mladenič http://www-ai.ijs.si/DunjaMladeNone/home.html J. Hidalgo, ECML/PKDD Tutorial on Text Mining and Internet Content Filtering, http://ecmlpkdd.cs.helsinki.fi/tutorials.html

26. Díky za pozornost. Děkuji Janu Blaťákovi a Peterovi Krutému za pomoc.

27. Literature (Agrawal93) Agrawal R., Imielinski T., Swami A.:Mining association rules between sets of items in large databases.Proc. of ACM SIGMOD Conference on Management of Data, 1993. (Aleph) http://web.comlab.ox.ac.uk/oucl/research/areas/machlearn/Aleph/aleph.html (Bennett00) K. P. Bennett and C. Campbell: Support Vector Machines: Hype or Hallelujah? SIGKDD Explorations Newsletter of the ACM Special Interest Group on Knowledge Discovery And Data Mining December 2000. Volume 2, Issue 2 pp 1-13 http://www.acm.org/sigs/sigkdd/explorations/issue2-2/contents.htmBennett (Cristianini00) Cristianini N., Shawe-Taylor J.:An Introduction to Support Vector Machines and other kernel-base learning methods. Cambridge University Press,2000. (Cussens97). Cussens J. : Part­of­speech tagging using Progol. In Inductive Logic Programming: Proceedings of the 7th Intl.Ws(ILP­97). LNAI 1297, pages 93–108, 1997 Cussens J., Džeroski S.(Eds.) Learning Language in Logic, Springer 2000 (Einborg 98) Eineborg, M. and Lindberg, N. Induction of constraint grammar­rules using Progol. In Inductive Logic Programming: Proceedings of the 8th International Con­ ference (ILP­98). LNCS Spinger 1998

28. (Feldman99) Feldman R.:Mining unstructured data.Tutorial 5th ACM SIGKDD conference 1999, http://doi.acm.org/10.1145/312179.312192 (Hajic98)Hajič J., Hladká B.:Tagging Inflective Languages: Prediction of Morphological Categories for a Rich, Structured Tagset. In Proceedings of EACL 1998. (Forman02) Forman G.: Choose Your Words Carefully: An Empirical Study of Feature Selection Metrics for Text Classification. Proc of 6th Conf PKDD 2002, LNAI 2413, Springer. (Hajič01)Hajič J., Krbec P., Květoň P., Oliva K., Petkevič V.: Serial Combination of Rules and Statistics: A Case Study in Czech Tagging. In Proceedings of ACL/EACL 2001, Toulouse}, pages 260--267, 2001. (Hassoun95) M.Hassoun: Fundamentals of Artificial Neural Network. MIT Press, 1995. (Jelinek97) Jelinek F.: Statistical Methods for Speech Recognition. MIT Press 1997 (Křivánková02) Křivánková, L., Očko, M., Popelínský, L., Boček, P.: Fast choice of separation conditions for analyses by capillary zone electrophoresis using an information system Xemic. Electrophoresis 2002, 23, 3364-3371. (LLL99) Cussens J., Džeroski S.(eds.) Proceedings of the 1st Ws on LLL,Bled, Slovenia, 1999.

29. (LLL00) Nedellec C.(ed.) Proceedings of the 2nd Ws on LLL, Lisboa, Portugal, 2000. (LLL01) Nepil M., Popelínský L. (eds.) Proceedings of the 3rd Ws on LLL, Strasbourg, 2001. (Mitchell97) Mitchell T.M.: Machine Learning. McGraw Hill, New York, 1997. (Mjartan et al.) (Mugleton94) Muggleton S. and De Raedt L.:Inductive Logic Programming: Theory And Methods. J. Logic Programming 1994:19,20:629-679. (Nepil 01) Nepil M., Popelinsky L., Zackova E.:Part-of-Speech Tagging by Means of Shallow Parsing, ILP and Active Learning. In Proc. of 3rd Ws on Learning Language in Logic(LLL), Strasbourg, 2001. (Pala et al. 97) Pala, K., Rychlý P., Smrž, P. (1997). DESAM - annotated corpus for czech. In Plášil F., Jeffery K.G.(eds.): Proceedings of SOFSEM'97, LNCS 1338, pages 60–69.

30. (Pavelek00) Pavelek, T., Popelínský L., Ptacnik, T. :On Disambiguation in Czech Corpora.TR Faculty of Informatics MU, 2000 (Sedláček01) Sedláček R., Smrž P.:Automatic Processing of Czech Inflectional and Derivative Morphology. In Proc. of 4th Intl. Conf. TSD 2001, LNAI 1902, 2001, (Šmerk03) Šmerk P.: Aktivní učení pravidel pro morfologickou desambiguaci. Dipl.práce FI MU Brno 2003 (Tkach98) Tkach D.: Text Mining Technology. Turning Information Into Knowledge. A White Paper from IBM. IBM Software Solutions, Feb 17, 1998. (Žáčková00) Žáčková00 E., Popelinsky L.,Nepil M.:Recognition and tagging of compound verb groups in Czech.Proc. of 2nd Ws LLL-2000 (Žáčková 02) Žáčková E.: Parciální syntaktická analýza (češtiny). Dizertace FI MU Brno, 2002 (Žižka et al.02) Žižka J., Bourek A.: Automated Selection of Interesting Medical Text Documents by the TEA Text Analyzer. 3rd Conf.on Intelligent Text Processing and Computational Linguistics (CICLing), Mexico City,Springer-Verlag, 2002, LNCS.

31. Additional references Cussens, J., Džeroski, S., and Erjavec, T. (1999). Morphosyntactic tagging of Slovene using Progol. In Deroski, S. and Flach, P., editors, Inductive Logic Programming: Proc. of the 9th International Workshop (ILP­99), Bled, Slovenia. Springer­Verlag. Džeroski, S. and Erjavec, T. (1997). Induction of Slovene nominal paradigms. In Inductive Logic Programming: Proceedings of the 7th International Workshop (ILP­ 97). LNAI 1297, pages 141–148. Springer. Popelínský L. and Pavelek T. Mining lemma disambiguation rules from Czech corpora In Proc. of 3rdEur. Conf. PKDD'99, Prague Czech Republic 1999. LNCS 1704 pp.498–503, 1999. Popelínský L. and Pavelek T. Ptáčník. T. Towards disambiguation in Czech corpora. In Proc. of the 1st Learning Language in Logic Workshop LLL’99, Bled, 1999. Zavrel, J. and Daelmans, W. (1998). Recent advances in memory­based part­of­speech tagging. TechNoneal report, ILK/Computaional Linguistics, Tilburg University.