330 likes | 417 Views
Das Informationsextraktions-System ANNIE. Anna Mazhayskaya Anna Vinenko 09.07.2007. Informationsextraktion. Informationsextraktion versucht, spezifische Informationen aus textuellen Dokumenten zu extrahieren und in datenbankartigen Schemata abzulegen.
E N D
Das Informationsextraktions-System ANNIE Anna Mazhayskaya Anna Vinenko 09.07.2007
Informationsextraktion Informationsextraktion versucht, spezifische Informationen aus textuellen Dokumenten zu extrahieren und in datenbankartigen Schemata abzulegen. Die Information wird dabei gemäß fest vorgegebenen Spezifikationen ausgewählt.1 1 vgl. http://www.uni-trier.de/uni/fb2/ldv/ldv_wiki/index.php/Informationsextraktion
GATE- General Architecture for Text Engineering • ist eine Entwicklung der Sheffield University(Dept. of Natural Language Processing) • enthält eine Klassenbibliothek(alle Schnittstellen sind in Java realisiert) • bietet eine Entwicklungsumgebung mit graphischer Oberfläche • http://gate.ac.uk/
GATE enthält drei Typen von Komponenten: • LanguageResources (LRs) : Lexika, Korpora und Ontologien • ProcessingResources (PRs): algorithmische Ressourcen wie Parser, Generatoren oder n-Gram-Modellierer • VisualResources (VRs): zur Visualisierung und zum Editieren in GUIs vgl. GATE User guide, http://gate.ac.uk/sale/tao
Aufbau derProcessing Resources in GATE Komponenten der Processing Resources können sein: • JAVA-Klassen (Sentence) • Listen (Gazetter) • JAPE-Regeln (Semantik Tagger)
JAPE - Java Annotation Patterns Engine • ermöglicht Grammatiken für reguläre Sprachen in einer systemunabhängigen Spezifikation • linke Seite (LHS): Muster • rechte Seite (RHS): Aktion • zur Ausführung der JAPE-Regeln erzeugt GATE einen Transduktor
Algorithmen für die JAPE-Regeln 1. Algorithmus: Bildung eines FSM a) Bau eines NFSM mit Hilfe von LHS und RHS Abbildung 1: A nondeterministic FSM nach GATE User guide, Appendix B, JAPE: Implementation, http://gate.ac.uk/sale/tao
Algorithmen für die JAPE-Regeln b) Abbildung 2: Umwandlung eines NFSM in ein FSM 1 2 … n!
Algorithmen für die JAPE-Regeln • 2. Algorithmus • bearbeitete Daten als Input • neue Annotationen als Output Abbildung 3: An annotation graph nach GATE User guide, Appendix B, JAPE: Implementation, http://gate.ac.uk/sale/tao
ANNIE: a Nearly-New InformationExtraction System • Eine Teilmenge der Komponenten von GATE bildet das Informationsextraktionssystem ANNIE Abbildung 4: ANNIE and LaSIE nach GATE User guide, Ch. 8, ANNIE: a Nearly-New Information Extraction System, http://gate.ac.uk/sale/tao
Komponenten von ANNIE • Tokeniser • Gazetteer • Sentence Splitter • POS-Tagger • Semantic Tagger • Orthographic Coreference • Pronominal Coreference vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIETokeniser • Zerlegt den Text in elementare Token wie Zahlen, Interpunktion und Wörter verschiedenen Typs • z.B. Wörter mit Grossbuchstaben unterscheiden sich von den Wörtern mit Kleinbuchstaben • Das Ziel ist, den Leistungsumfang für maximale Effizienz einzuschränken vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIE Tokeniser folgende Tokenarten sind möglich: • word • number • symbol • punctuation • SpaceToken vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIERegeln für den Tokeniser • jede Regel hat eine linke und eine rechte Seite • der reguläre Ausdruck auf der linken Seite wird mit der Eingabe abgeglichen • die rechte Seite beschreibt die Annotationen, die zum AnnotationSet hinzugefügt werden sollen vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIERegeln für den Tokeniser • Beispiel einer Regel für Wörter, die mit einem einzelnen Grossbuchstaben beginnen "UPPERCASE_LETTER" "LOWERCASE_LETTER"* > Token;orth=upperInitial;kind=word; vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEEnglish Tokeniser • passt die Ausgabe des generischen sprachunabhängigen Tokenisers den Erfordernissen des Part-of-Speech-Taggers für Englisch an Beispiel: don‘t • aus drei Token: „don“, „’“, „t“ werden zwei: „do“ und „n’t“ vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEGazetteer • die sog. Gazetteer-Listen sind Text-Dateienmit nur einem Eintrag pro Zeile für Firmen-, Personen-, Ortsnamen u.v.a.m. • auf die Listen wird über eine Index-Datei (lists.def) zugegriffen • aus diesen Listen werden endliche Automaten(zur Erkennung der Listenelemente) kompiliert vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEGazetteer Die Einträge in der Index-Datei bestehen aus: • dem Listentitel • einem Haupttyp (major type) für die Listeneinträge • einem Nebentyp (minor type) vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIESentence Splitter • ein Transduktor, der den Text in einzelne Sätze zerlegt • verwendet eine Gazetterliste von Abkürzungen • jeder Splitter ist anwendungs- und spracheunabhängig vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPart-of-Speech-Tagger • Erkennung von Wortarten (Verb, Substantiv, Präposition…) • Verwendet ein Lexikon und ein Set von Regeln, trainiert auf dem Korpus aus dem Wall Street Journal vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIESemantic Tagger • Beruht auf den Regeln in der JAPE-Sprache • enthält Regeln, die auf den Annotationen aus den vorangegangenen Phasen arbeiten vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEOrthographic Coreference (OrthoMatcher) • fügt Identitätsrelationen hinzu zwischen NEs (named entities), die vom semantischen Tagger bestimmt wurden • benutzt eine Tabelle der Bezeichnungen der gleichen Entitäten in alternative Schreibweisen z. B.: IBM vs. Big Blue, Coca-Cola vs. Coke • verwendet auch eine Liste mit leicht verwechselbaren Namen z. B.: BT Wireless vs. BT Cellnet vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPronominal Coreference • wird in ANNIE nicht automatisch geladen, kann aber als sog. ’Processing Resource’ hinzugefügt werden • besteht aus drei Submodulen: – Modul für Textstücke in Anführungszeichen(quoted text module) – Modul für sog. pleonastisches ’it’(pleonastic it module) – Modul für Pronomenauflösung(pronominal resolution module) vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPronominal Coreference • Das Modul setzt die Annotationen der vorangegangenen Module voraus • dazu gehören: – Token (English Tokenizer) – Sentence (Sentence Splitter) – Split (Sentence Splitter) – Location (NE Transducer, OrthoMatcher) – Person (NE Transducer, OrthoMatcher) – Organization (NE Transducer, OrthoMatcher) vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPronominal Coreference: Modul für Textstücke in Anführungszeichen • Modul identifiziert im Text Fragmente, die in Anführungszeichen stehen • für diese Fragmente gelten im 3. Modul besondere Regeln für die Auflösung solcher Pronomen wie I, me, my… Das Modul bildet „Quoted Text“-Annotationen • Das Modul ist ein JAPE-Transduktor auf der Basis einer JAPE-Grammatik vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPronominal Coreference • Vorverarbeitung der Textdatei: • Bestimme Sätze • Bestimme Geschlecht der Personen • Listen der Annotationen von Organisationen, Orten, Personen • für jedes Pronomen suche nach den möglichen Antezedenten und wähle den besten aus • bilde sog. Koreferenzketten (coreference chains) vgl. GATE User guide, http://gate.ac.uk/sale/tao
Komponenten von ANNIEPronominal Coreference • Alle Pronomina haben Annotationen vom Typ „Token“ mit den Werten „PRP“ oder „PRP$“ für das Merkmal „category“ • Kategorie „PRP“: Possesivpronomen my, your, his, her… • Kategorie „PRP$“: Personalpronomen, Reflexivpronomen vgl. GATE User guide, http://gate.ac.uk/sale/tao
Dokumentformate für GATE: • Plain Text • HTML • SGML • XML • RTF • Email • PDF • Microsoft Word vgl. GATE User guide, http://gate.ac.uk/sale/tao
Documents: Content plus Annotations plus Features • Annotationen sind in Graphen zusammengefasst, die als „Java sets of Annotation“ modelliert sind. • Annotationen haben Anfangsknoten und Endknoten, ID, Typ and FeatureMap. Nodes haben Pointer auf die Dokumentquelle. Result of annotation on a single sentence Tabelle 1: Result of annotation on a single sentence nach GATE User guide, Ch. 6, http://gate.ac.uk/sale/tao
Quellenangaben • H.Cunningham, D.Maynard, K.Bontcheva,V.Tablan, C. Ursu, M.Dimitrov, M.Dowman, N.Aswani, I.Roberts, Y. Li, A.Shafirinc (2001-2006).Developing Language Processing Components with GATE Version 4 (a User Guide) For GATE version 4.0-beta1. The University of Sheffield (April 2007). • http://gate.ac.uk/