Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
ZveřejnilPavlína Havlíčková
1
Vysoká škola ekonomická v Praze Extrakce informací z webových stránek pomocí extrakčních ontologií Martin Labský Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Katedra inf. a znalostního inženýrství labsky@vse.cz Disertační práce Obor: Informatika Školitel: Prof. Ing. Petr Berka, CSc.
2
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 2 Agenda Extrakce informací Motivace, cíle a obsah disertační práce Rozšířené extrakční ontologie –kombinace tří typů extrakčních znalostí –návrh jazyka EOL a implementace interpretu –algoritmy extrakčního procesu Popis experimentů –oznámení o seminářích –kontaktní informace z webových stránek –popisy produktů Závěry
3
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 3 Extrakce informací – příklady aplikací Nalézt v dokumentech údaje předem definovaného sémantického typu Seminář místo ? řečník ? začátek ? konec ? Extrakce informací
4
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 4 Extrakce informací – příklady aplikací Extrakce informací
5
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 5 Využití extrakce informací Strukturované vyhledávání –hledání dle parametrů (např. výrobku) –disambiguace při vyhledávání (Jaguar, Johnsson) Urychlení navigace v dokumentech –zvýraznění relevantních informací pro určitou úlohu Automatické zodpovídání otázek –jaké je hlavní město... Podpora automatického překladu –identifikace a nepřekládání jmen (Jan Kovář) Podpora posuzování kvality webových stránek –např. zda medicínské stránky splňují formální kritéria jako je uvedení kontaktních informací Extrakce informací
6
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 6 Automatická extrakce informací Alternativou je ruční anotace dokumentů jejich autory –např. FOAF (Friend Of A Friend) –k dispozici pouze výjimečně, navíc nemusí obsahovat potřebné informace –anotace může být (i záměrně) nepravdivá Automatická extrakce informací –rychlé pokrytí velkého počtu dokumentů –využívá různé typy extrakčních znalostí –spolehlivost závisí na obtížnosti úlohy, zvolených algoritmech a jimi využitých extrakčních znalostech Extrakce informací
7
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 7 Agenda Extrakce informací Motivace, cíle a obsah disertační práce Rozšířené extrakční ontologie –kombinace tří typů extrakčních znalostí –návrh jazyka EOL a implementace interpretu –algoritmy extrakčního procesu Popis experimentů –oznámení o seminářích –kontaktní informace z webových stránek –popisy produktů Závěry
8
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 8 Motivace Manuální přístupy –řízení báze znalostí o mnoha extrakčních pravidlech je pro člověka obtížné –není snadné využít případná trénovací data Trénované přístupy –často vyžadují velké množství trénovacích dat, která typicky nejsou pro specifickou úlohu dostupná –po sběru trénovacích dat je obtížné měnit extrakční schéma Wrappery –využitelné jen pro dokumenty s pevnou formátovací strukturou (např. katalog zboží konkrétní website) –nelze spoléhat na známou formátovací strukturu konkrétních website pro úlohy, kde množina zpracovávaných website není předem dána Motivace, cíle a obsah disertační práce
9
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 9 Cíle a přínosy disertační práce Využít tři různé typy znalostí pro extrakci informací z dokumentů –pravidla zadané expertem, –znalosti indukované z trénovacích dat, –pravidelné formátování dokumentů. Navržení metody extrakčních ontologií a jazyka pro jejich reprezentaci –rychlé prototypování extrakčních aplikací –postupné zlepšování přesnosti a pokrytí přidáním dalších znalostí –snadné změny extrakčního schématu Implementace prakticky využitelného extrakčního nástroje Ex Rozšíření extrakce textových položek o extrakci obrázků Motivace, cíle a obsah disertační práce
10
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 10 Obsah disertační práce 1.Úvod 2.Současný stav extrakce informací 3.Klasifikace obrázků pro účely extrakce informací z webu 4.Extrakce informací pomocí skrytých markovských modelů 5.Rozšířené extrakční ontologie 6.Případové studie s využitím extrakčních ontologií 7.Závěr Motivace, cíle a obsah disertační práce
11
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 11 Agenda Extrakce informací Motivace, cíle a obsah disertační práce Rozšířené extrakční ontologie –kombinace tří typů extrakčních znalostí –návrh jazyka EOL a implementace interpretu –algoritmy extrakčního procesu Popis experimentů –oznámení o seminářích –kontaktní informace z webových stránek –popisy produktů Závěry
12
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 12 Rozšířené extrakční ontologie Termín extrakční ontologie zavedl (D.W. Embley, 2002) –metoda pro extrakci strukturovaných záznamů z internetu na bázi ručně zadaných regulárních výrazů Navržené rozšířené extrakční ontologie –bohatší jazyk pro manuální zadání extrakčních znalostí –využívají navíc trénovací data a nesupervizované rozpoznání pravidelné formátovací struktury –kombinují extrakční znalosti na základě pravděpodobnostního modelu –reprezentovány navrženým a implementovaným jazykem Extraction Ontology Language (EOL) v rámci vyvinutého opensource nástroje Ex Rozšířené extrakční ontologie (ISMIS 2008), (KCAP 2007), (ESWC workshop 2006)
13
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 13 Zapojení extrakčních znalostí v extrakční ontologii... z trénovacích dat nesupervizované extrakční indicie jiné znalosti manuální p r příznaky značky v místech kde byl atribut klasifikován w1, w2,... příznaky Rozšířené extrakční ontologie
14
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 14 Kombinace extrakčních indicií Každá indicie E je vybavena 2 odhady pravděpodobností vzhledem k předpovídanému atributu A: –přesnost indicie p = P(A|E)... míra postačitelnosti –pokrytí indicie r = P(E|A)... míra nutnosti Každému atributu je přiřazena apriori pravděpodobnost výskytu P(A) označuje množinu indicií definovaných pro A Předpokládáme podmíněnou nezávislost indicií v rámci : Pomocí Bayesova vzorce určíme P(A | hodnoty indicií ve ) takto: kde Rozšířené extrakční ontologie
15
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 15 Extrakční proces 1/4 1.Předzpracování dokumentu, načtení formátovací struktury 2.Nalezení výskytů vzorů pro obsah a kontext atributů 3.Aplikace trénovaných klasifikátorů, označení jejich predikcí 4.Nalezení výskytů vzorů obsahujích reference na rozhodnutí klasifikátorů 5.Vytvoření kandidátů na hodnoty atributů (AC), nalezení možných koreferencí a skórování AC dle P AC = 6.Vytvoření svazu AC napříč dokumentem, uzly svazu jsou 3 typů: (ac) obsahují právě jeden AC, (null) prázdné, (bg) na pozadí uzel má skóre log(P AC ) Washington, DC... O(n) délka dokumentu Rozšířené extrakční ontologie O(|AC|)
16
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 16 Extrakční proces 2/4 7.Nalezení nejlepší cesty svazem AC cesta s nejlevnějším součtem skóre uzlů uzly typu (ac) identifikují extrahované hodnoty atributů první možný konec extrakce 8.Nesupervizovaná indukce formátovacích vzorů AC na nejlepší cestě svazem dotázány na jejich formátovací „hnízdo“ „hnízdo“ je sub-strom ve formátovací struktuře dokumentu, obsahující AC, jehož kořen je první blokový element (např. odstavec nebo buňka tabulky) „hnízdo“ je použito jako nová indícíe pokud jeho četnost a odhad jeho přesnosti (pomocí rel. četností v dokumentu) překročí nastavené prahy O(k |AC|) TD A_hrefB John Doejdoe@web.ca TD A_hrefB Argentina Agostoaa@web.br formátovací „hnízdo“ naučené pomocí správně rozpoznaných jmen pomáhá identifikovat jinak špatně rozpoznatelné atributy O(n |AC|) * Rozšířené extrakční ontologie průměrné větvení svazu
17
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 17 Extrakční proces 3/4 9.Generování kandidátů na instance tříd (IC) zdola nahoru postupným seskupováním jednotlivých IC s AC v jejich okolí prováděno postupně šplháním formátovací strukturou nahoru od rozšiřovaného IC pro rozšíření vybírán vždy nejlépe skórující IC, rozšířené IC skladovány v uspořádané frontě řízeno a omezeno ontologií (kardinalita, axiomy a další indicie třídy) a nastavením 10.Skórování IC Skóre P IC určeno dvěma složkami – na základě skóre obsažených AC a na základě indicií třídy kde |IC| = počet atributů v IC, AC skip = AC v rozsahu IC který není jejím členem, P AC skip = odhad pravděpodobnosti, že AC je “planý poplach”, C = množina indicií známá pro třídu C, P(C|E C ) kombinuje indicie dle stejného modelu jako pro atributy Obě skóre zkombinovány pseudo-bayesovskou funkcí známou z exp. systému Prospector: výp. až O(n |AC| 2 ) Rozšířené extrakční ontologie prost. až O(n 2 )
18
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 18 Extrakční proces 4/4 11.Vložení validních IC do původního AC svazu skóre validních IC finalizováno a IC prořezány dle skóre každý validní IC je reprezentován novým uzlem, obcházejícím samostatné AC a uzly reprezentující „pozadí“ skóre IC uzlu = 12.Nejlepší cesta AC+IC svazem identifikuje extrahované položky algoritmus nalezení nejlepší cesty umožňuje definovat různá omezení pro položky na cestě (min/max počet instancí nebo atributů určitého typu) n-best IC1 IC2 O(n |IC|) O(k (|IC|+|AC|)) Rozšířené extrakční ontologie
19
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 19 Agenda Extrakce informací Motivace, cíle a obsah disertační práce Rozšířené extrakční ontologie –kombinace tří typů extrakčních znalostí –návrh jazyka EOL a implementace interpretu –algoritmy extrakčního procesu Popis experimentů –oznámení o seminářích –kontaktní informace z webových stránek –popisy produktů Závěry
20
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 20 Experimenty: e-mailová oznámení o seminářích 485 anglických e-mailových oznámení o seminářích na Carnegie-Melon University. Manuální EO: vytvořena člověkem na základě 50 náhodně vybraných dokumentů, testována na zbývajících 435 dokumentech. Kombinovaná EO: stejná ontologie vybavená CRF klasifikátorem. Pro atribut Location jsou manuální indicie použity jen jako příznaky klasifikátoru, pro ostatní atributy jsou manální indicie plně zapojeny. 10-násobná křížová validace na testovací sadě 435 dokumentů. manuální EO, testovací datakombinovaná EO, 10-CVshrnutí atributpřesnostúplnostF-mírapřesnostúplnostF-mírarozdíl Fpočet entit Speaker69.966.568.175.475.075.2+7.1 689 – loose76.272.774.481.880.681.2+6.8 Location59.775.966.993.378.085.0+18.1 575 – loose77.586.081.597.680.788.3+6.8 Start time96.088.792.298.193.395.6+3.4 881 – loose96.488.992.598.193.395.6+3.1 End time97.890.393.997.094.495.7+1.8 380 – loose97.990.594.197.294.796.0+1.9 Celkem79.180.079.690.485.087.6+8.0 2525 – loose85.984.185.093.287.290.1+5.0 Popis experimentů (KI 2008 – Ontology-based Information Extraction Systems Worskhop)
21
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 21 Experimenty: kontaktní informace z HTML Kolekce heterogenních webových stránek z medicínské domény ve 3 jazycích Manuální EO: vyvinuta člověkem pomocí 30 dokumentů z každé kolekce, testována na zbytku dokumentů s využitím indukce formátovacích vzorů Kombinovaná EO: manuální EO doplněná CRF klasifikátorem, manuální indicie použity samostatně i jako příznaky pro CRF, 10-násobná kříž. validace na testovacích dokumentech EN: 116 dokumentů, 7000 entit, 1131 instancí tříd, DE: 93/4950/768, CZ: 99/11000/2506 Villain score hodnotí přesnost seskupování atributů Popis experimentů (ECAI 2008), (Datakon 2007)
22
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 22 Experimenty: nabídky bicyklů z HTML Kolekce 103 dokumentů / 4100 entit z různých website ve V.Británii nabízejících bicykly Manuální EO: vyvinuta člověkem pomocí 50 dokumentů, testována na zbytku FPI EO: manuální EO se zapnutou indukcí formátovacích vzorů HMM EO: využívá pouze trénovaný HMM model, datotypová omezení a axiomy Kombinovaná EO: Využívá HMM model pro všechny atributy kromě ceny a slevy Popis experimentů (Znalosti 2004), (ECML/PKDD 2004) 23,5%
23
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 23 Experimenty: HMM a extrakce obrázků Skrytý markovský model s dedikovanými stavy pro extrahované položky a jejich kontext, inspirováno (Freitag, McCallum 2000) Experimenty s nesupervizovaně indukovanými topologiemi Rozšíření lexikálních distribucí stavů o n-gramové distribuce Jediný model pro všechny extrahované položky: –1 Background stav –1Target, 1 Prefix and 1 Suffix stav na 1 atribut B STP S’S’T’T’P’P’... Popis experimentů Vyvinuto několik binárních klasifikátorů obrázků (bicykl ano/ne) –příznaky: rozměry, barevný histogram, počet výskytů ve stránce, podobnost k trénovací kolekci pozitivních příkladů (Praks, 2002) –2.6% = chybovost kombinovaného klasifikátoru (10-CV na 1600 obrázcích) HMM model propojen s klasifikátorem obrázků tak, že lexikální distribuce stavů emitují třídy obrázků předpovídané klasifikátorem –88% F-míra pro obrázky jako součást popisu produktu aplikace: malý strukturovaný vyhledávač, autory webového rozhraní jsou kolegové z KEG (RAWS 2005), (Web Intelligence 2005)
24
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 24 Závěry Vyvinuta metoda rozšířených extrakčních ontologií, umožňující –volitelné využití 3 různých typů extrakční znalosti –rychlé prototypování –snadné změny extrakčního schématu Prezentovány výsledky pro reálné domény –oznámení o seminářích, kontaktní informace, popisy bicyklů –dokumentovány výhodnost kombinace různých typů znalostí a rychlé prototypování extrakčních úloh –vytvořeny klasifikátory obrázků, které byly úspěšně integrovány do vyvinutého extrakčního HMM modelu Vytvořen open-source extrakční nástroj Ex –distribuce, zdrojové kódy a příklady: http://eso.vse.cz/~labsky/exhttp://eso.vse.cz/~labsky/ex –Java, 54000 řádků kódu Publikace –S prací spojeno > 20 publikací na zahraničních i tuzemských konferencích a workshopech (autor / spoluautor)
25
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 25 Literatura a vybrané publikace Embley, D.W., Tao, C., Liddle, S.W.: Automatically extracting ontologically specified data from HTML tables with unknown structure. In: Proc. ER 2002. Karkaletsis, V., Karampiperis, P., Stamatakis, K., Labský, M., Růžička, M., Svátek, V., Polla, M., Mayer, M, Gonzales, D: Automating Accreditation of Medical Web Content. In: ECAI, Patras, IOS Press, 2008, ISBN 978-1- 58603-891-5. Labský, M., Nekvasil, M., Svátek, V.: Towards Web Information Extraction using Extraction Ontologies and (Indirectly) Domain Ontologies. In: K-CAP, Whistler, ACM, 2007, ISBN 978-1-59593-643-1. Labský, M., Svátek, V.: Combining Multiple Sources of Evidence in Web Information Extraction. In: ISMIS, Toronto. Foundations of Intelligent Systems, Springer-Verlag, 2008, ISBN 978-3-540-68122-9. Labský, M., Svátek, V., Nekvasil, M.: IE Based on Extraction Ontologies: Design, Deployment and Evaluation. In: KI – Ontology-based Information Extraction Systems, Kaiserslautern, CEUR-WS, 2008, ISSN 1613-0073. Labský, M., Svátek, V.: On the Design and Exploitation of Presentation Ontologies for Information Extraction. In: ESWC/Mastering the Gap: From Information Extraction to Semantic Representation. Budva: KMI, The Open University, 2006. Labský, M., Svátek, V., Šváb, O., Praks, P., Krátký, M., Snášel, V.: IE from HTML Product Catalogues: from Sorce Code and Images to RDF. Web Intelligence, Compiégne, IEEE, 2005, ISBN 0-7695-2415-X. Labský, M., Svátek, V., Šváb, O.: Types and Roles of Ontologies in Web Information Extraction. In: ECML/PKDD – Knowledge Discovery and Ontologies, Pisa, 2004. Labský, M., Vacura, M., Praks, P.: Web Image Classification for Information Extraction. In: RAWS. VŠB TU, 2005, ISBN 80-248-0864-1. Labský, M.: Product information extraction from semistructured documents using HMMs. Znalosti, VŠB TU, 2004 Peshkin, L., Pfeifer, A.: Bayesian Information Extraction Network. In: Proc. Intl. Joint Conference on Artificial Intelligence, 2003. Svátek, V., Labský, M., Nemrava, J., Kosek, J., Růžička, M.: Projekt MedIEQ: hodnocení zdravotnických webových zdrojů s využitím extrakce informací. Brno 14.-17.10.2006. In: DATAKON, Brno, MU, 2006 ISBN 80- 210-4102-1. Srovnání výsledků extrakčních nástrojů na úloze oznámení o seminářích: http://tcc.itc.it/research/textec/tools- resources/learningpinocchio/CMUhttp://tcc.itc.it/research/textec/tools- resources/learningpinocchio/CMU
26
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 26 Děkuji za pozornost! Otázky ?
27
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 27 Otázky oponentů (1/9) Jak hodnotíte pro svoje řešení hlediska: –rychlého prototypování, –snadné změny extrakčních pravidel, –vyváženost přesnosti a potřebných nákladů (případně, času a kvalifikace asistenta trénování). Manuální znalosti –podporují rychlé prototypování a změny schématu, podle doporučené metodologie se manuální znalosti vytvářejí v prvních fázích projektu Trénovací data –pokud je třeba je pořídit, sběr probíhá v dalších fázích projektu, kdy už je extrakční schéma stabilní
28
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 28 Otázky oponentů (2/9) Nakolik je řešení vázáno na daný styl webovských stránek a jak je odolné na změny. Manuální znalosti –zda a do jaké míry je formátování přítomno v pravidlech Indukované formátovací vzory –Adaptace na konkrétní formátování website probíhá nesupervizovaně během vlastní extrakce –Indukované formátovací vzory se nepoužívají pro další website extrakční ontologie nejsou závislé na konkrétním formátování
29
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 29 Otázky oponentů (3/9) Jaké výsledky na daných problémech, datech dosahují veřejně dostupné prostředky? Extrakce oznámení o seminářích je jedna z často používaných srovnávacích úloh: Samotný CRF++ nástroj se základní množinou příznaků dosáhl pro kontakty výrazně nižší F-míry, zlepšení nastává v případě kombinace s extrakční ontologií (ve smyslu rozšíření množiny příznaků i kombinace s manuálními indiciemi) F-míryBIENLP2EOSRVRapierWhisk Speaker76.977.675.266.253.018.3 Location87.175.185.079.773.366.4 Start time96.099.095.694.395.992.6 End time98.895.595.799.396.786.1 Overall-89.987.6-82.6- Výsledky pro BIEN převzaty z (Peshkin, 2003); pro LP2, SRV, Rapier a Whisk je zdrojem http://tcc.itc.it/research/textec/tools- resources/learningpinocchio/CMU http://tcc.itc.it/research/textec/tools- resources/learningpinocchio/CMU
30
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 30 Otázky oponentů (4/9) Metadata, např. XML schéma k extrakční ontologii? Pro jazyk EOL je k dispozici DTD (document type definition) na doprovodném CD: –ex/models/eol.dtd
31
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 31 Otázky oponentů (5/9) Není jasné kolik práce a znalostí je třeba na nastavení parametrů „vah“, nakolik je automatické a nakolik ruční. Semináře: Kontakty: Bicykly:
32
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 32 Otázky oponentů (6/9) Zajímalo by mě, jaké jsou možnosti aplikace popsaných metod pro web 2.0, 3.0 atd, vzhledem k tomu, že jisté části extrakce jsou vázány na technologické prvky webových stránek. Web 2.0 – existující druhá generace technologií a designu vysoce interaktivních webových stránek a aplikací, často využívající intenzívní komunikaci mezi klientem a serverem a rozsáhlé schopnosti prohlížeče. (volně dle Wikipedie) –pro extrakci z Web 2.0 stránek lze využít API prohlížeče a jeho reprezentaci dokumentu –navržená metoda není v principu omezena na webové stránky, lze ji aplikovat na dokumenty bez jakéhokoliv struktury na druhé straně je možné využít i jiného hierarchického formátovaní než HTML Web 3.0 – očekávaná další generace „sémantického webu“, kde stroje do určité míry „rozumějí“ jeho obsahu, např. jsou schopny odvozování nad prezentovanými fakty a mohou provádět operace pomocí sémanticky anotovaných webových služeb. –IE obecně je jednou z technik které by mohly „plnit“ potřebné báze znalostí
33
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 33 Otázky oponentů (7/9) Jaká je časová a prostorová složitost prezentovaného řešení? Extrakční ontologie –viz slidy 15-18 „extrakční proces“ Skryté markovské modely – nalezení nejlepší cesty Viterbi algoritmem –časová O(n s 2 ) –prostorová O(n s) –kde n=délka analyzovaného textu, s=počet stavů Klasifikátor obrázků –O(velikost obrázku) pro zjištění příznaků (histogram) –dále v závislosti na použitém algoritmu strojového učení
34
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 34 Otázky oponentů (8/9) Jak rozsáhlé experimenty byly provedeny? Emailová oznámení o seminářích –485 dokumentů, 3000 pojmenovaných entit 4 typů, 1 oznámení na email Extrakce kontaktních informací z heterogenních webových stránkek v medicínské doméně pro 3 jazyky –extrakce pojmenovaných entit 10 typů a seskupování do instancí 1 třídy Extrakce popisů bicyklů z heterogenních webových stránek obchodů –108 dokumentů, 4000 atributů 15 typů včetně 630 obrázků kol –Binární klasifikace obrázků na kolekci 1600 obrázků Extrakce popisů počítačových monitorů a televizí z web. obchodů –500 webových stránek s monitory, 60 s televizemi Počet dokumentůPočet entitPočet instancí tříd EN11670001131 DE934950768 CZ99110002506
35
11.6.2009 Extrakce informací z webových stránek pomocí extrakčních ontologií 35 Otázky oponentů (9/9) Bude proces extrakce ontologie dávat pro různá vstupní nastavení stejné ontologie pro danou kolekci stránek? Extrakční ontologie zůstává během extrakce neměnná –nesupervizovaně se indukují pouze formátovací vzory, které ale nejsou persistentní a jejich působnost je omezena pouze na dokument, na základě kterého byly indukovány Výsledky extrakce závisí na nastavení –systém lze konfigurovat pomocí velkého množství parametrů (cca 20), např. n-best, zda generátor instancí může „přeskakovat“ AC kandidáty nevhodné pro budovanou instanci, omezení prostoru generování instancí jako abs. a rel. šířka beamu v mřížce, prahy pro minimální pravděpodobnost AC a IC –Další „parametry“ obsahuje samotná extrakční ontologie a na ni napojené klasifikátory
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.