Automatická tvorba znalostí z korpusových dat

Bc. Miloš Husák

Diplomová práce

Automatic acquisition of information from corpus data

Anotace:

Práce se zabývá problematikou počítačového zpracování přirozeného jazyka. Stěžejním tématem je extrakce informací z textových dat. V práci jsou přehledově uvedeny nejčastěji používané algoritmy pro extrakci informací. Zahrnuty jsou jak metody založené na numerických výpočtech (HMM, SVM aj.), tak metody symbolické, využívající určité formy šablon či pravidel. V praktické části této práce autor navrhuje sémantický tabulkový analyzátor založený na využití sémantických sítí. Pomocí sémantické gramatiky, která místo tradičních syntaktických neterminálů používá sémantických kategorií či jednoznačných identifikátorů tříd, se autor snaží zvýšit přesnost extrakce informací. Tím se tento analyzátor liší od řady obdobných přístupů založených čistě na práci s textem jako s řetězci znaků. Autor popisuje problémy, které nastaly při implementaci analyzátoru, a navrhuje jejich řešení. V práci je popsáno několik ukázkových pravidel a navržen vhodný zdroj pravidel dalších. Autor považuje za vhodné především šablony z projektů Corpus Pattern Analysis či FrameNet.

Abstract:

This thesis deals with Natural Language Processing. The key issue is an information extraction from textual data. The paper provides an overview of the most commonly used algorithms for information extraction. The list of methods contains numerical algorithms (HMM, SVM, etc.) and symbolic methods based on using certain forms of patterns or rules. In the practical part of this work, author proposes a semantic chart parser utilizing semantic networks. The author attempts to improve the precision of the extraction process using grammar rules based on unique identifiers of classes and semantic categories instead of the traditional grammar symbols based on syntactic categories. Usage of unique word sense identifiers makes the proposed algorithm different from other approaches that treat the text only as a sequence of letters. The author describes problems encountered during the implementation of the analyzer and proposes their solutions. The paper describes some of the implemented rules, as well as available sources for creating new ones. The author considers templates of FrameNet and Corpus Pattern Analysis project to be particularly suitable for this purpose.

Klíčová slova

Extrakce informací, Extrakce znalostí, Sémantická síť, WordNet, Syntaktická analýza, Sémantická analýza

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 28. 5. 2012

Obhajoba závěrečné práce

• Obhajoba proběhla 27. 6. 2012
• Vedoucí: RNDr. Vojtěch Kovář, Ph.D.
• Oponent: doc. RNDr. Aleš Horák, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Umělá inteligence a zpracování přirozeného jazyka