Извлечение информации ( англ. information extraction ) — это задача автоматического извлечения (построения) структурированных данных из неструктурированных или слабоструктурированных машиночитаемых документов.

Извлечение информации является разновидностью информационного поиска , связанного с обработкой текста на естественном языке . Примером извлечения информации может быть поиск деловых визитов — формально это записывается так: НанеслиВизит(Компания-Кто, Компания-Кому, ДатаВизита) — из новостных лент , таких как: «Вчера, 1 апреля 2007 года, представители корпорации Пепелац Интернэшнл посетили офис компании Гравицап Продакшнз». Главная цель такого преобразования — возможность анализа изначально «хаотичной» информации с помощью стандартных методов . Более узкой целью может служить, например, задача выявить логические закономерности в описанных в тексте событиях.

В современных информационных технологиях роль такой процедуры, как извлечение информации, всё больше возрастает — из-за стремительного увеличения количества неструктурированной (без метаданных ) информации, в частности, в Интернете . Эта информация может быть сделана более структурированной посредством преобразования в реляционную форму или добавлением XML разметки. При мониторинге новостных лент с помощью интеллектуальных агентов как раз и потребуются методы извлечения информации и преобразования её в такую форму, с которой будет удобнее работать позже.

Типичная задача извлечения информации: просканировать набор документов, написанных на естественном языке , и наполнить базу данных выделенной полезной информацией. Современные подходы извлечения информации используют методы обработки естественного языка , направленные лишь на очень ограниченный набор тем (вопросов, проблем) — часто только на одну тему. Например, «Конференция по Пониманию сообщений» ( , MUC ) — это конференция соревновательного характера и в прошлом она фокусировалась на таких вопросах:

• MUC-1 (1987), MUC-2 (1989): Военно-морские операции.
• MUC-3 (1991), MUC-4 (1992): Терроризм в латиноамериканских странах.
• MUC-5 (1993): Венчурные операции в области микроэлектроники.
• MUC-6 (1995): Новостные статьи об изменениях в управляющих процессах.
• MUC-7 (1998): Отчёты о запусках спутников.

Тексты на естественном языке могут потребовать некоего предварительного преобразования на язык (например, RDF — Resource Description Framework), понятный для компьютера.

Типичные подзадачи извлечения информации:

• Распознавание именованных элементов ( сущностей ), например: имён людей, названий организаций, географических названий, событий, временны́х и денежных обозначений и пр.
• Разрешение анафоры и кореференций : поиск связей, относящихся к одному и тому же объекту. Типичный случай таких ссылок — местоименная анафора.
• Выделение терминологии: нахождение для данного текста ключевых слов и словосочетаний ( коллокаций ).
• : выделение из текста смысловой, эмотивной, оценочной и пр. информации. Бывает генеративным и декларативным.

Примечания

См. также

• Информация
• Релевантность
• База знаний
• Онтология (информатика)
• Управление данными
• Компьютерная лингвистика
• Представление знаний

Ссылки

• (недоступная ссылка с 13-05-2013 [3938 дней] — )

Иноязычные

• Extracción informacion (Spanish site)
• MUC
• от 25 сентября 2013 на Wayback Machine ACE (LDC)
• ACE (NIST)
• (недоступная ссылка) — TermExtractor
• , on-line terminology extractor for EN, FR & IT — web application
• Videolectures.net