Interativní Techniky Extrakce Informací Využívající Ontologie pro Text s Omezenými Zdroji

Abstract

Extrakce informací z nestrukturovaných textových dokumentů za využití ontologií umožňuje oproti klasickým metodám extrakce informací využít explicitní znalosti uložené v ontologiích ke zvýšení kvality extrakce. Tvorba ontologie z textu napsaném v přirozeném jazyce je sice velmi dobře prozkoumanou oblastí, nicméně využitelnost stávajících technik pro extrakci sémantických entit a semiautomatické tvorby ontologie z textů je plně závislá na charakteristikách textového korpusu a na použitém jazyce. V této práci zkoumám dostupné metody extrakce informací a metody propojování entit a nástroje s nimi spojené zejména s ohledem na omezení těchto technik pro práci s jazyky s omezenými zdroji. Dále představuji holistický přístup k propojování entit, fungující i v případech, kdy jsou špatně aplikovatelné metody založené na strojovém učení. V práci představuji prototyp metody pro české zdroje, který může být zároveň jednoduše adaptovatelný i pro další jazyky. Dále diskutuji výhody adekvátně navržených lexikálně-sémantických vzorů pro tvorbu ontologie a navrhuji jejich sadu pro český jazyk, které dokážou vytvářet nové vztahy mezi koncepty v dané ontologii. Posledním příspěvkem má práce je ontologie časového deskriptoru (Temporal Descriptor),využitelná k vylepšení procesu tvorby ontologie s časovou dimenzí. V závěru prezentuji aplikace vytvořených metod v praktických aplikacích v oblasti územního plánovaná a letecké bezpečnosti.

Ontology-based information extraction from unstructured textual documents has emerged as an extension to the classic field of information extraction, where background knowledge is a first-class citizen in the extraction pipeline. In addition, ontology learning from a text written in natural language is a well-studied domain. However, the applicability of echniques for extracting semantic entities and learning ontology from natural language texts is strongly dependent on the characteristics of the text corpus and the language used. In this thesis, we discuss the limitation and challenges of applying these methods on a low-resource document corpus. Then, we introduce an end-to-end approach to entity linking and learning new ontological entities from a corpus with limited resources. We present an entity linking method to provide links between the ontology and the text for contexts where machine learning-based methods are difficult to apply. We prototype the method for Czech resources that can be easily adapted by other languages. Then, we discuss the benefits of adequately designed Lexico-Semantic patterns in ontology learning. We propose a preliminary set of Lexico-Semantic patterns designed for the Czech language to learn new relations between concepts in the related ontology. We introduce the Temporal Descriptor ontology that can be extended to enhance the ontology learning process with the temporal dimension, and finally, we present the applicability of the approach to real-world applications.