Informatika | Tanulmányok, esszék » Kivonatolás, kérdés megválaszolás, dialógus rendszerek

Kivonatolás, kérdés megválaszolás, dialógus rendszerek 2010. november 16 Kivonatolás • Automatic text summarization • Kivonat: rövid, de pontos reprezentánsa a dokumentum tartalmának • rövid: kevesebb, mint az eredeti fele • tartalom: legfontosabb tartalomnak át kell jönnie „Olvastam a Háború és Békét Oroszországról szól” Woody Alen A kivonatolás alkalmazásai • • • • • • újságcikkek TV műsor/mozi előzetes tudományos publikációk önéletrajzok sport közvetítések egyetemi jegyzetek  Miért kivonatoljunk • információrobbanás, Internet • szöveges adatok, számítógép gyorsabb • ha a cél általános szövegek összefoglalása, nem konkrét információtípus (IE eredménye nem mindig értelmezhető hétköznapi embereknek) • mobil, PDA Kivonat típusok • megközelítés: kinyerés vs. absztrakt • általános, query alapú, felhasználó alapú • szakértői vagy bevezető jellegű • single

vs. multi document • input típusa (pl. részben strukturált) • nyelvközi kivonatolás Problémák a kivonatolásban • A szöveg tartalmát kell megragadni • Hogyan határozzuk meg a kivonat hosszát (rövid dokumentumok nehezebb összefoglalni)? • Automatikus rendszerek kiértékelése • Jelenlegi rendszerek közel sem olyan jók, mint az ember Mondat kinyerés • Alapegységek a mondatok (vagy?) • Cél: legfontosabb mondatok kiválogatása a szövegből • Legelső kezdeményezések (’58) – fontossági sorrend felállítása a mondatok közt (szignifikáns szavak előfordulásainak száma) – bináris osztályozás: állító/magyarázó mondat – domain-specifikus rendszerek • kiértékelés: pontosság, fedés Hasznos jellemzők • kulcsszavak/tulajdonnevek • szövegbeli pozíció – bevezetés/konklúzió – bekezdésen belüli pozíció • mondat hossza • mondatok közti szemantikus távolság A mondatkinyerés hátrányai • A

kohézió hiánya (kohézió analízis) • Következetesség hiánya Supermarket A announced a big profit for the third quarter of the year. The directory studies the creation of new jobs. Meanwhile, B’s supermarket sales drop by 10% last month. The firm is studying closing down some of its stores. (DOCUMENT) Supermarket A announced a big profit for the third quarter of the year. The firm is studying closing down some of its stores. (EXTRACT) Mondat realizálás • Tömörítés/egyszerűsítés When it arrives sometime new year in new TV sets, the V-chip will give parents a new and potentially revolutionary device to block out programs they don’t want their children to see. • Felügyelt szekvenciajelölő megközelítés – tanító adatbázis: kézi összefoglalók – párhuzamosítás Absztrakt kivonatolás • „új” mondatok generálása a „megértett” tartalom alapján • Anafóra feloldás/szintaktikai elemzés/WSD • query alapú kivonatolás: IE

eredményből generálás Absztrakt kivonat értékelése • • • • kohézió, következetesség eltalálja a témát? fontos információ nem marad ki? Helyettesítheti a kivonat a dokumentumot? (osztályozhatóság, kérdések megválaszolása) • Automatikus kiértékelés: ROUGE, emberi kivonatokhoz hasonlítás (hasonló a BLUE-höz, de fedés-alapú) A multi dokumentum kivonatolásról • Motiváció: „tegnapi sporthírek” • A dokumentumok stílusa különböző (még ha témájában meg is egyezik) • Redundáns információ/Kiegészítő info • Ellentmondó információ négyen haltak meg 3 embert öltek meg A multi dokumentum kivonatolásról • Lépései: – Mondatok kinyerése (megegyező mondatok) – Sorrend felállítása • kronológia • kohézió • klaszterzés + „átlagos” sorrend – Realizáció • Tisztítás, összevonás, co-refereciák Realizáció Presidential advisers do not blame O’Neill, but they’ve long

recognized that a shakeup of the economic team would help indicate Bush was doing everything he could to improve matters. U.S President George W Bush pushed out Treasury Secretary Paul O’Neill and top economic adviser Lawrence Lindsey on Friday, launching the first shake - up of his administration to tackle the ailing economy before the 2004 election campaign. Főcím generálás • A fő gondolat megtalálása (ált. rövidebb mint egy mondat) • Különbözik a folyó szövegtől – egyszerű nyelvtan – figyelemfelkeltő stílus • ML (legvalószínűbb főcím) – szó választás (jellemző, átfogó) – generálás Címkézés • tagging, kulcsszó kinyerés • címkehalmaz = kivonat • ugyanazok a problémák, mint mondatoknál – kiválasztás – kohézió – absztrakt címkék • egyszerűbb feladat • használhatóság? Címkézés alkalmazásai • blogokhoz ajánlás • újsághírek címkézése • tudományos cikkeknél kulcsszó kinyerés

• más NLP alkalmazásokhoz bemenet – dokumentum osztályozás/klaszterezés – információ visszakeresés Címke ajánlás • Kézzel címkézett halmaz rendelkezésre áll (pl. blog) 1. címkézetlen dokumentumokhoz leghasonlóbbak megtalálása 2. címkék átvétele (kapcsolódás mértéke, kohézió) • hátrány: fix címke halmaz Kulcsszó kinyerés • Egyetlen dokumentumra fókuszál 1. címkejelöltek azonosítása • • főnévi szerkezetek absztrakt címkék 2. végső címkézés szűrése jelöltek szöveg- és korpuszbeli • előfordulása • gyakorisága • együtt-előfordulása • hátrány: dokumentumközi koherencia Próbáljuk ki! • Kivonatolás http://cimkezes.origohu/cimkefelho/ • Q&A http://ask.com • Dialógus rendszerek http://www.lafoxkahu/ http://www.ikeahu Kérdés megválaszolás Kérdés megválaszolás • Question answering (Q&A) • Input: egy természetes nyelvi kérdés • Output: választ

tartalmazó dokumentumok halmaza (ugyanaz, mint IR) • Vagy releváns bekezdés (kivonat?) • Vagy a válasz • Következő generációs kereső rendszerek? – Ki használ speciális karaktereket? – Ki fog kérdést begépelni? Kérdések típusai • Tények (nevek, dátumok, helyek stb.) • Listák • Definíciók • Eldöntendő • Hogyan? Miért? Architektúra • kulcsszó alapú rendszer (kérdés szavai) • Azokat a mondatokat vizsgálja ahol megjelennek ezek a szavak • A mondatok rangsorolás (pozíció, sorrend, relevancia) • A kérdés átformálása működik ha elég nagy az adathalmaz: Hol született Petőfi? „Petőfi * született” Egy Q&A rendszer felépítése (Moldovan – TREC 2004) 1. Kérdés feldolgozás 2. Keresőszavak előállítása 3. Dokumentum szűrés és rangsorolás 4. Válasz feldolgozása Kérdés feldolgozás • Kérdés típus azonosítás – ML: bag-of-words, tulajdonnevek stb. • Válasz típusának

meghatározása (kérdéstípuson belül) • A kérés fókuszának behatárolása Melyik a leghosszabb folyó Európában? általában szabály alapú rendszerrel Kérdések típusai Keresőkifejezések előállítása • Heurisztikák: – nem gyakori szavak – tulajdonnevek – jelzős főnévi szerkezetek – igék – a kérdés fókusza • Szinonimák Dokumentumok szűrése • A kulcsszavaknak egymáshoz közel kell elhelyezkedniük (pl. egymást követő bekezdésekben) • Túl gyakori/túl ritka kulcsszavak • Rangsorolás: – dokumentum forrása (Wiki, hivatalos) – kérdés szavainak száma – nem illesztett kulcsszavak Válasz mondat kiválasztása • Válasz lokalizálása a dokumentumban (bekezdés/mondat) • Nyelvi elemzés (elsősorban szintaktikai) • Ellenőrzés, hogy a válasz típusának megfelel-e a találat (pl. WordNet hyponímia) • Legjobb válaszok listája(?) Q&A kiértékelése • MRR (mean recoprical rank) • adott:

– tesztkérdések – dokumentumhalmaz – emberi válaszok a dokhalmaz alapján • Minden rendszer N db rangsorolt választ ad minden kérdésre • metrika: jó válasz rangsorának reciproka Próbáljuk ki! • Kivonatolás http://cimkezes.origohu/cimkefelho/ • Q&A http://ask.com • Dialógus rendszerek http://www.lafoxkahu/ http://www.ikeahu Dialógus rendszerek Dialógus rendszerek • beszélgető ágensek • Ember-gép interakció • Tutoring • Adatbázis keresések • Információkinyerés dialógusokból • Tárgyalás követés Alkalmazások • • • • Döntéstámogató rendszerek Navigációs rendszerek Ügyfélszolgálatok (irányítás) Vizsgáztatás Példák [19:31:22] <TCH> öcsémnél lefagyott a firefox [19:31:23] <TCH> és erre írt a készítőknek [19:31:29] <TCH> hogy "lefagyott ez a szar„ [19:31:44] <TCH> erre visszaírtak magyarul, hogy "na jó, de hogy fagyott le ez a szar?„

[19:32:06] <TCH> szal fx-nél legalább support van Példák 17:03 < no screen> 3 honapos macska vkinek? 17:03 < no screen> free 17:03 < no screen> :) 17:04 < Steven > :DDDDDDDD 17:04 < no screen> ne rohogj :) 17:04 < no screen> :) 17:05 < reflexx> no screen: gari? allapot? 17:05 < no screen> :) allapot alig hasznalt 17:05 < no screen> gari azt valalok 1 evet 17:05 < no screen> :) 17:05 < reflexx> csipas verzio? 17:05 < no screen> csak ha teljesen tonkremegy akkor cserelem 17:05 < reflexx> :)) 17:05 < no screen> :)) 17:06 < reflexx> szin? 17:06 < no screen> szurke csikos 17:06 < reflexx> marka? 17:06 < no screen> homemade Problémák a dialógusoknál • Számítógépes nyelvészet – Kérdés vagy információközlés megértése (szemantikai reprezentáció) – NL generálás • Mesterséges Intelligencia – ha nem értem a kérdést visszakérdezzek

(pontosítás)? – mikor váltsak át kérdezőbe/információ közlőbe? – ha nincs válasz az nemet jelent? meddig várjak? – „Visszacsatolásos tanulás”: a dialógus ágens céljait milyen kérdések/közlések sorozatával érheti el a leghatékonyabban Jelenleg működő rendszerek • • • • Lehetséges kérdések halmaza rögzített ügyfélszolgálatok, tutoring szűk domainen működik! bejövő kérdéshez leghasonlóbb mintakérdés kiválasztása (egyébként „nem értem mire gondolsz”) és az előre megadott válasz (szöveges vagy navigáció) megadása Jelenleg működő beszélgető ágensek • néhány beépített (gyakori) kérdésre válasz • próbálják a kérdező szerepét átvenni (ált. eldöntendő kérdések) • a válaszok egyszerű elemzésével (bagof-words) tudnak „reagálni” • céljuk általában: beszélgetési/kérdés/válasz sablonok gyűjtése későbbi (gépi) tanuláshoz Turing teszt Kínai szoba

Próbáljuk ki! • Kivonatolás http://cimkezes.origohu/cimkefelho/ • Q&A http://ask.com • Dialógus rendszerek http://www.lafoxkahu/ http://www.ikeahu