Elaborazione del linguaggio naturale Maria Teresa PAZIENZA a

Elaborazione del linguaggio naturale Maria Teresa PAZIENZA a. a. 2018 -19

Intelligenza Artificiale e NLP Il linguaggio è un meccanismo di comunicazione il cui tramite è il testo o il discorso. Una macchina sarà considerata veramente intelligente solo quando sarà in grado di elaborare il linguaggio naturale come fa un umano. (test di Turing) L’ingegneria è interessata, oltre che alla creazione di nuova conoscenza, anche alla creazione di sistemi per ottenere gli obiettivi desiderati. I sistemi ingegnerizzati devono essere conformi a specifici criteri di adeguatezza (es. criteri legati all’esecuzione di processi in un certo tempo ed in un certo spazio)

Analisi del linguaggio naturale multimedialità / multimodalità parlato scritto tecnologie del linguaggio tecnologie della conoscenza

Elaborazione del linguaggio naturale I metodi, le tecniche, i tools, e le applicazioni relativamente alla modellizzazione dell’uso del linguaggio naturale costituiscono le tecnologie del linguaggio naturale (ingegneria del linguaggio naturale)

Sistemi per l’elaborazione del linguaggio naturale Sviluppo di algoritmi per il parsing, la generazione, e la acquisizione di conoscenza linguistica Indagine su complessità spaziale e temporale di tali algoritmi Progettazione dei linguaggi formali computazionalmente utili (es. grammatiche e formalismi lessicali) per codificare conoscenza linguistica Indagine su architetture software appropriate Considerazioni sui tipi di conoscenza non linguistica che vengono utilizzati per la comprensione del linguaggio naturale Problematiche di integrazione in sistemi applicativi più ampi

Elaborazione del linguaggio naturale Un programma conta il numero di bits, bytes e linee in un file testo: quando deve contare le “parole” dello stesso file di testo, allora è necessario che abbia conoscenza di ciò che significa essere una “parola”. Sono necessarie varie tipologie di conoscenza linguistica per elaborare un testo nella sua completezza oltre a conoscenza eventuale sul contesto (applicativo)

Elaborazione del linguaggio naturale morfologia La morfologia fornisce informazioni su le forme possibili per ogni parola del linguaggio ed il loro comportamento. Inoltre riconosce le variazioni delle parole singole. di, della, delle, … casa, casetta, … capostazione, capistazione, … la, le, lo, gli, … la, lo, li, …

Elaborazione del linguaggio naturale sintassi La sintassi contiene la conoscenza necessaria per spiegare come sequenze di parole possano non aver alcune senso a dispetto di altre sequenze che contengono invece esattamente, e nell’ordine corretto, le stesse parole. La FCA produce autovetture La autovetture produce FCA

Elaborazione del linguaggio naturale semantica Per capire il significato di una frase, oltre alla conoscenza delle parole e della struttura sintattica, è necessario avere • conoscenza del significato di ogni parola componente la frase (semantica lessicale) e • conoscenza di come queste componenti si combinino per formare significati più larghi (semantica composizionale)

Elaborazione del linguaggio naturale pragmatica L’uso appropriato di espressioni di cortesia, o di stile a sottolineare la volontà di essere cortese (amareggiato, contrariato, affabile, benaugurale, volitivo, …) sono descritte dalla pragmatica. La strutturazione corretta dei termini in risposta ad una domanda all’interno di una conversazione richiede conoscenza della struttura del discorso.

Elaborazione del linguaggio naturale In sintesi la conoscenza del linguaggio necessaria per la comprensione dei testi si articola in 5 distinte categorie: Morfologia: scomposizione delle parole in unità minime di significato (dogs=dog+s) Sintassi: definizione delle relazioni strutturali tra le parole Semantica: attribuzione del significato delle espressioni Pragmatica: studio di come il linguaggio è usato per raggiungere un obiettivo (usi/convenzioni linguistiche) Analisi del discorso: identificazione delle relazioni tra unità linguistiche più ampie della singola frase

Elaborazione del linguaggio naturale L’elaborazione di un testo prevede l’attivazione di tool conoscenza linguistica per l’analisi delle singole componenti e la risoluzione di possibili interpretazioni ambigue in ciascuna delle singole fasi. Un testo è ambiguo se esistono più strutture linguistiche alternative che possono essere generate durante le fasi di analisi (non-determinismo) L’ambiguità è il motivo per cui le macchine non riescono ad elaborare completamente il linguaggio naturale.

Elaborazione del linguaggio naturale Problema dell’ambiguità La vecchia porta la sbarra Esistono più interpretazioni di questa frase • • una vecchia signora trasporta una sbarra una vecchia porta sbarra una signora

Ambiguità Una vecchia porta la sbarra 1 -una 2 -vecchia 3 -porta 4 -la 5 -sbarra articolo aggettivo/sostantivo/verbo articolo/pronome sostantivo/verbo Proliferazione degli alberi sintattici Assegnazione di più di un significato alla frase

Ambiguità Fare Un Piano Fare un piano verbo articolo sostantivo/avverbio/aggettivo Assegnazione di più di un significato alla frase Fare costruire, progettare, ideare Piano pianoforte, progetto, piano d’azione, piano dell’edificio, piano di studi, … Word-sense disambiguation (lexical disambiguation) , Context analysis Fare un piano (di corsa)

Ambiguità La palla di Maria era arrivata davanti ai piedi di Mario. Lui le diede un calcio. Assegnazione di più di un significato alla frase • risoluzione dell’ anafora (def. : il riferirsi di una parola, solitamente un pronome, a una o più parole precedenti diz. De Mauro) • conoscenza di dominio • senso comune

Ambiguità Il fiume scorre veloce nel suo alveo Il traffico scorre veloce nella strada principale Giovanni ama Maria Giovanni ama i racconti d’avventura Assegnazione di più di un significato alla frase metafora ( metafora def. : figura retorica che consiste nel trasferire il significato di una parola o di un’espressione dal senso proprio ad un altro figurato che abbia con il primo un rapporto di somiglianza – diz. De Mauro)

Ambiguità L’auto verde è arrivata sul tavolo della Presidenza del Consiglio. C’è acqua in frigo? Assegnazione di più di un significato alla frase • metafora • nomi propri • terminologia • modello del mondo • senso comune

Ambiguità Mario guardò la ragazza con la minigonna Mario guardò la ragazza con la cartella Mario guardò la ragazza con il binocolo Mario guardò la ragazza con il collega Mario guardò la ragazza con sospetto • strutture argomentali dei verbi • contesto • senso comune

Ambiguità Il significato di una frase non è dato solo dal significato delle parole Si richiede la conoscenza delle regole che governano: • il significato con cui le parole sono combinate, • l’ordine con cui compaiono, • i legami che le legano ad altri termini all’interno ed all’esterno della frase. E’ spesso necessario fare delle inferenze ed avere una conoscenza del mondo.

Perché l’ambiguità è un problema? Lo spazio di ricerca: esplosione combinatoriale Sostanzialmente l’ambiguità aumenta il numero delle possibili interpretazioni delle espressioni in linguaggio naturale da controllare. L’esplosione combinatoriale deriva dal dover moltiplicare le analisi per ciascuna diversa interpretazione. Es. Supponiamo che ciascuna parola di una frase di 10 parole possa avere 3 interpretazioni: il numero totale delle interpretazioni della frase sarebbe 3*3*3*3*3*3= 59049

Perché l’ambiguità è un problema? Ambiguità locale - globale Ambiguità globale: “Giovanni conosce molte più ragazze di Mario” Ambiguità locale: “anche se lui ne conosce molte” Ambiguità locale significa che una parte della frase può avere più di una interpretazione Ambiguità globale significa che l’intera frase può avere più di una interpretazione

Perché l’ambiguità è un problema? Ambiguità locale - globale L’ambiguità locale si può talvolta risolvere con l’analisi sintattica es. The old trains … …the young …left the station (1) (2) La sintassi permette di disambiguare che train nella frase 1 è verbo e nella frase 2 è sostantivo

Perché l’ambiguità è un problema? Ambiguità locale - globale L’ambiguità globale richiede un’analisi semantica e pragmatica es. Vidi il Gran Canyon volare a New York (1) Vidi il Boeing 747 volare a New York (2) Il significato delle due frasi viene disambiguato perché sappiamo cosa può volare e cosa no (semantica). In particolari circostanze le interpretazioni possono cambiare (pragmatica)

Tipi di ambiguità Ambiguità categoriale (1)Time is money (sostantivo) (2)Time me on the last lap (verbo) L’analisi sintattica aiuta ad identificare la categoria corretta (3) Time flies like an arrow Esistono 5 possibili analisi sintattiche per questa frase dove time può essere sostantivo, verbo, aggettivo

Tipi di ambiguità Word-sense ambiguity Una parola ha diversi significati (sensi) (1) The battery was charged with jump leads (2) Thief was charged by PC Smith (3) The lecturer was charged with students recruitment L’analisi sintattica aiuta a disambiguare: charged with, charged by L’analisi semantica aiuta a disambiguare jump leads , student recruitment

Tipi di ambiguità Ambiguità strutturale “Metti la scatola sul tavolo dalla finestra nella cucina” cucina Possibili interpretazioni (1)Metti la scatola (una scatola specifica, quella sul tavolo ) dalla finestra nella cucina (2)Metti la scatola sul tavolo (un tavolo specifico) dalla finestra nella cucina Problema della ambiguità proposizionale (in assenza di punteggiatura)

Tipi di ambiguità Ambiguità referenziale “Dopo che ebbero finito l’esame gli studenti e i professori lasciarono l’aula” l’aula Possibili interpretazioni (1) gli studenti finirono l’esame (2) gli studenti ed i professori finirono l’esame (3) gli studenti ed i professori lasciarono l’aula Situazioni attese (usando i frame) (1) Giovanni diede a Marco un regalo e lui ringraziò

Tipi di ambiguità Ellissi Frasi incomplete dove non è chiaro il termine mancante. “Giovanni aveva studiato molto e superò l’esame. Anche Mario” Mario (1)Mario aveva studiato molto (2)Mario superò l’esame (3)Mario aveva studiato molto e superò l’esame

Elaborazione del linguaggio naturale L’elaborazione del linguaggio naturale richiede la descrizione di un modello del mondo. Gran parte del significato non risiede all’interno delle parole, per cui il sistema di NLP deve avere la conoscenza del senso comune, o un modello del mondo usato da chi ha scritto il testo!

E’ sempre necessario capire tutto? Giovanni ha comprato una Punto dal concessionario. Chi ha venduto una Punto? Il concessionario Giovanni ha regalato un anello alla sua fidanzata. Cosa ha avuto in dono la fidanzata di Giovanni? Un anello.

Applicazioni possibili Fornire spiegazioni a chi le chieda, anche per telefono (call center) center Calcolare la valutazione di un servizio attraverso il commento espresso da un utente (opinion mining) mining Capire il testo di una pagina web e decidere a chi possa interessare (semantic web) web Tradurre la pagina di un quotidiano Capire il testo di un giornale/libro e costruire un sistema esperto a partire da questa conoscenza Generare risposte o testo libero per documentazione ……

Ruolo della sintassi La sintassi: 1. identifica il ruolo delle parole in una frase 2. descrive come le parole sono raggruppate in classi dette POS (part-of-speech) 3. mostra come le parole sono collegate tra loro all’interno di una frase 4. spiega come le parole sono collegate ad altre all’interno di più frasi.

POS / tag lessicali Sono riconosciute almeno 8 classi principali: noun, verb, adverb, pronoun, article, preposition, conjunction, participle che permettono di associare un significato alla parola cui si riferiscono. Sapere se una parola è un pronome o un nome ci permette di riconoscere la tipologia di altre parole vicine alla prima. Sono utili anche per le applicazioni (es. IR)

POS / tag lessicali Le POS si dividono in due categorie: open class (con un numero imprecisato, ed in continua evoluzione, di elementi) closed class (con un numero fisso di elementi) function words (parole corte e usate frequentemente che assumono un ruolo importante in una grammatica); includono: articoli, congiunzioni, preposizioni, pronomi, verbi ausiliari/modali, quantificatori.

Come rappresentiamo la sintassi? Lista “Sue hit John” [s, [np, [proper_noun, Sue] ], [vp, [v, hit] , [np, [proper_noun, John]] Parse tree Un modo di mostrare la struttura di un frammento di linguaggio (slide successiva)

Grammatica Una grammatica descrive quali sono le strutture ammesse in un linguaggio e divide una frase in simboli terminali Regole di riscrittura sentence -> noun phrase, verb phrase noun phrase -> determiner, noun verb phrase -> verb, noun phrase

They are cooking apples parse tree “

They are cooking apples parse tree

Mario ama il calcio top-down strategy 1. S 2. S -> np, vp 3. S ->prpn, vp 4. S ->Mario, v, np 5. S ->Mario, ama, np 6. S ->Mario, ama, det, n 7. S ->Mario, ama, il, n 8. S ->Mario, ama, il, calcio • Va bene se esistono simboli terminale alternativi per ciascuna parola (lessico) • Va male se esistono regole alternative per una frase

Mario ama il calcio bottom-up strategy 1. Mario ama il calcio 2. Prpn, ama , il, calcio 3. Prpn, v, il, calcio 4. Prpn, v, det, calcio 5. Prpn, v, det, n, 6. Np, v, det, n 7. Np, v, np 8. Np, vp 9. S • Va bene se esistono regole alternative per una frase • Va male se esistono simboli terminali alternativi per ciascuna parola

Strategie di ricerca • Depth first Attiva le regole una per volta e torna indietro se fallisce (facile da programmare, richiede poca memoria, va bene se il parse tree è profondo) • Breadth first Attiva tutte le regole insieme (può essere più veloce, l’ordine con cui appaiono le regole non è rilevante, va bene se il parse tree è piatto)

Prolog per scrivere grammatiche Una semplice grammatica s --> np vp np --> det n np --> det adj n vp --> v np dove s sentence “the cat ate the big fish” np noun phrase “the cat” vp verb phrase “ate the big fish” determiner “the” n noun “cat” v verb “ate” adjective “big”

Prolog per scrivere grammatiche Si può usare il Prolog per esprimere grammatiche facendo corrispondere una regola Prolog a ciascuna regola della grammatica; es: sentence (S) : noun_phrase (NP), verb_phrase (VP), append (NP, VP, S). noun_phrase (NP) : determiner (D), noun(N), append (D, N, NP). noun_phrase (NP) : determiner (D), adj(A), noun (N), append (D, A, AP), append (AP, N, NP). verb_phrase (VP) : verb (V), noun_phrase (NP), append (V, NP, VP). …….

Prolog per scrivere grammatiche … determiner ([D]) : member (D, [the, a, an]). noun ([N]) : member (N, [cat, dog, mat, meat, fish]). adj ([A]) : member (A, [big, fat, red]). verb ([V]) : member (V, [ate, saw, killed, pushed]).

Parser Il parser è un algoritmo che usa una grammatica e un grammatica lessico per riconoscere la struttura di una frase. L’input è la frase da analizzare, l’output è una qualche rappresentazione della struttura della frase. Lessico Il lessico mostra a quale simbolo terminale (simbolo che lessico non può essere ulteriormente suddiviso) appartiene una parola del linguaggio; es. : Eat= verbo Duck=noun Duck=verbo

Prolog per analizzare frasi parser s( sentence(NP, VP)) --> np(NP), vp(VP). np(noun_phrase(NP)) -->prpn(PN) np(noun_phrase (D, N) -->det (D), n(N). np(noun_phrase (D, A, N)--> det(D), adjs(A), n(N). adjs(adjective_phrase(A)-->adj(A). adjs(adjective_phrase(A, AJ))--> adj(A), adjs(AJ). …

Prolog per analizzare frasi parser … vp(verb_phrase (V)) --> v(V). vp(verb_phrase(V, NP))--> v(V), np(NP). det(determiner(X)) --> [X], {member(X, [a, an, the])}. n(noun(X)) --> [X], {member(X, [woman, food])}. prpn(proper_noun(X)) --> [X], {member(X, [john, sue, bill])}. adj(adjective(X)) --> [X], {member(X, [red, fat, new])}. v(verb(X)) --> [X], {member(X, [eats, likes, works])}.

Fornire informazioni ad un utente Information retrieval Information extraction Question answering Summarization Textual entailment ….

Information extraction – J. R. Hobbs “An information extraction system is a cascade of transducers or modules that, at each step, add structure and often lose information, hopefully irrelevant, by applying rules that are acquired manually and/or automatically”.

Estrazione di informazione da testi L’estrazione di informazione da testi, IE (information extraction) è un processo di extraction elaborazione che riceve in input testi e produce in uscita, come risultato dell’elaborazione, dati non ambigui in un formato predefinito. Questi dati possono essere usati immediatamente, oppure possono essere conservati in una base di dati per analisi ed applicazioni successive.

IE versus IR L’information retrieval IR ricerca testi e li presenta all’utente L’information extraction IE analizza testi e presenta all’utente solo quelle informazioni cui egli è interessato (xxx informazioni di interesse xxx) I sistemi di IE sono più costosi e richiedono maggiore conoscenza (knowledge-intensive); inoltre sono specifici per un particolare dominio ed applicazione. Nell’ipotesi di avere a disposizione grandi volumi di dati (domain document collection - corpora), i sistemi di IE diventano più efficienti di quelli di IR

Problemi per l’IE Il linguaggio naturale è: Flessibile (modi diversi per affermare lo stesso fatto) Ambiguo (la stessa affermazione può avere più significati) Dinamico (vengono create nuove parole ed assegnati nuovi sensi a vecchie)

IE tasks MUC Message Understanding Conference Tradizionalmente si riconoscono 5 diversi task di IE: NE Named Entity recognition (ricerca e classificazione di nomi, luoghi, etc) CO Coreference Resolution (identifica relazioni di identità tra entità nei testi) TE Template Element construction (aggiunge informazioni descrittive ai risultai del NE usando le CO) TR Template Relation construction (ricerca relazioni tra entità TE) ST Scenario Template production (fa corrispondere i risultati del TE e TR negli specifici eventi di scenario

Performance dei task IE La performance dei task di IE dipende in maniera diversa da: Testo (tipo di testo in analisi: articoli di giornale, email, documenti web, …) Dominio (argomento generale dei corpora, es: notizie finanziarie, domande di lavoro, offerte commerciali, …) Scenario (il particolare tipo di evento a cui è interessato l’utente del sistema di IE, es: fusione di compagnie, curricula, descrizione di un prodotto, …) Se si cambia la domanda di informazione ed il corpus di partenza, le performance del sistema possono cambiare.

Named Entity recognition - NE Vengono riconosciuti tutti i nomi di persone, luoghi, organizzazioni, date, quantità di denaro. “Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita. ” “Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano : le perdite dell’azienda sono dell’ordine di qualche milione di euro. ”

Named Entity recognition - NE Vengono riconosciuti tutti i nomi di persone, luoghi, organizzazioni, date, quantità di denaro. “Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita. ” “Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano: le perdite dell’azienda sono dell’ordine di qualche milione di euro. ”

Named Entity recognition - NE Le performance del task di NE sono molto alte (più del 90%) e paragonabili a quelle umane (difficoltà nel mantenere costanza di decisione nel tempo e su collezioni di documenti di grandi dimensioni )

Coreference resolution - CO Vengono identificate nei testi relazioni di identità tra entità (sia identificate dal NE, che referenze anaforiche ad esse). Task meno utile a sé stante ma importante per applicazioni; identificare, e collegare in un ipertesto, tutte le occorrenze di una specifica istanza in un documento e in più documenti. Performance della CO basse (circa 60%) e dipendenti dal dominio.

Coreference resolution - CO “Oggi il nuovo Presidente della Repubblica Italiana è entrato nel pieno delle sue funzioni” “ Giorgio Napolitano ha ricevuto una scolaresca come primo atto da presidente della Repubblica; come ha avuto modo di dire loro, la qualificazione culturale dei giovani deve costituire un impegno per i responsabili della nazione. Lui si impegnerà in questa direzione. ”

Template Element production - TE Come risultato delle attività di NE e CO, il sistema di IE diventa consapevole delle NE e delle loro descrizioni. Ciò rappresenta un primo livello di template (il cosiddetto template element). L’insieme dei template elements può essere considerato come una prima base di conoscenza a cui il sistema accede per ottenere informazioni sui principali concetti di dominio, così come essi sono stati riconosciuti nel testo. La performance del task è circa 80%, l’umano circa 90%.

Template Element production – TE (old slide…) ORGANIZZAZIONE 123456789 -1 ORG_NAME ORG_ALIAS ORG_TYPE ORG_PLACE ORG_COUNTRY FIAT Fiat Gruppo Torino Italia

Scenario template extraction - ST L’estrazione del template di scenario rappresenta la sintesi delle attività di task diversi, soprattutto l’identificazione di alcuni template elements che sono in relazione tra loro. Ciò rappresenta un evento (scenario) collegato al scenario dominio in esame. I valori riconosciuti vengono usati per riempire il template di scenario.

Scenario template extraction - ST TEMPLATES ST: <TEMPLATE> : = 1> DOC_NR: “ 56 “ CONTENT: <SUCCESSION EVENT 56 -1>: = SUCCESSION_ORG: <ORGANIZATION 56 -1> POST: “executive vice president ” IN_AND_OUT: <IN_AND_OUT 56 -1> VACANCY REASON: OTH_UNK

Scenario template extraction - ST <IN_AND_OUT 56 -1>: = IO_PERSON: <PERSON 56 -2> NEW STATUS: OUT ON_THE_JOB: NO <IN_AND_OUT 56 -1>: = IO_PERSON: <PERSON 56 -1> NEW STATUS: IN ON_THE_JOB: NO OTHER ORG: <ORGANIZATION 562> REL_OTHER_ORG: OUTSIDE_ORG

Scenario template extraction - ST TEMPLATES TE: <ORGANIZATION 56 -1>: = ORG_NAME: ORG_ALIAS: ORG_DESCRIPTION: ORG_TYPE: ORG_LOCALE: ORG_COUNTRY: <ORGANIZATION 56 -2>: = ORG_NAME: ORG_ALIAS: ORG_DESCRIPTION: ORG_TYPE: “Burns Fry Ltd. ” “Burns Fry” “this brokerage firm” COMPANY Toronto CITY Canada “Merrill Lynch Canada Inc. ” “Merrill Lynch” “a unit of Merrill Lync & Co. ” COMPANY

Scenario template extraction - ST <PERSON 56 -1>: = PER_NAME: PER_ALIAS: PER_TITLE: <PERSON 56 -2>: = PER_NAME: “Donald Wright” “Mr. ” “Mark Kassirer”

Architettura di un sistema di IE Un sistema di IE può essere costituito dai seguenti moduli fondamentali: Text Zoner, Pre-processor, Filter, Pre-parser, Parser, Fragment Combiner, Semantic Interpreter, Lexical Disambiguation, Coreference Resolution o Discourse Processing, Template Generator.

Architettura di un sistema di IE Text Zoning Questo modulo prende un testo e lo divide in frammenti. Pre-processor Vengono localizzati gli estremi delle frasi ed identificata, per ciascuna di esse, una sequenza di item lessicali (parole e POS) Filter Vengono eliminate le frasi irrilevanti (frasi prive di item rilevanti per l’applicazione) per ottenere testi brevi da elaborare

Architettura di un sistema di IE Pre-parser Vengono riconosciute strutture frasili minime (frasi nominali, verbi con ausiliari, termini composti, …) per semplificare il compito del parser successivo. Parser Partendo da sequenze di item lessicali (frammenti) si produce un albero sintattico dell’intera frase. Fragment Combination Si ricombinano gli alberi sintattici dei frammenti

Architettura di un sistema di IE Semantic Interpretation Dall’albero sintattico si produce una struttura semantica, una forma logica o un frame evento. Si produce anche una prima disambiguazione lessicale. Lexical Disambiguation Si passa da una struttura semantica con predicati ambigui o generali ad una con predicati specifici e non ambigui. Co-reference resolution Questo modulo risolve le coreferenze per entità elementari (pronomi, frasi nominali, anafora).

Architettura di un sistema di IE Template Generation Tutte le strutture semantiche generate dalle precedenti elaborazioni del linguaggio naturale sono usate per produrre il template finale per l’utente solo nel caso in cui gli eventi riconosciuti abbiano una rilevanza per l’utente maggiore della soglia prefissata.

Question/Answering - Q/A I sistemi di Q/A forniscono l’indicazione del brano che contiene la risposta ad una richiesta dell’utente (non rispondono direttamente). 5 W (who, which, where, when, why) Necessità di identificare preliminarmente le aree di interesse per l’utente (classi di domande) per finalizzare ad esse la struttura della conoscenza del sistema

Architettura sistemi di Q/A Question Analysis Information Retrieval Answer Extraction Answer Merging

Architettura sistemi di Q/A Possono esserci loops Non tutti i sistemi di Q/A aderiscono a questa architettura Domande complesse (Quale delle sorelle Carlucci è entrata in politica? ) Q/A in domini aperti o in domini chiusi

Question/Answering - Q/A Answer type: la classe di oggetti coinvolti dalla domanda; in genere sono strettamente collegati alle classi di NE riconosciute. Question focus: proprietà od entità sottesa dalla domanda (In quale città c’è il Colosseo? ) Question topic: l’oggetto o l’evento cui attiene la domanda (es: “Qual è l’altezza del monte Everest? ”, il focus è l’altezza, il topic è il monte Everest) Candidate passage: un qualunque brano testuale (dalla frase all’intero documento) ritrovato in fase di ricerca Candidate answer: nel contesto della domanda, una piccola quantità di testo dello stesso tipo dell’answer

Question/Answering - Q/A Risorse comunemente usate: Algoritmi di apprendimento automatico Gazeteers NE taggers Part of Speech taggers Parsers Wordnet Stopword list Terminologie di dominio ….

Question/Answering - Q/A Domande capziose “Chi sono i 5 uomini più ricchi del mondo? ” “Qual è l’attrice più famosa? “Chi disse la celebre frase: Il dado è tratto? ”

Summarization Text summarization Il processo di selezione delle informazioni più importanti da una o più sorgenti di informazione per produrre una versione trasversale per un particolare utente o task. Estratto Sommario consistente interamente di materiale copiato dall’input Abstract Sommario di cui parte del contenuto non è presente nell’input (categorie, parafrasi del contenuto, etc. )

Summarization – funzionalità Sommari indicativi Forniscono una funzione di riferimento per selezionare documenti per una lettura più approfondita Sommari informativi Coprono tutte le informazioni salienti del documento sorgente con un certo dettaglio Sommari valutativi Valutano l’argomento della sorgente esprimendo il punto di vista del sistema sulla qualità del lavoro dell’autore

Textual entailment Il textual entailment esprime una relazione tra • un testo coerente T e • una espressione linguistica detta ipotesi H Si dice che T entails H (T->H) se il significato di H può essere inferito dal significato di T “Yahoo acquired Overture” entails “Yahoo owns Overture “

Textual entailment Funzione di entailment e(T, H) È una funzione probabilistica che mappa la coppia T-H con un valore tra 0 ed 1 ed esprime la confidenza con cui un giudice umano o un sistema automatico può valutare la relazione esistente tra T ed H. Paraphrase L’ipotesi esprime un fatto uguale a quello espresso dal testo (Yahoo acquired Overture, Yahoo bought Overture) Strict entailment La frase contiene più fatti tra cui uno può essere inferito dall’altro (Yahoo acquired Overture, now Yahoo owns Overture)

Argomenti trattati • Sistemi per l’elaborazione del linguaggio naturale • Morfologia, sintassi, semantica, prgmatica, analisi del discorso • Ambiguità del linguaggio naturale (diverse forme di ambiguità con diverse modalità di soluzione) • Applicazioni del TAL/NLP (information extraction – IE, Question/Answering – Q/A, summarization, textual entailment)