Text Mining - Übung, Antje Schlaf Institut für Informatik
Ablauf Übungen finden im zweiwöchigen Rhythmus statt Nächste Termine: 07.11., 28.11., 12.12., 09.01., 30.01. Termine und Themen stehen rechtzeitig auf der ASV Homepage Termin bestehen aus zwei Teilen 50 Minuten: Zwei Vorträge von Studierenden 20 Minuten Vortrag / 5 Minuten Diskussion Themenvergabe immer für den nächsten Termin 40 Minuten: Übung Fragen zur Vorlesung Wiederholung des Stoffes Beispielrechnungen
Themen nächste Woche Büchler, Geßner, Eckart, Heyer: Unsupervised Detection and Visualization of Textual Reuse on Ancient Greek Texts Brin: Extracting Patterns and Relations from the World Wide Web
Resource Projekt Deutscher Wortschatz wortschatz.uni-leipzig.de Zugriff auf Webservices Wörter des Tages Corpora corpora.informatik.uni-leipzig.de Zugriff auf Wortstatistiken, Kookkurrenzen, Kookkurrenzgraphen
Tools nltk (Natural Language Processing Toolkit) Python Bibliothek Verschiedene Korpora verfügbar Informationen unter www.nltk.org Dokumentation und Beispiele Mallet (Machine Learning for Language Toolkit) Java package Fokus auf Machine Learning Anwendungen z.b. Dokumentklassifikation, NER, Topicmodelle Informationen unter mallet.cs.umass.edu
Text Mining Begriffsdefinition Bündel von Analyseverfahren, die die algorithmusassistierte Entdeckung von Bedeutungsstrukturen aus un- oder schwachstrukturierten Textdaten ermöglichen soll (Wikipedia) Was wollen wir wissen/machen/heraus bekommen? Analyse großer Dokumentkorpora Extraktion von bekanntem Wissen (also Namen, Daten, Relationen) Extraktion von unbekanntem Wissen (etwa thematische Einordnung von Dokumenten, Synonym- und Polysemerkennung, Themenfindung) Taxonomie- / Ontologieextraktion
Grundlegendes Vorgehen 1. Preprocessing: Säubern, LangID, Verweise,... 2. Filter: Zerlegung, Markup, Metadaten, Analysis of text Dokumente 3. Verarbeitung: - Indexierung - Muster basierte Verfahren - statistische Verfahren Ergebnisdatenbanken
Grundlegendes Vorgehen Preprocessing Extraktion des eigentlichen Textes Anlegen von Wörterbüchern Entfernen von Stopwörtern Termentfernung (Mindestfrequenz) Entfernung von Punktuation Filtering Extraktion von Metadaten (z.b. Autor des Textes, Erscheinungsort- und Datum, Sprache, etc.) Stemming/Lemmatisierung (Grundformreduktion) POS-Tagging
Grundlegendes Vorgehen Nutzen des extrahierten, gereinigten Textes und der Metadaten zum eigentlichen Textmining Erstellung von Featurevektoren Textparameter bestimmen Textmerkmale (aus vorangegangenem Schritt verfügbar) Textstruktur Autor Addressat Entstehungskontext (Zeit, Ort, Medium)
Featurevektoren für Dokumente Dokumentlänge Sprache Wort N-Gramme und Wortkookkurrenzen deren Frequenzen Relative Häufigkeit Signifikanzen in Verbindung mit Referenzkorpus Ähnlichkeiten von N-Grammen und Kookkurrenzen Muster von Wort N-Grammen
Featurevektoren für Einzelwörter Worthäufigkeit Wortlänge (stat. signifikante) Kookkurrenz mit anderen Wörtern Prä- und Suffixe POS-Tag Buchstaben N-Gramme mit Frequenzen Orthographie
Beispieltext Ausgangstext Drei sind einer zu viel: Frankreich war es ein Dorn im Auge, dass im Rat der Europäischen Zentralbank künftig drei Italiener sitzen sollen. Jetzt hat Italiens Premier Berlusconi seinen Landsmann Bini Smaghi aufgefordert, von seinem Posten zurückzutreten - und sich dem Druck des Franzosen Sarkozy gebeugt. Stopwortentfernung Frankreich Dorn Auge Rat Europäischen Zentralbank Italiener sitzen Italiens Premier Berlusconi Landsmann Bini Smaghi aufgefordert Posten zurückzutreten Druck Franzosen Sarkozy gebeugt
Beispieltext POS-Tagging Frankreich[NN] Dorn[NN] Auge[NN] Rat[NN] Europäischen [ADJ] Zentralbank[NN] Italiener[NN] sitzen[v] Italiens[NN] Premier[NN] Berlusconi[NN] Landsmann[NN] Bini[NN] Smaghi[NN] aufgefordert[v] Posten[NN] zurückzutreten[v] Druck[NN] Franzosen[NN] Sarkozy[NN] gebeugt[v] einige Wortkookkurrenzen Wortfenster Länge 2 Dorn Auge Franzosen Sarkozy Premier Berlusconi Posten zurückzutreten Wortfenster Länge 3 Rat (der) Europäischen Zentralbank Italiens Premier Berlusconi Landsmann Bini Smaghi Längere Wortfenster Druck gebeugt
Verfahren Stringbasiert Editierdistanz Text Reuse Musterbasiert Patterns, Bootstrapping NER, Informations-/Relationsextraktion Inhaltsbasiert Latent Semantic Analysis und Topicmodelle Clustering, Classification Kookkurrenzbasiert Hybridverfahren
Named Entity Recognition Unterverfahren der Informationsextraktion Fokussierung auf vorgefertigte informationelle Kategorien Extraktion und korrekte Einordnung von Eigennamen im Text Nutzung von Einzelwortfeatures Für jedes Einzelwort soll entschieden werden, ob, und wenn ja, welche Art von Eigenname dies ist. Kokkurrenz mit anderen Wörtern z.b. Triggerwörter aus der Vorlesung: GmbH, Stadt, Buch Orthographie z.b. Patrick --> Xxxxxxx, IL-2 --> XX-# Präfixe/Suffixe Patrick --> <P, <Pa, <Pat,..., ick>, ck>, k>
Named Entities Vorname Nachname Beruf Ort Institution Daten Adressen...
Named Entity Recognition Mithilfe von Support Vector Machines Jedes Objekt (Wort) als Vektor in einem Vektorraum Anpassung einer Hyperebene im Vektorraum zur Einteilung der Objekte in zwei Klassen (SVM ist ein binärer Klassifikator) Zur Berechnung der Hyperebene werden nur die ihr am nächsten liegenden Vektoren benötigt --> Stützvektoren (Support Vectors)
Support Vector Machines Hyperebene nur möglich, wenn Objekte linear trennbar Trick: Überführung in höherdimensionale Räume, irgendwann ist eine lineare Trennung möglich In NER One-vs.-All Methode
Support Vector Machines Vorgehen Ausgangspunkt ist eine annotierte Liste von Named Entities d.h. eine Liste von Termen mit Featurevektoren und Kategorisierung Trainieren einer SVM zur Entscheidung Named Entity <-> normales Substantiv Für jede Kategorie Trainieren eine gesonderten SVM zur Entscheidung Kategorie trifft zu <-> trifft nicht zu One-vs.-All Kann das Wort in keine Kategorie klassifiziert werden, wird es als allgemein als Named Entity gekennzeichnet
Named Entity Recognition Musterbasiert mithilfe des Pendelalgorithmus DEMO Antje Schlaf