tulajdonnév felismerés

Tulajdonnév felismerés

2010.febr. 16

Tulajdonnév felismerés

Közvetlen alkalmazásai is vannak.

Fontos részfeladat:

• információkinyerés alapegységei

• gépi fordítás: Kovács János -> John Smith

Mi egy tulajdonnév?• Magyar Helyesírási kézikönyv:

tulajdonnév pl: Magyar Nemzeti Bankköznév pl: asztal, alma, bank? File Transfer Protocol, Blootouth, BUX ? Botond étteremNincs egzakt szabály ennek eldöntésre!

• named entity: „a szövegnek egy olyan eleme, amely a világ valamely entitására unikusan referál”rfarkas@inf.u-szeged.hu is egy NE

Tulajdonnév a HLT-ben „Előre definiált osztályokba tartozó

tokensorozatok felismerése és klasszifikálása”.Az osztályokat egy tanítóhalmaz manuális

annotációjával „definiálják”.Például: helynevek, személynevek, szervezetek,

e-mail címek

Vannak olyan osztályok amik egyszerű szabályokkal (általában reguláris kifejezésekkel) leírhatóak, például e-mail címek

A klasszifikáció nehézségeiFelismerés (viszonylag) egyszerű feladat

Nyílt halmaz, nem fedhető le szótárakkal!

Gyakran a szövegkörnyezet dönti el a jelentést

pl.: Ford személy, repülőtér, vállalat vagy márkanév?

Szintaktikai információkból kell szemantikai döntéseket meghozni.

Gépi tanulási megközelítések

Mivel minden feladat más és más, egy szabály alapú rendszer előállítása igen költséges lenne.

Milyen jellemzőkkel írhatóak le az osztályok?

Két különböző megközelítés:– Token alapú klasszifikáció– Szekvencia jelölés

Jellemzőkészlet• Ortográfiai jellemzők

kezdőbetű típusa, szóhossz, tartalmaz számot / írásjelet, arab / római szám

• Gyakorisági adatokkis/nagybetűs-, mondatközi nagybetűs/nagybetűs arányok,

gyakoriság

• Szövegkörnyezet infotrigger uni- / bi- / trigramok, mondatpozíció, dokumentum pozició

• Kifejezés-szintű infomegelőző tokenek címkéi, zárójelben/idézőjelben van,

reguláris kifejezések

• Egyértelmű szavak szótáratanuló adatbázisból összegyűjtve, betegségek nevei

• Trigger szótárakkeresztnevek, kórházformák, országok, városok

Token szintű osztályozásAz egyes tokeneket klasszifikáljuk.

A környezetből nyerhető információkat egy ablakkal felvesszük a token jellemzői közé:

pl: elöző szó kisbetűs-e

Kérdés: megadhatjuk-e a környezet osztálycímkéit?

Általában szükség van egy utófeldolgozó lépésre:

MagyarORG NemzetiLOC BankORG Rt.ORG

Szekvenciális modellekCél: egész szekvenciára (mondatra) egyszerre megmondani a legvalószínűbb jelölést.

P(T|x) : címkeeloszlás a jellemzőtér felett

x: {kisbetűs, gyakori, zárójelben van}

T: {nem tulajdonnév, szervezet, helység}

P(Tt|Tt-1) : átmenet-valószínűségek

P(helység|szervezet)=0.0001

Ezeket a tanuló adatbázis alapján becsüljük.

Viterbi algoritmus

Alkalmazási területek• Magyar gazdasági rövidhírek elemzése

• Angol újsághírek elemzése

• Orvosi kórlapok anonimizálása

• Lényegében ugyanaz a modell működik:– angolra és magyarra– Két teljesen más feladatra (domainre)

Kiértékelési metrikaCsak a tulajdonnév osztályokra számoljuk.Precízió: Amit C-nek jelölünk az hány esetben CLefedettség: Az összes C-ből hányat találtunk

meg.Fβ=1 a precízió és a lefedettség harmonikus

közepe

MagyarORG NemzetiLOC BankORG Rt.ORG

Frázis szintű metrika Token szintűP_tokenORG=3/3 R_tokenORG=3/4P_frázisORG=0/2 R_frázisORG=0/1

SzegedNE korpusz• 200 ezer szövegszó

• Gazdasági rövidhírek (NewsML)

• Személynév, Szervezet, Hely és Egyéb

• 15 ezer tulajdonnév

• A korpusz és magyar tulajdonnévtrigger-listák letölthetőek

Eredmények a SzegedNE korpuszon

Első statisztikai tulajdonnév-felismerő modell magyar nyelvre

  Fβ=1

Szervezet 95,84%

Személy 94,67%

Hely 95,07%

Egyéb 85,96%

mindösszesen 94,77%

CoNLL 2003 adatbázis• A tulajdonnév-felismerés

legfontosabb nemzetközi referencia adatbázisa

• 200+50 ezer szövegszó• Angol nyelvű újsághírek

– gazdaság, sport, politika témában

• Személynév, Szervezet, Hely és Egyéb• Ez szolgált mintául a SzegedNE

korpuszhoz

Eredmények angol nyelvre

  egyéni

Szervezet 84,53%Személy 93,55%Hely 92,90%Egyéb 79,67%mindösszesen 89,02%

hibrid

88,32%96,27%93,43%82,29%91,41%

Orvosi rekordok feldolgozása

Motiváció: Hasznos információk tűnnek el a szövegben Szöveges adatbázisok megosztása szélesebb

körben (kórházak)Adatok gyűjtése, statisztikák készítéseKutatómunka elősegítéseA feladatok nagy része automatizálható

Ehhez azonban a személyes információkat el kell távolítani, pontosabban

le kell őket generált egyedekre cserélni!

AnonimizálásCél: PHI-k azonosítása és osztályozása a

zárójelentésekben– 8 különböző kategória (sok mindent lefed):

PATIENT, DOCTOR, HOSPITAL, LOCATION, ID, PHONE, DATE, AGE (csak ha 90 év feletti)

–Ezek pont a klasszikus named entity osztályok!

Anonimizálás vs De-identifikáció

A felhasznált adatbázis• I2B2 nemzetközi nyílt verseny• 671 címkézett orvosi zárójelentés

– (400 ezer token, tartalmaz strukturált részeket is)

• Kiértékelés 206 ismeretlen zárójelentésen

• Orvosi nyelvi feldolgozás„A/P: 64 yo M known CAD, s/p CABG and PCI in '03presents w NSTEMI in settin of EKG changes s/p cardiaccath and ETT MIBI positive for diffuse disease w mildreversibility in PDA territory cw 100% lesion in SVG.”

• Anonimizált adatbázis

Kiértékelés (Fβ=1)

Token Phrase

NON-PHI 99.88

PATIENT 97.27 96.72

DOCTOR 97.41 95.52

HOSPITAL 95.54 94.17

ID 99.29 99.13

DATE 99.44 99.17

PHONE 89.61 91.07

LOCATION 67.82 56.70

AGE 100.0 100.0

overall 99.75 96.79

A rendszer adaptálása a három feladatra

• Szótárak (keresztnevek, cégformák stb.) cseréje angolra

• Orvosi szövegekhez mindössze a cégforma listát cseréltük le {hospital, clinics, memorial, …}-re

• A CoNLL és I2B2 adatbázisokon felhasználtuk a dokumentumok struktúrájában rejlő információkat (1-1 plusz jellemző)

A jellemzők jellemzői • Próbáltunk POS és szintaktikai kódokat

használni, de vagy elhanyagolható volt a jelentőségük vagy csak összekavarták a rendszert

• Nem használtunk semmilyen domain-specifikus szótárat (mint például MeSH kódok)

• Csak felszíni információk felhasználásával elérhető versenyképes eredmény!

A jellemzők hatása az anonimizálás feladatnál

1. Alap jellemzők: kezdőbetű, triggerek, előző tokenek címkéi

2. Ortográfiai jellemzők3. Gyakorisági adatok4. Struktúra információ5. Reguláris kifejezések6. Helység szótárak (országok,

városok)7. Mondat pozíció8. Idézőjelek / Zárójelek között9. Keresztnevek10. Nem-NE listák