Skip to content
Voltar aos resultados

Extração de Informação — Transformando Texto em Registros Estruturados

Tipo
NLP structured-information task

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Extração de Informação (EI) é uma tarefa de processamento de linguagem natural que converte texto não estruturado em informação estruturada — como eventos, relações e atributos — de modo que fatos embutidos em documentos de formato livre se tornem registros legíveis por máquina.

A tarefa foi consolidada em revisões iniciais por Cowie e Lehnert (1996) e, posteriormente, por Grishman (2012).

A intuição por trás do método

Um documento conta uma história em linguagem de formato livre, mas um banco de dados precisa de linhas e campos organizados. A extração de informação lê o texto da maneira como um analista destacaria o quem, o quê e o quando, e então escreve esses destaques em um esquema fixo. Em vez de deixar os fatos presos na prosa, o método extrai as entidades e as relações entre elas e as apresenta como registros estruturados nos quais você pode consultar.

História

A extração de informação foi enquadrada como uma tarefa distinta de PLN nas revisões de Cowie e Lehnert (1996), que consolidaram o objetivo de extrair fatos estruturados de texto livre, e foi posteriormente revisitada por Grishman (2012) no Handbook of Natural Language Processing. A tarefa cresceu de regras de padrões criadas manualmente para modelos estatísticos e aprendidos para encontrar entidades, relações e eventos.

Quando usar

A extração de informação é adequada quando você tem dados textuais e precisa transformá-los em registros estruturados de eventos, relações ou atributos, e quando você pode definir uma ontologia específica do domínio descrevendo o que extrair. Um volume razoável de texto ajuda — o método espera na ordem de pelo menos cinquenta documentos. Sem dados textuais, ou sem um esquema acordado para o que conta como um fato, a EI não pode ser executada.

Limitações e considerações

  • Requer uma ontologia específica do domínio claramente definida antes que a extração possa começar.
  • Necessita de uma quantidade suficiente de dados textuais; corpora muito pequenos fornecem pouco sinal.
  • A qualidade da extração depende fortemente de quão bem o esquema e os padrões correspondem à linguagem do corpus.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Transforma texto não estruturado em registros estruturados e consultáveis de eventos, relações e atributos.
  • Orientado por esquema: a ontologia permite que o mesmo pipeline seja reorientado para diferentes domínios.
  • Combina correspondência de padrões baseada em regras e modelos treinados, adaptando-se aos dados e recursos disponíveis.

Aplicações

  • Construção de bases de conhecimento estruturadas a partir de grandes coleções de documentos.
  • Extração de eventos e seus participantes de arquivos de notícias ou relatórios.
  • Captura de relações e atributos de texto de domínio em ambientes de saúde, ciências sociais, economia e negócios.
  • Preenchimento de bancos de dados com fatos extraídos de documentos não estruturados.

Como funciona

Como funciona

1

Uma ontologia ou esquema específico do domínio é definido primeiro: os tipos de entidade, relações, eventos e atributos que o sistema deve procurar. Como a EI extrai apenas o que o esquema descreve, esta etapa decide o que conta como um fato que vale a pena capturar em um determinado domínio.

2

O texto bruto é limpo e segmentado em unidades analisáveis — sentenças e tokens — para que os padrões e modelos de extração operem em uma entrada consistente. Sem essa normalização, a correspondência subsequente se torna não confiável.

3

Entidades, relações, eventos e atributos são localizados no texto. Isso é feito com regras de correspondência de padrões sobre a estrutura linguística, com modelos treinados ou com uma combinação de ambos, cada um identificando os elementos definidos na ontologia.

4

Os elementos extraídos são montados em registros estruturados que estão em conformidade com o esquema — preenchendo os campos de um evento, vinculando os participantes de uma relação ou anexando atributos a uma entidade. O resultado é informação estruturada legível por máquina extraída do texto não estruturado original.

Erros comuns

  • Pular o design da ontologia — sem um esquema definido, o sistema não tem alvo e extrai registros inconsistentes ou sem sentido.
  • Aplicar padrões ou modelos construídos para um domínio a outro degrada a precisão da extração.
  • Negligenciar o pré-processamento deixa tokens ruidosos e limites de sentenças quebrados que prejudicam a correspondência subsequente.
  • Executar com texto insuficiente (bem abaixo de cinquenta documentos) gera poucos exemplos para que os padrões ou modelos funcionem de forma confiável.

Perguntas frequentes

Como a extração de informação difere do reconhecimento de entidades nomeadas?

O reconhecimento de entidades nomeadas apenas localiza e rotula entidades como pessoas, lugares e organizações. A extração de informação é mais ampla: ela também identifica as relações entre essas entidades, os eventos em que participam e seus atributos, e monta tudo isso em registros estruturados que seguem um esquema.

Por que preciso de uma ontologia antes de executá-la?

A ontologia, ou esquema, define exatamente o que conta como um fato em seu domínio — quais tipos de entidade, relações, eventos e atributos procurar. A extração de informação captura apenas o que o esquema descreve, então, sem um, o sistema não tem alvo e produz resultados inconsistentes.

Preciso de dados de treinamento rotulados?

Depende da abordagem. A extração baseada em padrões ou regras opera sobre a estrutura linguística e pode funcionar sem exemplos rotulados, enquanto modelos treinados aprendem com dados anotados. Muitos sistemas combinam ambos, então os dados que você precisa variam com o método escolhido.

Quanto texto preciso?

A extração de informação espera um volume razoável de texto — na ordem de pelo menos cinquenta documentos. Com muito menos, os padrões e modelos têm poucos exemplos para extrair de forma confiável.

Métodos relacionados

Fontes

  1. Cowie, J. & Lehnert, W. (1996). Information Extraction. Communications of the ACM.

    Abrir referência DOI
    Copiado.
  2. Grishman, R. (2012). Information Extraction. In Handbook of Natural Language Processing.

    ISBN: 9781420085921
    Copiado.