Unsupervised Information Extraction by Text Segmentation

• Eli Cortez UFAM
• Altigran Soares da Silva UFAM

Resumo

Neste trabalho, propômos, implementamos e avaliamos uma nova abordagem não-supervisionada para o problema de Extração de Informação por Segmentação de Texto (EIST). Nossa abordagem baseia-se em informações disponíveis em dados pré-existentes para aprender a associar segmentos de texto com atributos de um determinado domínio utilizando um conjunto muito eficaz de características baseadas em conteúdo. A eficácia das características baseadas em conteúdo também é explorada para aprender diretamente dos textos de entrada características baseadas em estrutura, sem nenhuma intervenção humana, uma característica única da nossa abordagem. Com base em nossa abordagem, produzimos inúmeros resultados para lidar com problema de EIST. Nós realizamos diferentes experimentos que indicam que a nossa abordagem produz resultados de alta qualidade em relação ao estado-da-arte e que é capaz de amparar adequadamente métodos de EIST em uma série de aplicações reais.

Referências

Borkar, Deshmukh, and Sarawagi (2001). Automatic Segmentation of Text into Structured Records. In Int. Conf. on Manag. of Data (SIGMOD), pages 175–186.

Cortez (2012). Unsupervised Approach for Information Extraction by Text Segmentation. Phd thesis, Universidade Federal do Amazonas.

Cortez, et al. (2010a). ONDUX: On-Demand Unsupervised Learning for Information Extraction. In Int. Conf. on Manag. of Data (SIGMOD), pages 807–818.

Cortez, et al. (2011a). Joint unsupervised structure discovery and information extraction. In Int. Conf. on Manag. of Data (SIGMOD), pages 541–552.

Cortez, et al. (2009). A flexible approach for extracting metadata from bibliographic citations. J. American Soc. for Inf. Science and Tech. (JASIST), 60(6):1144–1158.

Cortez, et al. (2010b). Unsupervised strategies for information extraction by text segmentation. In SIGMOD PhD Workshop on Innov. Database Res., pages 49–54.

Cortez, et al. (2011b). Lightweight methods for large-scale product categorization. J. American Soc. for Inf. Science and Tech. (JASIST), 62(9):1839–1848.

Evangelista, et al. (2010). Adaptive and flexible blocking for record linkage tasks. J. Inf. and Data Manag. (JIDM), 1(2):167.

Evangelista, et al. (2009). Blocagem adaptativa e flexível para o pareamento aproximado de registros. In Simp. Bras. de Banco de Dados (SBBD), pages 61–75.

Laender, et al. (2011). Building a research social network from an individual perspective. In Joint Conf. on Dig. Libraries (JCDL), pages 427–428.

Mansuri and Sarawagi (2006). Integrating Unstructured Data into Relational Databases. In Int. Conf. on Data Engineering (ICDE), pages 29–41.

Porto, et al. (2011). Unsupervised information extraction with the ondux tool. In Simp. Bras. de Banco de Dados (SBBD).

Sarawagi (2008). Information extraction. Found. Trends in Databases, 1(3):261–377.

Serra, et al. (2011). On using wikipedia to build knowledge bases for information extraction by text segmentation. J. Inf. and Data Manag. (JIDM), 2(3):259.

Toda, et al. (2010). A probabilistic approach for automatically filling form-based web interfaces. Proceedings of the VLDB Endowment, 4(3):151–160.

Toda, et al. (2009). Automatically filling form-based web interfaces with free text inputs. In Int. World Wide Web Conf. (WWW), pages 1163–1164.

Zhao, et al. (2008). Exploiting structured reference data for unsupervised text segmentation with conditional random fields. In SIAM Int. Conf. on Data Min., pages 420–431.