Б.В. Добров, Н.В. Лукашевич, Информационно-поисковые тезаурусы и современные информационные технологии АНО Центр информационных исследований МГУ им. М.В.Ломоносова. - презентация

1 Б.В. Добров, Н.В. Лукашевич, Информационно-поисковые тезаурусы и современные информационные технологии АНО Центр информационных исследований МГУ им. М.В.Ломоносова Научно-исследовательский вычислительный центр Университетская информационная система РОССИЯ

2 Современные информационные технологии Огромные объемы электронной информации Автоматическая обработка текстов и задачи информационного поиска –Автоматическое индексирование –Автоматическая рубрикация –Автоматическое аннотирование –Поиск ответов на вопросы –Поиск похожих документов

3 План презентации Структура и разработка традиционных информационно-поисковых тезаурусов –Тезаурус EUROVOC Принципы разработки тезауруса для автоматической обработки текстов Общественно-политический тезаурус для автоматического концептуального индексирования Общественно-политический тезаурус и автоматическая обработка текстов

4 Понятийная система предметной области Основой любой предметной области служит система понятий этой области. Определение понятия: Понятие – мысль, отражающая в обобщенной форме предметы и явления действительности посредством фиксации их свойств и отношений; последние (свойства и отношения) выступают в понятии как общие и специфические признаки, соотнесенные с классами предметов и явлений (Лингвистический словарь)

5 Соотношение понятие-термин Понятие Однозначное название = термин в смысле Теории терминологии Текстовые термины

6 Информационно-поисковые тезаурусы Информационно-поисковый Тезаурус – контролируемый словарь терминов предметной области, создаваемый для улучшения качества информационного поиска в данной предметной области Структура ИПТ: Основные понятия ПО – дескрипторы Условные синонимы – аскрипторы – Отношения эквивалентности аскриптор – дескриптор Отношения между дескрипторами

7 Информационно-поисковые тезаурусы: этапы разработки Первый этап: индексаторы описывают основную тему текста произвольными словами и словосочетаниями Полученные по многим текстам термины сводятся вместе Среди близких по смыслу терминов выбирается наиболее представительный Некоторые из оставшихся становятся условными синонимами, остальные удаляются Конкретные термины обычно не включаются

8 Информационно-поисковые тезаурусы: искусство разработки Дескрипторы – это термины, которые нужны для выражения основной темы документа Синонимы включаются только самые необходимые (например, начинаются с другой буквы), чтобы не затруднять работу индексатора Близкие термины должны быть сведены к одному термину, чтобы избежать субъективности индексирования Уровни иерархии, включение конкретных терминов ограничиваются

9 Информационно-поисковый тезаурус: искусство разработки - 2 В сложных случаях дескрипторы снабжаются пометами и комментариями –LIV: bombardment – bombing –Многозначные термины: одно значение в тезаурусе (capital), не помещаются в тезаурус, пометы !!! Традиционный информационно-поисковый Тезаурус – искусственный язык, построенный на базе реальных терминов

10 Тезаурус EUROVOC – многоязычный тезаурус Европейского Сообщества Тезаурус на 9 языках Русская версия EUROVOC –+5 тысяч понятий, отражающих российскую специфику Многоязычный тезаурус –Дескриптор – названия на разных языках –Аскрипторы – для некоторых языков

11 EUROVOC: нехватка синонимов и вариантов терминов помимо указанных в тезаурусе вариантов может быть выражен также следующими словами и терминами, неописанными в тезаурусе, но встречающимися в текстах российских правовых актов: =ОХРАНА ОКРУЖАЮЩЕЙ СРЕДЫ= : защита природы, природозащитный, природоохранный, природоохранительный (меры, деятельность, процесс) =ОХРАНА ЛЕСОВ= : защита лесов, защита лесного фонда, лесозащитный (деятельность, мероприятия), лесоохранный

12 EUROVOC: многозначность терминов Включены термины в одном из значений, многозначность не указана: кожа (как кожевенная продукция и кожа человека), печать (как СМИ, как штамп, как процесс печатания), питание (еда и электрическое питание), корма (питание животных и часть корабля), образование (как обучение и как создание чего либо).

13 EUROVOC: нехватка конкретных терминов Тезаурус в своем изложении иерархии понятий останавливается на достаточно высоком уровне иерархии и не включает более конкретные термины. В тезаурусе – рыба НО в тексте: минтай – военнослужащий НО в тексте: солдат – зерно НО в тексте: пшеница

14 EUROVOC: примеры отношений ПРИБОРОСТРОЕНИЕ НИЖЕ КОНТРОЛЬНО-ИЗМЕРИТЕЛЬНЫЕ ПРИБОРЫ НИЖЕ НАУЧНЫЕ ПРИБОРЫ ОХРАНА ДЕТСТВА АСЦ ПРОСТИТУЦИЯ МОНОГРАФИИ АСЦТИПОГРАФИИ

15 Тезаурус для автоматического концептуального индексирования: отличительные особенности Включение значительного числа конкретных понятий (дескрипторов): не только понятие =РЫБА=, но и виды рыб; Формирование обширных списков текстовых вариантов понятия, не только ОХРАНА ПРИРОДЫ, но и ЗАЩИТА ПРИРОДЫ, ПРИРОДООХРАННАЯ СФЕРА, ПРИРОДООХРАНИТЕЛЬНЫЙ, ПРИРОДООХРАННЫЙ; Описание многозначных терминов ; Возрастание количества понятий Возрастание количества отношений между понятиями; Необходимость определения логических свойств отношений; Введение новых типов отношений, обладающих различными логическими свойствами

16 От традиционных информационно-поисковых тезаурусов к формальным онтологиям NKOS-2003 precisely defined semantics

17 Broader Term (BT) and Narrower Term (NT) relations in AGROVOC BT and NT are typical hierarchical relations in a thesaurus. However, their semantics is not explicitly defined. It is common for BT/NT relations within a thesauri to include at least the following: Is-A (e.g. Milk/ Cows Milk; Development Agency/IDRC) Ingredient of (e.g. Milk/ Milk Fat) –Milk fat is an ingredient of milk Property of (e.g. Maize/Sweet corn) –Sweetness is a property of corn Some examples from AGROVOC MAIZE NT dent maize NT flint maize NT popcorn NT soft maize NT sweet corn NT waxy maize MILK NT Milk Fat NT Colostrum NT Cows Milk Development Agencies NT development banks NT voluntary agencies NT IDRC

18 Related Term (RT) in AGROVOC RT represents the associative relation. The RT usually involves the most ambiguous semantics. RT can include the following. – causality – agency or instrument – hierarchy - where polyhierarchy has not been allowed the missing hierarchical relationships are replaced by associative relationships – sequence in time or space – constituency – characteristic feature – object of an action, process or discipline – location – similarity (in cases where two near- synonyms have been included as descriptors) – antonym Some examples from AGROVOC DEGRADATION RT chemical reactions RT discoloration RT hydrolysis RT shrinkage IDRC RT Canada causality location

19 Правила ERIC Thesaurus Can use the rules Rule 1 If X isa (type of) instruction and X has domain Z and Y isa ability and Y has domain Z Then X should consider Y Rule 2 If X should consider Y and Y is supported by W Then X should consider W

20 Fragment of EUROVOC Article Land register RTBuilding permit RTLocal tax RTProperty tax RTTown-planning regulations Reverse relations: Building permitLocal tax RT Land register Property taxTown-planning regulations RT Land register

21 Эксперимент на основе простых запросов Известно, что использование ресурсов обычно увеличивает полноту и снижает точность Простой запрос состоит из одного понятия онтологии – SQ(C) Простой запрос – найти все о С Используются отношения онтологической зависимости Если точность поиска по простому запросу низка, то и точность сложных запросов также ухудшится

22 Исполнение эксперимента R (C1, C2) SQ(C1) – расширить на тексты, содержащие С2 Возьмем тексты, содержащие С2, и не содержащие С1, и проверим, какие из них релевантны SQ(C1) УИС Россия – векторная модель, первые 50 текстов, содержащие С2. Проблема многозначности исключена

23 Results of Simple Queries Runs SQ (land register) – 50 documents 41 is relevant to SQ (Land Register ) Among 41 – 11 documents are relevant to SQ (property tax) – 9 documents – SQ (local tax) – 9 documents – SQ (town-planning regulations) – 3 documents – SQ (building permit) Runs for REVERSE relations – 50 documents relevant SQ (property tax) – 5 documents are relevant to SQ (Land Register)

24 Почему точность низка при использовании EUROVOC Все отношения отражают важные взаимосвязи Но каждое понятие может рассматриваться в разных аспектах Информация кадастра нужна для разрешений на строительство, исчисления местных налогов или налога на имущество Получение разрешения на строительство требует разных документов Применимость рассмотренных отношений тезауруса EUROVOC зависит от контекста документа !!!

25 Отношения в тезаурусе для автоматической обработки не должны зависеть от контекста!!! Таксономические отношения Некоторые виды отношений часть-целое Анатомические части Географические части Отношения онтологической зависимости (N. Guarino) Строгая зависимость: кипение - жидкость Родовая зависимость: гараж - автомобиль

26 Функции отношений в тезаурусе для автоматического индексирования 1)Расширение запроса 2)Вывод рубрики по встретившимся в тексте терминам 3) Разрешение многозначности 4) Установление лексической связности в тексте для более качественного выявления понятий основной темы текста

27 Общественно-политический тезаурус Тезаурус для автоматической обработки текстов в общественно-политической области Начат в 1994 году Автоматизированное извлечение терминов из текста С 1995 года применяется в реальной автоматической обработке текстов, тестируется и дополняется в процессе выполнения конкретных работ Иерархическая сеть понятий –32 тыс. понятий, –79 тыс. русскоязычных слов и терминов, –80 тыс. англоязычных слов и терминов

28 Общественно-политическая область Жизнь современного общества, общезначимые сферы деятельности Понятия известны значительному количеству современных людей, важны для многих Официальные документы, законы, газетные публикации – одна и та же область Значительная часть общезначимой лексики (40 процентов) Верхние уровни терминологии значительного количества различных предметных областей

29 Общественно-политическая область Уровни иерархии Право Бухучет Налоги Банки Предметные подобласти в Общественно-политическом тезаурусе

30 Рабочий экран оболочки тезауруса Разные предметные области в одной оболочке Допускается распределенное ведение

31

32 Пример синонимического ряда ЗАЩИТА ОКРУЖАЮЩЕЙ ПРИРОДНОЙ СРЕДЫ ЗАЩИТА ПРИРОДНОЙ СРЕДЫ ЗАЩИТА ПРИРОДЫ ОХРАНА ОКРУЖАЮЩЕЙ ПРИРОДНОЙ СРЕДЫ ОХРАНА ПРИРОДНОЙ СРЕДЫ ОХРАНА ПРИРОДЫ ОХРАНЯТЬ ПРИРОДУ ПРИРОДОЗАЩИТА ПРИРОДОЗАЩИТНЫЙ ПРИРОДООХРАНА ПРИРОДООХРАНИТЕЛЬНЫЙ ПРИРОДООХРАННЫЙ

33 Представление значений языковых выражений в тезаурусе РуТез ГЕОЛОГИЧЕСКАЯ РАЗВЕДКА –Геологоразведка, геологоразведочный, …разведка, разведка месторождений, разведка полезных ископаемых… РАЗВЕДЫВАТЕЛЬНАЯ ДЕЯТЕЛЬНОСТЬ –Разведдеятельность, разведка, разведоперация

34 Отношения в Общественно-политическом тезаурусе отношение ВЫШЕ-НИЖЕ – таксономическое отношение НО!! Должно быть действительно для всех примеров понятий и все время их существования => Транзитивность Симметричная ассоциация АСЦ – для очень похожих понятий

35 Отношения (2) в Общественно-политическом тезаурусе отношение ЧАСТЬ-ЦЕЛОЕ – традиционные части, + участники ситуации, +свойства НО!! Должно быть действительно для всех примеров понятий-частей и все время их существования => Транзитивность Отношение АСЦ2 (АСЦ1) – онтологически зависимые сущности – иерархично и наследуется

36 Автоматическая обработка текстов на основе Общественно-политического Тезауруса АЛОТ – автоматическая лингвистическая обработка текстов Концептуальное индексирование Ранжированный информационный поиск: Многоязычный информационный поиск Автоматическая рубрикация текстов различных рубрикаторов - количество рубрик от 35 до рубрика как сложный запрос Автоматическое аннотирование текстов (первое место в номинации «Индикативная аннотация наилучшей длины» конференции по автоматическому аннотированию SUMMAC (1998)) Тематическая аннотация

37 Наши проекты Аппарат Государственной Думы ФС РФ ( н/в) НИИ Восход; ЦИК РФ ( н/в) НПП Гарант-Сервис (2002 – н/в) Министерство образования; ГУМЦ «Базис» (2003, 04) Счетная палата (2003 – 2004) ФАПСИ (1998, 2000 – н/в) ИППИ РАН; Управление спецпрограмм (1996) Гранты: – Фонд МакАртуров (1994, 1995, 2004) – Фонд Форда (2002, 2003) – РФФИ (9), РГНФ (5) – Фонд Евразия (2002, 2003)

38 Информеры для уточнения запроса

39 Результаты концептуального поиска Документы на русском языке Наиболее характерные для выдачи понятия

40 АЛОТ: основные этапы Конвертация файлов: формальные характеристики и неиндексируемые фрагменты Графематический и морфологический анализ Терминологический анализ: сопоставление с тезаурусом. Терминологический индекс Разрешение многозначности терминов Тематический анализ: формирование тематических узлов Построение тематического представления: основные и локальные тематические узлы. Определение весов терминов Определение рубрик по заданным рубрикаторам Построение аннотации

41 Тематические линии терминов Тезауруса (Постановление Правительства РФ от 26 июня 1995 г. N 604) О порядке оказания безвозмездной финансовой помощи на строительство (покупку) жилья и выплаты денежной компенсации за наем (поднаем) жилых помещений военнослужащим и гражданам, уволенным с военной службы Во исполнение Закона Российской Федерации "О статусе военнослужащих" и в целях обеспечения прав на жилище военнослужащих и граждан, уволенных с военной службы, Правительство Российской Федерации п о с т а н о в л я е т : 1. Утвердить прилагаемое Положение о порядке оказания безвозмездной финансовой помощи на строительство (покупку) жилья и выплаты денежной компенсации за наем (поднаем) жилых помещений военнослужащим и гражданам, уволенным с военной службы. 2. Министерству обороны Российской Федерации и иным федеральным органам исполнительной власти, в которых предусмотрена военная служба: в месячный срок разработать и утвердить формы и перечень документов, необходимых для принятия решения об оказании военнослужащим безвозмездной финансовой помощи на строительство (покупку) жилья и о выплате денежной компенсации за наем (поднаем) жилых помещений; расходы, связанные с оказанием военнослужащим безвозмездной финансовой помощи и выплатой денежной компенсации за наем (поднаем) жилых помещений, производить за счет и в пределах средств, выделяемых из федерального бюджета по сметам этих федеральных органов исполнительной власти. 3. Органам исполнительной власти субъектов Российской Федерации: оказывать безвозмездную финансовую помощь в избранном постоянном месте жительства гражданам, уволенным с военной службы, осуществляющим строительство (покупку) жилья, за счет и в пределах средств федерального бюджета, выделяемых на жилищное строительство для этой категории граждан;

42 ЖИЛОЕ ПОМЕЩЕНИЕ (25) ЖИЛОЕ ЗДАНИЕ (1) КВАРТИРА (2) А А СОБСТВЕННОСТЬ (1) ЖИЛИЩНОЕ СТРОИТЕЛЬСТВО (4) КОМНАТА (ПОМЕЩЕНИЕ) (1) В В НАЕМ ЖИЛОГО ПОМЕЩЕНИЯ (13) МНОГОКВАРТИРНЫЙ ДОМ (1) ЗДАНИЕ (1) СООРУЖЕНИЕ (1) ЖИЛАЯ ПЛОЩАДЬ (1) СТРОИТЕЛЬСТВО (12) ЖИЛИЩНО-СТРОИТЕЛЬНЫЙ КООПЕРАТИВ (2) ЖИЛИЩНАЯ НОРМА (2) НАНЯТЬ (13) ПОКУПКА (6) ПЛАТИТЬ (1) ДЕНЬГИ (22) А Сеть тематических узлов (Постановление Правительства РФ от 26 июня 1995 г. N 604)

43 Тематическая аннотация (Постановление Правительства РФ от 26 июня 1995 г. N 604) | ВОЕННАЯ СЛУЖБА; ВОЕННОСЛУЖАЩИЙ; ВОИНСКАЯ СЛУЖБА ПО КОНТРАКТУ | ****| | | | | | | ЖИЛОЕ ПОМЕЩЕНИЕ; НАЕМ ЖИЛОГО ПОМЕЩЕНИЯ; ОБЕСПЕЧЕННОСТЬ ЖИЛЬЕМ; | ****| X | КВАРТИРА; ЖИЛИЩНАЯ НОРМА; КОМНАТА (ПОМЕЩЕНИЕ); ЗДАНИЕ; | | | ЖИЛОЕ ЗДАНИЕ; ЖИЛАЯ ПЛОЩАДЬ | | | | | | ФИНАНСОВАЯ ПОМОЩЬ; | ****| z | z | | | | | | | | | ГРАЖДАНИН | ****| X | z |. | | | | | | | | | | | УВОЛЬНЕНИЕ; | ****| X | z |. | X | | | | | | | | | | | | | СТРОИТЕЛЬСТВО; ЖИЛИЩНОЕ СТРОИТЕЛЬСТВО; | ****|. | X | z |. |. | ЖИЛИЩНО-СТРОИТЕЛЬНЫЙ КООПЕРАТИВ; | | | | | | | | | | | | | | ФЕДЕРАЛЬНЫЙ ОРГАН ИСПОЛНИТЕЛЬНОЙ ВЛАСТИ; | ****| X |. | z |. |. |. | ОРГАН ИСПОЛНИТЕЛЬНОЙ ВЛАСТИ; ПРАВИТЕЛЬСТВО; | | | | | | | | ПРАВИТЕЛЬСТВО РОССИИ; МИНИСТЕРСТВО ОБОРОНЫ; | | | | | | | | | | | | | | | | ПОКУПКА; ДЕНЬГИ; ПЛАТИТЬ; | ****| z | X | z |. |. | z | z | |

44 Тематическое двуязычное индексирование Русскоязычный документ Англоязычный документ Англоязычное представление Русскоязычное представление Тематическое представление содержания документа

45 Thematic representation of a text: Thematic Node i || + == Thematic Node j Thematic node in the text

46

47 Терминологическая поддержка рубрикации Объяснение выбора рубрики по тексту

48 Университетская информационная система РОССИЯ