Semantica

1
Semantica

• Maria Teresa PAZIENZA
• a.a. 2009-10

2

Programma

• Breve introduzione allNLP
• Linguaggi Naturali e Linguaggi Formali
• Complessità
• Morfologia
• Teoria Morfologia del Linguaggio Naturale
• Strumenti Automi e Trasduttori
• Analisi Morfologica con automi e trasduttori
• Part of Speech Tagging
• Teoria Le classi morfologiche
• Strumenti a Analisi modelli a regole e
  statistici
• Sintassi
• Teoria Sintassi del Linguaggio Naturale
• Strumenti CFG
• Analisi Sintattica parsing top-down, bottom-up,
  Early
• Semantica
• Introduzione
• Distributional Lexical Semantics
• Sentence Semantics

Info
3
NLP - Analisi semantica

• Capire il significato di una frase è
  unoperazione necessaria per andare al di là
  della frase stessa, per inserire il suo
  significato allinterno di un contesto condiviso
  nella comunicazione, per ragionare e per poter
  rispondere a domande relative al dominio di
  conoscenza coinvolto dalla frase (o domanda)
  stessa.
• Alcune attività che richiedono una analisi
  semantica
• Porre domande / rispondere
• Leggere un menù e decidere cosa ordinare
• Leggere un manuale duso e capire cosa fa un
  software
• ..
• Ragionare su un task espresso linguisticamente

4
NLP - Analisi semantica

• Capire il significato di una frase
• Ragionare su un task espresso linguisticamente
  richiede lattivazione di processi cognitivi che
  accedano a qualche tipo di rappresentazione che
  colleghi gli elementi linguistici, coinvolti nel
  processo di comprensione, a componenti cognitive
  (quindi non linguistiche) necessarie alla loro
  realizzazione.

5
NLP - Analisi semantica

• Lanalisi semantica è fondamentale in questa fase
  a supporto del ragionamento e si basa sulla
  rappresentazione formale del significato della
  frase.
• Per capire il significato di una frase non è
  necessario aver realizzato completamente le
  fasi di analisi morfologica e sintattica della
  frase stessa si può utilizzare anche la
  rappresentazione della conoscenza di dominio

6
NLP - Analisi semantica

• Capire il significato di una frase e
• ragionare su
• Necessario un approccio sistematico e formale per
  collegare la rappresentazione del significato
  della frase con tutti i fatti e gli eventi del
  mondo che esistono (ovvero sono rappresentati
  nella base di conoscenza relativa)
• Un sistema potrà allora fare inferenza, ovvero
• ragionare a partire dalla frase
• fare deduzioni valide rispetto sia alla
  rappresentazione formale del significato della
  frase in ingresso sia alla conoscenza di base del
  sistema stesso.

7
NLP - Analisi semantica

• La comprensione del significato di una
  espressione linguistica richiede conoscenza
  linguistica e non-linguistica (conoscenza del
  mondo e/ del dominio) tale significato è
  espresso da strutture formali (rappresentazione
  del significato della frase che supporta,
  facilitando lanalisi semantica)
• La sintassi e la semantica di queste
  rappresentazioni saranno fornite da appositi
  linguaggi per la rappresentazione del
  significato.
• Espressione linguistica -gt analisi semantica
  
• -gt comprensione del significato -gt supporto al
  ragionamento

8
Rappresentazione del significato

• La rappresentazione del significato può avvenire
  in linguaggi formali diversi (FOPC calcolo dei
  predicati, reti semantiche, diagrammi delle
  dipendenze concettuali, frames, etc),
• che usano strutture di simboli per esprimere il
  significato della frase specifica (così come di
  un generico evento dello stesso tipo)

9
Rappresentazione del significato

• Per capire il significato letterale di una frase
  (es. una domanda)
• Identificare rappresentazioni legate al
  significato convenzionale delle parole senza
  considerare il contesto
• Usare una rappresentazione per determinare la
  relazione tra il significato della frase ed il
  mondo a noi noto (BdC), quindi determinare il
  valore di verità della rappresentazione
• Effettuare il matching tra la rappresentazione
  del significato in input e la base di conoscenza
  (verificabilità)
• Gestire la vaghezza di una frase che rende
  difficile determinare cosa fare a fronte di una
  frase in input (es. io mangio cibi italiani).
  Vaghezza non è ambiguità!

10
Rappresentazione del significato

• Capire il significato di una frase (es. una
  domanda) significa usare una rappresentazione
  formale per determinare la relazione esistente
  tra il significato della frase ed il mondo in
  cui tale frase ha senso.
• Implementare un algoritmo di verifica matching
  tra la rappresentazione della specifica frase in
  ingresso e le rappresentazioni esistenti nella
  base di conoscenza di riferimento, che
  costituiscono la conoscenza del mondo

11
Rappresentazione del significato

• A causa della ricchezza espressiva del linguaggio
  naturale, si possono avere più espressioni
  linguistiche (frasi diverse) che esprimono lo
  stesso fatto di conseguenza si avranno
  rappresentazioni formali diverse .
• I Giapponesi amano la moda italiana
• La moda italiana è amata dai Giapponesi
• I Giapponesi impazziscono per la moda italiana
• Si dice che i Giapponesi amino la moda italiana
• E a tutti noto che i Giapponesi amino la moda
  italiana
• ..

12
Rappresentazione del significato

• Non sempre tutte le rappresentazioni formali
  coesistono in tal caso non tutte trovano il
  matching nella base di conoscenza (mondo di
  riferimento), si va incontro a situazioni di
  indeterminatezza e vaghezza dellinterpretazione
  del significato.
• Una soluzione a tale problema assegnare a tutte
  le rappresentazioni lo stesso significato.
• Forma canonica stessa rappresentazione associata
  ad espressioni linguistiche con uguale significato

13
Rappresentazione del significato

• Non sempre si può rispondere ad una domanda, ad
  una richiesta di informazione con un approccio
  basato sul pattern matching in molti casi si
  deve ricorrere a fasi di concettualizzazione (un
  metalivello rispetto a quello linguistico) che
  sono possibili se il linguaggio di
  rappresentazione del significato supporta luso
  di variabili.
• Gli stranieri amano la moda italiana
• Domanda I Giapponesi amano la moda italiana?

14
Significato e linguaggio

• Riconoscere le relazioni che esistono tra i
  concetti (associati a diverse parole) e le
  componenti frasali di ciascuna espressione
  linguistica
• I verbi (predicati) assumono un ruolo rilevante
  imponendo vincoli sulla struttura grammaticale e
  sulla posizione di altri elementi (argomenti) che
  devono accompagnarli nella struttura sintattica
  di una frase
• Identificare il significato completo di una
  frase come risultato della composizione del
  significato dei singoli elementi linguistici in
  ingresso (i costituenti del parser sintattico).

15
Significato e linguaggio

• I Giapponesi amano la moda italiana
• NP V NP
• Il predicato ha due argomenti di tipo nominale NP
• Il primo argomento precede il verbo ed assume il
  ruolo di soggetto (colui che compie lazione
  espressa dal verbo)
• Il secondo argomento segue il verbo ed assume il
  ruolo di oggetto (che subisce lazione espressa
  dal verbo)

16
Significato e linguaggio

• Regolarità nei comportamenti degli elementi
  associati ai verbi (classi di verbi) possono
  assumere un significato particolare ed indicare
  un ruolo semantico specifico
• Le strutture verbali di sottocategorizzazione
  evidenziano il legame tra le strutture
  superficiali (sintattiche) ed il ruolo semantico
  che esse assumono nella rappresentazione del
  significato di una frase

17
Significato e linguaggio

• I verbi (classi di) possono imporre delle
  restrizioni sulla tipologia degli argomenti retti
  (frasi nominali, frasi preposizionali, )
• es. gli elementi delle frasi nominali presenti
  nella struttura sintattica possono assumere
  valore solo in alcune categorie concettuali
  (selectional restriction)
• Lho visto guidare una automobile.
• Lui sarà sicuramente un uomo perché solo gli
  umani possono guidare unautomobile.

18
Significato e linguaggio

• In una frase non sono solo i verbi a reggere le
  strutture argomentali predicative le
  preposizioni possono essere considerate dei
  predicati con 2 argomenti
• il primo argomento è lentità che la preposizione
  pone in (una qualche) relazione con il secondo
  argomento
• Giovanni comprò unautomobile di prestigio

19
Significato e linguaggio

• Ulteriori strutture possono esprimere legami
  predicativi tra argomenti
• Preparare la presentazione-ppt per la lezione di
  2 ore di Intelligenza Artificiale di domani
• Lazione non è esplicitata esclusivamente dal
  verbo (preparare), ma anche dal sostantivo che
  esso regge (nominalizzazione)
• Il predicato (presentare) è associato al termine
  (presentazione-ppt) e regge 4 argomenti

20
Significato e linguaggio

• I linguaggi per la rappresentazione del
  significato devono poter specificare la semantica
  delle strutture predicative argomentali
  (predicate-argument structures).
• Le strutture argomentali asseriscono che
  relazioni specifiche hanno luogo tra i diversi
  concetti sottostanti i costituenti (parole e
  frasi) che compongono una frase.
• Grazie a queste strutture argomentali si realizza
  un significato unico (unificante) tra le varie
  componenti della frase.

21
Predicate-argument structure sintesi

• Predicati
• soprattutto verbi, frasi verbali, frasi
  preposizionali, frasi (V, VP, PP, S)
• talvolta nomi e frasi nominali (N, NP)
• Argomenti
• soprattutto nomi, strutture nominali, frasi
  nominali, frasi preposizionali (N, NP, PP)
• anche altre forme in relazione al contesto

22
Calcolo dei predicati FOPC richiami

• Fornisce solide basi computazionali per
  supportare le operazioni di matching, per fare
  inferenza, e non pone molti vincoli su come
  rappresentare le entità coinvolte.
• Il mondo è composto da oggetti, proprietà di
  oggetti e relazioni tra oggetti.
• Grazie alla nozione di termine si possono
  rappresentare oggetti di varia tipologia
  (funzioni, costanti, variabili) cui possono
  essere associati i nomi degli elementi del
  dominio in esame.
• Le funzioni possono anche essere considerate come
  predicati ad un unico argomento. Le variabili
  permettono di fare delle affermazioni sia
  relativamente ad entità non note, sia
  relativamente a classi di entità.
• I quantificatori (esistenziale ed universale)
  associati alle variabili permettono di assegnare
  significato ad una generica entità o ad una
  classe

23
Calcolo dei predicati FOPC richiami

• I predicati permettono di asserire, tramite un
  nome, la relazione esistente tra un numero
  predefinito di elementi di uno specifico dominio.
• I Giapponesi amano la moda italiana
• Amare(Giapponesi,ModaItaliana)
• Rappresentazioni di frasi complesse possono
  essere realizzate introducendo dei connettivi
  logici.
• I Giapponesi amano la moda italiana e fotografano
  monumenti
• Amare(Giapponesi,ModaItaliana) ?
  Fotografare(Giapponesi,Monumenti)

24
Calcolo dei predicati FOPC richiami

• Le entità espresse grazie al calcolo dei
  predicati assumono un significato in base alla
  corrispondenza con il mondo che si sta
  modellando ciascuna formula logica può assumere
  un valore (vero, falso).
• Una formula logica è vera
• se è presente nella base di conoscenza,
• o
• se può essere dedotta da altre formule della base
  di conoscenza.
• Linterpretazione delle formule avviene in
  relazione alle tavole di verità dei connettivi
  logici

25
Analisi semantica

• Gli approcci computazionali allanalisi semantica
  si riferiscono
• al processo in base a cui
• le diverse rappresentazioni del significato di
  una frase
• vengono composte
• per poi essere poste in corrispondenza
• dei vari elementi linguistici.
• Necessità di usare sorgenti di conoscenza
  diversificate a supporto della rappresentazione
  del significato tra esse
• i significati delle parole
• i significati associati alle strutture
  sintattiche
• la conoscenza della struttura del discorso
• conoscenza del contesto
• conoscenza (almeno) di base del dominio

26
Analisi semantica guidata dalla sintassi

• 1.Le frasi sono composte da parole ciascuna delle
  quali assume un significato (principio di
  composizionalità).
• 2.Le parole si organizzano tra loro secondo
  regole specifiche e relazionano tra loro per
  formare una frase con un determinato significato.
• Io vedo ciò che mangio
• Io mangio ciò che vedo
• 3.Il significato di una frase non è basato
  esclusivamente sulle parole che la compongono, ma
  deve tener conto dellordine con cui compaiono,
  dei raggruppamenti esistenti, e delle
  interrelazioni.
• Nellanalisi semantica basata sulla sintassi, la
  composizionalità dei significati terrà quindi
  conto delle diverse componenti sintattiche e
  delle relazioni esistenti.

27
Analisi semantica guidata dalla sintassi

• Lanalizzatore semantico elaborerà il risultato
  dellanalisi sintattica nelle diverse (ambigue)
  risultanze con un (probabile) incremento
  dellambiguità.
• Le ambiguità residue potranno essere risolte
  grazie sia alla conoscenza di dominio che di
  contesto le quali permetteranno di selezionare la
  rappresentazione (più) corretta.

28
Esempio

• AyCaramba serves meat
• Viene descritto l evento del servire che
  richiede lesistenza di qualcuno che serva e di
  qualcosa che venga servito.

29
Analisi composizionale
30
Augmented Rules

• Ciò può essere realizzato by attaching semantic
  formation rules alle regole sintattiche della
  CFG.
• Esempi di augmented rules
• dove ciascun a è un costituente sintattico della
  regola. Ovvero
• La semantica che viene associata ad A può essere
  calcolata da qualche funzione applicata alla
  semantica delle parti di A.

31
Augmented Rules

• Gli attachment sono costituiti da istruzioni che
  specificano come calcolare il significato della
  frase A.sem dai significati dei suoi costituenti,
  ovvero
• dallattivazione della funzione f su qualche
  sottoinsieme degli attachment semantici dei
  costituenti di A.

32
Analisi composizionale
33
Example AyCaramba serves meat

• Easy parts
• NP -gt PropNoun
• NP -gt MassNoun
• PropNoun -gt AyCaramba
• MassNoun -gt meat
• These attachments consist of assigning constants
  and copying semantics from children up to
  parents.
• (processo di propagazione della semantica)

• Attachments
• PropNoun.sem
• MassNoun.sem
• AyCaramba
• Meat

34
Esempio AyCaramba serves meat
35
Esempio AyCaramba serves meat

• VP domina sia serves che meat.
• E necessario incorporare il significato della
  NP nel significato del verbo e assegnare la
  rappresentazione risultante alla VP.sem
• Ciò consiste nel sostituire la variabile y con il
  termine logico meat come secondo argomento del
  ruolo Served dellevento Serves

36
Esempio AyCaramba serves meat

• Possiamo ora combinare composizionalmente quanto
  fatto per i vari costituenti sintattici
• E necessario incorporare il significato sia
  della NP che della VP nel significato della frase
  e assegnare la rappresentazione risultante alla
  S
• Ciò consiste nel sostituire la variabile x con il
  termine logico AyCaramba come secondo argomento
  del ruolo Server dellevento Serves

37
Esempionotazione lambda estensione FOPC

• VP.sem(NP.sem)
• Verb.sem(NP.sem )

• S -gt NP VP
• VP -gt Verb NP
• Verb -gt serves

Ciò consiste nel prendere la semantica di un
figlio ed applicarla come una funzione alla
semantica dellaltro figlio
38
Composizionalità forte

• La semantica del tutto (la frase) è stata
  derivata solamente dalla semantica delle singole
  componenti/parti
• (i.e. noi ignoriamo cosa ci sia nelle altre parti
  dellalbero).

39
Esempio complesso

• Dovè la complessità?
• Quale ruolo assume Harry?

40
Esempio complesso

• La VP per told è VP -gt V NP Vpto
• Quale dovrebbe essere il suo attachment
  semantico?
• Associare la funzione semantica collegata a Vpto
  con la semantica della NP ciò fa emergere Harry
  come lattore (goer) dellazione dellandare.
• Associare la semantica di V alla semantica della
  NP ciò fa emergere Harry come loggetto (tellee)
  dellazione del dire
• Quindi il risultato delle associazioni ci
  fornisce il giusto valore delle cose dette.
• V.Sem(NP.Sem, Vpto.Sem(NP.Sem))

41
Esempio (a)

• Consideriamo gli attachment per VP
• VP -gt Verb NP NP (gave Mary a book)
• VP -gt Verb NP PP (gave a book to Mary)
• Assumiamo che le rappresentazioni del significato
  di entrambe siano le stesse.
• 1-Associando una valenza forte al lessico, i VP
  attachments sono
• VP.Sem(NP.Sem, NP.Sem)
• VP.Sem(NP.Sem, PP.Sem)

42
Esempio (b)

• Invece
• 2-Associando una valenza forte alla sintassi noi
  potremmo avere qualcosa del genere
• VP -gt V NP NP
• V.sem Recip(NP1.sem)
  Object(NP2.sem)
• VP -gt V NP PP
• V.Sem Recip(PP.Sem) Object(NP1.sem)
• Ovvero il verbo contribuisce da solo al
  predicato, la grammatica conosce i ruoli.

43
Integrazione

• Se si integra lanalisi semantica nel parser
  mentre è in funzione
• Si possono usare i constraint semantici per
  eliminare interpretazioni sintattiche senza senso
  
• - Si assegna una rappresentazione del significato
  ai costituenti che non prendono parte nella
  maniera corretta alla analisi sintattica

44
Frasi con quantificazioni

• Consideriamo la frase inglese
• A restaurant serves meat.
• assumiamo che A restaurant possa essere
  rappresentato come
• con la notazione lambda si ha

45
Termini complessi

• Permettere al sistema composizionale di
  utilizzare rappresentazioni (come oggetti con le
  parti) del tipo
• Complex-Term ? ltQuantifier var bodygt

46
Conversione

• Termini complessi vengono racchiusi (embedded)
  allinterno di predicati.
• Quindi vengono fatti emergere opportunamente per
  ridistribuire le componenti della
  rappresentazione
• P(ltquantifier, var, bodygt)
• diventa
• Quantifier var body connective P(var)

47
Esempio
48
Quantificatori e connetivi logici

• Se si è in presenza del quantificatore
  esistenziale, allora il connettivo è (and)
• Se si è in presenza del quantificatore
  universale, allora il connettivo è -gt
  (implicazione)

49
(più) Termini complessi

• La tecnica della conversione sposta i
  quantificatori fuori e prima dellinizio della
  forma logica
• Ciò causa ambiguità se cè più di un termine
  complesso allinterno della stessa frase.

50
Ambiguità dei quantificatori

• Consideriamo la frase
• Every restaurant has a menu
• che può avere più di un significato
• ogni ristorante ha un menù
• oppure
• esiste qualche (mega) menù e tutti i ristoranti
  hanno quel menù

51
Ambiguità dei quantificatori

• Consideriamo la frase
• Every restaurant has a menu

52
Ambiguità dello scopo del quantificatore
53
Ambiguità

• Questo problema è simile al problema dell
  attachment delle frasi preposizionali
  (prepositional phrase attachment )
• Il numero delle possibili interpretazioni cresce
  esponenzialmente con il numero di termini
  complessi presenti nella frase
• In assenza di soluzioni generali, ciò che
  possiamo fare è utilizzare metodi deboli (weak
  methods) per preferire una interpretazione ad
  unaltra

54
Non-composizionalità

• Nel linguaggio corrente esistono molti casi in
  cui non ha senso applicare il principio della
  composizionalità, il significato (mal definito)
  del termine non può essere derivato dal
  significato delle sue componenti/parti
• Idiomi, giochi di parole, espressioni ironiche o
  sarcastiche, metafore, richieste indirette,

55
Non-composizionalità

• Occhio di bue, prendere al volo lofferta, di
  palo in frasca, due piccioni con una fava, cadere
  dalle nuvole, la grande guerra, etc
• In molte di queste costruzioni il significato
  dellespressione come unico evento è a seconda
  dei casi
• totalmente scorrelato dal significato delle
  singole parti
• correlato in qualche modo oscuro e molto vago

56
Esempio

• La punta delliceberg
• (inizio di qualcosa enorme di cui non si
  prevedono le dimensioni)
• Di questa frase possiamo dire varie cose
  trattasi di
• Una frase specifica con un significato
  particolare
• Una frase flessibile sintatticamente e
  lessicalmente con un significato particolare
• Una frase flessibile sintatticamente e
  lessicalmente con un significato parzialmente
  composizionale

57
Esempio

• Si consideri la frase
• Enron is the tip of the iceberg.
• NP -gt the tip of the iceberg
• Non va proprio bene per esempio
• the tip of Mrs. Fords iceberg
• the tip of a 1000-page iceberg
• the merest tip of the iceberg
• E cosa dire di
• Thats just the icebergs tip.

58
Esempio

• NP -gt the tip of the iceberg
• Ciò che sembra che ci serva è una regola
  grammaticale specificamente scritta per gestire
  il fenomeno, qualcosa del tipo
• NP -gt
• una NP iniziale con tip come sua head seguita da
• una successiva PP con of come sua head e che
  abbia iceberg come head della sua NP
• e che permetta modificatori del tipo merest,
  Mrs. Ford, e 1000-page per modificare le forme
  semantiche rilevanti

59
Analisi semantica robusta

• Le grammatiche tradizionali generalmente non
  riflettono i contenuti semantici in maniera
  diretta ed esplicita le strutture sintattiche
  prodotte spesso non sono utili per effettuare
  lanalisi semantica utilizzando il principio
  della composizionalità infatti
• elementi con un ruolo semantico chiave sono
  spesso distribuiti allinterno dellalbero
  sintattico rendendo molto complessa la
  composizionalità
• gli alberi sintattici contengono molti
  costituenti sintattici che non hanno alcun ruolo
  nellelaborazione semantica
• la generalità informativa di molti costituenti
  sintattici produce attchment semantici che
  possono creare rappresentazioni semantiche prive
  o quasi di significato

60
Analisi semantica robusta

• Per risolvere questo problema si può agire in
  modi diversi per migliorare lefficienza delle
  operazioni
• estendendo il ruolo delle grammatiche (con
  lintroduzione delle espressioni lambda e dei
  termini complessi,)
• riscrivendo la grammatica per riflettere la
  semantica

61
Esempio-distribuzione di elementi con
significato allinterno dellalbero-molti nodi
non rilevanti per il significato della frase
62
Esempio -costituenti sintattici ad un giusto
livello di generalità per la sintassi, ma troppo
vaghi semanticamente

• Si consideri la regola per il termine complesso
  (some) Italian food
• Nominal-gtAdj Nominal
• ?x Nominal.sem(x)AM(x,Adj.sem)
• lapplicazione di un tale attachment produce
  questa rappresentazione
• ?x Isa(x,Food)?AM(x,Italian)
• che non sta ad indicare linterpretazione
  sottintesa
• cibo preparato in un modo particolare e speciale

63
Grammatiche semantiche

• Le grammatiche semantiche (sviluppate per
  lanalisi del dialogo in sistemi di Q/A con un
  vocabolario ristretto e complessità grammaticale
  limitata) vanno nella direzione di supportare
  lanalisi composizionale (regole CFG con un set
  di terminali).
• Le regole (scritte per soddisfare le necessità
  della semantica piuttosto che della sintassi) ed
  i costituenti della grammatica corrispondono
  esattamente alle entità ed alle relazioni del
  dominio analizzato
• Il termine grammatica semantica si riferisce
  alla motivazione delle regole della grammatica
• si generano esattamente le regole semantiche
  che servono
• - è necessario sviluppare una nuova grammatica
  per ciascun nuovo dominio

64
Grammatiche semantiche Esempio

• Si consideri una possibile regola per rispondere
  ad una richiesta di informazione del tipo
• Request ? I want to go to eat FoodType TimeExpr
• some attachment
• Per Italian food potremmo usare la regola
• FoodType -gt Nationality FoodType
• che stabilisce che il tipo di cibo deve essere
  collegato alla caratteristica nazionale

65
Grammatiche semantiche

• Regole difficilmente riusabili in contesti
  diversi
• Possibile overgenerazione per esempio il termine
• Canadian restaurant
• non viene usato nella stessa accezione di
  Italian food, bensì nel senso di ristorante in
  Canada
• La motivazione del significato è al di là delle
  parole, è nel dominio culturale dei cibi

66
Estrazione di informazione da testi IE

• Nei sistemi per lestrazione di informazione da
  testi siamo interessati a riconoscere solo
  informazioni specifiche si richiede un approccio
  diverso
• Tali sistemi devono gestire
• Frasi reali (e quindi arbitrariamente lunghe e
  complesse)
• Una semantica superficiale
• Liste piatte di coppie attributo-valore
• XML/SGML

67
Esempi

• Analisi di articoli di quotidiani, notizie di
  agenzia per lidentificazione di uno specifico
  insieme di eventi di interesse
• Analisi di siti web alla ricerca di prodotti,
  prezzi, etc
• Questi testi hanno caratteristiche peculiari
• Frasi lunghe, sintassi complessa (e talvolta
  incorretta) autori diversi,

68
Sistemi di IE

• I sistemi di IE sono in genere basati su una
  cascata di automi per riconoscere fenomeni
  specifici e tralasciare parti non rilevanti del
  testo anlizzato
• Vengono riconosciuti elementi di
  sintassi/semantica isolati dal contesto e quindi
  usati in una fase successiva di processing fino
  ad ottenere il risultato finale
• Il risultato finale dellelaborazione è un
  insieme di relazioni e valori che vengono
  successivamnete memorizzati in una base di dati

69
Esempio (MUC)

• Bridgestone Sports Co. said Friday it has set up
  a joint venture in Taiwan with a local concern
  and a Japanese trading house to produce golf
  clubs to be shipped to Japan.
• The joint venture, Bridgestone Sports Taiwan
  Co., capitalized at 20 million new Taiwan
  dollars, will start production in January 1990
  with production of 20,000 iron and metal wood
  clubs a month.

70
Esempio

• Bridgestone Sports Co. said Friday it has set up
  a joint venture in Taiwan with a local concern
  and a Japanese trading house to produce golf
  clubs to be shipped to Japan.
• The joint venture, Bridgestone Sports Taiwan
  Co., capitalized at 20 million new Taiwan
  dollars, will start production in January 1990
  with production of 20,000 iron and metal wood
  clubs a month.

71
Esempio

• Bridgestone Sports Co. said Friday it has set up
  a joint venture in Taiwan with a local concern
  and a Japanese trading house to produce golf
  clubs to be shipped to Japan.
• The joint venture, Bridgestone Sports Taiwan
  Co., capitalized at 20 million new Taiwan
  dollars, will start production in January 1990
  with production of 20,000 iron and metal wood
  clubs a month.

72
Esempio

• Bridgestone Sports Co. said Friday it has set up
  a joint venture in Taiwan with a local concern
  and a Japanese trading house to produce golf
  clubs to be shipped to Japan.
• The joint venture, Bridgestone Sports Taiwan
  Co., capitalized at 20 million new Taiwan
  dollars, will start production in January 1990
  with production of 20,000 iron and metal wood
  clubs a month.

73
FASTUS Output (Hobbs 1997)
74
Cascata di processi
75
Punti rilevanti

• Il riconoscimento delle named entities di un
  testo permette di riconoscere nomi di persone,
  organizzazioni, luoghi, etc.
• Le named entities vengono riconosciute in modo
  robusto con metodi riutilizzabili in applicazioni
  diverse

76
Punti rilevanti

• E tutte le altre componenti del testo?
• Possono essere ignorate!
• Non servono per le successive fasi di processing
  e quindi non è necessario elaborarle

77
Punti rilevanti

• Lapproccio metodologico dei sistemi di IE
  funziona in quanto ci si pone in un contesto
  applicativo limitato
• Si ricerca solo un insieme limitato di item che
  può quindi apparire in un insieme limitato di
  regole

78
Esempio reale

• The White House said President Bush has approved
  duty-free treatment for imports of certain types
  of watches that arent produced in significant
  quantities in the U.S., the Virgin Islands and
  other U.S. possessions.
• WSJ Markup Example

79
Argomenti trattati in questa lezione

• Capire il significato di una frase per fare
  inferenza
• Rappresentazione del significato (metodologie)
• An. Sem. guidata dalla sintassi
• Predicate-argument structure
• Augmented rules
• Composizionalità
• Termini complessi e gestione dei quantificatori
• Analisi semantica robusta
• Grammatiche semantiche

80
Elaborazione del linguaggio naturale

• Le presentazioni sugli argomenti di elaborazione
  del linguaggio naturale fanno in alcuni passi
  riferimento ad alcune presentazioni dei colleghi
  prof. Fabio Massimo Zanzotto e dottor Marco
  Pennacchiotti, del dottor Patrick Pantel
  (ISI-USC), oltre che ad alcune parti del libro
  Speech and Language Processing, Prentice Hall,
  2000, autori D.Jurafsky, J. H. Martin.