Extracción y Recuperación de Información

(Bloque 2: Procesamiento del Lenguaje Natural en RI, RI Multilingüe, Extracción de Información, Búsqueda de Respuestas)

Máster Universitario en Computación (MUC)
Facultad de Informática, Universidade da Coruña
Curso 2010-2011

Índice:

• Profesores
• Aulas y horario
• Programa
• Bibliografía
• Tutorías

NOTA IMPORTANTE: La información mostrada en estas páginas se ofrece a título meramente informativo y no sustituye a la información oficial publicada en los medios correspondientes.

Profesores

• Álvaro Barreiro García
• Roi Blanco González
• Jesús Vilares Ferro
• Manuel Vilares Ferro

Aulas y horario

Temario

1. INTRODUCCIÓN A LA RECUPERACIÓN DE INFORMACIÓN (RI)
• Modelo booleano de recuperación de información.
• Documentos, términos, vocabulario.
• Recuperación de información tolerante.
2. MODELO DE ESPACIO VECTORIAL DE RI
• Representación de documentos, consultas y medidas de similaridad.
• Esquemas de pesado.
• Normalización.
• Implementación eficiente.
3. MODELO CLASICO PROBABILISTICO DE RI
• Probability Ranking Principle
• Derivación del modelo clásico probabilístico.
• Otros modelos probabilísticos: 2-Poisson, Okapi, Redes de Inferencia.
• Implementación eficiente.
4. MODELO ESTADÍSTICO DE LENGUAJE DE RI
• Modelos de lenguaje.
• Suavización.
• Aprendizaje y estimación de parámetros.
• Modelos de lengujaje basados en relevancia.
• Implementación eficiente.
5. MODELO LATENT SEMANTIC INDEXING (LSI)
• Reducción de dimensionalidad basada en SVD.
• Derivación del modelo LSI.
• Cuestiones sobre la escalabilidad del modelo y nuevas aproxiamciones: LSI eficiente, LPI, etc.
6. EVALUACIÓN EN RI
• Tareas y métricas.
• Colecciones de referencia. TREC, WEB, BLOGS
• Significancia estadística.
7. REALIMENTACIÓN DE RELEVANCIA, CLUSTERING Y CLASIFICACIÓN
• Realimentación de relevancia bajo el modelo vectorial (Rocchio) y probabilístico.
• Local Contex Analysis (LCA) y expansión de consultas.
• Clustering de documentos.
• Clasificación de documentos.
8. CONSTRUCCIÓN Y COMPRESIÓN DE INDICES. PROCESAMIENTO DE QUERIES
• Algoritmos de construcción de índices.
• Algoritmos de compresión de índices: compresión de listas, compresión de frecuencias, compresión del léxico.
• Procesamiento eficiente de consultas.
9. RI WEB
• Modelos de retrieval para el web.
• Análisis de links.
• Page Rank y HITS.
• Implementación de search engines.
• Oportunidades de RI en el web.
10. RI PARALELA Y DISTRIBUIDA
• RI paralela y distribuida.
• Modelos de RI distribuida: selección de recursos, enrutado de consultas, fusión de resultados.
• Aplicaciones novedoes en RI distribuida.

1. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN) EN RI
• Variación lingüística.
• Tratamiento de la variación morfológica. Stemming.
• Tratamiento de la variación léxico-semántica. WordNet y EuroWordNet.
• Tratamiento de la variación sintáctica.
2. RI MULTILINGÜE E INTERLINGÜE
• Impacto del multilingüismo sobre la RI.
• Aproximaciones al problema del multilingüismo.
• Traducción Automática (TA): conceptos básicos y problemática.
• Aproximaciones a la TA: técnicas "clásicas" y técnicas estadísticas.
• Aplicaciones de la TA en RI Interlingüe.
• Foros de evaluación: CLEF, NTCIR y FIRE.
3. EXTRACCIÓN DE INFORMACIÓN (EI)
• Conceptos básicos.
• Arquitectura de un sistema de EI.
• Tareas de EI.
• Evaluación en EI.
• Ejemplos de sistemas de EI: FASTUS y otros.
4. BÚSQUEDA DE RESPUESTAS (BR)
• Conceptos básicos.
• BR vs. RI/EI.
• Arquitectura de un sistema de BR.
• Procesamiento de la pregunta.
• Recuperación y selección de documentos/pasajes.
• Extracción de la respuesta.
• Evaluación en BR.

Bibliografía del Bloque 2

• C.D. Manning, P. Raghavan y H. Schutze, Introduction to Information Retrieval, Cambridge. Cambridge University Press, 2008.
• Christopher D. Manning y Hinrich Schütze, Foundations of Statistical Natural Language Processing, The MIT Press, Cambridge (Massachusetts, EE.UU.)/Londres (Reino Unido), 1999.
• Daniel Jurafsky y James H. Martin, Speech and Language Processing. An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition (2nd ed.), Pearson Prentice Hall, Upper Saddle River, New Jersey, EE.UU, 2009.
• Gregory Grefenstette (ed.), Cross-language information retrieval, Kluwer Academic Publishers, Boston, 1998.
• Jerry R. Hobbs, The generic information extraction system. En Proceedings of the 5th Conference on Message understanding (MUC-5), pág. 87-91, Morgan Kauffman Publishers, San Francisco, USA, 1993.
• Marius Pasca, Open-domain question answering from large text collections, CSLI Publications, Standford, 2003.
• Peter Jackson e Isabelle Moulinier, Natural language processing for online applications : text retrieval, extraction and categorization (2nd ed.), John Benjamins, Amsterdam/Philadelphia, 2007.
• W. John Hutchings y Harold L. Somers, An Introduction to Machine Translation, Academic Press, Londres/San Diego, 1992.
• A. Arampatzis, Th. P. van der Weide, P. van Bommel y C.H.A. Koster, Linguistically-motivated Information Retrieval. En Vol. 69 de Encyclopedia of Library and Information Science, pág. 201-222, Marcel Dekker, 2000.
• Fotis Lazarinis, Jesús Vilares, John I. Tait, J. & Efthimis N. Efthimiadis, Current research issues and trends in non-English Web searching. En Special Issue on Non-English Web Retrieval, Journal of Information Retrieval, 12(3), 230-250, Springer , Berlin-Heidelberg-New York, 2009.
• J.R. Hobbs, D. Appelt, J. Bear, D. Israel, M. Kameyama, M. Stickel y M. Tyson, FASTUS - A Cascaded Finite-State Transducer for Extracting Information from Natural-Language Text. Ch. 13 of Finite-State Language Processing, MIT Press, 1997.
• K. Kishida, Technical issues of cross-language information retrieval: a review. En Special Issue on Cross-Language Information Retrieval, Information Processing & Management, 41(3), 433-455, Elsevier, 2005.
• M. Constantino y P. Coletti, Information Extraction in Finance, WIT Press, Southampton, UK, 2008.
• Marie-Francine Moens, Information Extraction: Algorithms and Prospects in a Retrieval Context, Springer , Berlin - Heidelberg- New York, 2006.
• Piek Vossen (ed.), EuroWordNet. A Multilingual Database with Lexical Semantic Networks, Kluwer Academic Publishers, 1998.
• R. Baeza-Yates y B. Ribeiro-Neto, Modern Information Retrieval, Addison Wesley, 1999.
• Robert Dale, Hermann Moisi y Harold Somers (eds.), Handbook of Natural Language Processing, Marcel Dekker, Inc., Nueva York/Basilea, 2000.

Material del Bloque 2 (transparencias y lecturas)

I. Conceptos de PLN:

II. PLN en Recuperación de Información:

• Tema 4: PLN en Recuperación de Información

III. RI Multilingüe e Interlingüe (lecturas):

• Gregory Grefenstette (ed.), Cross-language information retrieval, Kluwer Academic Publishers, Boston, 1998.
• Fotis Lazarinis, Jesús Vilares, John I. Tait, J. & Efthimis N. Efthimiadis, Current research issues and trends in non-English Web searching. En Special Issue on Non-English Web Retrieval, Journal of Information Retrieval, 12(3), 230-250, Springer , Berlin-Heidelberg-New York, 2009.
• K. Kishida, Technical issues of cross-language information retrieval: a review. En Special Issue on Cross-Language Information Retrieval, Information Processing & Management, 41(3), 433-455, Elsevier, 2005.

IV. Extracción de Información:

• Tema 5: Extracción de Información
• (Lectura) J.R. Hobbs, D. Appelt, J. Bear, D. Israel, M. Kameyama, M. Stickel y M. Tyson, FASTUS - A Cascaded Finite-State Transducer for Extracting Information from Natural-Language Text. Ch. 13 of Finite-State Language Processing, MIT Press, 1997.

V. Búsqueda de Respuestas:

• Tema 6: Búsqueda de Respuestas

Tutorías

Véase la pána web de la Facultad de Informática --> Docencia --> Tutorías

Antes se acudir al despacho de los profesores, recomendamos pedir cita por e-mail. Esto también permitiría realizar la tutoría en otro horario acordado entre alumno y profesor