استخراج ساختارهای دانش واقعی از متن ۲۰۲۲
Mining Structures of Factual Knowledge from Text 2022

داده‌های دنیای واقعی، با وجود حجم عظیم‌شان، غالباً فاقد ساختار بوده و به شکل متنِ زبان طبیعی هستند. استخراج ساختارها از حجم انبوه داده‌های متنی، بدون حاشیه‌نویسی و برچسب‌گذاری گسترده توسط انسان، چالش‌برانگیز اما بسیار مطلوب است. در این کتاب، به بررسی اصول و روش‌های استخراج ساختارهای دانش واقعی (مانند موجودیت‌ها و روابط بین آن‌ها) از پیکره‌های متنی بزرگ و بدون ساختار می‌پردازیم. روش رویکرد کم‌تلاش ما، با فاصله گرفتن از بسیاری از روش‌های استخراج ساختار موجود که وابستگی زیادی به داده‌های حاشیه‌نویسی‌شده توسط انسان برای آموزش مدل دارند، از حقایق دست‌چین‌شده توسط انسان که در پایگاه‌های دانش خارجی ذخیره می‌شوند، به عنوان نظارت از راه دور بهره می‌برد و از افزونگی غنی داده‌ها در پیکره‌های متنی بزرگ برای درک مفهوم متن استفاده می‌کند. این رویکرد کم‌تلاش در استخراج، منجر به مجموعه‌ای از اصول جدید و روش‌های قدرتمند برای ساختاردهی به پیکره‌های متنی می‌شود، از جمله: (۱) تشخیص موجودیت، نوع‌بندی و کشف مترادف، (۲) استخراج رابطه موجودیت، و (۳) استخراج ویژگی-مقدار در دامنه باز و استخراج اطلاعات. این کتاب، این مرز تحقیقاتی جدید را معرفی می‌کند و برخی از مسیرهای تحقیقاتی امیدوارکننده را مشخص می‌سازد.

The real-world data, though massive, is largely unstructured, in the form of natural-language text. It is challenging but highly desirable to mine structures from massive text data, without extensive human annotation and labeling. In this book, we investigate the principles and methodologies of mining structures of factual knowledge (e.g., entities and their relationships) from massive, unstructured text corpora. Departing from many existing structure extraction methods that have heavy reliance on human annotated data for model training, our effort-light approach leverages human-curated facts stored in external knowledge bases as distant supervision and exploits rich data redundancy in large text corpora for context understanding. This effort-light mining approach leads to a series of new principles and powerful methodologies for structuring text corpora, including (1) entity recognition, typing and synonym discovery, (2) entity relation extraction, and (3) open-domain attribute-valuemining and information extraction. This book introduces this new research frontier and points out some promising research directions.