کاوش چندبعدی داده‌های متنی حجیم ۲۰۲۲
Multidimensional Mining of Massive Text Data 2022

متون بدون ساختار، به عنوان یکی از مهم‌ترین اشکال داده، نقشی حیاتی در تصمیم‌گیری‌های مبتنی بر داده ایفا می‌کنند؛ از شبکه‌های اجتماعی و بازیابی اطلاعات گرفته تا تحقیقات علمی و انفورماتیک سلامت. در بسیاری از کاربردهای نوظهور، نیازهای اطلاعاتی افراد از داده‌های متنی، ابعاد گوناگونی پیدا کرده است—آن‌ها خواستار بینش‌های کاربردی در ابعاد مختلف از یک پیکره‌ی متنی هستند. با این حال، کسب چنین دانش چندبعدی از داده‌های متنی حجیم، چالشی بزرگ است.

این کتاب به معرفی تکنیک‌های داده‌کاوی می‌پردازد که داده‌های متنی بدون ساختار را به دانش چندبعدی تبدیل می‌کنند. ما دو سوال اساسی را بررسی می‌کنیم: (۱) چگونه می‌توان داده‌های متنی مرتبط با یک وظیفه را با استفاده از پرس‌وجوهای اعلانی در ابعاد مختلف شناسایی کرد؟ (۲) چگونه می‌توان دانش را از داده‌های متنی در یک فضای چندبعدی استخراج کرد؟ برای پاسخ به سوالات فوق، یک چارچوب مکعب متن توسعه می‌دهیم. ابتدا، یک ماژول ساخت مکعب را توسعه می‌دهیم که با کشف ساختار چندبعدی و چنددانگی پنهان از پیکره‌ی متنی بدون ساختار و تخصیص اسناد به آن ساختار، داده‌های بدون ساختار را در یک ساختار مکعبی سازماندهی می‌کند. سپس، یک ماژول بهره‌برداری از مکعب را توسعه می‌دهیم که ابعاد مختلف را در فضای مکعبی مدل‌سازی می‌کند و از این طریق، دانش چندبعدی را از داده‌های انتخاب‌شده توسط کاربر استخراج می‌کند. در مجموع، این دو ماژول یک خط لوله یکپارچه را تشکیل می‌دهند: با استفاده از ساختار مکعبی، کاربران می‌توانند انتخاب داده چندبعدی و چنددانگی را با استفاده از پرس‌وجوهای اعلانی انجام دهند؛ و با الگوریتم‌های بهره‌برداری از مکعب، کاربران می‌توانند الگوهای چندبعدی را از داده‌های انتخاب شده برای تصمیم‌گیری استخراج کنند.

چارچوب پیشنهادی دارای دو مزیت متمایز در تبدیل داده‌های متنی به دانش چندبعدی است: انعطاف‌پذیری و کارایی برچسب. اولاً، این چارچوب امکان کسب دانش چندبعدی را به صورت انعطاف‌پذیر فراهم می‌کند، زیرا ساختار مکعبی به کاربران این امکان را می‌دهد که به راحتی داده‌های مرتبط با وظیفه را در ابعاد مختلف با دانه‌بندی‌های متفاوت شناسایی کرده و دانش چندبعدی را بیشتر استخراج کنند. ثانیاً، الگوریتم‌های ساخت و بهره‌برداری از مکعب به نظارت کمی نیاز دارند؛ این امر این چارچوب را برای بسیاری از کاربردهایی که در آن‌ها به دست آوردن داده‌های برچسب‌گذاری‌شده پرهزینه است، جذاب می‌کند.

Unstructured text, as one of the most important data forms, plays a crucial role in data-driven decision making in domains ranging from social networking and information retrieval to scientific research and healthcare informatics. In many emerging applications, people’s information need from text data is becoming multidimensional—they demand useful insights along multiple aspects from a text corpus. However, acquiring such multidimensional knowledge from massive text data remains a challenging task.

This book presents data mining techniques that turn unstructured text data into multidimensional knowledge. We investigate two core questions. (1) How does one identify task-relevant text data with declarative queries in multiple dimensions? (2) How does one distill knowledge from text data in a multidimensional space? To address the above questions, we develop a text cube framework. First, we develop a cube construction module that organizes unstructured data into a cube structure, by discovering latent multidimensional and multi-granular structure from the unstructured text corpus and allocating documents into the structure. Second, we develop a cube exploitation module that models multiple dimensions in the cube space, thereby distilling from user-selected data multidimensional knowledge. Together, these two modules constitute an integrated pipeline: leveraging the cube structure, users can perform multidimensional, multigranular data selection with declarative queries; and with cube exploitation algorithms, users can extract multidimensional patterns from the selected data for decision making.

The proposed framework has two distinctive advantages when turning text data into multidimensional knowledge: flexibility and label-efficiency. First, it enables acquiring multidimensional knowledge flexibly, as the cube structure allows users to easily identify task-relevant data along multiple dimensions at varied granularities and further distill multidimensional knowledge. Second, the algorithms for cube construction and exploitation require little supervision; this makes the framework appealing for many applications where labeled data are expensive to obtain.