Informatica per le discipline umanistiche 2 lezione 13

Transcript

1 Informatica per le discipline umanistiche 2 lezione 3

2 Ancora qualche considerazione sul text mining

3 Text summarization Esempio: Dato un testo, se ne fornisce un breve riassunto basato sulle parole più frequentemente usate (a parte quelle non significative, come il o di o e, chiamate stopword). Si è detto che la text summarization non è considerata text mining in senso stretto perché si effettua su un documento solo e non cerca collegamenti tra diversi contenuti. Si tratta comunque di elaborazione automatica di testo. Si tratta comunque di elaborazione automatica di testo.

4 Consideriamo il seguente testo. A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. Analizziamolo con la tecnica della text summarization e contiamo le parole più frequenti, ignorando le stop word e punteggiatura.

5 device involved you screen type part called processor important A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. system computer chip 3 potato operations performs Come si fa a capire lʼargomento del testo con la frequenza delle parole?

6 device involved you screen type part called processor important A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. system computer chip 3 potato operations performs Consideriamo la parola più frequente.

7 computer chip potato chip chip 3 Problema: i sinonimi

8 Facendo una ricerca su Google si scopre che ʻchipʼ può essere addirittura un acronimo.

9 Come affrontare il problema? Il problema di capire lʼargomento di cui tratta un testo è molto importante per poter individuare tale testo in mezzo ad altri, come ad esempio in una ricerca in internet.

10 Soluzione : affidarsi a ricerche più precise, con più parole chiave.

11 Eʼ la soluzione più semplice, e funziona nella maggior parte dei casi. Ma non in tutti.

12 device involved you screen type part called processor important A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. system computer chip 3 potato operations performs Il problema è che, nel testo, ʻcomputerʼ e ʻpotatoʼ sono frequenti nella stessa misura.

13 Questo sembra essere un finto problema. Infatti

14 device involved you screen type part called processor important A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. system computer chip 3 potato operations performs Esaminando le altre parole presenti, è chiaro che si sta parlando del computer chip e non della potato chip.

15 In realtà

16 device involved you screen type part called processor important A processor in a computer is also called a chip. A chip is the most important part in a computer, because it is the device that performs all the operations. Even when you type potato on the screen, the chip is involved. system computer chip 3 potato operations performs Noi riusciamo a stabilire che le parole ʻprocessorʼ, ʻdeviceʼ e tante altre parole del testo appartengono allo stesso dominio di ʻcomputerʼ. Ma come facciamo? Ne sfruttiamo il significato.

17 ʻProcessorʼ e ʻdeviceʼ sono termini informatici. 8 Sappiamo bene i limiti dei computer in fatto di significato.

18 Inoltre

19 A new brand of chips, called ʻScreenʼ has become available, made from the best potatoes in England. It is marketed to appeal to a IT-oriented audience, and has computers, processors, and all sorts of devices depicted on the package. Market research has shown that people in IT, especially programmers, are large consumers of chips. Naturalmente lʼesempio è poco realistico, ma mostra i limiti dellʼanalisi di un testo basato esclusivamente sul conteggio dei vocaboli: funziona molto spesso, ma non in tutti i casi.

20 ʻProcessorʼ e ʻdeviceʼ sono termini informatici. 8 Per elaborare una soluzione che funzioni in tutti i casi, dovremmo riprodurre la classificazione degli argomenti, che un essere umano solitamente fa, in un computer.

21 Lʼesperimento mentale della stanza cinese di Searle vuole dimostrare che un calcolatore che elabora simboli in maniera sintattica non può comprendere la semantica delle parole rappresentate da questi simboli.

22 Il computer tratta solo simboli in maniera sintattica. Vogliamo che il computer tratti anche la semantica. Deve esserci un modo di esprimere la semantica in maniera sintattica. Sembra una cosa insensata. Eppure

23 Web Il termine Web 2.0, che abbiamo visto utilizzato per descrivere il web sociale, in cui gli utenti sono anche creatori di contenuti e lʼinterazione svolge un ruolo fondamentale, è stato in realtà originariamente introdotto con un altro significato. Esiste insomma una prima versione del Web 2.0.

24 Semantic Web La prima versione del Web 2.0 è nota anche come semantic Web, o Web semantico, appunto perché si prefiggeva di arricchire internet con tecniche per la trattazione automatica del significato. Lʼidea è stata introdotta da colui che viene considerato come lʼinventore del Web.0: Tim Berners-Lee.

25 Tim Berners-Lee

26 Lʼidea di base del Semantic Web Anziché affidarsi solo alla mente dellʼutente Web per creare il legame tra la sintassi dei simboli e la loro semantica Cat tipo di entità nel mondo sequenza di caratteri

27 Lʼidea di base del Semantic Web usare dei simboli aggiuntivi, sotto forma di marcature, che rimandano a unʼontologia (simile a un vocabolario, in cui i concetti sono organizzati secondo classi di appartenenza). Resource Description Framework: data model dei metadati come ʻaboutʼ termine inizio marcatura Indirizzo della parte dellʼontologia dove viene spiegato il concetto espresso dal termine Cat fine marcatura

28 Resource Description Framework Eʼ una convenzione che prescrive il modo con cui i dati con cui lavoriamo devono essere descritti, ossia fornisce indicazioni sui metadati: i dati che parlano di dati. Resource Description Framework: data model dei metadati come ʻaboutʼ Ovviamente, come tutte le convenzioni, lʼrdf deve essere accettato e seguito da tutti i creatori di contenuti Web per poter funzionare.

29 Semantic Web: problema Tutti gli utenti Web devono seguire unʼunica convenzione su come descrivere i dati presenti nel Web. RDF è una proposta, ma non è stata universalmente accettato.

30 Le ontologie Unʼontologia ha lo scopo di definire tutti i concetti appartenenti a un particolare dominio, e di elencare tutte le possibili relazioni tra di essi. Indirizzo della parte dellʼontologia dove viene spiegato il concetto espresso dal termine Cat

31 Se andiamo a dbpedia.org/resource/cat troviamo questa descrizione, in svariate lingue. La descrizione comprende tutti i modi di riferirsi a un gatto nelle lingue presenti, e anche un albero filogenetico.

32 Semantic Web: problema 2 Per ciascun concetto esistente, tutti gli utenti Web devono essere dʼaccordo sullʼontologia che lo descrive. DBpedia è una proposta, ma non è stata universalmente accettata.

33 Semantic Web: problema 3 The chicken or the egg.

34 Il chicken or the egg problem si riferisce a una situazione di stallo. Nel caso della gallina e dellʼuovo, la questione si pone come segue: senza lʼuovo, la gallina non può nascere, ma senza una gallina, non si può fare un uovo. Per quanto riguarda il semantic Web, la questione riguarda il grande lavoro umano necessario per etichettare con le marcature semantiche tutti i concetti presenti nelle pagine Web esistenti e in quelle future. Tale lavoro chiaramente non può essere automatizzato, perché presuppone che i computer conoscano già il significato delle parole. Riferito al semantic Web, quindi, il chicken or the egg problem descrive il seguente stallo: nessun produttore di contenuti Web vuole iniziare lʼimpresa titanica di marcarli se non è sicuro che il semantic Web si realizzi davvero; ma perché il semantic Web si realizzi, tutti devono marcare i contenuti che pubblicano.

35 Quindi? Il termine Web 2.0 è stato riciclato per indicare il Web sociale. Il Semantic Web è ora noto come Web 3.0, e non si sa se si realizzerà mai.