Extraccion de Datos Enlazados desde Informacion No Estructurada Aplicando Tecnicas de PLN y Ontolog as

Abstract

In this work a method for the automatic extraction of linked data from unstructured textual information in Spanish and English language is presented. The method is based on the extraction of a conceptualization from the text in form of concept map, which is transformed later in a RDF data model. In the conceptualization extraction several NLP techniques are applied and the possibility to use an ontology is o ered, for increasing the capacities of information extraction from the text. Several tests using three collections of texts in Spanish and English were carried out for evaluating the proposal, with promising results in the concepts and relationships extraction and showing the bene ts of the use of ontologies as external knowledge resource.

Keywords

• linked data extraction
• NLP
• concept map
• and ontologies

Introduccion

El surgimiento de aplicaciones inteligentes, tales como la busqueda semantica, y la popularidad de las tecnolog as de la Web Semantica estan requiriendo cada vez mas que el contenido en la Web sea reorganizado a traves de datos semanticos [ 1 ]. El paradigma de los Datos Enlazados (DE) (linked data en ingles) ha evolucionado como un poderoso facilitador en la transicion de la actual Web (orientada a documentos) a una Web de datos interconectados [ 2 ]. En este sentido, los DE se han convertido en un activo de gran valor para la busqueda, el analisis, la ingenier a del conocimiento, la integracion y la recuperacion de informacion. La extraccion de informacion en fuentes no estructuradas, semi-estructuradas o estructuradas y su descripcion en un modelo de datos RDF son tareas claves en el ciclo de vida de los DE [ 2 ]. Los DE son generalmente construidos a partir del minado de fuentes de informacion semi-estructuradas, como Wikipedia donde DBpedia [ 3 ] es el referente principal, estructuradas como las bases de datos [ 4 ], y en menor medida a partir de contenido textual no estructurado. La extraccion de DE a partir de fuentes textuales se ha abordado en [ 5 ][ 6 ][ 7 ], pero estas soluciones son aplicables a contenido en ingles y presentan algunas limitaciones en cuanto a la cantidad de informacion que puede ser extra da, as como en los mecanismos disen~ados para ello. La ausencia de propuestas para extraer DE desde textos en espan~ol, no posibilita aprovechar el volumen de informacion actualmente disponible en ese idioma, siendo esta situacion una de las motivaciones de este trabajo. Un ejemplo de esta necesidad y tambien motivacion, lo constituye DBpedia-LatAm1, como iniciativa que se une al esfuerzo colaborativo impulsado desde DBpedia para extraer DE desde art culos de Wikipedia2, pero con enfasis en los documentos escritos en espan~ol.

En este trabajo se presenta un metodo para extraer DE a partir de contenido textual no estructurado escrito en espan~ol e ingles, basado en la extraccion automatica de una conceptualizacion del texto, representada en forma de Mapa Conceptual (MC) [ 8 ], la cual es posteriormente transformada en un modelo de datos RDF. Los MC son un tipo de grafo de conocimiento no formalizado semanticamente, donde el conocimiento se representa en lenguaje natural y se estructura a traves de nodos que representan conceptos y relaciones entre ellos formando proposiciones. Los conceptos pueden representar entidades, eventos, objetos o regularidad percibida de ellos, y las proposiciones son declaraciones (unidades semanticas) constituidas por dos o mas conceptos interconectados mediante una relacion dirigida y etiquetada por una frase-enlace que de ne el tipo de relacion [ 8 ]. Estos elementos indican la existencia de similitudes estructurales entre el MC y el grafo subyacente al modelo de datos RDF, ya que este ultimo se basa en tripletas (sujeto, predicado, objeto) y los MC en proposiciones (concepto, frase-enlace, concepto), lo que sirve de fundamento para disen~ar una propuesta de extraccion de DE bajo la perspectiva de los MC. El metodo consta de tres fases: pre-procesamiento, extraccion de la conceptualizacion y genera1 http://es-la.dbpedia.org/home/ 2 http://es.wikipedia.org/wiki/Wikipedia cion del modelo RDF. En las dos primeras se aplican un conjunto de tecnicas de Procesamiento de Lenguaje Natural (PLN), tales como: analisis sintactico super cial y de dependencias, reconocimiento de entidades, patrones ling sticos, entre otras, algunas de ellas incluidas en propuestas similares [ 9 ][ 10 ][ 11 ][ 12 ][ 13 ], pero no integradas en una misma solucion. Tambien brinda la posibilidad de procesar textos en idioma ingles y espan~ol, a diferencia de las propuestas reportadas en [ 9 ][ 10 ][ 11 ][ 12 ][ 13 ], dirigidas solo a textos en ingles, y de usar una ontolog a OWL como recurso de conocimiento externo para apoyar la extraccion de conceptos y relaciones del texto, siendo esta otra de las contribuciones de la propuesta. Este metodo no solo posibilita extraer datos que representen entidades, como principalmente se realiza en [ 5 ][ 6 ][ 7 ], sino que tambien permite extraer otros conceptos que pueden ser utiles para ampliar la informacion asociada a las entidades y facilitar la identi cacion de v nculos entre ellas. Por otra parte, tambien incluye mecanismos para identi car relaciones semanticas, ya sean taxonomicas y no taxonomicas, signi cando una ventaja respecto a trabajos similares [ 5 ][ 6 ][ 7 ][ 9 ][ 10 ][ 11 ][ 12 ][ 13 ]. El metodo fue evaluado mediante pruebas realizadas con tres colecciones formadas por resumenes en espan~ol e ingles, y textos mas extensos en ingles sobre temas de Inteligencia Arti cial (IA). Los resultados obtenidos se muestran alentadores, alcanzandose en la mayor a de las colecciones valores de precision superiores al 90 % en la extraccion de conceptos y al 50 % en la extraccion de proposiciones. En las pruebas realizadas tambien se constataron los bene cios del uso de una ontolog a en cuanto al aumento de la cantidad de informacion extra da y a la calidad de su obtencion.

El resto del trabajo se organiza segun se describe a continuacion. En la Seccion 2 se describen y analizan trabajos relacionados con la propuesta. En la Seccion 3 se describe la solucion propuesta y las fases que la componen. En la Seccion 4 se presentan y analizan los resultados de las pruebas realizadas. Las conclusiones se exponen en la Seccion 5. 2.

Trabajos Relacionados

La extraccion automatica de DE a partir de contenido textual no estructurados ha sido un tema abordado con anterioridad en [ 5 ][ 6 ][ 7 ], pero estas soluciones son aplicables mayoritariamente a textos en idioma ingles, no identi candose propuestas para textos en espan~ol. En [ 6 ] se reporta una solucion para extraer DE a partir de textos del dominio de la ciberseguridad, en la cual la extraccion de terminos y conceptos se realiza aplicando un reconocedor de entidades adaptado para reconocer clases de entidades asociadas a ese dominio. Los v nculos entre las entidades se identi can mediante relaciones existentes entre las clases representadas en una ontolog a, estableciendo un proceso de mapeado entre dichas clases y las entidades identi cadas en el texto, y no a partir del analisis sintactico del contenido. En este sentido, las relaciones posibles a extraer estan limitadas a los tipos de relaciones representadas en la ontolog a, las cuales se enmarcan en el ambito de la ciberseguridad. En [ 5 ] se presenta una arquitectura para extraer DE con independencia del dominio, en la que se combina un reconocedor de entidades nombradas, con una estructura de representacion del discurso que modela el signi cado de los textos para extraer los datos y sus v nculos. En esta arquitectura se representan otras entidades relevantes del texto, identi cadas a partir de frases sustantivas o eventos, y sus relaciones, as como informacion sintactica y gramatical. Las relaciones binarias entre esas entidades se establecen a traves de proposiciones y roles verbales, siendo este ultimo aspecto su limitacion fundamental. En [ 7 ] se realiza un procesamiento del texto aplicando diferentes tecnicas de PLN que concluye con un arbol de dependencias de las sentencias del texto, sobre el cual se realiza la extraccion de entidades y relaciones entre ellas. En esta propuesta se utiliza una Base de Datos de Entidades, construida manualmente, donde se almacenan las posibles entidades a extraer. Las relaciones son identicadas a partir de consultas almacenadas en una Base de Datos de Consultas, igualmente construida de forma manual y analizando los v nculos entre las entidades identi cadas en el arbol de dependencia. Estos elementos sugieren que con esta propuesta se pueden alcanzar altos ndices de precision en la extraccion de la informacion, pero una baja cobertura del texto, ya que la informacion a extraer esta limitada a lo que se pueda identi car de lo almacenado en las bases de datos que son utilizadas.

La construccion de MC a partir de textos ha sido tratado en [ 9 ][ 10 ][ 11 ][ 12 ][ 13 ], aunque igualmente todas estas propuestas estan concebidas para textos en ingles. Entre las tecnicas de PLN empleadas en el pre-procesamiento del texto se encuentran: etiquetado POS [ 10 ][ 12 ], el analisis sintactico super cial [ 11 ] y de dependencia [ 9 ][ 13 ], el reconocimiento de entidades [ 10 ] y la desambiguacion del sentido de las palabras [ 12 ][ 13 ]. Los conceptos han sido identi cados fundamentalmente a partir de frases sustantivas [ 9 ][ 10 ][ 11 ][ 12 ][ 13 ], en algunos casos empleando patrones lexico-sintacticos prede nidos [ 9 ][ 10 ], y tambien a partir de entidades reconocidas [ 10 ]. En la mayor parte de los trabajos las relaciones entre conceptos (proposiciones) se identi can a partir de relaciones verbales [ 9 ][ 11 ][ 12 ][ 13 ], en muy pocas propuestas se aprovechan los bene cios que ofrece el analisis de dependencias [ 9 ][ 13 ] para la identi cacion de relaciones entre conceptos, y solo son identi cadas relaciones taxonomicas en [ 10 ].

A partir de este analisis, se decidio disen~ar una nueva propuesta para extraer DE aplicable principalmente a textos en espan~ol, aspecto no considerado en [ 5 ][ 6 ][ 7 ], y tambien en ingles, independiente del dominio, a diferencia de [ 6 ], y que posibilite extraer una mayor cantidad de conceptos (datos) y relaciones, respecto a trabajos similares [ 5 ][ 6 ][ 7 ]. Asociado a este ultimo objetivo, se proponen algunas contribuciones: (1) el uso de patrones ling sticos, en combinacion con una ontolog a de referencia, para extraer conceptos; y (2) la identi cacion de relaciones semanticas (taxonomicas y no taxonomicas) entre los conceptos, usando para ello tambien patrones ling sticos y la ontolog a; (3) uso intensivo del arbol de dependencia para identi car relaciones entre los conceptos, principalmente relaciones no taxonomicas.

Metodo de Extraccion de Datos Enlazados

El metodo propuesto fue disen~ado en varias fases, como se muestra en la Fig. 1. En la obtencion de la conceptualizacion se combinan varias tecnicas de PLN, y el uso de una ontolog a OWL de referencia, para facilitar y ampliar la cobertura del texto en la identi cacion de conceptos y relaciones entre ellos. Una de las ventajas del disen~o del metodo propuesto es su exibilidad, ya que permite utilizar cualquier ontolog a, aunque es recomendable que el conocimiento que represente sea del mismo dominio (o cercano) al del contenido de los textos, para lograr un mayor aprovechamiento de ese recurso de conocimiento.

Figura 1. Fases y componentes del metodo propuesto para la extraccion de DE. 3.1.

Pre-procesamiento

En esta fase, el contenido del chero de entrada es segmentado y caracterizado sintacticamente, partiendo de la extraccion del texto plano usando una biblioteca de clases de Java desarrolladas para este proposito, que brinda soporte para cheros html, htm, pdf, docx, doc, rtf y txt. Luego, se identi ca si el texto ha sido escrito en espan~ol o ingles aplicando la solucion reportada en [ 14 ]. La identi cacion del idioma constituye una tarea importante en este metodo, pues a partir del resultado de esta tarea es que se decide que patrones utilizar para la extraccion de conceptos y relaciones, dado que los mismos estan de nidos para textos en espan~ol o ingles. La segmentacion se realiza en oraciones (unidad de analisis), considerando principalmente el punto nal como elemento que delimita los segmentos. En este proceso se ignoran los puntos presentes en numeros, en siglas y abreviaturas, y los puntos suspensivos. Sobre cada una de las oraciones, se identi can los tokens (ej. palabras, numeros, signos de puntuacion, etc.), y se ejecuta el analisis morfosintactico, el cual incluye el analisis sintactico supercial y de dependencias. Este analisis del texto se realiza usando el analizador sintactico Freeling [ 15 ], teniendo en cuenta que es uno de los pocos analizadores que brinda soporte para textos en espan~ol, ademas de ingles. Como resultado del analisis morfologico cada uno de los tokens se etiqueta con su ra z morfologica, categor a gramatical y otros datos.

El analisis sintactico super cial esta dirigido principalmente a la identi cacion de conceptos, y consiste en agrupar los tokens de la oracion en chunks o constituyentes que representan estructuras gramaticales categorizadas como: sintagmas nominales, adjetivales, preposicionales, grupos verbales, entre otros, a partir de los cuales se obtiene un arbol sintactico. A traves del analisis de dependencias se establecen las relaciones de dependencias existentes entre las estructuras gramaticales, las cuales son representadas en un arbol de dependencias. Los resultados de este analisis no solo son muy utiles para identi car v nculos entre los conceptos presentes en las diferentes estructuras gramaticales, sino tambien para identi car o construir las frases-enlace a utilizar en el etiquetado de esas relaciones. 3.2.

Extraccion de la Conceptualizacion

En esta fase, se construye automaticamente un MC del texto, como representacion de la conceptualizacion, a partir de la identi cacion de conceptos y relaciones entre ellos (proposiciones). La extraccion de conceptos se basa en la identi cacion de terminos (constituidos por una o varias palabras) dentro de los sintagmas nominales o adjetivales, cuya composicion se corresponda con alguno de los patrones ling sticos de nidos para este proposito, as como en la identi cacion de conceptos representados en la ontolog a que esten presentes en el texto. La extraccion de relaciones entre conceptos se basa tambien en el uso de patrones ling sticos, en la identi cacion de v nculos entre conceptos representados en la ontolog a, y en el analisis de las dependencias existentes entre las estructuras gramaticales del texto.

La extraccion de conceptos se inicia con la identi cacion en el texto de terminos representados como clases o instancias en la ontolog a, los cuales son tratados como entidades. En este proceso de mapeado se evalua la similitud sintactica existente entre los terminos del texto y los conceptos de la ontolog a usando la metrica de Levenshtein. Seguidamente, se analiza el arbol sintactico de cada oracion para identi car otros terminos que cumplan con alguno de los patrones ling sticos de nidos, los cuales se extraen tambien como conceptos. Estos patrones han sido formalizados sobre la base del etiquetado gramatical que realiza Freeling y constituyen los patrones mas frecuentes a partir de los cuales estan formados los conceptos representados en la ontolog a del proyecto DBpedia. Mediante estos patrones no solo se identi can como conceptos las entidades nombradas (ej. NP) sino tambien sustantivos, adjetivos y frases que expresan combinaciones de ambos. En la Tabla 1 se muestra una seleccion de los patrones de nidos para textos en espan~ol, los cuales son equivalentes a los identi cados en analisis de los conceptos de la ontolog a, y que se utilizan para textos en ingles.

El metodo propuesto brinda la posibilidad de extraer relaciones expl citas e impl citas entre los conceptos, siendo las primeras las identi cadas en la oracion

Cuadro 1. Patrones ling sticos para identi car de conceptos en textos en espan~ol.

Patrones Ejemplos Patrones Ejemplos

NC procesos Z NC cinco archivos

NP San Cristobal AQ NC gran personalidad NC AQ sistema informatico NC AQ AQ procesador logico operativo NC NP director Juan AQ lejos Leyenda: NC: sustantivo comun; NP: sustantivo propio; Z: numero o numeral;

AQ: adjetivo y las segundas las identi cadas a traves de la ontolog a, las cuales permiten relacionar conceptos presentes en diferentes partes del texto a partir de v nculos semanticos. En este proceso intervienen dos tareas: identi cacion del v nculo entre los conceptos y la obtencion de la frase-enlace. Entre los tipos de relaciones a identi car se encuentran las relaciones semanticas del tipo taxonomicas y no taxonomicas (ej. verbales). Las primeras se identi can mediante los patrones ling sticos que se muestra en Tabla 2, de nidos sobre la base de lo reportado en [ 16 ][ 17 ][ 18 ], y a partir de la ontolog a, la cual es consultada mediante SPARQL y utilizando Jena.

Cuadro 2. Patrones para identi car relaciones taxonomicas en textos en espan~ol.

A traves de la ontolog a, se identi car a una relacion taxonomica entre dos conceptos C0 y C1 si ambos constituyen clases en la ontolog a y estan vinculados mediante una relacion de sub-clase, siendo especi cada la frase-enlace como `subClaseDe' (o `subClassOf ' en ingles). Se identi can otras relaciones semanticas si: C0 y C1 son clases en la ontolog a que estan vinculadas a traves de una relacion de Propiedad de Objeto, siendo especi cada la frase-enlace por el identi cador de ese tipo de relacion en la ontolog a; o C0 constituye una clase y C1 una de sus instancias, o viceversa, siendo especi cada la frase-enlace como `instanciaDe' (o `instanceOf ' en ingles).

En un segundo paso, se identi can otros tipos de relaciones a partir del analisis el arbol de dependencia generado de cada oracion. Este proceso se basa en el analisis de las estructuras asociadas a diferentes tipos de nodos representados en ese arbol, tales como: preposicionales, conceptuales, verbales, subordinantes y de coordinacion, a partir de los cuales se establecen los v nculos de dependencia entre las estructuras gramaticales de la oracion. Por ejemplo, las relaciones verbales se pueden extraer identi cando conexiones existentes entre un concepto identi cado en el sujeto de la oracion (sintagma nominal) y otros identi cados en los complementos que pertenecen a su ambito de dependencia, a traves de un nodo verbal. En este caso, la proposicion se construye vinculando el concepto incluido en el sujeto con cada uno de los conceptos identi cados en los complementos y la frase-enlace se construye a partir del nodo verbal y sus modi cadores. Las frases-enlace que etiquetan las relaciones identi cadas en este analisis son identi cadas (o construidas) a partir de los siguientes patrones ling sticos: VM, VM+SP, VM+CS+VM, VM+CS, PR+VM, CS+VM+SP, VM+VM, y AQ+SP, siendo CS: conjuncion subordinada; SP: preposicion; AQ: adjetivo; VM: verbo principal; PR: pronombre relativo.

El proceso de normalizacion-re nado se realiza luego de haber extra dos los conceptos y proposiciones del texto, y tiene como objetivo reducir redundancias o incoherencia. Se lleva a cabo a partir de la eliminacion de las proposiciones repetidas (enlazan conceptos iguales), as como la uni cacion de conceptos y frases-enlace sintacticamente similares, usando para ello tambien la metrica de Levenshtein. 3.3.

Generacion del Modelo RDF

En este proceso, la conceptualizacion extra da automaticamente del texto es transformada en un modelo de datos RDF, donde cada una de las proposiciones se codi ca como una tripleta RDF. En esta transformacion se sigue como convencion que: (1) el concepto origen de la proposicion se codi ca como el sujeto; (2) el concepto destino se codi ca como el objeto; y (3) la frase-enlace se codica como el predicado. Las URIs que identi can los elementos de las tripletas RDF se construyen a partir de las direcciones URL obtenidas del chero HTML procesado, espec camente, la asociada al propio chero y las correspondientes a los hiperv nculos asociados a terminos representados como conceptos, y las etiquetas de los conceptos. Si un concepto no posee un hiperv nculo, la direccion URL de referencia ser a la del propio chero origen, y en otro caso ser a la del hiperv nculo. 4.

Resultados y Discusion

La obtencion de forma automatica de la conceptualizacion del texto constituye el elemento que mayor in uencia tiene en la calidad de los resultados a obtener por el metodo propuesto, por lo que las pruebas realizadas se centraron en evaluar este aspecto. Hasta el momento, no se han identi cado marcos de evaluacion de referencia, ni corpus de textos reconocidos para probar este tipo de soluciones, por lo que su evaluacion se hace bastante compleja. No obstante, se decidio realizar las pruebas sobre textos en espan~ol e ingles usando tres colecciones: DBpedia ES, DBpedia EN e IA. Las dos primeras fueron construidas con resumenes en espan~ol e ingles, respectivamente, tomados de un dataset de resumenes cortos disponible en DBpedia3, y la segunda con textos en ingles sobre temas de IA4. En la construccion de las colecciones se tuvo en cuenta que los textos deb an estar incluidos en corpus disponibles en Internet, tuvieran diferentes taman~os, y que existiera alguna ontolog a que tuviera algun v nculo con el contenido de los mismos. La caracterizacion de las colecciones utilizadas se muestra en la Tabla 3.

Cuadro 3. Caracterizacion de las colecciones de prueba.

Caracter sticas DBpedia ES Idioma Espan~ol Documentos 50 Prom. de palabras 75.9 Prom. de oraciones 3.0

DBpedia EN IA Ingles Ingles 50 6 75.2 1111.83 3.4 46.83

Inicialmente se ejecuto el metodo sobre cada una de las colecciones sin usar la ontolog a y luego usando la ontolog a. Esta ultima ejecucion se realizo solo sobre las colecciones DBpedia EN e IA, ya que eran de las se dispon a de una ontolog a de referencia. En las pruebas realizadas con la coleccion DBpedia EN se utilizo la ontolog a de DBpedia y en las realizadas con la coleccion IA se utilizo una ontolog a del dominio de IA, tomada de la misma fuente de los textos seleccionados. En los experimentos se evaluaron aspectos tales como: cantidad de informacion extra da (conceptos y relaciones), nivel de contribucion de la ontolog a, y precision en la extraccion de conceptos y proposiciones. Considerando que no se ten a informacion sobre los resultados correctos a obtener para cada texto, se decidio evaluar la calidad de la extraccion de conceptos y proposiciones a traves de evaluadores humanos (3 profesores de la carrera de Ingenier a Informatica). Los evaluadores deb an clasi car cada uno de los conceptos y proporciones extra das en correctos o incorrectos, sobre la base del contenido de los textos y considerando lo siguiente: - concepto correcto: sustantivos o adjetivos que tuvieran un signi cado importante en el texto, nombres de entidades, o frases que tuvieran sentido; - proposicion correcta: si puede ser interpretada con un sentido propio (ej.

cuando ambos conceptos son correctos y la frase-enlace esta bien de nida). 3 http://wiki.dbpedia.org/Datasets 4 Corpus de textos y ontolog a http://azouaq.athabascua.ca/goldstandards.htm asociada disponibles en

A partir de la informacion emitida por los evaluadores se calculo la precision como la razon entre los elementos extra dos (conceptos o proposiciones) correctamente y el total, cuyos valores se muestran en la Tabla 4. La precision se calculo a partir de los resultados coincidentes de los evaluadores, con un ndice de acuerdo de 92 %.

Segun se aprecia, la mayor precision se obtuvo en la extraccion de conceptos, sin una diferencia signi cativa respecto al idioma cuando no se usaron ontolog as, demostrandose la calidad y utilidad de los patrones ling sticos de nidos para este proposito. Sin embargo, se observa una menor precision en la extraccion de proposiciones. Este resultado esta dado en buena medida por la alta complejidad que tiene la identi cacion de forma automatica de relaciones entre conceptos en un texto, as como por algunos resultados no favorables del analisis sintactico realizado con Freeling. Esto ultimo tambien incide en la identi cacion de conceptos, pero repercute mas en la extraccion de las proposiciones porque en su evaluacion no solo se mide si los conceptos vinculados son correctos o no, sino que tambien que la frase-enlace este bien formada. La identi cacion del v nculo entre los conceptos, as como la obtencion de la frase-enlace dependen en gran medida del analisis que se realiza sobre el arbol de dependencias, y por tanto las de ciencias que posea repercuten en los resultados.

Cuadro 4. Resultados experimentales en la extraccion de la conceptualizacion.

DBpedia EN IA Aspectos DBpedia ES NoOnt SiOnt NoOnt SiOnt CC 7,88 10,06 10,2 112,4 120,2 CE 2,2 4,86 5,08 29,2 36,2 CR 6,10 8,38 8,48 103 114,8 CCOnt. - - 3,72 - 37,2 CROnt. - - 0 - 8,6 PC 93,66 89,21 92,58 96,81 98,57 PR 53,92 51,26 53,97 66,67 83,10 Leyenda: CC: Prom. cant. conceptos; CE: Prom. cant. de entidades; CR: Prom. cant. relaciones; CCOnt.: Prom. cant. conceptos obtenidos de la ontolog a; CROnt.: Prom. cant. relaciones obtenidasde la ontolog a; PC: Precision en la identi cacion de conceptos; PR: Precision en la identi cacion de relaciones; NoOnt: sin usar ontolog a; SiOnt: usando ontolog a.

Un resultado importante es el incremento de la precision (aunque discreto) cuando se utiliza la ontolog a, as como el incremento de la cantidad de informacion extra da, apreciado en mayor medida en la coleccion IA. Esto demuestra los bene cios que se pueden obtener cuando es usada una ontolog a de referencia en la extraccion automatica de conceptos y relaciones desde textos no estructurados.

Conclusiones

En el trabajo se ha presentado un nuevo metodo para extraccion de los DE a partir de textos no estructurados, aplicable a textos escritos en el idioma espan~ol e ingles y no dependiente del dominio. En esta nueva propuesta se combinan un conjunto de tecnicas de PLN, tanto para el pre-procesamiento de los textos como para la identi cacion de conceptos y relaciones, que permiten aumentar las capacidades para extraer una mayor cantidad de informacion desde los textos. El uso de patrones ling sticos para identi car conceptos y relaciones semanticas entre ellos, la posibilidad de utilizar de manera exible una ontolog a de referencia, as como el analisis de las dependencias entre los conceptos en el texto, constituyen elementos que han propiciado alcanzar una mayor cobertura del texto a la hora de extraer la informacion. La extraccion de conceptos, que no necesariamente representen entidades, as como la identi cacion de v nculos semanticos entre ellos, propicia que se obtenga una mayor riqueza en los DE que se obtienen con el metodo propuesto. Las pruebas realizadas mostraron resultados prometedores, alcanzandose valores de precision en la mayor a de los casos superiores al 90 % en la extraccion de conceptos y al 50 % en la extraccion de relaciones. Tambien se constataron los bene cios de usar una ontolog a, referentes al incremento de la cantidad de informacion extra da de los textos, y al aumento de la precision en la extraccion de conceptos y relaciones.

Agradecimientos. Este trabajo ha sido parcialmente nanciado por el Ministerio de Econom a y Competitividad del Gobierno de Espan~a, en el marco del proyecto REDES (TIN2015-65136-C2-1-R).

References

1. Wang , P. , y Zhang, X. : Finding, Extracting, and Building Academic Li nked Data. In Li , J. et al. (Eds): Semantic Web and Web Science , Springer & Business Media, 25 { 39 ( 2013 )

2. Auer , S. , Lehmann , J. , Ngonga A. C. , y Zaveri , A. : Introduction to Linked Data and its Lifecycle on the Web . Proc. of Reasoning Web 2013 , LNCS , Vol. 8067 , 1 { 90 ( 2013 )

3. Lehmann , J. , Isele , R. , Jakob , M. , Jentzsch , A. , Kontokostas , D. , Mendes , P. N. , Hellmann , S. , Morsey , M., van Kleef, P. , Auer , S., y Bizer, C. : DBpedia A Largescale, Multilingual Knowledge Base Extracted from Wikipedia . Semantic Web , 1 , 1 { 27 ( 2012 )

4. Dimitrios-Emmanuel , S. , Stavrou , P., y Mitrou, N.: Bringing relational databases into the semantic web: A survey . Semantic Web , 3 ( 2 ), 169 { 209 ( 2012 )

5. Augenstein , I. , Pado , S., y Rudolph, S.: LODi er: Generating Linked Data from Unstructured Text . In Proc. of ESWC 2012 , LNSC , Vol. 7295 , 210 { 224 ( 2012 )

6. Joshi , A. , Lal , R. , Finin , T. , y Joshi, A. : Extracting Cybersecurity Related Linked Data from Text , IEEE 7th Int. Conf. on Semantic Computing (ICSC) , 252 { 259 ( 2013 )

7. Kr , V., y Hladka, B. : RExtractor: a Robust Information Extractor . Proc. of the 2015 Conf. of the North American Chapter of the Association for Computational Linguistics: Demonstrations , 21 { 25 ( 2015 )

8. Novak , J. D., y Can~as, A. J.: The Theory Underlying Concept Maps and How to Construct Them, Technical Report IHMC CmapTools , USA ( 2006 )

9. Kowata , J. H. , Cury , D., y Silva, M. C. : Concept maps core elements candidates recognition from text . In Proc. of CMC 2010 , 120 { 127 ( 2010 )

10. Raymond , M. , Song , D. , Yuefeng , L. I. , Terence, Ch., I., y Hao, J.-X. : Towards A Fuzzy Domain Ontology Extraction Method for Adaptive e-Learning . Knowledge and Data Engineering , 21 ( 6 ), 800 { 813 ( 2009 )

11. Valerio , A. , Leake , D.,y Can~as, A. J.: Using Automatically Generated Concept Maps for Document Understanding: A Human Subject Experiment . In Proc. of CMC 2012 , 438 { 445 ( 2012 )

12. Wang , W. M. , Cheung , C. F. , Lee , W. B. y Kwok, S. K. : Mining knowledge from natural language texts using fuzzy associated concept mapping . Information Processing and Management , 44 ( 5 ), 1707 { 1719 ( 2008 )

13. Attia S. S. , Arafa , W. M. y Eldin , A. S.: A Framework of Proposed Intelligent Tool for Constructing Concept Map , In Proc. of ICL 2010 , 524 { 533 ( 2010 )

14. Amine , A. , Elberrichi , Z. , y Simonet, M. : Automatic language identi cation: An alternative unsupervised approach using a new hybrid algorithm . Int. J. on Computational Science & Applications , 7 ( 1 ), 94 { 107 ( 2010 )

15. Padro , L. y Stanilovsky , E.: FreeLing 3 .0: Towards Wider Multilinguality . International Conference on Language Resources and Evaluation , In Proc. of LREC 2012 , 2473 { 2479 ( 2012 )

16. Hearst , M. Automatic acquisition of hyponyms from large text corpora . In Proc. of the 14th Int. Conf. on Computational Linguistics , 539 { 545 ( 1992 )

17. Cimiano P. y Vlker , J.: Text2Onto , In Proc. of the 10th Int. Conf. on Applications of Natural Language to Information Systems , 227 { 238 ( 2005 )

18. Jiang , X. , y Tan, A. H. : CRCTOL: A semanticbased domain ontology learning system . J. of the American Society for Information Science and Technology , 61 ( 1 ), 150 { 168 ( 2010 )