Extracción automática de conocimientos de documentos

El acceso a una gran cantidad de conocimientos es crítico para el éxito en la respuesta a preguntas de dominio abierto para sistemas DeepQA como IBM Watson™. La representación formal del conocimiento tiene la ventaja de ser fácil de razonar, pero la adquisición de conocimiento estructurado en dominios abiertos a partir de datos no estructurados es a menudo difícil y costosa. Nuestra hipótesis central es que el conocimiento sintáctico superficial y su semántica implícita pueden ser adquiridos fácilmente y pueden ser utilizados en muchas áreas de un sistema de preguntas y respuestas. Adoptamos un enfoque de dos etapas para extraer el conocimiento sintáctico y la semántica implícita. Primero, se extrae automáticamente conocimiento superficial de grandes colecciones de documentos. En segundo lugar, se infieren semánticas adicionales a partir de estadísticas agregadas del conocimiento superficial extraído automáticamente. En este artículo, describimos en detalle qué tipo de conocimiento superficial se extrae, cómo se realiza automáticamente desde un gran corpus y cómo se infieren semánticas adicionales a partir de estadísticas agregadas. También discutimos brevemente las diversas formas en que se utiliza el conocimiento extraído a lo largo del sistema IBM DeepQA.