Extração de Informação Téc1 (Verbo e POS) e Téc2 (POS)

Transcrição

1 Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC Téc1 (Verbo e POS) e Téc2 (POS) Aluno: Pablo Freire Matos Orientador: Dr. Ricardo Rodrigues Ciferri Coorientador: Dr. Thiago Alexandre S. Pardo Área: Banco de Dados

2 Contexto e Motivação Documentos eletrônicos que relatam experimentos: Pacientes com algum tipo de doença Quant. de pacientes sendo tratado Tratamento adotado Sintomas e fatores de risco Efeitos positivos e efeitos negativos Infinidade de meios de publicação e.g., American Journal of Hematology, Blood, Haematologica, 2/26

3 Contexto e Motivação 3/26

4 Contexto e Motivação Metodologia de Preprocessamento Textual para Esses documentos estão em formato não estruturado Há a necessidade de transformar esses dados de formato não estruturado para estruturado Objetivo: processo de descoberta de conhecimento automático 4/26

5 Metodologia de Seções processadas: Abstract Results Discussion Classes: Efeito Positivo Efeito Negativo Outros 5/26

6 Classificação de Sentença Efeito Negativo Efeito Positivo Outros 6/26

7 Metodologia de Seções processadas: Abstract Results Discussion Classes: Efeito Positivo Efeito Negativo Outros 7/26

8 Dicionário Banco de Dados Biomédico Exemplo de Sentenças Informação Relevante 8/26

9 Regras Técnica 1: Verbo e Expressão Composta Situação ideal Verbo e Expressão Composta Termo Selecionado Informação Relevante 9/26

10 Regras Técnica 1: Verbo e Expressão Composta Situação não ideal 10/26

11 Regras Part-Of-Speech (POS) Exemplo de Sentença Etiquetada POS Tagger da Stanford: 96,86% - treinamento 86,91% - palavras novas Padrão Tag: Penn Treebank 11/26

12 Regras Técnica 1: Verbo e Expressão Composta com POS 12/26

13 Regras Técnica 2: POS Termo em vermelho não selecionado pela Técnica 1 13/26

14 Stoplist¹ marrow e treatment não são stoplist: marrow depression treatment failure Sigla hb scd tcd sickle cell disease sickle cell anemia Doença Tratamento bronchoscopy hydroxyurea transfusion transplantation Outros blood case cohort criteria doppler dose period reduction study transcranial velocities velocity ¹ Termos substantivos (e.g., dose, period, cohort, criteria), compostos (e.g., sickle cell disease, sickle cell anemia) e siglas (e.g., hb, scd, tcd) do domínio biomédico que são irrelevantes. 14/26

15 Eliminar Termo com Stoplist Stoplist Exemplos de Sentenças com Stoplist 15/26

16 Stopword¹ treatment está sendo uma stopword: year of treatment (VN) chooosing treatment (FP) Stopword complication crise crisi different episode event history multiple ongoing other patient patient-year previous primary recurrence recurrent repeated risk secondary treatment underlying ¹ Termos comuns e gerais irrelevantes que não são do domínio biomédico (e.g, other, different, underlying) e termos irrelevantes do domínio biomédico que estão associados a algum termo (e.g., aplastic crises, painful crises, painful episodes, cerebrovascular events, recurrent splenic sequestration, stroke risk, primary stroke, multiple vaso-occlusive). 16/26

17 Stopword: Padrão (JJ)?_NN_(of_IN) NN_(of_IN) analysis of chance of episode of finding of frequency of history of rate of years of patient-years of JJ_NN_(of_IN) fatal episode of first occurrence of high risk of previous history of past history of Objetivo: Aumentar a lista de stopword com os substantivos (e.g., analysis, chance, episode, finding, frequency, history, rate, years, patient-years, occurrence, risk, history) 17/26

18 Stopword Stopword Identificar Stopword Remover Stopword 18/26

19 Regras Pipeline: Identificação de Informação Técnica 1 Exemplo de Sentenças anoxic brain injury hypersplenism acute chest syndromes cerebrovascular osteonecrosis Técnica 2 central nervous system hemorrahage splenic sequestration pulmonary fat embolism infectious pathogens 19/26

20 Regras Problemas Erro do etiquetador 1. Splenomegaly classificado como adjetivo 2. Parvovirus classificado como verbo Sentença conflitante com as duas técnicas de extração Técnica 1: NN_TO_JJ Técnica 2: JJ_NN_IN_NN 20/26

21 Problemas Gerais Distinguir efeito negativo Hierarquizar termo: neurologic infection e infection acute severe anemia e severe anemia Banco de Dados Biomédico 21/26

22 Distribuição das sentenças por classe /26

23 Tabela Comparativa: Técnica 1 N# Verbo e Expressão Composta Efeito Sentença Termo² Total Sentença 1.0 observe, diagnose, document antes (10,52%) 2.0 develop depois 9¹ (7,89%) 2.1 develop antes (4,38%) 3.0 occur antes 10¹ (8,77%) 4.0 prevalence, diagnosis, associated depois (3,51%) 4.1 at risk of depois (2,63%) 4.2 because of depois 6¹ (5,26%) 4.3 caused by depois (2,63%) 4.4 died of, died from depois 4¹ (3,50%) 5.0 have depois 14¹ (12,28%) ¹ Contém alguma sentença somente com falso positivo ou verdadeiro negativo. ² Contém termos repetidos. 23/26

24 Tabela Comparativa: Técnica 2 N# Regra VP FP VP+FP Total 1² (JJ_JJ_NN_NN_(NN)?) (100%) 114 (5,26%) 1.1 (~JJ)_(JJ_NN_NN_(NN)?) (69,23%) 114 (7,89%) 1.2² (JJ_JJ_NN)_(~NN) (64,70%) 114 (9,64%) 2 (~JJ)_(JJ_NN_IN_JJ_NN)_(~NN) 6 1¹ 7 (85,71%) 114 (5,26%) 2.1 ((~JJ)_NN_IN)_(JJ_NN)_(~NN) (46,66%) 114 (6,14%) 3 (~JJ)_(JJ_NN)_(IN_NN_NN_NN) (100%) 114 (1,75%) 3.1 (~JJ)_(JJ_NN_IN_NN_NN)_(~NN) (66,66%) 114 (1,75%) 3.2 ((~JJ)_JJ_NN_IN)_(NN)_(~NN) 4 7¹ 11 (36,36%) 114 (3,50%) VP = Verdadeiro Positivo e FP = Falso Positivo ¹ Uma sentença com termo VP e FP. Sentença contada como VP ² Teve falso negativo 24/26

25 Referências MARCUS, M. P.; MARCINKIEWICZ, M. A.; SANTORINI, B. Building a large annotated corpus of English: the penn treebank. Computational Linguistics, v. 19, n. 2, p , Disponível em: < >. Acesso em: 28 abr THE STANFORD NATURAL LANGUAGE PROCESSING GROUP. Stanford Loglinear Part-Of-Speech Tagger Disponível em: < Acesso em: 28 abr TOUTANOVA, K.; MANNING, C. D. Enriching the knowledge sources used in a maximum entropy part-of-speech tagger. In: EMNLP/VLC, 38th, 2000, Hong Kong. Proceedings... Association for Computational Linguistics, p Disponível em: < Acesso em: 28 abr TOUTANOVA, K. et al. Feature-rich part-of-speech tagging with a cyclic dependency network. In: HLT-NAACL, 2003, Edmonton, Canada. Proceedings... Association for Computational Linguistics, p Disponível em: < Acesso em: 28 abr /26

26 Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC Téc1 (Verbo e POS) e Téc2 (POS) Obrigado! Aluno: Pablo Freire Matos Orientador: Dr. Ricardo Rodrigues Ciferri Coorientador: Dr. Thiago Alexandre S. Pardo Área: Banco de Dados