Aplicação para a recuperação de vídeos indexados por conceitos. Proposta de Dissertação

Transcrição

1 IME - USP Mestrado em Ciência da Computação Aplicação para a recuperação de vídeos indexados por conceitos Proposta de Dissertação Christian Danniel Paz Trillo cpaz@ime.usp.br Orientadora: Dra. Renata Wassermann 10 de Março de

2 Conteúdo Resumo 3 1 Introdução 4 2 Recuperação de informação e sistemas de perguntas e respostas Sistemas de Recuperação de Informação Classificação dos sistemas de recuperação de informação Medidas de desempenho para recuperação de informação Sistemas de Perguntas e Respostas Implementação Tesauro para a recuperação de informação Estrutura de um conceito Implementação do Tesauro O problema a resolver: Converse com a artista Ana Teixeira Objetivo Plano de trabalho Descrição das atividades a serem desenvolvidas Cronograma de trabalho Referências 13 2

3 Resumo A recuperação eficiente de informação se torna importante quando a quantidade de informação cresce ou o tempo disponível para procura-la diminui. Técnicas para recuperação de informação tentam otimizar o tempo de busca, permitindo aos usuários fazerem buscas mais simples obtendo resultados melhores. Muitos problemas se apresentam quando se tenta fazer uma recuperação de informação por palavras chave, a sinonímia por exemplo. Uma alternativa a esses problemas é a indexação do conteúdo por conceitos. A proposta desta dissertação é implementar um método de recuperação de vídeos indexados por conceitos em um domínio específico e em linguagem natural. Os vídeos a serem usados são fragmentos de uma entrevista com a artista brasileira Ana Teixeira, feita por Paula Braga. Além disso, busca-se verificar se o método desenvolvido facilita a recuperação, isto é, se o usuário consegue obter a informação que ele quer em tempo menor e com menor conhecimento da aplicação do que usando a mesma aplicação indexada por palavras chave. 3

4 1 Introdução O presente projeto nasceu baseado na idéia de um trabalho do Bruce Bassett, Conversation with Jacques Lipchitz: A Break-through in Interactivity [8]. Bassett contava com mais de trezentas horas de entrevista com o artista já falecido Jacques Lipchitz, feitas durante seu trabalho na televisão, com as quais construiu um programa interativo que permite simular uma entrevista com Lipchitz, em que o usuário faz perguntas para ele em linguagem natural pelo teclado, e a cada uma delas, a resposta mais adequada do banco de dados de entrevistas é mostrada em forma de um clip do Lipchitz falando. Neste trabalho será desenvolvida uma aplicação de recuperação de informação baseada em consultas em linguagem natural. A recuperação de informação será feita de um banco de dados de vídeos, os quais são fragmentos de uma entrevista com a artista brasileira Ana Teixeira feita e editada por Paula Braga. As consultas serão feitas em linguagem natural, e os problemas de erros na escrita, sinonímia e polissemia serão tratados através do uso de um tesauro contendo informações do domínio em que a entrevista é desenvolvida. O documento está organizado como a seguir. A seção 2 apresenta uma revisão das características principais dos sistemas de recuperação de informação e os sistemas de perguntas e respostas para analisar em que tipo de sistema a aplicação a ser desenvolvida se encaixa. A seção 3 apresenta uma visão de como a informação do domínio que a aplicação vai tratar será representada e armazenada. A seção 4 está dedicada a definir o problema a resolver, e como ele vai ser resolvido, enquanto a seção 5 mostra as atividades a serem desenvolvidas e um cronograma das mesmas. 2 Recuperação de informação e sistemas de perguntas e respostas Sistemas de recuperação de informação tradicional são focados na busca e elaboração de um ranking de documentos em resposta a uma pergunta de usuário enquanto o objetivo dos sistemas de perguntas e respostas é dar uma resposta direta a uma pergunta específica [7]. Nesta seção serão apresentadas as características destes tipos de sistemas. 2.1 Sistemas de Recuperação de Informação O problema da recuperação de informação se apresenta quando existe uma grande quantidade de informação para a qual é requerido um acesso rápido e esse acesso está se tornando cada vez mais difícil. Isso pode ocasionar que a informação relevante deixe de ser usada só pela dificuldade de acessá-la. Um sistema de recuperação de 4

5 informação permite procurar informação mediante consultas, normalmente feitas por meio de palavras chave que são procuradas dentro do banco de dados contendo a informação [12]. Os sistemas de recuperação de informação baseados em busca por palavra chave são limitados na sua capacidade de distinguir textos relevantes e irrelevantes, isto devido a uma serie de características, entre as quais as mais importantes são [10]: Sinonímia, quando existem diversos termos para descrever um mesmo objeto ou conceito, um sistema de recuperação de informação baseado em semelhança de palavras chave só recuperará aqueles documentos em que o objeto ou conceito esteja descrito pelo mesmo termo com que a consulta foi elaborada. Por exemplo, se alguém estivesse procurando algum lugar para se hospedar no Rio de Janeiro, poderia colocar em uma consulta pousada no Rio de Janeiro, e só os documentos em que a palavra pousada estiver presente serão recuperados, mas naqueles documentos em que a informação de hospedagem esteja referenciada como hotel ou pensão por exemplo, não serão recuperados. Polissemia, uma palavra é polissêmica quando ela mesma expressa diversos conceitos. Neste caso a recuperação de informação por uma palavra polissêmica pode trazer documentos relacionados não só ao conceito sendo procurado senão também aos outros conceitos que são expressos pela mesma palavra. Neste caso por exemplo, a busca da palavra encanamento pode trazer informação de construção, enquanto a procura é pelo conceito de encanamento dos sistemas operacionais. Estes problemas fazem que os sistemas de recuperação de informação baseados em palavras chave tenham um limite no seu desempenho conhecido como a barreira da palavra chave 1 [10]. Para passar essa barreira é preciso fazer mais do que um relacionamento de palavras, um relacionamento conceitual ou de significado. Para este relacionamento conceitual três coisas devem ser levadas em consideração: uma linguagem conceitual para representar significados, um analisador sintático (parser) para converter sentenças em linguagem natural à linguagem conceitual, e um relacionador que determina se uma sentença na linguagem conceitual é a mesma ou uma instância de uma segunda sentença em linguagem conceitual Classificação dos sistemas de recuperação de informação Uma das mais úteis classificações dos sistemas de recuperação de informação é aquela que os classifica de acordo a quando a informação é processada: durante a entrada inicial da informação, ou durante a consulta [10]. 1 Do inglês keyword barrier 5

6 Sistemas pré-coordenados são aqueles em que a maior parte de trabalho é feita antes da consulta do usuário, isto é, por exemplo, sistemas que associam cada documento a um ou mais conjuntos de classes previamente estabelecidos no momento em que os documentos são inseridos no banco de dados. Sistemas pós-coordenados são aqueles sistemas em que o trabalho de classificação é feito na hora da consulta, baseado na informação proporcionada por ela Medidas de desempenho para recuperação de informação Existem algumas medidas padrão que permitem medir o grau de utilidade dos sistemas de recuperação de informação, elas são [10]: Precisão, é uma medida padrão de quão efetivamente opera um sistema de recuperação de informação. É a razão de documentos recuperados pelo sistema relevantes para a consulta dada pelo usuário sobre o número total de documentos recuperados. Por exemplo, se o sistema recuperou 6 documentos dos quais só 3 foram relevantes, o grau de precisão do sistema para essa consulta é de 0.5 ou 50%. Recordação, é outra medida padrão de efetividade de um sistema de recuperação de informação. Podem existir muitos documentos no banco de dados que o usuário considera relevantes mas só alguns são recuperados pelo sistema. O grau de recordação é o número total de documentos relevantes recuperados pelo sistema dividido pelo número total de documentos que podem ser considerados relevantes no banco de dados. Isto requer conhecimento do número total de documentos relevantes do banco de dados, o qual não é possível de calcular de maneira totalmente confiável sem gastar muito tempo, por isso se estabelece um limite superior considerando só uma amostra dos documentos relevantes não recuperados pelo sistema. Tempo de resposta, é o tempo esperado entre a submissão da consulta e a apresentação dos resultados pelo sistema. Para um sistema ser efetivo precisa maximizar tanto a precisão quanto a recordação, maximizar só uma dessas medidas não é suficiente. Por exemplo, para um sistema maximizar a recordação, só precisa recuperar todos os documentos. Enquanto para maximizar ambas medidas o sistema não pode só recuperar todos os documentos (o qual minimizaria a precisão), mas requer deixar de fora alguns documentos, os quais para melhorar a precisão, devem ser irrelevantes. 6

7 2.2 Sistemas de Perguntas e Respostas Os sistemas de perguntas e respostas recebem uma pergunta específica do usuário, usualmente em linguagem natural, e dão uma resposta específica também, normalmente junto como uma referência de onde aquela resposta foi obtida. A resposta a ser devolvida pela aplicação no entanto vai estar no formato original, isto é mostrando os fragmentos diretamente e não uma resposta textual extraída deles como seria em um sistema de perguntas e respostas. 2.3 Implementação O sistema a ser implementado pode ser catalogado como um sistema de recuperação de informação, em que a informação a ser recuperada são os fragmentos do vídeo da entrevista que sejam adequados à consulta do usuário. A característica diferencial sobre os sistemas de recuperação de informação que o aproxima a um sistema de perguntas e respostas é o fato das consultas poderem ser feitas tanto em formato de pergunta em linguagem natural como através de palavras chave. Por ser um sistema de recuperação de informação, ele será avaliado durante os testes usando as medidas padrão de precisão, recordação e tempo de resposta. 3 Tesauro para a recuperação de informação Recuperação de informação tem a ver com representação, armazenamento, organização e acesso à informação [1], a organização dos elementos deve prover aos usuários um acesso fácil e rápido à informação que eles precisam. Neste projeto a representação, armazenamento e organização da informação sobre o dominio será feita em um tesauro. Um tesauro é um conjunto de elementos junto com um conjunto de relações entre eles [5]. O tesauro a ser implementado precisa satisfazer as seguintes características: Evitar o problema da sinonímia e polissemia dos sistemas de recuperação de informação, fazendo a organização da informação por conceitos e não por palavras. Permitir uma busca rápida dos conceitos. Ser orientada ao domínio em que o sistema vai agir. A estrutura do tesauro a ser desenvolvido vai se basear na estrutura proposta para o Art & Architecture Thesaurus(AAT) [3]. O elemento principal na estrutura proposta é o conceito, um conceito é uma coisa ou idéia, o qual inclui conceitos e fenômenos abstratos, assim como atributos físicos de materiais ou artefatos. 7

8 3.1 Estrutura de um conceito O conceito tem uma estrutura definida para ele, que contem toda a informação sobre ele e os relacionamentos que ele tem com os outros conceitos da hierarquia de conceitos: Termos, os termos são palavras ou frases associadas ao conceito, são incluidos sinônimos e variações usadas como gíria. Um dos termos é diferenciado como o termo preferido, e é o termo a ser usado como descritor do conceito quando este for referenciado pelo sistema. Outros termos são usados como descritores alternativos e permitirão ao sistema recuperar o conceito quando um usuário fizer a busca usando um desses descritores alternativos. Conceitos relacionados, contêm uma lista dos conceitos que estão semanticamente associados ao conceito, isto pode permitir mostrar estes conceitos relacionados quando uma consulta for feita. Hierarquia, a hierarquia do tesauro permite organizar os conceitos com relações parte-todo e é um, esta hierarquia irá depender do domínio ao qual a aplicação é dirigida. Neste caso como veremos na seção seguinte é uma conversa sobre arte com a artista brasileira Ana Teixeira. Um exemplo simplificado extraído do Art & Architecture Thesaurus(AAT) [3], é mostrado na Figura 1. A representação visual da ontologia é feita mediante a linguagem UML, segundo as recomendações propostas em [6]. No exemplo é apresentada uma classificação parcial das artes, onde a relação de hierarquia é representada pela relação de herança da notação UML. Note-se também o relacionamento faz entre Escultor e Escultura, expressado por uma associação da notação UML. Nos quadros de nome de classe foi colocado o termo preferido do conceito, e precisa se listar os termos alternativos para cada um deles. Por exemplo para o conceito Revista em Quadrinhos poderia se listar Comics, Revistinhas e Revistinha. 3.2 Implementação do Tesauro O tesauro será implementado como uma ontologia. Uma ontologia é uma generalização de um tesauro, pois não só as relações de hierarquia podem aparecer, novas relações podem ser criadas entre conceitos. Uma ontologia é definida em [2] como: Uma especificação explícita de uma conceptualização, pode tomar uma variedade de formas, mas necessariamente incluirá um vocabulário de termos e alguma especificação do seu significado. Isto inclui definições e uma indicação de como os conceitos são inter-relacionados o qual coletivamente impõe uma estrutura no domínio e restringe as possíveis interpretações dos termos. 8

9 Figura 1: Ontologia de exemplo. A implementação seguirá o formato padrão OWL (Web Ontology Language) [11, 13] OWL é uma extensão de vocabulário sobre RDF (Resource Definition Framework) [16], e é uma linguagem padrão para a escrita de ontologias. Foi criada para ser usada quando a informação a ser representada precisa ser processada por aplicações, e não só ser apresentada a humanos. OWL pode ser usado para representar explicitamente os significados de termos em vocabulários e as relações entre eles. Existem três sublinguagens de OWL diferenciadas pelo seu grau de expressividade [11, 13]: OWL Lite que oferece suporte aos usuários que precisam de uma hierarquia de classificação e restrições simples. OWL DL que dá suporte aqueles usuários precisando a máxima expressividade enquanto retém a completude computacional e decibilidade (todos os cálculos terminam em tempo finito). OWL DL inclui todas as características da linguagem OWL sob algumas restrições. OWL Full dá suporte a máxima expressividade e liberdade sintática do RDF sem garantir que pode-se automatizar o raciocínio sobre o que ela expressa. É improvável que algum software de raciocínio seja capaz de utilizar todas as características de OWL Full. A sublinguagem a ser utilizada será a OWL DL pois oferece maior expressividade e existem ferramentas que permitem raciocinar sobre as estruturas formadas nela. Uma das ferramentas que permitem acessar uma ontologia escrita em OWL é Jena [9]. 9

10 Jena é um arcabouço feito em Java para escrever aplicações da Web Semântica 2. Jena permite manipular um modelo em RDF, possui funcionalidade para ler e escrever RDF, contém mecanismos de persistência para RDF, um motor de inferência baseado em regras genêricas e um subsistema para manipular ontologias escritas em RDF. Jena será usado na aplicação para manipular o tesauro a ser desenvolvido. 4 O problema a resolver: Converse com a artista Ana Teixeira Baseado no fato de ter o vídeo de uma entrevista com a artista brasileira Ana Teixeira em formato digital, o problema consiste em permitir a um usuário ver as partes da entrevista que sejam do seu interesse sem ter de navegar por dentro do vídeo inteiro. Uma idéia similar foi apresentada por Bruce Bassett no seu trabalho Conversation with Jacques Lipchitz: A Break-through in Interactivity [8], no qual o usuário podia fazer perguntas pelo teclado para recuperar as partes da entrevista do seu interesse. Neste trabalho, para resolver o problema, será desenvolvida uma aplicação de recuperação de informação, baseada em consultas em linguagem natural, para evitar os problemas ocasionados pela sinonímia e a polissemia. A cada consulta feita da qual exista informação associada a ela contida na entrevista, o fragmento de vídeo (ou os fragmentos) contendo a informação associada será mostrado ao usuário. Para isto, o vídeo foi fragmentado e será cadastrado em um banco de dados junto com as informações sobre cada um dos fragmentos, indicando os conceitos aos quais está relacionado cada um deles. Esses conceitos junto com os seus relacionamentos serão cadastrados em um tesauro, segundo a estrutura proposta na seção 3. As consultas serão pré-processadas para evitar erros na escrita 3 e as respostas às consultas serão procuradas dentro do banco de dados tendo em consideração os possíveis relacionamentos dos termos usados na consulta segundo o tesauro. A aplicação para visualização dos vídeos já está implementada em Java. Atualmente cada fragmento de vídeo está relacionado a um conjunto de palavras chave, e a recuperação de informação é feita através de consultas de palavras chave, onde é necessário que a consulta seja feita pela mesma palavra, sem levar em consideração sinonímia, variações de número, gênero ou erros na escrita. Por exemplo, a Figura 2 mostra uma consulta feita pela palavra artista, à qual um 2 A Web semântica é a representação de dados na World Wide Web. É uma extensão da Web atual na qual a informação recebe um significado melhor definido e facilita aos computadores e as pessoas trabalharem em cooperação [15]. 3 Conhecido pelo termo em inglês como Misspelling. 10

11 fragmento de vídeo está associada. Para mostrar as debilidades do uso exclusivo de palavras chave na recuperação de informação, a Figura 3 mostra a consulta feita da mesma forma pela palavra artistas com uma variação só de número na palavra, a qual devolve dois fragmentos de vídeos distintos ao devolvido pela primeira consulta. Figura 2: Consulta pela palavra Artista na versão atual do sistema. Outro problema que se apresenta em buscas só por palavas chave é que a relação de hierarquia não é considerada, isto é, por exemplo a busca pela palavra artistas devia trazer tanto aqueles vídeos associados à palavra artistas quanto os vídeos associados a alguém que é um artista. Além das características já implementadas é preciso implementar o seguinte: O tesauro associado à entrevista com a artista implementado como uma ontologia em OWL DL segundo a estrutura proposta na seção 3. A coleta de informação para o tesauro será feita com ajuda da especialista do domínio, Paula Braga. 11

12 Figura 3: Consulta pela palavra Artistas na versão atual do sistema. O corretor de erros na escrita, para o qual será usado o projeto de código livre Jazzy [4], adaptado usando um dicionário eletrônico geral da língua portuguesa, o br.ispell [14], e um dicionário extraído automaticamente do tesauro específico do domínio. O analisador sintático das consultas feitas pelo usuário, para a extração do objetivo da consulta e das palavras chave nela. O algoritmo de recuperação do(s) fragmento(s) de vídeo que satisfazem a consulta feita. 4.1 Objetivo Os objetivos principais são: Implementar um método de recuperação de vídeos indexados por conceitos em um domínio específico e em linguagem natural. 12

13 Verificar se o método desenvolvido facilita a recuperação para o usuário, isto é, se o usuário consegue obter a informação relevante (maior precisão e recordação) em tempo menor e com o menor conhecimento da aplicação. 5 Plano de trabalho Nesta seção será apresentado o plano de trabalho proposto para atingir os objetivos da dissertação. 5.1 Descrição das atividades a serem desenvolvidas Será feita uma compilação de informação sobre o domínio em que a entrevista com a artista é desenvolvida com apoio da elaboradora da entrevista, Paula Braga. Durante a etapa de compilação de informação, o tesauro irá sendo implementado baseado na informação compilada. Será desenvolvido o analisador sintático das consultas e posteriormente o algoritmo de busca dos fragmentos de vídeos associados será adaptado para procurar pela informação de relacionamentos dos conceitos no tesauro. Finalmente, um conjunto de testes será feito para comprovar se a recuperação de informação resulta mais fácil para o usuário do que fazendo consultas por palavras chave, ou seja comparar a nova implementação com a que se encontra atualmente desenvolvida. As baterias de testes serão elaboradas com a ajuda da especialista, e serão um conjunto de consultas diversas para recuperar vídeos específicos que serão aplicados sobre as duas versões da aplicação. Nos testes serão medidos a precisão, a recordação e o tempo de resposta. 5.2 Cronograma de trabalho A seguir é apresentado um cronograma contendo as atividades a serem desenvolvidas. 13

14 Atividade Duração Data de inicio Data de fim (días) Compilação e Implementação do tesauro 60 05/04/ /06/2004 Gerador automático do dicionário para o Jazzy baseado no tesauro 20 03/05/ /05/2004 Adaptação do Jazzy à aplicação 20 31/05/ /06/2004 Construção do analisador sintático 40 28/06/ /08/2004 Testes 40 23/08/ /09/2004 Redação /04/ /09/2004 Tabela 1: Cronograma de Atividades Referências [1] Ricardo Baeza-Yates and Berthier Ribeiro-Neto. Modern Information Retrieval. Addison Wesley Longman, ~hearst/irbook/. [2] R. Benjamins and A. Gómez-Pérez. Knowledge-Systems technology: Ontologies and problem-solving methods. richard/pdf/kais.pdf. [3] Patricia Harpring. User s guide to the AAT Data Releases. Technical report, Getty Vocabulary Program, tools/vocabulary. [4] M. Idzelis and A. Roy. Jazzy - Java Spell Check API, sourceforge.net/projects/jazzy. [5] Y. Jing and W. Bruce Croft. An association thesaurus for information retrieval. In Proceedings of RIAO-94, 4th International Conference Recherche d Information Assistee par Ordinateur, pages , New York, US, citeseer.nj.nec.com/jing94association.html. [6] E. Kendall and M. Dutra. An introduction and UML profile for the Web Ontology Language (OWL), October news/meetings/workshops/uml2002-manual/07-2_a_uml_pr% ofile_for_the_web_ontology_language_owl.pdf. [7] H. Kim and J. Seo. A reliable indexing method for a practical qa system. In 19th International Conference on Computational Linguistics, isi.edu/~cyl/wsqa-coling2002/program.html. 14

15 [8] Greg Kline. High-tech sculptor has the answers. The News-Gazette Online, [9] HP Labs. Jena 2 - A Semantic Web Framework, hp.com/semweb/jena2.htm. [10] Michael Mauldin. Conceptual Information Retrieval A case Study in adaptive partial parsing. Kluwer Academic Publishers, [11] D. McGuinness and F. van Harmelen. OWL Web Ontology Language Overview. Technical report, W3C, REC-owl-features /. [12] C. J. Van Rijsbergen. Information Retrieval, 2nd edition. Dept. of Computer Science, University of Glasgow, vanrijsbergen79information.html. [13] M. Smith, C. Welthy, and D. McGuiness. OWL Web Ontology Language Guide. Technical report, W3C, REC-owl-guide /. [14] Ricardo Ueda. Dicionário br.ispell, ~ueda/br.ispell/. [15] W3C. Semantic Web, [16] W3C. RDF Resource Definition Framework, RDF/. 15