Extracción de información

Cómo lo hace

La extracción de información convierte texto corrido en datos ordenados. Se hace por capas, y cada capa es un análisis que un filólogo reconoce:

1. Categoría de cada palabra (análisis morfosintáctico): «contrató» es verbo; «Salamanca», nombre propio. Es la misma operación que distinguir «bajo» adjetivo, preposición o verbo, y es un problema de etiquetado de secuencias: la etiqueta de una palabra depende de las vecinas.
2. Relaciones entre palabras (análisis de dependencias): «Universidad» es el sujeto de «contrató» y «Ana Pérez», su objeto. Sin este paso, la máquina no sabe quién contrata a quién. Es la función sintáctica de siempre, escrita como flechas entre palabras en lugar de como árbol de constituyentes.
3. Entidades (reconocimiento de entidades): qué tramos nombran una organización, una persona, un lugar o una fecha. «Universidad de Salamanca» es una sola entidad de tres palabras.
4. Relaciones entre entidades (extracción de relaciones): con todo lo anterior se puede escribir el dato final, contrata(Universidad de Salamanca, Ana Pérez, 2023), y guardarlo en una base de datos o en un grafo de conocimiento.

Para el español hay modelos ya entrenados que hacen las tres primeras capas, como los de spaCy, entrenados con corpus anotados en español como AnCora. Hoy un modelo de lenguaje también puede extraer datos si se le pide en una instrucción, pero el análisis por capas sigue siendo la forma de comprobar dónde se equivoca.

Para hacerlo tú con un texto real: Tu primer análisis con spaCy, en el Taller.

Dónde falla

• Entidades ambiguas: «Jordan» puede ser una persona, un país o una marca; «Valencia», una ciudad, una comunidad o un equipo.
• Límites de la entidad: ¿«Universidad de Salamanca» o solo «Salamanca»? Si la anotación no lo decide antes, dos anotadores no coinciden y el sistema tampoco.
• Sujetos omitidos: en «Llegó tarde y contrató a dos personas», el español no repite el sujeto. Recuperarlo exige resolver la correferencia.
• Textos fuera de su terreno: un modelo entrenado con prensa rinde peor en informes médicos, tuits o textos antiguos.

Las decisiones lingüísticas

• Anotación: escribir la guía que dice qué es una entidad y dónde empieza y acaba, y resolver los casos dudosos. Es lexicografía y gramática aplicadas.
• Análisis sintáctico: leer un árbol de dependencias y ver dónde se ha equivocado el sistema.
• Evaluación: preparar textos difíciles (sujetos omitidos, nombres ambiguos, variedades del español) para medir el sistema donde de verdad falla.

En sistemas reales

• spaCy: biblioteca de Python con modelos para el español que etiquetan categorías, dependencias y entidades. Documentación en inglés.

Fuentes

• Taulé, M., Martí, M. A. y Recasens, M. (2008). AnCora: Multilevel Annotated Corpora for Catalan and Spanish. LREC 2008.
• Tjong Kim Sang, E. F. (2002). Introduction to the CoNLL-2002 Shared Task: Language-Independent Named Entity Recognition. CoNLL 2002.
• de Marneffe, M.-C. et al. (2021). Universal Dependencies. Computational Linguistics, 47(2).