Elaborazione del Linguaggio Naturale
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Seminari di Orientamento Consapevole
14.02.2019
Dipartimento di Informatica
Università degli Studi di Bari Aldo Moro
Elaborazione del Linguaggio Naturale
Nuove sfide per costruire sistemi intelligenti
Marco de Gemmis
marco.degemmis@uniba.it
Dipartimento di Informatica, Università degli Studi di Bari Aldo Moro
Semantic
Web
Access and
Personalization
research group
“Antonio Bello”
www.di.uniba.it/~swap
Agenda
Una breve introduzione motivazionale
Volete davvero studiare Informatica?
Un piccolo assaggio di quello che può fare un “Computer Scientist”
Concetti di base sull’uso del linguaggio naturale
nei sistemi “intelligenti”
Alcuni esempi reali
Bonus track
Analisi del linguaggio sui social network
per studiare i comportamenti umani
1
Agenda
Una breve introduzione motivazionale
Volete davvero studiare Informatica?
Relatore
2
5
Scienza e Informatica
In generale le Scienze (Fisica, Biologia, etc.) forniscono
risposte fattuali a domande sul mondo reale
“Quali sono i geni che costituiscono il genoma
umano?” si chiede di fornire una verità
“Come identificare i geni che costituiscono il genoma
umano?” si chiede una procedura che possa
produrre tale verità
Informatica o Computer Science
riguarda la definizione di procedure
Come tradurre dall’Italiano all’Inglese senza un
dizionario?
Come trovare il cammino più breve tra due punti su
una mappa?
Computer Science
"Computer Science is no more about
computers than astronomy is about
telescopes“
(attribuita a Edsger W. Dijkstra)
3
Computer Science
8
Tecnologie vs. Fondamenti
La mera conoscenza degli strumenti informatici non
equivale a possedere il sapere scientifico che ne ha
permesso la realizzazione
Fondamenti Radici culturali
La tecnologia evolve rapidamente gli strumenti
possono cambiare
I fondamenti restano gli stessi
Conoscerli significa avere rapide capacità di
adattamento
4
Tre piccoli segreti*
Volete davvero studiare
COMPUTER SCIENCE?
1. Motivazione
2. Curiosità
3. Capacità di “Problem Solving”
*Opinione personale
Capacità di Problem solving
1. Analizzare un problema
2. Formalizzarlo
3. Utilizzo delle capacità di
ragionamento logico-matematico
5
Un rompicapo
Amy vuole far indovinare la data del suo compleanno a due
nuovi amici
Leonard Sheldon
Fornisce come indizio 10 date possibili
15, 16 e 19 maggio
17 e 18 giugno
14 e 16 luglio
14, 15 e 17 di agosto
6
Poi Amy dice ad Sheldon qual è il mese giusto, ma non il giorno
A Leonard dice il giorno ma non il mese
A quel punto Sheldon dice: "Io non so quando è il compleanno
di Amy, ma so per certo che nemmeno Leornard lo sa".
Leonard risponde: "All'inizio non sapevo quando fosse il
compleanno, ma ora lo so"
Sheldon: "Allora anche io so quando è il compleanno di Amy"
Quando è nata Amy?
15, 16 e 19 maggio
17 e 18 giugno
14 e 16 luglio
14, 15 e 17 agosto
7
conosce solo il giorno
14 15 16 17 18 19
conosce solo il mese
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
14 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
"Io non so quando è il compleanno di Amy, ma so per
certo che nemmeno Leonard lo sa"
8
14 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
"Io non so quando è il compleanno di Amy, ma so per
certo che nemmeno Leonard lo sa"
"All'inizio non sapevo quando fosse il compleanno, ma ora lo so"
14 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
9
"All'inizio non sapevo quando fosse il compleanno, ma ora lo so"
14 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
14 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
"Allora anche io so quando è il compleanno"
1014 15 16 17 18 19
Maggio X X X
Giugno X X
Luglio X X
Agosto X X X
Outline
Una breve introduzione motivazionale
Volete davvero studiare Informatica?
Un piccolo assaggio di quello che può fare un “Computer Scientist”
Concetti di base sull’uso del linguaggio naturale
nei sistemi “intelligenti”
Alcuni esempi reali
11Sistemi «Intelligenti»
Possiamo costruire sistemi intelligenti?
Dobbiamo definire il concetto di intelligenza!
Autonomia?
Adattività?
Capacità di imparare?
Sistema intelligente = dotato di “intelligenza artificiale”
che imita funzioni cognitive tipiche della mente
umana, come l’apprendimento o il "problem solving"
Conoscete il film «War Games»?
L'adolescente David, ha una grande passione: il computer.
Con questo ci fa un po' di tutto, compreso l'alzare i
mediocri giudizi scolastici suoi e della sua amica Jennifer.
Un giorno, dopo aver trafficato con la macchina, riesce ad
«hackerare» quello che crede un server di videogiochi: in
realtà si collega con Joshua, il super cervellone della Difesa
degli Stati Uniti, che gli propone di giocare alla guerra
nucleare. David accetta, credendo di partecipare ad un
gioco di simulazione, mentre in realtà sta «addestrando»
Joshua per raffinare le sue strategie di guerra. Arrestato
dall'FBI, David scopre che Joshua ormai sta cercando i
codici segreti di lancio dei missili contro gli avversari…
Intelligenza Artificiale
Capacità di comprensione del linguaggio naturale
Hacking
Corsa agli armamenti USA-URSS
12Facciamo un altro gioco…
La Ghigliottina
Soluzione del gioco
Pacco, doppio pacco e contropaccotto [film]
Carta da pacco [conoscenza comune]
Un pacco di soldi [modo di dire]
Pacco di pasta [conoscenza comune]
Pacco regalo [conoscenza comune]
13Caratteristiche dei giochi linguistici
Significato delle parole e relazioni tra significati sono
importanti per arrivare alla soluzione
Non è possibile definire strategie vincenti
Possiamo costruire un giocatore
artificiale per il gioco linguistico “La
ghigliottina”?
Per trovare la soluzione sono richieste:
1. competenze linguistiche
2. conoscenza dei fatti del mondo
3. capacità di ragionare sulla conoscenza
collegando indizi a concetti noti
Problemi
Come è possibile realizzare queste capacità nelle
macchine?
necessità sorgenti informative machine-readable
necessità di realizzare un meccanismo di
ragionamento sulla conoscenza acquisita
14Acquisizione di conoscenza da fonti aperte sul
web / 1
Informazione disponibile in svariate fonti di conoscenza
disponibili sul web
Human-readable
Diversi dizionari della
lingua italiana sono
disponibili online:
http://www.treccani.it
…
Acquisizione di conoscenza da fonti aperte sul
web / 2
Informazione disponibile in svariate fonti di conoscenza
disponibili sul web
Human-readable
Wikipedia può essere vista come
un’ontologia = collezione di ~1M concepts
Guerra
del Golfo Computer
Roberto
Saviano
Bari
1531
Knowledge Sources
Encyclopedia: the Italian version of Wikipedia
Dictionary – the De Mauro Paravia Italian on-line dictionary
Movies: descriptions of Italian
movies crawled from IMDb
Books crawled from
the web
Songs crawled from
the web
Proverbs and Compound forms: groups of words that often go
Aphorisms: the Italian together having a specific meaning, e.g. “artificial
version of Wikiquote intelligence” – crawled from the web
Knowledge Infusion / 1
Modellazione ed indicizzazione dell’informazione testuale
disponibile nelle sorgenti di conoscenza sul web
Natural Language Processing – Elaborazione del
Linguaggio Naturale
Human-readable Machine readable
Conoscenza di tipo
linguistico e culturale
G. Semeraro, M. de Gemmis, P. Lops, P. Basile. An Artificial Player for a Language Game, IEEE Intelligent
Systems 27(5):36-43, 2012.
16Il Linguaggio Naturale
Natural Language
Si riferisce al linguaggio parlato: Inglese, Italiano,
Spagnolo, opposto ai linguaggi “artificiali”, quali i
linguaggi di programmazione
Natural Language Processing
algoritmi / programmi che elaborano / processano il
linguaggio naturale per ottenere una reppresentazione
del testo “comprensibile” dalla macchina
per esempio si individuano le parole presenti in un
testo e le relative frequenze di occorrenza quanto
è importante una parola nel documento utile ai fini
della ricerca
Perchè una macchina dovrebbe processare il
linguaggio?
E’ sempre una questione di linguaggio… dalle stringhe
al “linguaggio binario”
“Sono uno studente”
(0101001010100110101010010100110101…)
“Sono felice”
(1110011010111100011010011111011010…)
“Quanto manca alla fine di questo seminario?”
(0011011011010000011011010101010100…)
17Il Computer non ha conoscenza linguistica
“Vede” il testo come stringhe binarie
Noi siamo in grado di comprendere il linguaggio
Apprendiamo regole sintattiche
Disambiguiamo
Comprendiamo il significato di una parola
Arricchiamo il nostro lessico con l’esperienza
Tecniche di NLP tentano di trasferire nelle macchine
queste capacità
Knowledge Infusion / 2
Inferenza sulla conoscenza acquisita
Tecniche di Intelligenza Artificiale
Conoscenza di tipo
linguistico e culturale
G. Semeraro, M. de Gemmis, P. Lops, P. Basile. An Artificial Player for a Language Game, IEEE Intelligent
Systems 27(5):36-43, 2012.
18Trasferiamo queste sorgenti nel Computer
Una sorgente è processata per ottenere un archivio di
concetti estratti dalle sue descrizioni testuali
Concetto in dizionario = definizione associata ad un
lemma
Concetto in Wikipedia = pagina che descrive un
fatto, una persona, etc.
La denominazione usata per un concetto è quella di
Unità Cognitiva (UC)
Le sorgenti modellate rappresentano dunque la
memoria del sistema, costituita da UC
Anderson, John R., Concepts, Propositions, and Schemata: What are the Cognitive Units? Final
technical report. Carnegie Mellon University, 1980.
NLP Processing sul dizionario: dal testo alle UC /1
UC 1
UC 2
UC 3
UC 4
19NLP Processing sul dizionario: dal testo alle UC /2
NLP Processing su Wikipedia: dal testo alle UC/3
HEAD
BODY
Artificial 0.77 AI 1.22 intelligence 1.10 computer 0.99
Intelligence 1.22 engineering 0.65 machine 0.55 mind 0.49
… … … …
20Trasformazione di pagine Wikipedia in UC
NLP
Unità
Pagine
Cognitive
Ricerca di UC rilevanti rispetto ad una query
Query: Machine Intelligence
[artificial 0.77 UC
intelligence 1.22 Relevanti
|
AI 1.22
0.85
intelligence 1.10
Valore
computer 0.99
0.52
engineering 0.65 (score) di
Unità machine 0.55
0.46 rilevanza
mind 0.49
Cognitive . . .
. . .
21OTTHO «studia» gli indizi (query)
INDIZIO#1 INDIZIO#2 INDIZIO#3 INDIZIO#4 INDIZIO#5
KNOWLEDGE REPOSITORY
...
Wikipedia Dictionary Movies Wikiquote
SOL-WORD1
SOL-WORD2
SPREADING … LISTA SOLUZIONI
ACTIVATION NET CANDIDATE
Demo
La Ghigliottina
22Alcuni sistemi basati su tecniche di NLP
Motori di Ricerca
Sistemi di Question Answering
Conversational Recommender Systems
Come funziona un motore di ricerca?
Sono sistemi di Information Retrieval
L’utente formula una query solitamente una lista
di parole chiave
Il sistema confronta (matching) la query con i
documenti presenti in un archivio chiamato
document corpus seleziona una lista di
documenti rilevanti
L’utente ottiene una lista ordinata di documenti che
«rispondono» alla query formulata
Per i motori di ricerca…
document corpus = web
i documenti nel corpus sono pagine web
2347
IR Task
Document
Corpus
Query IR
String System
1. Doc1
2. Doc2
Relevant 3. Doc3
Documents .
.
48
Componenti di un sistema IR
User Interface
Text
User
Text Operations
Need
Logical View
User Query Database
Feedback Operations Indexing
Manager
Inverted
file
Query Searching Index
Text
Ranked Retrieved Database
Docs Ranking Docs
24Un sistema IR è basato su una strategia
Decisioni su:
Rappresentazione di documenti e query
Definizione di un concetto di rilevanza
- Binario (si/no) oppure continuo (uno score)
Formulazione di una funzione per il calcolo della
rilevanza
Un esempio di rappresentazione: matrice
termini-documenti
Un corpus di n documenti è associato ad una
matrice
Un elemento della matrice corrisponde al “peso”
di un termine nel documento zero significa che
il termine non è importante o non è presente
T1 T2 …. Tt
D1 w11 w21 … wt1
D2 w12 w22 … wt2
: : : :
: : : :
Dn w1n w2n … wtn
25I pesi servono per calcolare la rilevanza
Ad esempio: se T2 fosse un termine nella query
Basterebbe ordinare in modo decrescente la
colonna T2 per avere l’elenco dei documenti
dal più rilevante a quello meno rilevante
T1 T2 …. Tt
D1 w11 w21 … wt1
D2 w12 w22 … wt2
: : : :
: : : :
Dn w1n w2n … wtn
Torniamo ai motori di ricerca: Google
Query
26Google Search (1)
Lista pagine
rilevanti
Google Search (2)
Utilizza crawler per recuperare le pagine dal web
Analizza le pagine per creare l’indice
Applica un algoritmo per calcolare la rilevanza di ogni
pagina nell’indice rispetto alla query
Il ranking è influenzato da vari elementi:
geolocalizzazione, ricerche precedenti, importanza
della pagina (PageRank)
27Google Search (3)
Facebook social graph
Backstrom-Boldi-Rosa-Ugander-Vigna. 4-degrees of separation.
Web Science 2012, WebSci '12, Evanston, IL, USA - June 22 - 24, 2012. ACM 2012
Google Search (4)
come definire l’importanza di una pagina?
Non tutte le pagine hanno la stessa
«autorevolezza»!
www.lagazzettadicasamia.it
VS.
www.uniba.it
Analisi dei link per stimare la
rilevanza di una pagina!
28Google Search (5)
IDEA: pensiamo ai link come voti
Una pagina P è più autorevole se ha più link
Link entranti in-link ovvero pagine che puntano a P
Link uscenti out-link ovvero pagine a cui punta P
Se gli in-link fossero voti…
www.uniba.it: 25000 in-link
www.lagazzettadicasamia.it: 1 in-link
Tutti gli in-link sono uguali?
Link provenienti da pagine più importanti dovrebbero
“pesare” maggiormente
Google Search (6)
Un esempio
A B
3.3 C
38.4
34.3
D
E F
3.9
8.1 3.9
1.6
1.6 1.6 1.6
1.6
29Sistemi Intelligenti per IR
Dove sta l’intelligenza?
Il paradosso della ricerca come si
può formulare una richiesta in
merito a ciò che non si conosce?
Quali termini per formulare una
richiesta che sintetizzi in modo
corretto i bisogni informativi?
Sistemi Intelligenti per IR
Dove sta l’intelligenza?
Il paradosso della ricerca come si
può formulare una richiesta in merito a
ciò che non si conosce?
Come faccio a sapere quali termini
devo usare in modo tale che il sistema
ritrovi ciò di cui ho bisogno?
30Ricerca dell’Informazione: il problema del
dizionario
“Come trovare le parole giuste che ci connettono
all’Informazione che stiamo cercando?”
“Quali sono le parole giuste per formulare il nostro
bisogno informativo?”
Metodi di analisi del testo per la creazione
automatica di connessioni tra la terminologia usata
dall’utente e quella presente nell’informazione
cercata
Tecnologie di NLP per:
l’interpretazione del testo dal livello lessicale a quello
semantico
61
Il lavoro degli Informatici che si occupano di
NLP
Sviluppare tecnologie in grado di creare associazioni
tra la terminologia della richiesta dell’utente e quella
dei documenti nel corpus di riferimento
Progettare sistemi semantici in grado di comprendere
il linguaggio in maniera sempre più profonda ovvero
sempre più vicina a quella degli esseri umani
“…basta la tua voce”
31Proviamo a chiedere qualcosa a SIRI
Speech-to-text trasformazione di una richiesta
vocale in una query («Cerca un sushi a Bari»)
Analisi della query e chiamata a funzioni che
accedono al web con una richiesta specifica (anche
geolocalizzata) per trovare informazione rilevante
ma questo è un motore di ricerca!
Alcuni sistemi basati su tecniche di NLP
Motori di Ricerca
Sistemi di Question Answering
Conversational Recommender Systems
32Sistemi di Question Answering (QA)
Qual è il modo più semplice per cercare
qualcosa?
FARE UNA DOMANDA Il linguaggio naturale
è il modo con cui l’utente è abituato ad
esprimere le sue richieste
ACCESSO NATURALE Interrogazione del
corpus con semplici domande in linguaggio
naturale il sistema comprende la domanda
ed estrae la risposta dai documenti
Dai motori di ricerca ai motori di risposta
La complessità del confronto della terminologia usata
dall’utente e quella presente nei documenti è gestita
dal sistema
I sistemi di QA sono in pratica dei motori di risposta
perché trovano “pezzi di documenti” che contengono
la risposta alla query fatta
33Motori di ricerca Motori di risposta
Query: l’utente deve Domande semplici: è il
formulare una lista di sistema che si avvicina
termini «giusti» per all’utente e non viceversa
ottenere documenti Risposte dirette: l’utente non
rilevanti deve cercare la risposta
all’interno dei risultati forniti
Risultato: elenco di
documenti in cui Non è un oracolo, non tira
ad indovinare: cerca la
l’utente deve cercare ciò
risposta esclusivamente
che gli interessa nelle fonti a disposizione
Architettura di un sistema QA (1)
Documenti
Analisi
query rilevanti Filtraggio
Search
Linguistica Risposte
Domanda Risposte
Documenti
indicizzati
Corpus Indexing
34Architettura di un sistema QA (2)
La fase di ricerca produce una lista di passaggi di testo
I passaggi di testo sono ulteriormente analizzati per
individuare quelli più rispondenti alla domanda ad
esempio si adottano misure di similarità tra domanda
e passaggio
Lista documenti
Passaggio1
Filtraggio
Passaggio2
Passaggi rilevanti =
Risposte
PassaggioN
Proviamo un sistema di QA
www.wikiedi.it
www.questioncube.com
35Facciamo qualche domanda a
Wikiedi (1)
Perché la nebbia è bianca?
Wikiedi è un motore di risposta
Tu scrivi una domanda così come la faresti ad una
persona Perché la
nebbia è
bianca?
Wikiedi cerca la riposta in Wikipedia e…
Facciamo qualche domanda a
Wikiedi (2)
ti mostra il frammento di testo in cui è scritta
36Wikiedi non sa tutto… (1)
Wikiedi NON è un veggente
NON tira ad indovinare
NON prevede il futuro…
… a meno che il futuro non sia già scritto!
Wikiedi non sa tutto… (2)
37Demo
www.wikiedi.it
www.questioncube.com
Alcuni sistemi basati su tecniche di NLP
Motori di Ricerca
Sistemi di Question Answering
Conversational Recommender Systems
38Bot Telegram
Un bot Telegram è un utente artificiale della
piattaforma di messaggistica è un programma
Interagisce con l’utente tramite comandi
Svolge una specifica funzione
DottorBot: bot dedicato alla cultura medico-
scientifica. Fornisce comandi per ottenere
infografiche, quiz e curiosità su temi di medicina e di
scienza
Accessibile tramite username: @Dottor_Bot
Proviamo un Bot Telegram (1)
@movierecsys2_bot
È un bot sviluppato da ricercatori del DIB
con il contributo di studenti che hanno svolto
la loro tesi di laurea
Il bot dialoga con l’utente per «acquisire» le
sue preferenze su attori, registi, film già visti
39Proviamo un Bot Telegram (1)
@movierecsys2_bot
Dall’analisi del dialogo il bot estrae
informazioni utili per costruire un «profilo»
degli interessi dell’utente
Il profilo è usato per suggerire nuovi film e
spiegare anche le motivazioni per cui i
suggerimenti sono stati forniti vi fidereste di
chi vi suggerisce qualcosa senza sapere perché?
Demo
@movierecsys2_bot
Lo proviamo usando una versione desktop di
Telegram
Potete provarlo anche dal vostro smartphone
40Demo
Sistemi di Recommendation Conversazionali –
Interazione con Robot Umanoide
• Il chatbot è solo l’interfaccia che consente di
interagire con un framework di gestione del
dialogo finalizzato alla recommendation
• Lo stesso framework è alla base dell’interazione
con il robot umanoide Pepper
82
41Outline
Una breve introduzione motivazionale
Volete davvero studiare Informatica?
Un piccolo assaggio di quello che può fare un “Computer Scientist”
Concetti di base sull’uso del linguaggio naturale
nei sistemi “intelligenti”
Alcuni esempi reali
Bonus track
Analisi del linguaggio sui social network
per studiare i comportamenti umani
Qualche riflessione
Come viviamo il nostro rapporto con la
tecnologia ed in particolare con i
Social Media (Facebook, Instagram,
Twitter)?
42Qualche riflessione
I social media hanno cambiato le
nostre abitudini?
==
==
Come ci esprimiamo sui Social Network?
Analisi del Linguaggio su Twitter
43Cosa accade in 1 minuto sul Web?
Twitter: alcuni dati
● 904 milioni di account
– 232 milioni di account attivi
– 11 nuovi account creati al secondo
● 175 milioni di tweet al giorno
● In Italia
– 10 milioni di account attivi
– 35% attivi, 64% da mobile (sopra la media)
La Rete e il fattore C
competenze, consapevolezze, conoscenze
44Intolleranza: alcuni dati
● Nel 2013, In Italia
– 68 donne vittime di femminicidio
– Il 75% dei gay ha subito forme di discriminazione
– Il 28% dei giovani ha subito cyberbullismo
– Il 45% dei giovani ha atteggiamenti xenofobi
La Rete e il fattore C
competenze, consapevolezze, conoscenze
Il linguaggio dell'intolleranza
The Italian Hate Map
Obiettivo:
Analizzare le conversazioni che
avvengono quotidianamente sui
social network per
individuare le aree del paese
dove si registrano più
comportamenti intolleranti
La Rete e il fattore
http://www.voxdiritti.it/ecco-le-mappe-di-vox-contro-lintolleranza/ C
competenze, consapevolezze, conoscenze
45The Italian Hate Map
Il team
Silvia Giovanni Vittorio Marilisa
Brena Semeraro Lingiardi d’Amico
Maurizio Cataldo Musto Nicola Carone
Binetti
Viola Rastrelli
La Rete e il fattore C
competenze, consapevolezze, conoscenze
The Italian Hate Map
Metodologia di Analisi dei Tweet
La Rete e il fattore C
competenze, consapevolezze, conoscenze
46Connessione ai Social Network
Step 1
Estrazione dei contenuti da Twitter, utilizzando le API ufficiali.
La Rete e il fattore C
competenze, consapevolezze, conoscenze
Estrazione dei Contenuti
Step 2
Omofobia
Antisemitismo
Razzismo
Violenza contro le Donne
Disabilità
Definizione di cinque dimensioni
dell’intolleranza.
La Rete e il fattore C
competenze, consapevolezze, conoscenze
47Estrazione dei Contenuti
Step 2
Ci serve un Lessico di
Riferimento
47 parole chiave
definito dal gruppo di
psicologi dell’Università
di Roma
La Rete e il fattore C
competenze, consapevolezze, conoscenze
Risultati
Gennaio – Ottobre 2014
La Rete e il fattore C
competenze, consapevolezze, conoscenze
48Individuazione dei Tweet intolleranti
Analisi Semantica del Testo
Solo il primo è un tweet di natura intollerante!
La Rete e il fattore C
competenze, consapevolezze, conoscenze
Individuazione dei Tweet intolleranti
Analisi del Sentiment
Solo il primo è un tweet di natura intollerante!
La Rete e il fattore C
competenze, consapevolezze, conoscenze
49Mappe di uso del linguaggio
Geolocalizzazione e classificazione dei tweet (razzismo, omofobia,
violenza contro le donne, etc.)
Violenza contro le donne
Razzismo
In generale la classificazione consente di scoprire aree geografiche
in cui c’è un uso specifico del linguaggio
La Rete e il fattore C
competenze, consapevolezze, conoscenze
The Italian Hate Map: Riferimenti (1)
La Rete e il fattore C
competenze, consapevolezze, conoscenze
50The Italian Hate Map: Riferimenti (2)
La Rete e il fattore C
1
competenze, consapevolezze, conoscenze
Recap
Cosa abbiamo imparato?
NLP tecniche per l’elaborazione del linguaggio naturale
Processano documenti testuali per consentire ai computer di “comprendere” il
linguaggio così come lo comprendono gli esseri umani
Molti sistemi che usiamo comunemente sono basati su queste tecniche
Motori di ricerca
Sistemi di Question Answering
Sistemi dialoganti
Assistenti Personali (Siri)
Sistemi intelligenti “imitano” alcune delle funzionalità cognitive degli umani
Come ad esempio quella di “ragionare” ed interagire con gli esseri umani attraverso
il dialogo
Ma allora che differenza c’è tra una macchina “intelligente” ed un essere umano?
51Bibliografia
• P. Basile, M. de Gemmis, P. Lops, G. Semeraro. Solving a Complex Language Game by Using
Knowledge-Based Word Associations Discovery. IEEE Transactions on Computational Intelligence
and AI in Games, 2014
• S. Brena, C. Musto, G. Semeraro. Il progetto Mappa Italiana dell’Intolleranza. In AA.VV., La Rete e
il fattore C - Competenze, Consapevolezze e Conoscenze. A cura di Sonia Montegiove, Emma
Pietrafesa, Flavia Marzano, 431-446, Roma, 2014 (eBook).
• A. Halevy, P. Norvig, and F. Pereira. The Unreasonable Effectiveness of Data. IEEE Intelligent
Systems 24(2):8-12, 2009.
• P. Molino, P. Basile, A. Caputo, P. Lops, G. Semeraro. Exploiting distributional semantic models in
question answering. In Proceedings of the 6th IEEE International Conference on Semantic
Computing (ICSC 2012), Pasadena, CA, USA, July 11-17, 2009, pages 146-153, IEEE, 2012.
• G. Semeraro, P. Lops, P. Basile, and M. de Gemmis. On the Tip of my Thought: Playing the
Guillotine Game. In Proceedings of the 21st International Joint Conference on Artificial
Intelligence (IJCAI 2009), Pasadena, CA, USA, July 11-17, 2009, pages 1543-1548, Morgan
Kaufmann, 2009.
• G. Semeraro, M. de Gemmis, P. Lops, P. Basile. An Artificial Player for a Language Game, IEEE
Intelligent Systems 27(5):36-43, 2012.
• Simon Sinek. La questione Millennials. https://www.youtube.com/watch?v=aLo1t5TGLVk
Ringraziamenti
Semantic
Web
Access and
Personalization
research group
www.di.uniba.it/~swap
52Grazie per l’attenzione!
Domande?
http://www.di.uniba.it/~swap/degemmis
marco.degemmis@uniba.it
53Puoi anche leggere
