Jaké jsou úskalí při tvorbě KG z nestrukturovaného textu?

Při vytváření znalostného grafu (KG) z nestrukturovaného textu se setkáváme s následujícími hlavními obtížemi:

• Extrahování entit a vztahů: Text často obsahuje jednoznačné nebo kontextově závislé termíny, což ztěžuje správné vymezení entit a jejich vztahů.
• Řešení ko-referencí: Je třeba určit, že různé zmínky (například "on", "ředitel") odkazují na stejný objekt.
• Práce se synonymy a variacemi: Různá slova mohou označovat stejný pojem, což vyžaduje normalizaci a sjednocení.
• Šum a chyby v textu: Překlepy, gramatické chyby a neformální styl komplikují analýzu.
• Chybějící strukturované vzory: Je nutné použít pokročilé metody NLP, například modely neuronových sítí, k extrakci informací.
• Škálovatelnost: Zpracování velkých objemů textu vyžaduje optimalizaci a distribuované výpočty.

Příklad: pro extrakci tripletů (entita — vztah — entita) z věty "Elon Musk založil SpaceX" je třeba správně identifikovat "Elon Musk" a "SpaceX" jako entity a určit vztah "založil" mezi nimi.