1. Dall’Intelligenza Artificiale al Natural Language Processing Matteo Conci Clara Craffonara Martina Delladio “ Colorless green ideas sleep furiously.” www.pinobruno.it
2. Talk to ELIZA I'm unhappy. Do you believe it is normal to be unhappy? Yes, sometimes, but not always. I am always unhappy. Did you come to me because you are always unhappy? Yes. I want to be happy again. What would it mean to you if you got to be happy again? It would be great. I would live my life with a new motivation. Can you elaborate on that? I would go out with my friends and I maybe find a boyfriend. You don't seem quite certain. My father doesn't believe that I find a boyfriend. I'm not sure I understand you fully.
16. Il correttore ortografico L ’utente inserisce una parola Vindiamo Il software verifica se essa è presente nel dizionario Il software non segnala errori Il software esegue lo stemming ( Vind ) Il software cerca nel dizionario le parole con distanza di Levenshtein minore e le suggerisce all ’ utente Il software verifica se il tema è presente nel dizionario Si No Si No
17. Il correttore ortografico La distanza di Levenshtein misura il numero di caratteri che devo modificare per trasformare una stringa in un ’altra. Dist. Levenshtein (CANE, PANE) = 1 Dist. Levenshtein (CANE, GATTO) = 4
18.
19. La semantica È la branca della linguistica che si occupa di studiare il significato delle frasi. Ad esempio Mangio una pesca e una pera La pesca del tonno è in crisi Si riferiscono a due ambiti semantici differenti. Come facciamo a far capire automaticamente il campo semantico ad un PC?
20. La classificazione semantica delle parole Ad ogni parola viene associato un certo numero di etichette che ne identificano la semantica. Es: Espresso {Colazione, Treno, Caffè, Pasto, ... } Il software analizza le parole contenute in un documento e cerca l ’area semantica d’appartenenza per intersezione. Colazione Trasporti Treno Ritardo Cappuccino Espresso Brioches
21. Problemi legati a questo tipo di trattazione È sufficiente un approccio meramente statistico, che non tenga in considerazione la grammatica? (Es: Dopo una sana ed abbondante colazione ho preso l ’espresso delle 8. Semantica dell’espresso: colazione) È possibile catalogare tutte le parole? Come possiamo trovare una classificazione universale? Ogni termine usato come “etichetta” è a sua volta classificabile?
22. L ’utente chiede una pagina al server (www.repubblica.it) Il proxy la carica al suo interno DansGuardian la legge Se al suo interno ci sono troppe parole vietate, la pagina non viene mostrata Se non trova troppe parole sospette, la pagina viene trasmessa all ’utente Il filtro web: DansGuardian
23. Dimmi chi? e ti rispondo Servizio della Provincia Autonoma di Trento. Esegue l ’analisi delle domande allo stesso modo di un chatterbots e fornisce informazioni sull’anagrafe della pubblica amministrazione trentina (indirizzi, numeri di telefono, orari). Basta inviare un sms al 338 8888 188 con la domanda e il sistema invia la risposta. Es: DOMANDA: “A che ora parte un Bus da Trento per Arco domani?” RISPOSTA: PART Trento (autostaz.)Ore 6.23 ARR Arco (autostaz.) ore: 7.25 Tipo: Bus Extraurbano – INFO TEL 0461 821000
24. Il web semantico Attraverso dei formati standard l ’utente etichetta tutte le informazioni contenute nel suo sito manualmente e crea un’ ONTOLOGIA , ovvero una serie di regole che leggano queste etichette e le possano tradurre in testo completo , secondo una gramamtica semplice e strutturata. E ’ in questo modo possibile che da frasi come: Giorgio Napolitano, Presidente della Repubblica, vive a Roma Si estraggano informazioni in linguaggio naturale: Giorgio Napolitano è il Presidente della Repubblica Il presidente della repubblica vive a Roma
25. Talk to ELIZA asdjas maybe djskal djsakd Can't you be more positive? no. thfd dfladf dark and negative You are being a bit negative. dnaskd you djaksdj djaskfjhvd You're not really talking about me, are you? the color of dkas is green That is quite interesting. I want to be fdskafa again What if you never got to be fdskafa again? all the adhfakdf are dkfsfe What does that suggest to you?