Informatieextractie

Informatieextractie is het proces waarbij automatisch gestructureerde informatie wordt afgeleid uit ongestructureerde of halfgestructureerde bronnen, zoals teksten, rapporten, e-mails en webpagina’s. Doel is om relevante feiten, entiteiten en relaties in een computers leesbaar formaat vast te leggen, bijvoorbeeld als records, triples of JSON-structuren.

Belangrijke taken binnen informatieextractie zijn onder meer naamgevingherkenning (NER) voor personen, organisaties en locaties; relatie-extractie die relaties tussen entiteiten identificeert; gebeurtenisextractie die uitspraken over gebeurtenissen en hun deelnemers vastlegt; attribuut-waarde-extractie waarmee specifieke kenmerken van entiteiten worden vastgelegd; en coreferentie om verwijzingen naar dezelfde entiteit te koppelen. De aanpak kan rule-based, statistisch of gebaseerd op machine learning en deep learning zijn. Moderne systemen combineren vaak meerdere stappen in een pipeline: preprocessing (tokenisatie, normalisatie, POS-tagging), entity herkenning, relatie- en gebeurtenisextractie, en normalisatie naar een ontology of kennisgrafiek.

Output van informatieextractie bestaat doorgaans uit gestructureerde data zoals entiteiten met labels, relationele triples of gestandaardiseerde records die gebruikt kunnen worden in zoekmachines, knowledge graphs, dashboards of downstream analysetaken. Veelgebruikte formaten zijn RDF, JSON-LD en tabulaire representaties.

Toepassingen bevinden zich in onder meer business intelligence, compliance en risicoanalyse, informatie-ontsluiting in bibliotheken en wetenschappelijke literatuur, gezondheidszorg en financiën. Uitdagingen zijn onder meer ambiguïteit, ambigu verschillen tussen talen en domeinen, schaarste aan gelabelde data, multimodale bronnen en privacy- en beveiligingsvereisten. Evaluatie gebeurt doorgaans met metrics als precisie, recall en F1, op gestandaardiseerde datasets. Voorbeelden van tools en frameworks zijn onder meer spaCy, Stanford NLP, Stanza, OpenIE en HuggingFace-transformers.