Разработка системы извлечения информации из текстов на русском языке в области криминалистики

В данной статье описывается подход к разработке системы извлечения информации из текстов на русском языке в предметной области «Криминалистика». Для начала опишем подробнее поставленную задачу. Разрабатываемая система должна извлекать из текстов встречающиеся в них именованные сущности, такие как люди и организации, события. Также для извлеченных сущностей должны заполняться их атрибуты, такие как имя, фамилия, пол, дата рождения для людей, название и тип для организаций, время и место для событий. Между событиями и именованными сущностями должны выделяться семантические связи, с указанием семантической роли зависимых сущностей (например, субъект и объект). Разные семантические сущности описывающие один реальный объект (человека, организацию или событие) должны склеиваться посредством разрешения кореференции с объединением их аттрибутов. Для анализа текстов в системе используется библиотека RCO FX Ru, которая использует подход, основанный на правилах. Эта библиотека предоставляет следующую информацию: список всех семантических сущностей, выделенных из текста, их морфологические и синтаксические атрибуты, а также синтактико-семантический граф каждого предложения. Для решения задачи был построен и размечен корпус текстов, разработана онтология предметной области, на основе RCO FX реализована система правил и шаблонов, извлекающих необходимые сущности, события и связи между ними. После анализа текст преобразовывается в модель rdf и сохраняется в rdf-хранилище. Также в системе реализован модуль визуализации, позволяющий пользователю просматривать результаты анализа текстов, осуществлять поиск среди выделенной информации, и использовать различные фильтры, отсеивающие наиболее важную информацию. Используемый в системе подход позволяет извлекать информацию из предметных текстов с точностью 70-80% при полноте 30-35%.