Diccionario de Entidades Colombianas - Extraccion de Informacion

He trabajado las ultimas semanas en un sistema basado en bootstrapping para capturar automaticamente Entidades (Personas, Lugares, Organizaciones del ambito colombiano) de Texto puro.

La idea de estos diccionarios es que sean utiles en diferentes tareas en las areas de Extraccion de informacion y mineria de datos.
Agrege ciertas entidades de manera manual  y espero seguir agregando nuevas entradas para posteriormente crear una taxonomia de diccionarios.

Para completar la lista agrege un diccionario de jerga latinoamericana (Inclueyendo expresiones multipalabras (Multiword Expressions)) generada automaticamente. Tambien una lista creada manualmente de adjetivos positivos, negativos y sensoriales que pienso extender proximamente.

El repositorio Diccionario de Entidades Colombianas en Github contiene las listas.
Aqui dejo una descripcion

Diccionario de Entidades Colombianas

Esta es una lista de Gazeteers( Diccionarios de Entidades) generados automatica y manualmente. Contiene diccionarios de:

Personas

• Politicos Colombianos
• Senadores Colombianos por Partido
• Presidentes Colombianos
• Periodistas Colombianos
• Criminales Colombianos
• Atletas Colombianos
• Actores Colombianos

Locaciones

• Ciudades Colombianas

Organizations

• Empresas Colombianas
• Equipos Colombianos de Futbol
• Abreviaciones de Organizaciones Colombianas
• Bandas de Musica Colombianas

Utilidades

• Lista de Adjetivos Negativos
• Lista de Adjetivos Positivos
• Lista de Adjetivos Sensoriales
• Lista de Jerga Latinoamericana con expresiones multipalabra

Semisupervised Learning - Label Propagation

I attach my slides for my seminar presentation on "Semisupervised Learning - Label Propagation ".
The slides are based on the paper: "Learning from Labeled and Unlabeled Data with Label Propagation " by  the very famous Xiaojin Zhu

Implementations of Label Propagation:

Java Label Propagation by Kohei Ozaki
Junto by Partha Pratim Talukdar
Label Propagation (C++ Implementation) with visualization by Kohei Ozaki

Slides

Automatic Generation of Domain Models for Call Centers from Noisy Transcriptions

I attach my slides for my seminar presentation on "Ontologies and Knowledge Representation".
The slides are based on the paper:
"Automatic Generation of Domain Models for Call Centers from Noisy Transcriptions " by  Shourya Roy and Venkata Subramaniam

The paper considers an automatic way to build a taxonomy from raw text. It also considers potential applications of the automatic built taxonomy

Presentacion sobre Tecnologias del Lenguaje

Hace poco hice una corta presentacion para la semana de la expresion en la Universidad del Valle sede Tulua sobre Tecnologias del Lenguaje.

Me aventure a realizar mi presentacion con www.prezi.com
La presentacion esta disponible aqui para quienes quieran verla,usarla o mejorarla;
http://prezi.com/3azvcqs6rtkr/ensenandole-a-la-computadora-a-hablar-semana-expresion-2012-univalle/

Para mas informacion sobre el evento http://comunicaciones.univalle.edu.co/InformesPrensa/2012/noviembre/OC-299-2012.html

Como funciona Google Search Voice de Android - Sistema de Preguntas-Respuestas

La nueva versión de Android introduce un sistema de búsqueda por voz mas sofisticado que en versiones anteriores.

Pero como funciona esta tecnología? entienden realmente estos dispositivos lo que Preguntamos?.

Como puede responder a preguntas como:  ¿Cuando es el día del padre, o ¿Cual es la capital de Suecia?

Los Lenguajes naturales son la interfaz de usuario mas avanzada, imaginen un dispositivo que pueda entender en principio todo lo que decimos,

seria impresionante no? imaginen que en vez de programar en 'lenguajes de programación' pudiéramos darles ordenes a un alto nivel a nuestros dispositivos en espaniol, imaginen a la abuelita programando!

En este post intentare explicar los principios de como funcionan los sistemas de Preguntas & Respuestas..

Imagen tomada de : "70 things to try with Google's Android 4.1 Voice Search"

La diferencia entre Conocimiento e Información

Vivimos en la era de la información, o eso dicen, pero ¿que quiere decir exactamente?

para mi quiere decir que tenemos acceso a gran cantidad de contenidos y al mismo tiempo

que estamos en capacidad de generar contenidos y compartirlos con otros.

Por ejemplo: compartimos contenido cuando tweeteamos, cuando opinamos sobre productos en twitter estamos generando información, generamos información cuando publicamos en 4square que estamos en un restaurante y que nos agrada o detestamos lo que ordenamos para comer.

Conocimiento es usar grandes cantidades de información para establecer ,por ejemplo, patrones de comportamiento, tomar decisiones, predecir sucesos.

generas información cuando escuchas música y usas el scrobber de last.fm para almacenar las canciones que has escuchado durante el ultimo anio, conocimiento es cuando last.fm en base a todas esas canciones te recomienda una canción nueva que probablemente te agrade.

Ahora mismo vivimos un boom en cuanto a la generacion de conocimiento, el boom esta tomando lugar por que existen las plataformas para generar y compartir informacion. Esto implica dos problemas:

1. Es demasiada información ? como procesarla?, de allí el éxito de la computación en la nube y frameworks como hadoop que facilitan a los desarrolladores trabajar en ambientes distribuidos

2. La información no esta estructurada, es decir no es una gran Base de datos a la cual podemos consultar con sql, todo lo que la gente escribe en blogs, foros, twitter,facebook,reddit es lenguaje natural.. el reto esta en como extraer información y relaciones entre la información descrita en estos lenguajes.

Recuperación de Información

Recuperación de información es lo que ha hecho Google durante todo este tiempo. Formalmente es: dado un conjunto de palabras clave, retornar una lista de documentos que se relacionen con las palabras clave.

Este es el paradigma que hemos usado todo este tiempo, Si es el mejor o no, es una discusión.

Lo que si es cierto, es que queremos optimizar nuestro tiempo, no queremos perder nuestro tiempo buscando y leyendo documentos que no nos interesan.

Imagina que quieres comprar un nuevo teléfono , el teléfono X, probablemente antes de comprarlo quieras saber:

1.Que opina la gente que ya compro ese teléfono

2.Comparativas entre el teléfono X y sus competidores mas cercanos

Lo que tu haces, es generar distintas búsquedas en Google, leer un foro, probablemente alguien hizo una pregunta en Yahoo Answers como "cual teléfono debo comprar el X o el Y?" ..etc.. generas varias búsquedas, lees un poco de los resultados arrojados.. ¿talvez buscas algo relacionado en twitter?, y finalmente tomas tu decisión.

Imagina un sistema, que no solo indexe la información de la web si no que ademas razone sobre ella,que entienda lo que esta escrito.

Entonces le podrías decir que te haga un resumen/compendio sobre el teléfono X, y en vez de una lista de sitios web , te devuelva talvez una lista solo con las opiniones, comparaciones que es realmente lo que te interesa para tomar tu desicion...

esto, para mi, es la recuperación de inforamcion en el futuro...¿por que? : por tiempo (vas a usar menos tiempo), el resultado que obtengas sera tan preciso como sea tu pregunta, y si no es precisa sera un overview a gran escala de muchas fuentes diferentes, así, talvez los resultados que obtengas no sea información si no, conocimiento, eso es el poder de la información.

Ok... lo anterior fue un poco de fantasía, talvez en 5? 10? anios?, no lo se.

Aterrizando un poco al 2012 creo que Google le apunta a ello, tienen la información y quieren procesarla, de allí apuntarle a los sistemas de preguntas y respuestas.

Sistemas de Pregunta/Respuesta

A un sistema de preguntas y respuestas, le lanzas una pregunta, el sistema en vez de responderte con una lista de documentos que se relacionen con las palabras en la pregunta, te da una respuesta concreta o cercana a la pregunta que fue ingresada.

¿Esto es magia?.. no, es procesamiento de lenguaje natural.

Lo que probablemente esta haciendo Google en estos momentos es generando una ontologia ( una representación del conocimiento) donde se especifican conceptos y relaciones entre esos conceptos. Creo que ello hace parte de lo que ellos llaman "TheKnowledge Graph" , si van al sitio web, pueden navegar entre conceptos (ejemplo: Italia) y como se relaciona un concepto con otros (ejemplo: Italia<-> davinchi).

La que probablemente están haciendo es algo llamado: OpenInformation Extraction, que consiste en extraer conceptos y relaciones de texto en lenguaje natural.

Por ejemplo, a partir de un noticia que diga:

"La esposa de barack obama, michell, ha participado con la fundación X..."

El sistema de Google extrae un registro:

( michell obama, participar, fundacion X)

Obviamente mas relaciones son posibles aun para este ejemplo juguete que acabo de dar.

Ejemplo:

(michell, esposa de, obama).. (fundacion X, trabaja con, michell obama)....

A partir de esos registros crea una ontologia como la 'the knowledge graph' automáticamente.

Obviamente esto requiere muchos procesos relacionados con inteligencia artificial , tienes que entrenar sistemas para que reconozcan cosas mas avanzads por ejemplo que a partir de una relación como :

 "X fue asesinado por Y" se concluye que otra relacion : "X esta muerto"

se que parece muy sencillo, pero a nivel computacional es muy muy difícil, por que involucra lo que llamamos "sentido común"...

Apatir de esta ontologia se puede crear un sistema que permita responder preguntas, aquí el sistema tiene que 'entender la pregunta'.. y en base a ello calcular la posible respuesta

¿Como entender la pregunta y encontrar la respuesta?

Lamentablemente no contamos con sistemas muy avanzados con respecto al entendimiento de lenguajes. En mi humilde opinión, solo son trucos estadísticos que crean la fantasía que la computadora puede entender lo que decimos.

Supongamos que la pregunta al sistema es, "donde murio Michael Jackson?".

El componete del sistema encargado de procesarla se fija en varias cosas:

1,Encontrar una partícula que le indique que tipo de pregunta es y que es lo que esta buscando.

en este caso "Donde" le indica que lo que esta buscando como respuesta es una "locación", lo que sea la respuesta debe de ser en su base de conocimientos una "locación"..

2.Encontrar el tema de la pregunta, tiene que descartar las palabras menos relevantes, y encontrar la mas predominante, en este caso el tema es "michael Jackson".

3.Usar las palabras del contexto para encontrar posibles relaciones. en este caso podría ser la palabra "morir"..

A partir de ello el sistema sabe que va a buscar algo en la ontologia que tiene que ver con "Michael Jackson", que lo que va a retornar como respuesta tiene que ser una locación en la ontologia, y ademas que la relación entre ese lugar y "Michael Jackson" tiene que ver con: "muerte","morir"..

Peros...

Pero como saber si todas las relaciones que se extraen son correctas? que tal si alguien escribe: "Michael Jackson murio en Bogota, Colombia..."" entonces la Base de conocimientos es errónea..y las respuestas serán erradas..

Lo que ocurre en este tipo de casos es que muy probablemente Google descarta las relaciones encontradas en ciertos sitios, o usa por ejemplo el sistema de búsquedas actual lanzando una búsqueda como "michael jackson muere en bogota" si esta consulta arroja menos de cierta cantidad de resultados entonces la considera como una relación falsa.

Una pregunta con la partícula "Donde" es fácil de responder, buscas un lugar, pero ¿que pasa con: "Como" o "Por que"?..

estas preguntas requieren un razonamiento mas avanzado, y no creo que tengamos pronto un sistema que pueda resolverlas.

Finalmente..

El tema de lenguaje natural es algo filosófico al momento:) lo que si es seguro es que companias como Google y Apple le apuesten fuertemente a iniciativas en esta dirección, y en mi opinión el siguiente gran salto en interfaces de usuario va relacionado con poder entender los lenguajes naturales y poder generar frases en estos lenguajes tal que estas frases suenen lo menos robóticas posibles. (alguien ha escuchado a Hatsune Miku? <3 )

este es un articulo divertido con varias preguntas que le hacen al sistema "70 things to try with Google's Android 4.1 Voice Search"

Espero este articulo les de una idea de como funcionan ciertos servicios, los cuales probablemente se van a volver muy sofisticados en los próximos anios.

@dav009

Analizadores Sintacticos : Dependency Parsing

Analizadores Sintacticos : Dependecy Parsing

Un Analizador Sintactico es un componente de Software cuya entrada es una oracion especificada en un lenguaje (formal o no formal) y como salida arroja una estructura que representa las relaciones entre los componentes de la oracion de entrada.

En Ciencias de la computacion normalmente un parser o analizador sintactico es un sub-componente de los compiladores de los lenguajes de programacion.

Este componente se encarga de asegurarse que las intrucciones esten definidas correctamente segun una gramatica.

Adicionalmente el analizador sintactico retorna una estructura de datos, usualmente un arbol que establece relaciones entre los componentes de la oracion de entrada, usualmente este arbol es usado posteriormente por un analizador semantico que se encarga de 'traducir' el significado de una oracion a lenguaje de maquina.

 Los lenguajes de programacion se consideran lenguajes formales y parsearlos es, digamos, un problema resuelto.

Parsing en Procesamiento de Lenguaje Natural

En el procesamiento de Lenguaje Natural existen componentes de software que analizan sintacticamente una oracion. Sin embargo en el contexto de lenguajes no formales el reto es mas complicado, existen una gran cantidad de variaciones, y posibilidades para expresar ideas, de manera correcta.
A nivel Linguistico existen muchas discusiones en las que se debaten como saber si algo es gramatical o no, la mejor respuesta al momento es: preguntele a un nativo de ese idioma si una frase es gramatical o no.

A nivel de Lenguaje Natural existen algoritmos de parseo muy conocidos como es el Algoritmo de CYK(Cocke–Younger–Kasami),  este algoritmo recibe una gramatica libre de contexto que especifica las reglas para formar oraciones correctas en un lenguaje (por ejemplo: espaniol, ingles...etc) y apartir de estas reglas es capaz de establecer : 

• Si una oracion  es correcta o no con respecto a la gramatica
• En caso de ser una oracion correcta construye un arbol de derivacion sintactica. Es decir un arbol en el cual se especifica la relacion entre los componentes de la oracion con respecto a la gramatica especificada

El arbol en la imagen representa la salida de un analizador sintactico para la oracion "john ha limpiado la impresora". 

NP= Noun Phrase (frase Nominal)
Aux=Verbo Auxiliar
VP=Verb Phrase (Frase Verbal)
Det =Determiner = Determinante
N=Noun=Sustantivo

Este arbol fue establecido a una gramatica que define cada uno de los componentes anteriormente mencionados. Las gramaticas en este caso CFG( context free grammar) usualmente se escriben en notacion BNF.
En esta gramatica almenos deberia existir una regla que diga por ejemplo que:

S=NP AUX VP
Npr= John
N=impresora
NP=Npr | DET N
...

Para poder generar este tipo de arboles sintacticos se necesita de un experto, seguramente un linguista que pueda especificar las reglas del lenguaje que se desea modelar. Ello puede ser un trabajo muy arduo y complicado, se necesitan muchas reglas para poder capturar la esencia de un lenguaje.

Dada la dificultad mencionada se empezo a usar aprendizaje de maquina para construir analizadores sintacticos que puedan aprender en base a un conjunto de ejemplos con arboles de parseo.
De esta forma no se necesita de la especificacion de miles de reglas para cosntruir un analizador que arroje resultados medianamente buenos.

Dependency Parsing 

El analisis sintactico que mencione en la seccion anterior genera arboles que establecen la relacion entre los constituyentes linguisticos de una oracion, es decir establece cual es la verbo de una oracion, y atraves de la construccion del arbol establece cual es posible sujeto y objeto de una oracion.

Este tipo de parseo resulta no solo computacionalmente caro (la complejidad de CYK(O(N^3)) ) si no que ademas el resultado es dificil de usar en las aplicaciones.

Los analizadores sintacticos nacieron de  la necesidad de tener un analizador sintactico que sea computacionalmente mas 'barato' y cuyos resultados sean mas faciles de usar a nivel aplicativo.

Un analizador sintactico retorna como salida un Grafo dirigido no ciclico, este grafo recibe el nombre de grafo de dependencias.

En este grafo las palabras corresponden a Nodos y las aristas corresponden a relaciones entre palabras.

Cada arista del grafo tiene una etiqueta que identifica la relacion entre las dos palabras.

Ejemplo:

En este ejemplo 'Subj' significa que la relacion entre john y hit, es la de 'sujeto'.

Y que 'the' es el determinante de 'Ball'.

Es una estructura mucho mas simple que la de un arbol de constituyentes (La imagen del primer ejemplo) porque es una estructura mas facil de procesar computacionalmente hablando, pues no contiene otros constituyentes anidados como es el caso del primer ejemplo.

El parseo por dependencias se usa en una gran cantidad de aplicaciones, por ejemplo en extraccion de informacion para identificar cuales son los objetos asociados a una relacion, extraccion de entidades...

Existen dos implementaciones de Analizadores sintacticos muy famosas, el MaltParser  y el MSTParser.

MaltParser
Web: http://www.maltparser.org/

El MaltParser funciona usando un algoritmo basado en transiciones.

Basicamente tiene una serie de estados y un clasificador basado en ejemplos es capaz de determinar para cada caso en particular que estado es el mas adecuado para llegar a un grafo de dependencias correcto.

Para la toma de esta desicion el clasificador entrenado toma en cuenta que tipo es la palabra que actualemtne esta analizando, que otras palabras se encuentan alrededor, que otras relaciones ha identificado al momento.

El Maltparser ha arrojado en sus experimentos buenos resultados con lenguajes cuyo orden es menos flexible por ejemplo: chino, ingles, espaniol.

Para lenguajes donde el orden es flexible Mlatparser tiene problemas , es el caso de turco y checo por ejemplo.

Lo anterior se debe a que el MaltParser asume ciertas restricciones sobre los grafos de dependencias, estas restricciones no le permiten manejar cierta cantidad de construcciones que son mas comunes en lenguajes cuyo orden es mas flexible.

MSTParser
Web: http://www.seas.upenn.edu/~strctlrn/MSTParser/MSTParser.html

MST(Maximum Spanning Tree)

Este Constructor de Analizadores Sintactico aprende al igual que el Malt apartir de una serie de ejemplos parseados.

Apartir de esos ejemplos el MSTParser es capaz de calcular una funcion que dado un grafo evalua que tan probable es que ese grafo sea correcto. Apartir de esa funcion esta estrategia busca dada una oracion, el grafo para esa oracion cuyo valor  es el maximo.

El MST es en otras palabras un problema de optimizacion donde se busca el grafo con mayor peso posible segun una funcion de peso.

Comparacion

Ambos Malt y MST tienen puntajes excelentes de porencima del 80% analizando sintacticamente diferentes lenguajes.

El MaltParser usa un algoritmo que es Voraz (Greedy) para cada estado dentro de su procesamiento escogera aquel que parezca de momento el mas adecuado. En contraste el MSTParser busca dentro todo el espacio de posibles grafos, cual seria la combinacion mas apropiada para obtener el grafo mas probable.

Ambos tienen sus ventajas y desventajas. Por ejemplo el MaltParser es capaz de capturar con mejor rendimiento construcciones particulares, esto con el costo que un error sera propagado para el resto de las desiciones a tomar.

Algunos Papers han propuesto la union de ambos metodos, como es el caso de: Integrando MST y MALT

Material Sobre el tema: Diapositivas de una mis presentaciones acerca del tema en un Seminario de mi maestria.

Computacion Distribuida - Hadoop y otros frameworks

Procesar lenguaje natural usualmente plantea tres escenarios:

1. Se requiere procesar una gran cantidad de datos para obtener buenos resultados
2. El procesamiento que tiene que realizarse es muy complejo (computacionalmente hablando)
3. La combinacion de los escenarios anteriores.

Cuando trabajas en estos escenarios rapidamente puedes quedarte corto de poder computacional. Es decir, obtener resultados toma mucho tiempo, o simplemente no obtienes resultados.
La opcion mas obvia es actualizar la maquina con mas memoria ram o procesador, pero esta no es una solucion escalable a medida que el volumen de datos o la complejidad de diferentes procesamientos empiezan a aumentar.
Es alli cuando viene la idea de formar clusters de computadoras. En vez de tener una super computadora que resuelva el problema, es mas eficiente, barato y escalable tener muchas computadoras que puedan resolver un problema de manera conjunta.
Escalable? si, porque aumentar el poder computacional consiste simplemente en agregar nuevas computadoras al cluster.

Desde el punto de vista del desarrollo de software, resolver el problema en el cluster plantea retos, primero el problema tiene que ser divido, luego tiene que asignarse porciones de ese problema a cada maquina dentro del cluster y adicionalmente debe existir un mecanismo de comunicacion entre cada computadora para resolver el problema eficientemente.
Aqui es cuando Hadoop entra en juego.

Hadoop

Hadoop es  un sistema de archivos distribuido basado en el google file system y adicionalmente es un framework con el paradigma map and reduce que facilita el desarrollo de soluciones de manera distribuida.  Es decir, que para el usuario de hadoop es transparente todo lo relativo a como se distribuye y se solucionan los problemas a bajo nivel, el desarrollador solo se preocupa por la logica para solucionar el problema.

Hadoop empezo como una extension a apache lucene (framwork de recuperacion de informacion) y como una alternativa libre luego que google publicara un paper donde describian un sistema de archivos distribuidos que ellos llaman Google File System.
Eventualmente Yahoo, que tenia problemas de escalabilidad y estaba construyendo su propia solucion decidio aportar al desarrollo de Hadoop contratando a algunos de sus desarrolladores y usando Hadoop para solucionar varios problemas de escalabilidad en su buscador.

Hadoop es usado por companias como facebook, last.fm y yahoo.

HDFS (Hadoop Document File System)

Empezare por el sistema de archivos llamdo Hadoop Document File System (HDFS), es basicamente un sistema de archivos distrubidos basados en el GFS.
En un sistema de archivos distribuidos un archivo no se encuentra en su totalidad en una maquina, sino que se encuentra distribuido entre diferentes maquinas, y adicionalmente esta replicado 3 veces para asegurar su persistencia.

Ventajas

La capacidad de almacenamiento en discos duros ha aumentado notablemnte en los ultimos 10 anios, sin embargo la velocidad de lectura no va al mismo ritmo.
Esto quiere decir que leer un archivo por completo en un solo disco duro va a tardar mas, que si leemos pequenos trozos de el, en muchos discos duros al mismo tiempo.
Esto representa rapidez y escalabilidad en cuanto a capacidad de almacenamiento.

Map and Reduce

Map and reduce tambien fue introducido por Google, es un concepto muy sencillo basado en dividir y conquistar y el paradigma funcional.

Map and reduce es un paradigma para plantear y resolver un problema. De esta forma el desarrollador expresa su problema usando este paradigma y hadoop se encarga de todos los detalles a bajo nivel que tiene que ver con computucion distribuida.

Map & Reduce consiste basicamente en la definicion de dos funciones: la funcion Map, y la funcion Reduce.

La funcion Map se encarga de partir la entrada en subproblemas en tuplas (llave,Valor) , la funcion Reduce se encarga de unir las tuplas cuya llave es la misma, y resolver el problema en particular.

Por ejemplo, si quisieramos leer un texto y hacer una tabla de frecuencias de cuantas veces aparece una palabra usando map & reduce tendriamos algo parecido a:

 funcion map(Texto):  
  Para Palabra en Texto:  
       emitir(llave: palabra, 1)  

 funcion reduce(llave, valores):  
      cuentaTotal=largo(valores)  
      emitir(llave, cuentaTotal)  

Map en este caso se encarga de leer cada palabra del texto de entrada y de emitir un evento con una tupla, cuya llave es la palabra, y un valor, en este caso 1.

Reduce se encarga de recibir una llave con una lista de valores. Esta lista de Valores es la concatenacion de varios valores emitidos por map con la misma llave.

Reduce cuenta cuantos elementos tiene la lista, lo cual equivale a cuantas veces ha sido vista la palabra llave. Finalmente emite un evento, donde registra el resultado de contar cuantas veces fue vista la palabra llave.

Ejemplo:

suponga que el texto es:

 "A B C D A A B C"

map emitiria: (A,1) , (B,1) (C,1), (D,1) (A,1)(A,1),(B,1),(C,1)...

por lo cual la funcion Reduce seria llamda con los siguientes valores:

   reduce(A, [1,1,1]) , como resultado emitiria : (A,3)

   reduce (B, [1,1]),  como resultado emitiria:    ( B,2)

   ...

Para el desarrollador en hadoop bastaria con implementar estas dos funciones.

Todo lo demas estaria acargo de Hadoop. 

A continuacion escribo una breve descripcion sobre otros framework construidos sobre hadoop y que facilitan tareas de desarrollo.

Cascading

Para problemas mas complejos un solo map & reduce no es suficiente, probablemnte se requieran de varios map-reduce.

En este tipo de problemas el desarrollo puede convertirse en algo sucio, pues se tienen que manejar una cantidad de llaves ,tuplas y transformaciones entre tuplas.

Cascading es un framework hecho sobre hadoop que ayuda a desarrollar problemas mas complejos siguiendo el paradigma map & reduce.

Web: http://www.cascading.org/

Hive

Es un framework de Datawarehousing que funciona sobre hadoop. 

Las bases de datos corrientes funcionan sobre estructuras de datos basadas en B-Trees.

El problema con estas estructuras de datos es que tienen limites de escalabilidad.

Facebook  funcionaba sobre una BD oracle, en su momento cuando tuvo problemas de escalabilidad empezo a usar hive para hacer analisis sobre sus bases de datos.

Hive permite hacer consultas en un lenguaje muy parecido a SQL, la diferencia es que estas consultas corren a bajo nivel con procesos map&reduce,  y que la base de datos esta distribuida usando HDFS.

web: http://hive.apache.org/

Mineria de Tweets en Espanol

[ Offtopic Primer post,quiero seguir escribiendo en español porque no hay mucha información sobre Procesamiento del lenguaje Natural escrita en espaniol. Sin embargo espero perdonen mis bajos niveles ortográficos  y especialmente mi desinterés por escribir con tildes. ]

Luego de leer este post: 

 http://highwire-dtc.co.uk/2011/05/real-time-twitter-topic-clustering-and-data-visualisation/ 

sobre  extracción de información ingenua en twitter, me decidí a realizar una re-implementación  para espaniol. La re-implementación la realice en 1 día.

En la imagen se ve un árbol que relaciona los términos mas relevantes y populares escritos por los tweeteros colombianos en la ultima semana de febrero.

 Aproximadamente 4000 tweets. 

Cada nodo blanco representa un keyword, y los nodos naraja representan tweets acerca de ese tema. 

Cada arista conectando dos nodos representa un termino adicional.

Por ejemplo en este árbol el termino principal es "FARC" apartir de ese termino se desprenden otros conceptos que tienen que ver con la raíz. por ejemplo : secuestrados.

Extracción sobre los Trends de la ultima semana de Febrero para Colombia

Extracción sobre  los Trends de la ultima semana de Febrero para Colombia

Extracción sobre "cosasQueAmanLasMujeres" (Al parecer comprar: ropa, zapatos, tacones, helados y besos en el cuello  y sufrir por amor[según los tweets] )

El post sobre visualizacion en tiempo real de tweets, me causo curiosidad porque se parece en algo a mi trabajo actual, así que decidí reproducir los resultados lo cual no fue muy difícil pues la implementación mencionada en el post tomo tan solo 2 días y es bastante simple.

El español en extracción de información implica mayores dificultades que el ingles, 

puesto que las herramientas de base para la construccion del extractor tienen menos precisión que las herramientas usadas para ingles. Además el español es morfologicamente mas activo que el ingles.

Me decidí a seguir en general las mismas pautas establecidas para la extracción propuestas por el post, agregando pequeñas adaptaciones para extraer menor cantidad de basura. Así que aplique los siguientes pasos:

1. Cargar Tweets en base a un Query. i.e: "Uribe Velez"
2. Preprocesar los Tweets. quitar tildes y caracteres indeseados i.e : "#"
3. Aplicar POS(Part of Speech) Tagging. 
4. Quitar palabras cuyas etiquetas POS no interesen
5. Quitar StopWords
6. Calcular la frecuencia de las palabras
7. Clasificar los tweets extraidos en base a las palabras con mayor frecuencia usando un árbol.

POS (Part of Speech) Tagging: Es un tarea común en el procesamiento del Lenguaje Natural , consiste en encontrar una etiqueta para cada palabra de una cadena de caracteres. Esa etiqueta equivale a la función gramatical de la palabra dentro de la cadena.

Por ejemplo:

si la cadena de entrada es : "Juan visita Alemania"

Un POS tagger puede etiquetar la cadena de la siguiente forma "N V N"

donde :

• N(Noun) indica que "Juan" es un Sustantivo
• V(Verb)indica que "visita" es un Verbo
• N(Noun) indica que  "Alemania" es un Sustantivo

 POS tagger es una herramienta que realiza POS Tagging. 

Un POS tagger puede ademas retornar información adicional por ejemplo , cual es el infinitivo de un verbo, si identifico que una palabra era un verbo.

Esto resulta útil, porque muchos tweets se pueden referir a un mismo verbo con diferentes inflexiones en tiempo y numero.

Por ejemplo un tweet puede decir "comprando" , mientras otro "compre".

 La infomacion de POS tagging es útil para que el árbol  final sea mas refinado y que no existan variaciones para acciones comunes, que se refieren exactamente a la misma actividad.

Para realizar el POS tagging se uso TreeTagger, creado por Helmut Schmid de la Universidad de Stuttgart. [1]

StopWords son palabras comunes que no aportan ningún sentido. Artículos como "el" , "eso", "ella", y algunas preposiciones suelen ser muy comunes y suelen ser removidas.

Existen listas ya establecidas de Stopwords, por ejemplo el paquete nltk[3] para python trae una lista pre-establecida de stopwords que pueden ser usadas.

Calcular la frecuencia de las palabras, consiste en encontrar, luego de toda la limpieza ya mencionada , las palabras mas populares de los tweets.

Esas palabras son usadas en la construccion del árbol.

Para la visualizacion del árbol se uso Gource. [2]

[1] http://www.ims.uni-stuttgart.de/projekte/corplex/TreeTagger/

[2] http://code.google.com/p/gource/

[3] http://www.nltk.org/