استخراج البنية
استخراج البيانات الهيكلية أو استخراج البيانات المهيكلة هو عملية البحث عن المعلومات المفيدة واستخراجها من مجموعات البيانات شبه المهيكلة . ويُعدّ استخراج الرسوم البيانية، واستخراج الأنماط المتسلسلة، واستخراج الجزيئات حالات خاصة من استخراج البيانات المهيكلة .
وصف
أدى تزايد استخدام البيانات شبه المهيكلة إلى خلق فرص جديدة لاستخراج البيانات، الذي كان يهتم تقليديًا بمجموعات البيانات الجدولية، مما يعكس الارتباط الوثيق بين استخراج البيانات وقواعد البيانات العلائقية . لا يمكن دمج الكثير من البيانات المهمة والقابلة للاستخراج في قواعد البيانات العلائقية بسهولة، على الرغم من أن جيلًا من مهندسي البرمجيات قد تدرّب على الاعتقاد بأن هذه هي الطريقة الوحيدة للتعامل مع البيانات، وقد طُوّرت خوارزميات استخراج البيانات عمومًا للتعامل مع البيانات الجدولية فقط.
تُعدّ لغة XML الطريقة الأكثر شيوعًا لتمثيل البيانات شبه المهيكلة، وهي قادرة على تمثيل كلٍّ من البيانات الجدولية والهياكل الشجرية. ويتم وصف أي تمثيل مُحدد للبيانات المراد تبادلها بين تطبيقين باستخدام XML عادةً بواسطة مخطط مكتوب بلغة XSD . وتتميز الأمثلة العملية لهذه المخططات، مثل NewsML ، بتعقيدها الشديد، حيث تحتوي على العديد من الهياكل الشجرية الفرعية الاختيارية، والتي تُستخدم لتمثيل بيانات الحالات الخاصة. ويُخصَّص حوالي 90% من المخطط لتعريف عناصر البيانات الاختيارية والهياكل الشجرية الفرعية.
وبالتالي، فإن الرسائل والبيانات التي يتم إرسالها أو ترميزها باستخدام XML والتي تتوافق مع نفس المخطط من المحتمل أن تحتوي على بيانات مختلفة تمامًا اعتمادًا على ما يتم إرساله.
تُشكّل هذه البيانات تحديات كبيرة أمام أساليب استخراج البيانات التقليدية. فقد لا تشترك رسالتان تتبعان نفس المخطط في الكثير من البيانات. وبناء مجموعة بيانات تدريبية من هذه البيانات يعني أنه في حال محاولة تنسيقها كبيانات جدولية لاستخراج البيانات التقليدي، ستكون أجزاء كبيرة من الجداول فارغة.
يفترض تصميم معظم خوارزميات استخراج البيانات ضمنيًا أن البيانات المُقدمة ستكون كاملة. ومن الضروري أيضًا أن تكون خوارزميات الاستخراج المستخدمة، سواءً كانت خاضعة للإشراف أو غير خاضعة له، قادرة على التعامل مع البيانات المتفرقة. بمعنى آخر، تُظهر خوارزميات التعلم الآلي أداءً ضعيفًا مع مجموعات البيانات غير المكتملة التي لا تحتوي إلا على جزء من المعلومات. على سبيل المثال، تتميز الطرق القائمة على الشبكات العصبية ، أو خوارزمية ID3 لروس كوينلان ، بدقة عالية مع عينات جيدة وممثلة للمشكلة، لكنها تُظهر أداءً ضعيفًا مع البيانات المتحيزة. في أغلب الأحيان، يكفي تقديم نموذج أفضل من خلال تمثيل أكثر دقة وموضوعية للمدخلات والمخرجات. ويُعد استخراج النصوص مجالًا بالغ الأهمية، حيث يُمثل إيجاد البنية والنموذج المناسبين المسألة الأساسية .
يُعدّ XPath الآلية القياسية المستخدمة للإشارة إلى العُقد وعناصر البيانات داخل XML. وهو يُشابه التقنيات القياسية المُستخدمة في واجهات المستخدم لأنظمة التشغيل للتنقل بين هياكل الدلائل. لاستخراج البيانات وبنيتها من بيانات XML بأي شكل، يلزم على الأقل امتدادان لتقنيات استخراج البيانات التقليدية. وهما: القدرة على ربط عبارة XPath بأي نمط بيانات، وعبارات فرعية بكل عُقدة بيانات في نمط البيانات؛ والقدرة على استخراج وجود أي عُقدة أو مجموعة عُقد داخل المستند وعددها.
على سبيل المثال، إذا أردنا تمثيل شجرة عائلة بصيغة XML، فباستخدام هذه الامتدادات، يمكننا إنشاء مجموعة بيانات تحتوي على جميع عُقد الأفراد في الشجرة، وبيانات مثل الاسم والعمر عند الوفاة، وعدد العُقد المرتبطة، مثل عدد الأبناء. ويمكن لعمليات بحث أكثر تطورًا استخراج بيانات مثل أعمار الأجداد، وما إلى ذلك.
إن إضافة أنواع البيانات هذه المتعلقة ببنية المستند أو الرسالة تسهل عملية استخراج البنية.
انظر أيضاً
مراجع
- أندرو ن. إدموندز، حول استخراج البيانات ذات البنية الشجرية في لغة XML ، مؤتمر استخراج البيانات في المملكة المتحدة، جامعة نوتنغهام، أغسطس 2003
- غوسفيلد، د.، خوارزميات على السلاسل والأشجار والمتتاليات: علوم الحاسوب وعلم الأحياء الحاسوبي ، مطبعة جامعة كامبريدج، 1997. ISBN 0-521-58519-8
- RO Duda, PE Hart, DG Stork, تصنيف الأنماط ، جون وايلي وأولاده ، 2001. ISBN 0-471-05669-3
- إف. هادزيتش، إتش. تان، تي إس ديلون، استخراج البيانات ذات الهياكل المعقدة، سبرينغر، 2010. رقم ISBN 978-3-642-17556-5
روابط خارجية
- استخراج البيانات