Entity Summarization: Analisi dei Metodi e delle Applicazioni

La crescente disponibilit`a di dati semantici all’interno dei Knowledge Graph ha arricchito notevolmente le applicazioni Web. I dati semantici sono comune- mente rappresentati come triple entit`a-propriet`a-valore. Tuttavia, la magnitu- dine di questi dati, in particolare l’elevato numero di triple che descrivono una singola entit`a, rischia di compromettere la fruibilit`a delle informazioni, rendendo difficile per gli utenti individuare quelle pi`u rilevanti a causa di un sovraccarico informativo. Per superare questo limite, negli ultimi anni `e cresciuto l’interesse verso l’Entity Summarization, ovvero metodi di generazione automatica di rias- sunti per le entit`a, volti a soddisfare i bisogni informativi degli utenti in modo efficiente ed efficace. In questa tesi viene introdotto il task di entity summarization, offrendo una classificazione sistematica e una panoramica di alto livello dell’evoluzione metodologica in questo dominio. Gli approcci esistenti possono essere distinti in due principali categorie: metodi tradizionali, prevalentemente non supervi- sionati, basati su metriche quali frequenza, centralit`a e diversit`a per identificare le informazioni pi`u rilevanti. La seconda categoria include invece i pi`u recenti metodi basati sul Deep Learning che hanno dimostrato efficienza ed efficacia su larga scala. Il lavoro esamina l’intero ecosistema del task, strutturandosi at- traverso l’analisi dei dataset di riferimento e delle metriche di valutazione diffuse in letteratura. Infine, vengono discussi alcuni scenari applicativi in cui l’entity summariza- tion risulta particolarmente significativo: la visualizzazione e l’esplorazione dei dati nei sistemi di Information Retrieval, il supporto ai motori di ricerca per la generazione di schede informative (Knowledge Panels).