NAUČNI RAD UDK 004.832.2:025.4 
VLASTITA IMENA U EKSTRAKCIJI INFORMACIJA 
Sandra Gucul-Milojević* 
Univerzitet u Beogradu, 
Filološki fakultet 
* undra01@gmail.com 
Apstrakt: Proizvodnja elektronskih tekstova na vebu, u digitalnim bibliotekama i arhivima povećava se iz dana u dan, a sa njom raste i potreba za odgovarajućim računarskim alatima koji bi korisnicima omogućili jednostavniju manipulaciju tekstom i njegovu lakšu automatsku obradu. 
Prvi deo ovoga rada daje definiciju oblasti ekstrakcije informacija, kratak prikaz istorijskog razvoja metoda koje koristi, vrste i moguće primene. 
Metode ekstrakcije informacija su različite, 
od jednostavnih koje se zasnivaju na sravnjivanju niski (engl. pattern matching) do znatno složenijih koje koriste konačne automate i kontekstno- slobodne gramatike ili statističke modele. 
U drugom delu rada će biti predstavljen i analiziran metod za precizno automatsko prepoznavanje niske u digitalnom tekstu koja predstavlja formu imena i prezimena u srpskom jeziku i engleskih imena transkribovanih na srpski jezik. 
Lična imena predstavljaju značajan deo leksike pisanih tekstovima, posebno novinskih, bilo da su u tradicionalnom ili elektronskom obliku, pa se stoga široko istražuju u oblasti ekstrakcije informacija. 
Metod koji je predstavljen u ovom radu je razvijen u okviru LADL (Laboratoire d'Automatique Documentaire et Linguistique). 
Ključne reči: vlastito ime, ekstrakcija informacija, elektronski tekst, konačni automat, elektronski rečnik, lokalna gramatika, računarska lingvistika 
1. Okean digitalnih reči 
Informatičko društvo stavlja na raspolaganje gotovo neograničenu količinu informacija svakom pojedincu. 
Bez upotrebe inteligentnih, efikasnih aplikacija za ekstrakciju informacija koje se zasnivaju na vrlo naprednim tehnikama i metodama, pojedinac nije u mogućnosti da iskoristi ni delić nesagledivog potencijala koji nude nove tehnologije (Piskorski 1999). 
Ako informaciju definišemo kao rezultat sakupljanja, obrade, manipulacije i organizovanja podataka sa ciljem da se primaocu predstavi novo znanje onda za osnovnu jedinicu informacije možemo uzeti podatak. 
U informacionim tehnologijama podatak može imati različite oblike: može biti predstavljen kao broj (ili sekvenca brojeva), karakter (reč, sekvenca reči...), slika, zvuk, video zapis i sl. 
Bez obzira na oblik predstavljenja podatak se beleži na nekom medijumu: od zida u pećini, na listu papirusa ili kože ili na DVD-ju u savremenom dobu. 
Jedna od karakteristika po kojima se medijumi razlikuju je gustina zapisa, odnosno količina podataka, a prema tome i informacija koje mogu da se smeste na njega. 
Pretpostavimo da je na DVD (Digital Video Disk, Digital Versatile Disk - optički medijum za skladištenje podataka) moguće smestiti oko dve hiljade knjiga u elektronskom formatu1. 
Ako pretpostavimo da je prosečan broj reči po knjizi pedeset hiljada, prostim računanjem dobijamo pretpostavljeni rezultat od stotinu miliona reči koje je moguće smestiti na samo jedan DVD. 
Koliko je reči smešteno na preko dvesta miliona internet stranica?2 
Posmatrajući pojavu iz ovog ugla ne iznenađuje da je pronalaženje tražene informacije jedan od velikih izazova 
čijim se savladavanjem uz pomoć savremene informacione tehnologije bave razne oblasti informatike, kao što su pronalaženje informacija na vebu ili u elektronskom tekstu na računaru korisnika ili pronalaženje traženih dokumenata koji se odnose na zadate ključne reči na vebu ili među dokumentima na računaru korisnika. 
Najveća količina informacija sa kojom se ljudi svakodnevno sreću i moraju da je obrade radi postizanja najrazličitijih ciljeva je u pisanoj formi. 
Jedna od vrlo važnih oblasti u razvoju aplikacija za obradu jezika je oblast koja se bavi automatskim indeksiranjem, klasifikovanjem i pretragom nad ogromnim kolekcijama elektronskih tekstova kao i ekstrakcijom ciljanih informacija iz njih (Grisham 1997). 
Rastući obim tekstova na vebu, u arhivima ili digitalnim bibliotekama i, 
naravno, sve veći broj korisnika koji imaju potrebu da dobiju određene informacije u što kraćem vremenskom periodu, zahteva napredne računarske alate koji bi omogućili lakšu manipulaciju tekstom i izvođenje automatske obrade jezičkih izvora. 
Traže se sistemi za ekstrakciju informacija kod kojih su preciznost i odziv na visokom nivou, koji se jednostavno mogu prilagoditi novim i drugačijim zahtevima i potrebama korisnika, i sve to u što kraćoj jedinici vremena. 
Cilj kome se teži je razvoj sistema za ekstrakciju koji mogu brzo i jednostavno da se prilagode da bi se primenili na tekstove iz drugog domena (ekonomija, politika, sport, finansije...) ili iz drugog vremenskog perioda (na one iz 1940. kao i na one iz 2009. i sl.). 
To su osobine koje omogućavaju navigaciju bez poteškoća kroz more digitalnih informacija. 
1 U obliku word dokumenta sa ekstenzijom .doc. U pitanju je ,,gruba" pretpostavka jer podaci izuzetno variraju u zavisnosti od tipa zapisa: doc, txt, pdf format dokumenta. 
2 http://news.netcraft.com/archives/2010/01/07/january_2010 _web_server_survey.html 
2. Ekstrakcija informacija 
Pretraživanje informacija je oblast informatike koja se bavi potragom za informacijama u dokumentima ili kolekcijama dokumenata. 
Mogu se tražiti sami dokumenti (na osnovu metapodataka koji opisuju te dokumente u vidu ključnih reči ili individualnih termina - time se bavi pronalaženje informacija (engl. Information Retrieval)) ili informacije iz dokumenata - time se bavi ekstrakcija informacija (engl. Information Extraction) (Mitkov 2003). 
Pretraga se može obavljati bilo nad relacionim samostalnim (engl. stand-alone databases) bazama podataka, bilo nad bazama podataka mrežno povezanih hipertekstualnim vezama (engl. hypertextually- networked databases) kao što je World Wide Web (WWW). 
Oba navedena načina pretraživanja su se nezavisno razvijala pa ih prati zasebna literatura, teorija, praksa i tehnologije. 
Pretraživanje informacija je interdisciplinarna oblast, poput većine informatičkih oblasti, koja se zasniva na mnogim naučnim disciplinama: na računarstvu, matematici, bibliotekarstvu, nauci o informacijama, kognitivnoj psihologiji, lingvistici, statistici, da pomenemo samo neke. 
Automatizovani sistemi za pretraživanje informacija se koriste da bi se smanjila preopterećenost informacijama i da bi se do traženog podatka došlo na najbrži mogući način. 
Mnogi univerziteti i javne biblioteke koriste sisteme za pretraživanje informacija da bi obezbedili pristup knjigama, časopisima i drugim dokumentima. 
Neke od podoblasti pretraživanja informacija su: 
1. Prepoznavanje imenskih entiteta: prepoznavanje imena ljudi i organizacija, naziva mesta, vremenskih izraza i određenih tipova numeričkih izraza. 
Za kreiranje ovih sistema se koriste i modeli zasnovani na lingvističkom znanju, a njihov razvoj zahteva mesece rada iskusnih lingvista, i statističke modele. 
2. Ko-referencija: identifikovanje lana- ca imeničkih fraza koje se odnose na isti predmet. 
Na primer, anafora je tip ko- referencije. 
3. Terminološka ekstrakcija: pronalaženje relevantnih termina za dati korpus testova. 
Ekstrakcija informacija je proces koji u neobeleženom tekstu kao ulaznom podatku, koji prepoznaje specifične informacije, a rezultat obrade su jednoznačni podaci nepromenljivog formata. 
Cilj je pronalaženje skrivenih činjenica (engl. silent facts) o unapred definisanim tipovima događaja, naziva i odnosa. 
Po tome se ekstrakcija informacija razlikuje od pronalaženja informacija čiji je cilj pronalaženje čitavih dokumenata koji bi mogli biti relevantni za korisnika. 
3. Od Z. Harisa do DARPA-e 
U istoriji ekstrakcije informacija razlikujemo dva razdoblja: 
prvo karakterišu prvi radovi vezani za izradu ručno napisanih pravila i njihove implemetacije u realnim sistemima, dok drugo karakteriše razvoj sistema zasnovanih na «mašinskom » učenju pravilima (engl. machine learning). 
Današnji stepen razvoja sistema za pretraživanje informacija doprinos je dvaju raznorodnih istraživanja: jedna su počela sa radom nad novinskim člancima u vremenu pre nastanka veba (Pre Web) a druga istražuju posebno struktuirane internet strane (Web). 
Spajanje njihovih rezultata i metoda je u jednom trenutku dovelo do uspona u ovoj oblasti. 
Ideja o pronalaženju relevantnih informacija iz tekstova nije nova. 
Još je 1950. Zeling Haris (Zelling Harris, 1909-1992, američki lingvista i matematičar) naglašavao potrebu da se strukturiše tekst na osnovu metajezičkih podataka. 
Sedamdesetih godina prošlog veka je grupa Linguist String Project sa Njujorškog univerziteta pod sponzorstvom i okriljem Američke medicinske asocijacije razvila sistem koji konvertuje podatke o pacijentima u odgovarajući oblik (posebnu bazu podataka CODASYL (Conference on Data Systems Languages) (Sager 1981). 
Jedan od prvih poznatih IE sistema je FRUMP (Fast Reading, Understanding and Memory Program) Džeralda de Jonga (Jong 1982) 
koji je automatki generisao odgovarajuću listu metapodataka (engl. summary string) teksta koji je procesiran, u pomenutom slučaju, novinskih članaka. 
Generisana lista je mogla da sadrži ključne reči, delove abstrakta, naslov, pojedinačne termine, itd. 
80-tih godina prošlog veka Dasilva (G.DaSilva) i Dvajns (D.Dwiggins) su napravili program koji je na osnovu izveštaja iz čitavog sveta pronalazio informacije o letovima satelita (DaSilva i Dwiggins 1980). 
Međutim, ekstrakcija je za rezultat imala jednu rečenicu i nije postojala mogućnost da pronađena rečenica sa informacijom posluži kao "sidro" i da prikaže čitav izveštaj o letu. 
U isto vreme je Zari (Zarri 1983) počeo rad na razvoju sistema za ekstrakciju koji je za osnovu imao tekstove o raznim francuskim istorijskim ličnostima, a sistem je trebalo da pronađe informacije o odnosima i susretima među njima. 
Kaui (Cowie 1996) je 1981. razvio sistem za esktrahovanje kanonskih struktura biljaka i životinja na osnovu opisa iz vodiča. 
Sistem je koristio jednostavne informaicje za popunjavanje zapisa s fiksnom strukturom. 
Kao jedan od izvora je korišćena popularna knjiga o divljim biljkama. 
Iz svakog opisa pojedinačne biljke relevantni podaci kao što su boja, veličina, oblik su ekstrahovani iz opisa i ubačeni u predefinisanu hijerarhijsku strukturu podataka o biljci. 
Ponavljanjem postupka napravljena je hijerarhijska standardizovana baza koja je sadržala samo značajna svojstva opisa. 
Sva istraživanja osamdesetih se bitno razlikuju od onih devedesetih koja su se razbuktala zahvaljujući konferencijama DARPA i MUC. 
Osnovna razlika u odnosu na prethodna istraživanja je obim kolekcije tekstova nad kojom se istraživanje obavlja. 
Povećanje interesovanja i ubrzani napredak u ovoj oblasti dogodio se zahvaljujući DARPA inicijativi (skraćeno od engl. Defense Advanced Research Projects Agenč) koja je pokrenula niz konferencija 1987. do 1995. koje su podstakle razvoj sistema za ekstrakciju informacija širom sveta. 
Konferencije o razumevanju poruka (engl. Message Understanding Conferences, MUC) su postavile brojne standarde u mnogim oblastima obrade prirodnih jezika, pa i ekstrakcije informacija i znatno doprinele razvoju ovih oblasti. 
Konferencije su okupljale stručnjake vlade Sjedinjenih Američkih Država sa jedne i stručnjake iz oblasti ekstrakcije informacija koji su iznosili svoja dostignuća sa druge strane (Jackson 2002). 
DARPA je kao organizator konferencija postavila za cilj ocenjivanje različitih sistema za ekstrakciju informacija, tako da su se konferencije održavale u takmičarskom duhu. 
Na sedmoj konferenciji u nizu (MUC-7) rezultat ekstrakcije je trebalo da bude unapred definisan izlaz (Chinchor 1998): 
1. entitet sa atributima (šablon elementa, engl. Template Element): 
a) entitet - organizacija, osoba, predmet 
b) lokacija 
2. odnos među dva ili više atributa (šablon odnosa, engl. Template Relation): 
a) lokacija (od) 
b) zaposleni (od) 
c) proizvod (od) 
3. događaj u kojem entiteti učestvuju ili dolaze u određene odnose (šablon scenarija, engl. Scenario Template) 
Istraživači koji rade u oblasti ekstrakcije informacija su na MUC konferencijama predstavili različite metode (tehnike), koje su kasnije i opisane u naučnoj i stručnoj literaturi (Grisham 1996). 
4. Konačni automati u ekstrakciji informacija 
Jedan pristup ekstrakciji informacija zasniva se na metodama leksičkog prepoznavanja i konačnih automata (Manning 2008). 
Sistemi za ekstrakciju zasnovani na leksičkom prepoznavanju i etiketiranju počeli su da se koriste 80-tih godina. 
Grubo govoreći, u fazi analize teksta koja se naziva leksičko prepoznavanje svaki oblik reči iz teksta se sravnjuje sa oblicima iz rečnika, pa je rezultat prepoznavanja dodela svih potencijalnih lema svim prepoznatim rečima iz teksta, kao i dodela svih potencijalnih skupova gramatičkih kategorija. 
Zahvaljujući efikasnoj reprezentaciji teksta i rečnika koju prizvodi i koristi programski sistem, ovo prepoznavanje se, bez obzira na veličinu teksta i rečnika, obavlja vrlo brzo. 
Istaknuti primer ovakvog sistema je Intex3 Maksa Silberštajna (Max Silberstein), a iz koga su se poslednjih godina razvila dva nezavisna sistema, Unitex4 i NooJ5. 
Snaga ovih sistema leži u činjenici da oni tekst analiziraju uz pomoć u njih ugrađenih morfoloških rečnika jezika na kome je tekst napisan. 
Teorijsko- metodološke osnove za izradu elektronskih morfoloških rečnika je postavio Moris Gros (Maurice Gross), 
pa se format u kome se ovi rečnici koriste u sistemima sa leksičkim prepoznavanjem često naziva LADL format prema nazivu laboratorije CNRS-a koju je Moris Gros osnovao i vodio (Laboratoire d'Automatique Documentaire et Linguistique). 
Rečnici u ovom formatu su, osim za francuski jezik, razvijeni i za engleski, grčki, portugalski, ruski, korejski, italijanski, španski, norveški, arapski, nemački, poljski, bugarski i srpski6. 
Proces ekstrakcije se odvija u razvojnom okruženju, a u radu će biti predstavljen sistem Unitex, koji omogućava konstrukciju, implementaciju i eksploataciju sistema konačnih automata. 
U procesu se koriste: 
1. Elektronski rečnici su morfološki rečnici specijalnog oblika koji sadrže iscrpne opise morfosintaksičkih karakteristika leksike nekog jezika i snabdeveni su semantičkim i sintaksičkim markerima. 
Naravno, nije predvidjeno da morfološke rečnike u ovom formatu koristi čovek već su oni pre svega namenjeni za upotrebu u računarskim aplikacijama. 
Rečnike čini sistem rečnika DELAS za proste reči, DELAF za reči sa fleksijama, DELAC rečnik kompozita i DELACF rečnik kompozita sa fleksijama. 
2. Lokalne gramatike u obliku konačnih automata. 
Nakon leksičkog etiketiranja nad elektronskim tekstom se primenjuju konačni automati. 
Oni se povezuju u posebne sisteme gramatika, koje se često nazivaju lokalne gramatike, a u zavisnosti od početnog zahteva pretrage, odnosno željenog cilja pretraživanja. 
Tako izgrađeni sistemi se koriste za ekstrakciju traženih niski ili sekvenci. 
Lokalne gramatike se predstavljaju kao: 
a) regularan izraz - kada sekvencija koju želimo da prepoznamo nije duža od dve ili tri reči, najekonomičniji i najbrži način je da se tražene reči prepoznaju 
postavljanjem pravila regularnim izrazom u kome se mogu koristiti konkretne reči («kuća »), specifični leksički obrasci (            <kuća.N> predstavlja sve flektivne oblike imenice kuća) ili opšti leksički obrasci (              <N> bilo koja reč koja može predsatvljati imenicu). 
3 http://news.netcraft. com/archives/ 2010/01/07/january_ 2010 _web_server_ survey. html 
4 Unitex homepage: http://www-igm.univ-mlv.fr/~unitex/ 
5 Nooj homepage: http://www.nooj4nlp.net 
6 Morfološke elektronske rečnike srpskog jezika raz- vili su C. Krstev i D. Vitas u okviru Grupe za obradu prirodnih jezika koja radi na Matematičkom fakultetu Univerziteta u Beogradu. U trenutku pisanja ovog rada, elektronski rečnik srpskog jezika ima 81.000 lema, odnosno 1,118.000 oblika. 
b) graf predstavlja vizuelni prikaz konačnog automata ili konačnog transduktora (automat «sa izlaznom informacijom »). 
Grafovi prestavljaju vizuelno sredstvo za postavljanje upita u kome se takođe mogu koristiti konkretni oblici reči i leksički obrasci. 
Graf se sastoji od čvorova od koji svaki sadrži, u najjednostavnijem slučaju, leksički obrazac ili regularan izraz, 
a čvorovi su međusobno povezani lukovima. 
Svaki graf sadrži i dva specijalna čvora, početni i završni. 
Graf prepoznaje sekvenciju reči (i interpunkcijskih znakova i drugih karaktera) u tekstu ukoliko postoji put od početnog čvora u grafu do završnog takav da se svi leksički obrasci iz čvorova sravne sa oblicima reči iz teksta u redosledu određenom putanjom iz grafa. 
U složenijem slučaju, u čvoru grafa može da bude poziv drugog grafa 
što olakšava proizvodnju grafova jer se isti, manji grafovi, mogu više puta pozivati unutar jednog grafa, a isto tako se mogu koristiti i za proizvodnju drugih grafova. 
Osnovna načela koje treba poštovati u izradi lokalnih gramatika su: 
a) modularnost (sistemi gramatika se mogu razložiti na manje module po potrebi i kombinovati jedni sa drugima prema zahtevima pretrage) 
b) ekonomičnost (odnos utrošenog vremena i rada za formulaciju upita i kvaliteta dobijenih rezultata) 
v) prilagodljivost (mogućnost adaptacije postojećeg sistema za potpuno drugačije potrebe pronalaženja). 
Ovo poslednje načelo je u ,,tesnoj" vezi sa načelom modularnosti, jer baš moduli olakšavaju brzo prilagođavanje i izradu potpuno drugačije konstrukcije. 
Bilo je pokušaja da se pretraživanje informacija obavlja na osnovu leksičkog prepoznavanja. 
M.Roux, M.El Zant i J.Royauté, članovi francuske istraživačke grupe iz Laboratoire d`informatique fondamentale, konstruisali su sistem koji ekstrahuje vesti o SARS- u iz kolekcije medicinskih članaka (Roux 2006), 
a grupa iz Minhena je razvila sistem iBeCool koji ekstrahuje bibliografske podatke iz elektronskih tekstova (Geierhos i ost. 2008). 
Sistem koji prepoznaje vesti o napadima na nacionalnoj osnovi u novinskim tekstovima na srpskom jeziku je predstavljen u radu (Krstev et al. 2007). 
5. Zašto vlastita imena? 
Vlastita imena predstavljaju značajan deo leksike u pisanim tekstovima. 
Njihov udeo u najvećoj meri zavisi od tipa teksta. 
Velike oscilacije postoje u njihovom pojavljivanju literalnim tekstovima prema novinskim tekstovima. 
Na primer, u srpskom prevodu Orvelove ,,1984"7 od 89,874 reči 1.45% posto (1,280) čine vlastita imena. 
Sličan odnos između ukupnog broja reči i vlastitih imena može se primetiti u mnogim literarnim tektovima. 
Drugačija je situacija u novinskim tekstovima. 
Nakon analize jednog novinskog teksta iz 2004. godine koji ima ukupno 431,332 reči utvrđeno je da vlastita imena čine 6.5% odnosno ima ih 28,039, 
od toga lična imena čine 21.5% (6,021) svih vlastitih imena, ili 1.4% svih reči u tekstu. 
Broj pojavljivanja ličnih imena u novinskim tekstovima je znatno veći a njihovi oblici su raznovrsniji što omogućava najrazličitije analize: frekvencija pojavljivanja ličnih imena, frekvencija pojavljivanja po tekstovima u zavisnosti od teme, autora, godine izlaženja i vrste časopisa tekstova, raznovrsnost oblika pojavljivanja (ime i prezime, samo prezime, nadimak uz ime i prezime, itd.), upoređivanje frekvencija pojavljivanja ženskih i muških imena, na primer u listovima određene tematike, i mnoge druge. 
6. Izazov obrade ličnih imena 
Ekstrakcija ličnih imena i prezimena u srpskom jeziku nije lak posao, iz više razloga. 
1. Homonimija ličnih imena je izuzetno visoka u srpskom jeziku. Na primer: 
a) Neka frekventna prezimena se koriste i kao lična imena - Milić (Milić Vukašinović, Marko Milić) 
b) neka imena upotrebljavaju se kao prezimena - Novak (Novak Tomić, Marija Novak) 
v) Postoje imena koja su u upotrebi za pripadnike i ženskog i muškog roda - Vanja ili Saša 
g) Mnoga imena i prezimena su homonimi sa drugim vlastitim imenima kao što su imena planina (Velebit: Zoran Velebit je danas sleteo u Beograd), reka (Tara: Dali su joj ime Tara), stanovnika nekih gradova, oblasti, zemalja: prezime Kolašinac (stanovnik grada Kolašina), lično ime Sofija (grad Sofija), prezime Ličanin (stanovnik oblasti Like), prezime Bugarin (stanovnik države Bugarske). 
Mnoga mala mesta dobila su imena po prezimenu neke poznate porodice iz tog mesta - Bečići ili Radovići su, na primer, mala mesta na obali jadranskog mora, a ujedno i množina prezimena Bečić odnosno Radović. 
d) Postoje imena i prezimena koja su homonimi sa nekim zajedničkim imenicama, kao što su različite: biljke - ime Dunja (biljka dunja), životinje - prezime Čavka (ptica čavka), profesije - prezime Kralj (funkcija kralj). 
2. Dvosmislenost oblika. 
Mnoga muška imena imaju "odgovarajuće" žensko ime, sa velikim brojem istih flektivnih oblika. 
Na primer: Ivan i Ivana, Zoran i Zorana, Jovan i Jovana i sl. 
3. Mnogi oblici ličnih imena i prezimena su isti kao oblici drugih lema, na primer prideva ili glagola (oblik reči ,,Divna" može biti ime ženske osobe a može da označava i pridev). 
7. Automat za ekstrakciju punih imena ljudi 
Pre predstavljanja konstruisanog sistema automata, potrebno je dati nekoliko važnih informacija: 
1) lema u DELAF e-rečniku ima sledeću strukturu: flektivni oblik, lema, kod reči sa flektivnom klasom+ sintaksički i semantički markeri: gramatičke informacije 
Primer: Sandre, Sandra. N1637+NProp+Hum +First+SR:fs2v 
- Sandre: oblik pronađen u tekstu, 
- Sandra: lema, 
- N:klasa reči u ovom slučaju imenica (Noun), 
- NProp: marker sa značenjem vlastite imenice (Noun Proper), 
- Hum i First: semantički marker sa oznakom ljudskog bića (Human) i ličnog imena (First), 
- SR: marker sa oznakom srpskog jezika, 
- f:oznaka za ženski rod, 
- s: oznaka za jedninu, 
- 2:oznaka za padež, u ovom primeru genitiv i 
- v:oznaka za animatnost (živo). 
Elektronski rečnik ličnih imena u srpskom jeziku je u istom formatu koji se koristi za opštu leksiku. 
Ovaj rečnik se zasniva na zvaničnom spisku stanovnika Beograda iz 1991. godine koji se posmatra kao reprezentativni uzorak čitave Republike Srbije. 
U formiranju rečnika uzeta su u obzir samo imena i prezimena koja se više puta pojavljuju. 
Tako definisan rečnik uključuje približno 3,300 različitih imena i različitih 17,000 prezimena. 
Dodavanjem neprepoznatih imena koja se pojavljuju u analiziranim tekstovima rečnik se stalno dopunjava. 
Osim e-rečnika za srpska imena izgradjen je i e-rečnika za engleska lična imena transkribovana na srpski jezik. 
Ovaj rečnik je izrađen na osnovu Transkripcionog rečnika Tvrtka Prćića (Prćić 1998): imena iz ovog rečnika su uneta u e-rečnik u istom obliku (jedina je razlika semantički marker za jezik koji više nije SR već EN). 
2) Sistem koje će biti predstavljen je urađen u Unitex- ovom vizuelnom okruženju koristeći grafovsku reprezentaciju konačnih automata, jer bi upit napravljen sistemom regularnih izraza bio suviše komplikovan, glomazan i težak za održavanje. 
3) Modularna piramidalna konstrukcija. 
Sistem za ekstrakciju se sastoji od velikog broj osnovnih grafova koji prepoznaju, svaki ponaosob, ime i prezime za svaki padežni oblik i za oba gramatička roda. 
Ovi podgrafovi čine osnovu ove piramide. 
Iznad njih su grafovi koji povezuju u sebi npr. sve grafove za ženska odnosno muška imena. 
Iznad njih je graf koji povezuje grafove za muška i ženska imena u jedinstven graf. 
Pored piramide grafova za srpska imena po istim načelima se gradi piramida za transkribovana engleska imena. 
Objedinjavanjem ta dva viša grafa u jedan, dobijamo graf koji prepoznaje sa velikim odzivom i preciznošću lična imena zadata imenom i prezimenom u novinskim tekstovima na srpskom jeziku. 
8. Izgradnja automata 
U cilju ispravnog prepoznavanja imena i prezimena u tekstu neophodno je precizno opisati njihovu upotrebu i oblike pojavljivanja. 
Naši napredni grafovi za prepoznavanje obuhvataju više različitih formi pojavljivanja ličnih imena: 
1. Dva moguća redosleda imena i prezimena u tekstu: ime+prezime i prezime+ ime. 
To se postiže korišćenjem dva leksička obrasca. 
Na primer, leksički obrazac za pronalaženje ženskih imena upotrebljen u grafu je                <N+First+SR:fs1> , gde je N oznaka za imenicu, First za lično ime, SR za jezik, f za ženski rod, s za jedninu i 1 za padežni oblik, u konkretnom primeru za nominativ. 
Leksički obrazac upotrebljen za lociranje niske koja označava prezime je                  <N+Last+SR:s1> , u kojem su sve oznake iste kao u izrazu za prepoznavanje imena osim što je oznaka +First kao oznaka za lično ime zamenjena oznakom za prezime +Last i rod nije naveden jer su sva prezimena u rečniku muškog roda. 
Graf koji obuhvata ovakvo korišćenje ženskih imena je dat na slici 1. 
Ovaj konkretan graf je izgrađen za prepoznavanje ženskih imena u nominativu. 
Slika 1: dva moguća redosleda imena i prezimena 
2. Pravilo slaganja između imena i prezimena s obzirom na: 
a) rod. Na odnos između imena i prezimena u znatnoj meri utiče njihov redosled i gramatički rod. 
Prezimena u kombinaciji sa muškim ličnim imenima pojavljuju se isključivo u obliku nominativa u redosledu prezime+ ime (Jovanović Marko, Jovanović Marka, Jovanović Marku...), dok u redosledu ime+prezime prezime podleže fleksiji (Marko Jovanović, Marka Jovanovića, Marku Jovanoviću...). 
Ime podleže fleksiji i u jednom i u drugom slučaju. 
Kada su u pitanju prezimena u kombinaciji sa ženskim ličnim imenima redosled nije od značaja: u oba slučaja prezime se ne menja po padežima dok se ime nenja (Milena Novaković, Milene Novaković, Mileni Novaković prema Novaković Milena, Novaković Milene, Novaković Mileni...). 
Izuzetak su samo neka ženska imena stranog porekla koja se završavaju na konsonant, kao Ines koja se po pravilu ne menjaju. 
Ona su obeležena markerom +Const. 
b) padežni oblik kod muških imena. 
Ovde se misli na slaganje padeža u redosledu ime+prezime, u kojem i prezime i ime podležu fleksiji, pa je neophodno njihovo odgovarajuće slaganje. 
v) Neobavezna upotreba titule ispred imena. 
Jednim podgrafom obuhvaćene su titule koje se najčešće upotrebljavaju ispred imena i prezimena (dr, ing, mr...). 
Ovaj graf nije restriktivan i prepoznaje i titule napisane pogrešno, jer analizirani novinski tekstovi pokazuju da se mnoge titule često pišu pogrešno, npr. dr. Milena Novaković. 
g) Neobavezna upotreba drugog prezimena. 
Pojava dodavanja drugog prezimena posle sklapanja braka nije neuobičajena pojava u Srbiji. 
Ova pojava se znatno češće sreće kod žena pa je uključena samo u grafove koji prepoznaju puna imena žena. 
Ovom opcijom predviđena su dva oblika dodavanja prezimena, sa i bez crtice između dva prezimena. 
d) Neobavezna upotreba nadimka između imena i prezimena ili posle prezimena. 
Leksički obrazac koji prepoznaje nadimak ženske osobe je                    <N+Nick+SR:fs1> , dok obrazac                      <N+Nick+SR:ms1> , prepoznaje nadimak muške osobe. 
Oznakom +Nick je obeležen nadimak u rečniku srpskog jezika u elektronskom obliku. 
đ) Neobavezna upotreba očevog imena između imena i prezimena. 
Slučaj je predviđen u grafovima za pronalaženje ličnih imena oba roda, a leksički obrazac koji prepoznaje očevo ime je:                        <N+First+SR:ms2> . 
Primetimo da je u pitanju genitiv (2) jer se ime oca upotrebljava u tom padežnom obliku bez obzira u kom je padežu celo ime (Sandra Miodraga Gucul, Sandre Miodraga Gucul...). 
e) Neobavezna upotreba inicijala očevog imena između imena i prezimena. 
I ovaj slučaj je predviđen u grafovima za pronalaženje i muških i ženskih ličnih imena, 
a leksičkim obrascem predviđena su dva slučaja: inicijal nakon kojeg sledi tačka (Sandra M. Gucul) i bez tačke (Sandra M Gucul). 
Podgraf prikazan na Slici 2 predstavlja sintezu svega navedenog (za slučaj punog ženskog imena u nominativu). 
Slika 2: podgraf IP_F_sr_1 koji prepoznaje srpska ženska imena u nominativu jednine 
Kada se graf sa slike 2 primeni na korpus ekonomist8 pronalazi se 110 punih ženskih imena u nominativu od kojih su neka: 
že biti ažurnija`. Ana Trbović je napomenula da se otnu sredinu Srbije Anđelka Mihajlov uručila je 9. jula i telekomunikacija Marija Rašeta-Vukosavljević Prema onačelnica Beograda Radmila Hrustanović "S druge stran vredu u Vladi Srbij Zora Simović kazala je da će Sav nomist (v. str. 18) Vida Petrović Škero , sudija Vrhovnog ik u tom parlamentu Verica Marković , ujedno potpredsed ciju izvoza (SIEPA) Jasna Matić pozvala je 13. maja enoloma "Jelen Do" Milka Marinković izjavila je da je p bu protiv korupcije Verica Barać izjavila je da je S 
Piramidalno, za svaki padežni oblik napravljen je po jedan podgraf koji se razlikuje od ovog predstavljenog samo po oznaci za padež. 
Na primer, umesto leksičkog obrasca                          <N+First+SR:fs1> koji je upotrebljen u grafu koji pronalazi puna ženska imena u nominativu, u grafu koji pronalazi srpska ženska imena u genitivu oznaka za nominativ 1 biće zamenjena oznakom za genitiv 2 pa će pomenuti obrazac izgledati                            <N+First+SR:fs2> . 
Sličan je postupak i za ostale obrasce koji se koriste u grafu, kao i za ostale padeže (dativ 3, akuzativ 4, itd.) 
8 5asopis ,,Ekonomist" - tekstovi sakupljeni sa on-line verzije časopisa (http://www.ekonomist.co.yu/) u periodu 2004./05, veličina korpusa je 413.000 reči. 
Na ,,višem nivou" u izgrađenoj piramidi je graf koji ,,okuplja" sva puna srpska ženska imena u svim padežima, odnosno sve podgrafove za sve padežne oblike: 
IP_F_sr_1+ IP_F_sr_2+ ... + IP_F_sr_7 = Im_Prez_ F_sr 
Isti postupak je paralelno urađen i za muška imena. 
Graf koji objedinjuje grafove koji pronalaze puna srpska muška i ženska imena u svim padežnim oblicima je graf IM_Prez_FM_sr predstavljen na Slici 3. 
Slika 3: graf Im_Prez_FM_sr koji pronalazi sva imena oba roda na srpskom jeziku 
Rezultat pretrage nad istim korpusom je 1368 pronađenih sekvencija koje odgovaraju upitu. 
Neka od pronađenih punih imena su navedena ispod. 
Primetimo da neka od pronađenih imena nisu u nominativu. 
stituta iz Zagreba, dr Dragomir Vojnić , govori kako Slove o je njihov advokat Dragan M. Repić .On je rekao da su svog predlagača. Milan Milo Radulović , kandidat Stranke Oljoprivrede Srbije Ivani Dulić-Marković poslat je dopis a kakvim, po rečima prof. dr Radomira Simića sa Rudarsko- geološ nansija i ekonomije Božidarom Đelićem , koga će naslediti zacija se nastavlja Aleksandar Vlahović , ministar za privr vine. Po mišljenju Vesne Rakić Vodinelić njeno uvođenje o je novog vlasnika Aleksu Zekanovića iz Valjeva, koji je Istorija finansija Vasilije J. Milić , "Novac, kredit 
Isti postupak izgradnje grafova od osnovnih ka višim urađen je i sa engleskim imenima. 
Konačno, spajanjem grafova koji pronalaze srpska i engleska imena u jedan graf (Im_ Prez_FM_all = Im_Prez_FM_sr + Im_Prez_ FM_en) dobijamo glavni graf koji pronalazi puna imena u tekstovima u elektronskom obliku na srpskom jeziku. 
Rezultat pretrage nad istim korpusom ovim istim grafom je 1396 pronađenih ličnih imena: 
Buš zaista pobedio Ala Gora na izborima. Kako p objavljivanje pisma Slobodana T. Jovanovića iz Beograda u . Beranac Mihailo Milo Marković nastavnik, kao preds , istakla je Pave Župan-Rusković , Hrvatska jedina profesor ekonomije dr Antun Škundalić kaže: "Hrvatska ni generalnog direktora Dragana Miladinovića da zabrani ulazak u rs oko poželjnog. Alenu Grinspenu , predsedniku centr inansijski direktor Džon Konors kaže da u kompaniji američki predsednik Džordž Buš . Stranke moraju da ritanskog premijera Tonija Blera zbog njegove ratne 
Podgrafovi i grafovi mogu se kombinovati na različite načine u zavisnosti od potrebe istraživanja ili zahteva korisnika. 
Na primer, moguće je pronaći puna ženska imena (srpska ili engleska transkribovana na srpski jezik) u svim flektivnim oblicima u tekstu na srpskom jeziku, jednostavnim kombinovanjem grafa koji pronalazi sva srpska ženska imena u svim oblicima (Im_Prez_F_sr) i grafa koji pronalazi sva ženska imena transkribovana na srpski jezik u svim oblicima (Im_Prez_F_en) u novom grafu. 
Im_Prez_F_all = Im_Prez_F_sr + Im_Prez_F_en 
Konstruisani grafovi i podgrafovi mogu se koristiti i za preciznu ekstrakciju ne samo punih imena osoba već i funkcija koje te osobe obavljaju ili njihovih zanimanja. 
Konstruisali smo skup grafova koji precizno modeliraju neposredno okruženje prepoznatih imena. 
Zahvaljujući tim grafovima i modularnosti čitavog sistema moguće je do određene granice rešiti i ,,Ahilovu petu" sistema. 
Naime, lična imena kojih nema u rečniku neće biti pronađena. 
Međutim, možemo da pronađemo ova nepoznata imena gledajući u neposredno okruženje prepoznate funkcije ili profesije. 
Konačno, naš sistem za pronalaženje punih imena pokazuje visoku preciznost (najveći deo pronađenih sekvenci je ono što se i tražilo) i visok odziv (najveći deo traženih sekvenci je i pronađen). 
Precizna analiza ovih parametara izlazi iz okvira ovog rada. 
9. Zaključak 
Razvoj računarske lingvistike protekle decenije u velikoj meri je doprineo proučavanju jezičkih fenomena i jezika uopšte. 
Ta istraživanja inspirisana su delom i računarstvom, koje je omogućilo korišćenje automatskih metoda u obradi prirodnih jezika (Natural Language Processing - NLP). 
Automatizovani sistemi za pronalaženje i inteligentno korišćenje informacija nalaze široku upotrebu u različitim naučnim oblastima u cilju maksimalnog smanjenja preopterećenosti informacijama. 
Jedno od izuzetno važnih problema u ekstrakciji informacija je i prepoznavanje imenovanih entiteta. 
Širenjem oblasti u kojoj ekstrakcija informacija ima primenu raste potreba za preciznijim prepoznavanjem imenovanih entiteta. 
Problem prepoznavanja imenovanih entiteta fokusira se na tri velike oblasti: prepoznavanje vlastitih imena (ličnih imena, imena organizacija i lokacija), vremenskih izraza (datum i vreme) i izraza za količinu (procenata, novčanih vrednosti). 
Vlastita imena kao podklasa imenovanih entiteta predstavljaju značajan deo mnogih tekstova. 
Gotovo da ne postoji tekst na nekom prirodnom jeziku koji ih ne sadrži, a njihov broj se menja iz dana u dan, nastaju nova, a neka stara gube na značaju i izlaze iz upotrebe. 
Problem njihovog prepoznavanja je prilično složen i dizajneri aplikacija zasnovanih na obradi prirodnih jezika ih rešavaju na najrazličitije načine. 
Predstavljen model za precizno prepoznavanje ličnih imena ćemo primeniti i na prepoznavanje ostalih imenovanih entiteta, kao što su imena ulica i organizacija. 
Literatura 
Chinchor, Nanč A. 1998. MUC-7 Information Extraction Task Definition (version 5.1). U Proceedings of the 7th Message Understanding Conference (MUC-7), Fairfax, Virginia. 
Chinchor, Nanč A. 1998. MUC-7 Named Entity Task Definition (version 3.5). U Proceedings of the 7th Message Understanding Conference (MUC-7), Fairfax, Virginia. 
Cowie, James R. i Wendž G. Lehnert. 1996. Information Extraction. U Communications of the ACM, Vol. 39, br. 1. 80 - 91. NY, USA: ACM New York 
DaSilva, Georgette i Don Dwiggins. 1980. Towards a PROLOG Text Grammar. U ACM SIGART Newsletter br. 73. 20-25 
Geierhos, Michaela, Olivier Blanc i Sandra Bsiri. 2008. iBeCOOL - Extraction d`informations biographiques dans les textes financiers. U Proceedings of the Lexis and Grammar Conference 2008, 27th International Conference on Lexis and Grammar. 10.09.- 13.09.2008, L`Aquila, Italien. 241-248 
Grisham, Ralph i Beth Sundheim. 1996. Message Understanding Conference - 6: A brief history. U Proceedings of the 16th International Conference on Computational Linguistics (COLING), I, Kopenhagen, 1996, 466-471. 
Grisham, Ralph. 1997. Information Extraction: Techniques and Challenges. U Lecture Notes In Computer Science; Vol. 1299 . 10-27. London, UK : Springer- Verlag. 
Jackson, Peter i Isabelle Moulinier. 2002. Natural Language Processing for Online Applications - Text retrieval, extraction and categorization. Philadelphia : John Benjamins Publishing Company 
Jong, Gerald de. 1982. An overview of the FRUMP system. U Strategies for Natural Language Processing ur: W.G. Lehnert i M.H. Ringle, 149-176. 
Krstev, Cvetana, Sandra Gucul-Milojević, Duško Vitas and Vanja Radulović. 2007. Can We Make the Bell Ring?. U Proceedings of the Workshop on a Common Natural Language Processing Paradigm for Balkan Languages, 26 September 2007, Borovets, Bulgaria ur. E. Paskaleva, M. Slavcheva. 15-22. 
Manning, Christopher D., Prabhakar Raghavan i Hinrich Schütze. 2008. Introduction to Information Retrieval. Cambridge University Press. 
Mitkov, Ruslan, ur. 2003. The Oxford Handbook of Computational Linguistics. Oxford University Press Inc. 
Piskorski, Jakub i Günter Neumann. 2000. An Intelligent Text Extraction and Navigation System. U Proceedings of the RIAO-2000, 1015-1032. 
Prćić, Tvrtko. 1998. Novi transkripcioni rečnik engleskih ličnih imena. Novi Sad : Prometej 
Roux, Michael, Manal El Zant i Jean Royauté. Projet EPIDEMIA- Intervention des transducteurs Nooj. IX INTEX/NooJ konferencija 2006. godina (knjiga apstrakata). Beograd, Srbija. 
Sager, Naomi. 1981. Natural Language Information Processing: A Computer Grammar of English and its Applications. London: Longman Higher Education. 
Zarri, Gian Piero. 1983. Automatic representation of the semantic relationships corresponding to a French surface expression. U ACL Proceedings, Conference on Applied Natural Language Processing (Santa Monica, Calif.). 143-147. 
