Extrakcia časových údajov z emailov

Rastislav Masaryk

Extrakcia časových údajov zo správ písaných ľuďmi

Rôzne vyjadrenia dátumu a času Vytváranie párov dátum - čas

Popis projektu

Nenašiel som projekt, ktorý by niečo podobné riešil pre slovenský jazyk

Podpora jednoduchého parsovania dátumov je už aj vo vyšších programovacích jazykoch

Datejs – JavaScript knižnica na uľahčenie práce s dátumami a časmi

Moduly pre Python Python-dateutil a Parsedatetime

Chronic – parser dátumových a časových údajov napísaný v Ruby

Prehľad existujúcich riešení

Program sa púšťa cez konzolu. Prvým jeho parametrom je súbor s emailovou správou (*.eml) a druhým (nepovinným) parametrom je slovo, ktoré musí email obsahovať aby bol ďalej spracúvaný

Program je zložený z dvoch častí (Java + C), ktoré sú prepojené cez pipu

Popis riešenia

Časť v Jave slúži na získanie informácií z hlavičky emailu a na konverziu tela emailu do jednotného kódovania

Časť v C rieši vyhľadávanie časových údajov v tele emailovej správy

Vyhľadávam najskôr dátum, ku ktorému sa potom snažím nájsť a priradiť časový údaj

Priradím čas, ktorý je k danému dátumu najbližšie (na počet znakov)

Popis riešenia

4 algoritmy na vyhľadávanie dátumu Sú postavené na regulárnych výrazoch Údaje ako zajtra, pozajtra, včera... Pondelok, utorok, streda... Štandardný zápis dátumu (napr.

23.11.2009) Vyjadrenie mesiacu slovne (napr. 3. Január

2009) 1 algoritmus na vyhľadanie času

Popis riešenia

Testovacie dáta: 32 emailových správ R – 71 informácií o dátume a čase I – program vyhodnotil 66 dvojíc dátum –

čas RI – z toho 44 bolo správnych Presnosť = 44 / 66 = 66,6% Pokrytie = 44 / 71 = 62%

Vyhodnotenie