Integração de Dados Textuais
Text Data Integration
March 28, 2026
Autores: Md Ataur Rahman, Dimitris Sacharidis, Oscar Romero, Sergi Nadal
cs.AI
Resumo
Os dados apresentam-se em diversas formas. Sob uma perspetiva superficial, podem ser considerados como estando em formatos estruturados (por exemplo, como uma relação, como pares chave-valor) ou não estruturados (por exemplo, texto, imagem). Até agora, as máquinas têm sido bastante eficazes no processamento e na realização de inferências sobre dados estruturados que seguem um esquema preciso. No entanto, a heterogeneidade dos dados coloca um desafio significativo à forma como diversas categorias de dados podem ser armazenadas e processadas de maneira significativa. A Integração de Dados, uma parte crucial do pipeline de engenharia de dados, aborda este problema ao combinar fontes de dados díspares e fornecer acesso unificado aos dados aos utilizadores finais. Até ao momento, a maioria dos sistemas de integração de dados tem-se focado principalmente na combinação de fontes de dados estruturadas. No entanto, os dados não estruturados (também conhecidos como texto livre) também contêm uma infinidade de conhecimentos à espera de serem utilizados. Assim, neste capítulo, começamos por defender a integração de dados textuais, para depois apresentar os seus desafios, o estado da arte e os problemas em aberto.
English
Data comes in many forms. From a shallow perspective, they can be viewed as being either in structured (e.g., as a relation, as key-value pairs) or unstructured (e.g., text, image) formats. So far, machines have been fairly good at processing and reasoning over structured data that follows a precise schema. However, the heterogeneity of data poses a significant challenge on how well diverse categories of data can be meaningfully stored and processed. Data Integration, a crucial part of the data engineering pipeline, addresses this by combining disparate data sources and providing unified data access to end-users. Until now, most data integration systems have leaned on only combining structured data sources. Nevertheless, unstructured data (a.k.a. free text) also contains a plethora of knowledge waiting to be utilized. Thus, in this chapter, we firstly make the case for the integration of textual data, to later present its challenges, state of the art and open problems.