Získávání strukturovaných informací z nestrukturovaných strojově čitelných dokumentů, angl. information extraction. Řešení úlohy spočívá v tzv. rozpoznávání pojmenovaných entit (named entity recognition), tj. slov a slovních spojení, která v textu vystupují jako jména lidí, geografické názvy, jména produktů, názvy organizací, časové a množstevní údaje atp., a také vztahů (relací) mezi nimi, jako jsou např. ceny zboží v elektronických obchodech, data a místa narození lidí, výsledky sportovních utkání apod., ve formě tzv. znalostních bází (knowledge base). Cílem procesu extrakce informací je jejich jednodušší zpřístupnění. Již ✍Harris (1958) se zabýval tím, jak zjednodušit vyhledávání ve vědecké literatuře, a navrhl metodu, jak identifikovat základní sémantické struktury v této oblasti a jak do těchto struktur mapovat vědecké články.

Prvním krokem v extrakci informací bývá rozpoznávání pojmenovaných entit (✍Grishman & Sundheim, 1996), které má využití i v jiných úlohách, např. zodpovídání dotazů (question answering); viz ↗zodpovídání dotazů. Pojmenované entity mohou být v závislosti na konkrétní úloze omezeny na různé typy. Často se rozlišují entity typu osoba, organizace, místo, ale může jít i o zcela jiné (výrobky, služby) n. detailnější kategorie (organizace vládní, komerční, neziskové, sportovní atd.), často hierarchicky organizované. Metody rozpoznávání pojmenovaných entit lze rozdělit do dvou základních typů a jejich kombinací: (1) heuristické metody využívající ručně psaných pravidel založených na společných rysech jejich výskytů v textu (např. slova začínající velkým písmenem následované zkratkou „s r.o.“ znamenají pravděpodobně název firmy); (2) sekvenční modely založené na metodách pro značkování slov, ve kterých značky odpovídají typům entit (např. hidden Markov models, ✍Bikel & Miller ad., 1997; maximum entropy Markov models, ✍Mikheev & Grover ad., 1998; conditional random fields, ✍Finkel & Grenager ad., 2005).

Dalším krokem extrakce informací bývá řešení koreference (coreference resolution), tedy identifikace výrazů, které odpovídají jedné entitě (např. „Václav Havel“, „prezident“, „manžel“, „on“) a ve výsledku vystupují pod stejným identifikátorem. Posledním krokem celého procesu je detekce relací, která se opět řeší buď heuristickými metodami založenými na ručně konstruovaných pravidlech využívajících povrchové n. hloubkové analýzy textu (např. „[osoba] narozen dne [datum] v [místo]“ může vést k získání informace o datu a místě narození konkrétní osoby), n. metodami využívajícími strojového učení a nejrůznějších rysů (✍Kambhatla, 2004), případně jejich kombinace.

V oblasti extrakce informací probíhalo několik evaluačních kampaní, ty nejvýznamnější zahrnují série MUC (Message Understanding Conference) v letech 1987–1997, ACE (Automatic Content Extraction) v letech 2000–2008 a KBP (Knowledge Base Population) roku 2009.