ドメイン特徴語の自動取得によるWeb掲示板からの意見文抽出

峠 泰成, 大橋 一輝, 山本 和英. ドメイン特徴語の自動取得によるWeb掲示板からの意見文抽出. 言語処理学会第11回年次大会, pp.672-675 (2005.3)

Transcript

1. 1 ドメイン特徴語の自動取得による Web 掲示板からの意見文抽出 峠 泰成 大橋 一輝 山本 和英 長岡技術科学大学 電気系
2. 2 はじめに ▪ Web から大量の情報を取得可能へ  Blog 、 Web 掲示板 、 アクセス解析 etc ▪ 興味や関心など人の感性に対する意見情報 　購入したい商品に対する意見 , 自社製品の評判 　　　　意見情報を収集したい • 商品 A の音は最高 ! • ライトが明るいので 　 見やすい。 • ここの刺身はおいしい • ソフトのバグが多い
3. 3 Web 掲示板について ▪ Web 掲示板 → 意見情報を大量に取得可能 例 )  エンジンも静かでスポーティでいい  最悪なのは、リア、あんな安っぽいリアはない ▪ 問題点  大量の書き込み  多くの時間やコスト 情報をすばやく大量に取得
4. 4 関連研究 ▪ 立石ら (2004) Web 掲示板から対象、属性、評価の 3 つ組表現を取得し、対象 の意見情報を抽出する手法 ▪ 藤村ら (2004) 肯定、否定のタグつき掲示板文書を学習し、単語を分類 　することにより評価表現を取得する手法 ▪ 問題点  ドメインごとの対象辞書作成  自動収集によるノイズの出現
5. 5 意見文の定義 ▪ 意見文の定義  個人による評価や意見を含んでいる文 例 ) ・エスティマの乗り心地は良いです。 ・荷物もたっぷり積めるし、燃費も良いです。 ・とにかく静かです。 ▪ Web 掲示板での意見文の特徴  対象 、属性 、評価 の組み合わせで表現される場合が多い  異表記や表記揺れが多い  主語になる単語が省略されることが多い
6. 6 提案手法 評価表現辞書の適用 ドメインの特徴となる 単語の自動取得 評価表現との共起に よる単語の強さ ・意見文を特徴づける ・製品の評価を決定 ・新しい単語に対応 ・幅広いドメインへの対応 ・同ドメイン掲示板の学習 ・意見情報の強さ 意見情報を獲得
7. 7 抽出プロセス ドメイン特徴語 候補の取得 Google による 関連度の算出 ドメイン特徴語 同ドメイン掲示板 重み付け辞書 単語スコア 及び 単語の重み 付与 意見文スコア算出 単語データ 取得対象 掲示板文書 単語スコア 及び 単語の重み 付与 意見文 基準判定 並び替え 意見文 学 習 部 抽 出 部 データ 処理 上位 10% 下位 50%
8. 8 意見情報の抽出方法 ▪ どのような処理で抽出するのか？ 手がかり　：　評価表現　、　ドメイン特徴語　 etc → 　これらを判定する必要がある ▪ それぞれの表現に対する方法  評価表現　→　　人手により収集した評価表現辞書  ドメイン特徴語　→　ドメイン別に自動収集  意見文の強さ　→　単語の持つ意見情報による判定 　　　　　　　　　　　　　　　　　（単語データ）
9. 9 評価表現について ▪ 意見文を判定するために 評価表現 は大きな手がかり ▪ 評価表現とは 　　・軽い　 　　・良い　　・快適　　・抜群 　　・安っぽい　・汚い　　・遅い　　・嫌だ 　　　　人の評価が含まれている表現 ▪ 評価表現辞書  人手により一般的な評価表現を収集し辞書を作成  1274 表現（掲示板、シソーラス、新聞などより収集） ▪ しかし、これだけの評価表現では数が少ない
10. 10 評価表現について ▪ 汎化規則によりさらに評価表現を収集する ・　動詞 + やすい　　　・　名詞 + 的 　など 　　　　　　　　 20 の規則を作成 ▪ 以上の評価表現を用いて  学習データ作成時の重み付け  意見文判定
11. 11 主題判定 ▪ 入力文に評価の対象となる主題単語が含まれているか？ 　含まれていなければ意見文としての信頼は低い 例 ) { CD } 主題 の使い勝手もなかなか良いですよ。  取得するドメインの違いで主題が変化する 対象掲示板から主題（ドメイン特徴語）を自動取得 検索エンジン　「 Google 」　の検索ヒット数を利用
12. 12 主題判定  主題の自動抽出 → 掲示板の話題 ( 製品名 etc) と主題候補 ➔ 主題候補 ： 未知語 、名詞 、記号列 ( アルファベット )  主題抽出 ： 検索エンジン "Google” を使用 話題（ Key ）と主題候補 (Word) の関連度 R RKey,Word 2⋅HKey,Word HKeyHWord H(*) ： Google による 単語の検索結果数 = 関連度Ｒが 0.01 以上であった単語を主題であると判定
13. 13 単語データ作成 意見文になりやすい単語を取得したい！ ・同じドメインの文書を用いれば、必要な単語を取得できるのでは？ 掲示板の文書を学習すれば得られるのではないか 単語データの作成  単語データとは ・単語が意見文を判別するために必要な影響値の集合 対象　：　名詞、動詞、形容詞、副詞、記号列、未知語
14. 14 単語データの作成 ▪ 作成した単語データ例 単語 意見文 意見文でない 単語スコア 良い 15 4 0.789 快適 10 2 0.833 家族 2 25 0.074 電話 4 9 0.307  単語スコアの算出 W s w i = P p w i  P p w i P n w i  P p ：　意見文で単語 W i が出現する確率 P n ：　意見文以外で単語 W i が出現する確率 ➔ では、意見文か否かの情報のない掲示板文書 　からどのように情報を判断するべきか？
15. 15 単語・文への重みづけ ▪ 入力データ ： Web 掲示板の書き込みデータ ( タグなし ) 学習データは、信頼性の高いデータでなければならない 単語や文へ重みを与えて、意見文判別に使えるデータを取り出す 重み：評価表現辞書　、　強調表現辞書　、主題判定　 etc 掲示板文書は大量にあるから、同じドメインの文書を使って対応 学習データの作成
16. 16 意見文スコアの計算 ▪ 重みを考慮し、単語データを用いて意見文スコアを算出 ▪ 文 s の意見文スコア S(s) ▪ 新出の単語 → 単語データのすべての単語の平均値を付与 S  s = ∑ i W s w i  Average W s ： 　単語スコア Average ： 　単語データの平均値を 　単語数分与えた時の総和 入力文 意見文スコア 静かなのも手伝って、スピード感が殆んどないです。 2.009 ペイントシーラントいいですねぇ 1.924 今あるストックを提示して貰えば話が早そうですね 1.120 0.816 それともステレオとの組み合わせで決まるのですか?
17. 17 単語データへの追加 ▪ 意見文スコアから意見文を推定  意見文として信頼性の高い上位 10% 　　　　　　　　　　　　　　学習データ  意見文として信頼性の低い下位 50% ※ 意見文として扱わない条件　 　 ・　評価表現の有無　　　　・　主題表現の有無 ▪ 学習データを用いて再計算し、単語データに追加  同ドメインの単語を学習 　　　・　ドメイン依存の問題を解決 　　　 　　　・　評価表現との共起の強さも学習
18. 18 評価実験 ( 実験データ ) ▪ 提案手法を用いて、意見文判別をどの程度行うことができるか？ ▪ 評価用データ Yahoo! 掲示板 ： 車、携帯電話のドメインの書き込み  学習データ ： それぞれのドメインの 5 つの製品について の書き込みデータ  評価データ ：ある製品に対する書き込み１００件 　 　　 ( 　車：６５０文　、　携帯電話：５４４文　 )
19. 19 評価実験（評価表現辞書の有効性） ▪ 評価基準 　　 作成した評価表現辞書 　　　　ドメイン依存の関係をどの程度カバーできているかを検討 評価データを入力　→　評価表現辞書の単語が含まれていれば OK ドメイン名 車 35.9 88.0 携帯電話 30.3 89.0 適合率(%) 再現率（%） → 　１割程度削除されてしまうが、ある程度カバーできている
20. 20 評価実験（本手法の有効性） ▪ 入力された文書から、意見文スコアを算出し意見文を取得 ドメイン特徴語をとらえられて意見文を判別できるか？ 　 　　　　　　　　 ・　ドメイン別の単語データ 　　 　　　　　　　 　・　評価表現の有無 　　　　　　 　　・　主題単語の有無　　 etc 意見文スコアの高い順にソート 意見文を取得
21. 21 ドメイン別意見文抽出結果 ▪ 意見文抽出結果 上位に意見文が集まる傾向が見られる （車：上位６０％＝書き込み全体の２割→　８割の意見情報を取得可能）
22. 22 考察（評価表現辞書） ▪ 評価表現の抽出もれ 車のドメイン  （外観）が決まっている  （音）がコトコトなる 携帯電話のドメイン  （音）が割れる  （液晶）が真っ暗 ▪ 詳細な情報まで抽出すべき場合には ドメイン依存への対応 表現の自動取得が不可欠
23. 23 考察（ドメイン特徴語） ▪ 文中での主題判定  Google での検索ヒット数による判定 ” エスティマ”　との結果 良い例 ・　ヴィッツ　、　ＭＰＶ　、　ステップワゴン 　→　車名　 悪い例 ・　色　、　音　→　一般的な単語 ・　ストップワードの作成　　・　主題スコアの検討 etc
24. 24 考察（抽出結果） ▪ 抽出精度  抽出結果の上位に、抽出すべき文がくる傾向 ▪ 特徴 ・　このケータイ、まあまあ気に入ってます。 ・　電源がよく落ちるせいもあるかもですが、ちょっと変です。 ・　意見文をすばやく特定するためには有効 ・　照応解析を重点としての検討が必要 ・　特徴語の意味をさらに考慮する必要がある
25. 25 おわりに ▪ Ｗｅｂ掲示板から意見文を抽出するための手法を提案  意見文になりやすい情報との共起性の学習 　（単語データの作成）  ドメイン特徴語の自動取得 ドメイン依存辞書を作成せず、意見文を上位に収集できた  課題 ・　ドメイン特有の評価表現の取得 　　・　照応解析による主題の推定 　　・　他のドメインでの精度
26. 26 ▪ おわり
28. 28 強調表現への重みづけ ▪ 意見文判別に、表現を強調するような単語を考慮  強調表現とは ➔ 副詞のように表現を強調する単語 例 ) ちょっと足が堅い快適セダンですね。 TTE はとっても魅力的ですね。 強調表現の数 - 副詞を中心に 75 表現を人手により収集  強調表現 ： 単語スコアに 1.5 倍 の重みを与える