Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Web検索を用いた複合名詞同定
Search
自然言語処理研究室
March 31, 2008
Research
0
60
Web検索を用いた複合名詞同定
沢井 康孝, 山本 和英. Web検索を用いた複合名詞同定. 言語処理学会第14回年次大会, pp.205-208 (2008.3)
自然言語処理研究室
March 31, 2008
Tweet
Share
More Decks by 自然言語処理研究室
See All by 自然言語処理研究室
データサイエンス14_システム.pdf
jnlp
0
330
データサイエンス13_解析.pdf
jnlp
0
380
データサイエンス12_分類.pdf
jnlp
0
290
データサイエンス11_前処理.pdf
jnlp
0
400
Recurrent neural network based language model
jnlp
0
100
自然言語処理研究室 研究概要(2012年)
jnlp
0
100
自然言語処理研究室 研究概要(2013年)
jnlp
0
69
自然言語処理研究室 研究概要(2014年)
jnlp
0
65
自然言語処理研究室 研究概要(2015年)
jnlp
0
120
Other Decks in Research
See All in Research
Scaling Rectified Flow Transformers for High-Resolution Image Synthesis / Stable Diffusion 3
shunk031
0
460
ICLR2024 LLMエージェントの研究動向
masatoto
6
1.9k
Webスケールデータセットに対する実用的なポイズニング手法 / Poisoning Web-Scale Training Datasets is Practical
nttcom
0
120
Discovering Universal Geometry in Embeddings with ICA
momoseoyama
1
350
眠眠ガチャ:ガチャを活用した睡眠意欲向上アプリの開発 / EC71inui
yumulab
0
150
言語間転移学習で大規模言語モデルを賢くする
ikuyamada
6
3.3k
2024-01-23-az
sofievl
1
750
Deep State Space Models 101 / Mamba
kurita
9
3.5k
Julia Tokyo #11 トーク: 「Juliaで歩く自動微分」
abap34
2
1.3k
リサーチに組織を巻き込むための「準備8割」の話
terasho
0
470
説明可能AI:代表的手法と最近の動向
yuyay
1
600
プロシェアリング白書2024_PROSHARING_REPORT_2024
circulation
0
630
Featured
See All Featured
Designing for humans not robots
tammielis
248
25k
How STYLIGHT went responsive
nonsquared
92
4.8k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
60
14k
Web Components: a chance to create the future
zenorocha
305
41k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
14
1.6k
Dealing with People You Can't Stand - Big Design 2015
cassininazir
357
22k
Mobile First: as difficult as doing things right
swwweet
216
8.6k
Designing Dashboards & Data Visualisations in Web Apps
destraynor
226
51k
[RailsConf 2023] Rails as a piece of cake
palkan
23
4k
Gamification - CAS2011
davidbonilla
76
4.6k
Java REST API Framework Comparison - PWX 2021
mraible
PRO
18
6.9k
RailsConf 2023
tenderlove
4
540
Transcript
1 Web 検索を用いた複合名詞同定 長岡技術科学大学 電気系 自然言語処理研究室 沢井 康孝、山本 和英 2008
2 目的 • 複合名詞(複合語) – 低価格ノイズキャンセルヘッドホン – 低価格ノイズキャンセルヘッドホン? – 低価格、ノイズキャンセル、ヘッドホン?
– 低価格、ノイズキャンセルヘッドホン? • 問題 – どこで分割点するか、どこまでが一語か – 分野によって最適な長さは異なる
3 複合名詞同定の調査 • Webを大規模なコーパスに見立てた複合名 詞同定処理を行う – どの程度妥当であるか – 作成される複合名詞の特徴 –
どのような分野に向いているか • 二種類の方法の比較 – ヒット件数 – AND 検索と連接検索の比率
4 提案手法の概要 • 手法1 – ヒット件数に閾値を定める – 先行研究 • 評判情報の抽出
[ 峠ら ,06] • ドメイン特徴語の抽出 • 手法2 – ヒット件数の割合に閾値を定める ヒット件数によって妥当性を判定 ヒット件数 閾値 1000 件
5 概要:複合名詞の同定 • Step1 – 複合名詞候補の抽出 • Step2 – 複合名詞同定処理
– 同定の優先順 (1: 長さ、 2: 値の大きさ ) • 複合名詞の候補 – 対象とする品詞の連接部分 – 対象:名詞、接尾、接頭、未知語、記号
6 同定基準1:ヒット件数 • ヒット件数に閾値を設定 – ヒット件数で妥当性を測る DNS サーバー アドレス 手動 設定 3 3 3
3 3 5 万 2 千 3 万 Hit 数 分割点 ( 閾値 1000)
7 同定基準2:ヒット割合 • ヒット件数の割合に閾値を設定 – AND 検索と連接検索(割合 = 連接 /AND)
DNS サーバー アドレス 手動 設定 3 3 3 3 0 0.01 0.5 0.04 割合 0 0.1 分割点 ( 閾値 0.1)
8 対象テキスト • 様々な語句を対象とする – Web テキスト – Blog, 掲示板
,etc • 対象テキスト – Livedoor Blog – 価格コム掲示板
9 評価方法 • 無作為にサンプリング • 人手による評価 – 被験者3人の平均を利用 – 正解例、不正解例をあらかじめ提示
– 対象の語句が妥当であるか判断 • 形態素数別に評価
10 複合名詞の候補数 形態素数 価格コム 候補自体の精度 2 155585 60944 0.69 3
94116 47839 0.54 4 29983 16199 0.45 5 9533 4853 0.33 Blog × 部長キタ × タイトルうろ覚えビート 形態素数の増加⇔精度の低下
11 同定後の複合名詞の評価 形態素数 ヒット件数 ヒット割合 ヒット割合 閾値 1000 0.1 0.05
2 0.77 0.87 0.91 3 0.80 0.84 0.87 4 0.69 0.80 0.79 5 0.69 0.78 0.81 形態素数が多い複合名詞が良好
12 形態素数 形態素数 2 3 4 5 ヒット件数後 392 197
55 20 ヒット割合後 409 99 25 11 • 2 ~ 5 形態素の複合名詞候補を対象とする – 各形態素数別に 100 件 • 同定処理後の複合名詞の形態素数の変化 • ヒット件数:形態素数が多い • ヒット割合:形態素数が少ない
13 • 検索ヒット数(閾値 1000 ) – 住宅用アルミ / 建材 /
カラーサンプル – USBサウンドデバイス / サウンドカード – 液晶プロジェクタ / 接続用アダプタ – 勝ち組VS負け組 – 等速ダビング / 完了時 – データ / 通信用カード / 形 • 検索ヒット割合(閾値 0.05 ) – 住宅用 / アルミ建材 / カラーサンプル – USB / サウンドデバイス / サウンドカード – 液晶プロジェクタ / 接続用 / アダプタ – 勝ち組 / VS / 負け組 – 等速ダビング / 完了時 – データ / 通信用 / カード形
14 特徴および問題 • ヒット件数 – 長い複合名詞を同定しやすい – ある程度連接すると判断できない – 出現が少ない語彙に弱い
• ヒット割合 – 短く分割する – 出現が少ない語彙に対しても判断できる
15 まとめ、展望 • Web を対象 – 特に形態素数が多い語彙に問題 – 両方の方法で良好な結果 •
2 つの方法を使用する – 処理によって必要とする単位が異なる – 両者に利点と欠点 展望:実際に幾つかのタスクを想定して 比較、実験を行う
16 Web 特有の表現 • Web 特有の表現を幾つか抽出 – なめ ら かさ – こ ー ゆ ー
– めん ど くせ え – ハズ カシ ク ナイ – お k Web を解析する際の辞書として有益?
17 先行研究の精度 • 先行研究 – 人手評価 – 対象:掲示板 – ドメイン固定
• 携帯電話 • 車 • デジタルカメラ 形態素数 ヒット件数 閾値 1000 2 0.81 3 0.78 4 0.73 5 0.79
18 実際の例