Wikipediaのエントリ-リダイレクト関係を対象にした同義関係抽出

大野 潤一. Wikipediaのエントリ-リダイレクト関係を対象にした同義関係抽出. 長岡技術科学大学課題研究報告書 (2011.3)

1. Wikipediaのエントリ-リダイレクト 関係を対象にした同義関係抽出 長岡技術科学大学 電気系 山本研究室 06102491 大野 潤一
2. 研究背景 同義語は， 　文章の換言や要約など 　テキスト処理の分野に必要な語彙知識である ①
3. 既存研究 文脈や語句に依存しない手法 • 言い換えが可能な括弧表現の抽出法　[岡崎ら(2007)] という表現から同義語を抽出 • 国語辞典からの類義表現抽出とSYNGRAPHデータ構造 による柔軟マッチング　[大西ら(2006)] 　　から[アイス，アイスクリーム]の同義語対を抽出 　→ 高精度で語句対を抽出しているが，新聞や辞書を 　 　　コーパスとしているため，新語や俗語に弱い ②
4. 提案手法 新語や俗語など頻度の低い語について ◦更新性の優れるオンライン辞書Wikipediaを用いる (2010年11月2日時点のダンプデータを使用) 高い適合率を達成するためにリダイレクトページと 　 エントリページの関係を利用する Step1 前処理による文の整形を行う Step2 語彙統語パターン(同義とみなせる表現)を 整形後の文章と照合する ③
5. Step1 前処理 エントリ名:マテガイ，リダイレクト名:馬刀貝 ④
6. Step2 語彙統語パターン 1)名詞をキーワードとした語彙統語パターン →キーワード前後の名詞，記号列中に[redirect]が存在した 場合，エントリ名とリダイレクト名を同義と判定する 2)文末表現をキーワードとしたパターン 　 →キーワードより前の名詞，記号列中に[redirect]が存在した 　　 場合，エントリ名とリダイレクト名を同義と判定する 3)括弧表現を用いたパターン 　 →エントリ本文内での小括弧(　)に対して行う処理 　　 括弧内に[redirect]が存在したら同義と判定 ⑤
7. 評価実験 エントリ-リダイレクト対から2,000件を無作為に抽出 人手で以下の４種類に同義関係を分類 前処理を施した後，同義判定を行った 同義関係種類 語句対数 エントリ―リダイレクト対例 同義異語句対 373 広島城―鯉城 略語対 533 神一ダム―神通川第一ダム 同義異表記対 574 浅葱色 あさぎ色 非同義対 520 灰汁―あく抜き ⑥
8. 実験結果 2,000件のエントリ-リダイレクト語句対について 全体の適合率 92.1% (151/164) 各同義語句対の再現率 ※1：(抽出数/文中に[redirect]が存在する語句対数) ※2：(抽出数/[redirect]が存在しない語句対も合わせた全対数) 同義関係種類 ペアを限定した再現率※1 ペア全体の再現率※2 同義異語句対 41.3% ( 52/126) 13.9% ( 52/ 373) 略語対 28.6% ( 48/168) 9.0% ( 48/ 533) 同義異表記対 39.8% ( 51/128) 8.9% ( 51/ 574) 全同義語対 35.8% (151/422) 10.2% (151/1480) ⑦
9. 実験結果 2,000件のエントリ-リダイレクト語句対について 全体の適合率 92.1% (151/164) 各同義語句対の再現率 ※1：(抽出数/文中に[redirect]が存在する語句対数) ※2：(抽出数/[redirect]が存在しない語句対も合わせた全対数) 同義関係種類 ペアを限定した再現率※1 ペア全体の再現率※2 同義異語句対 41.3% ( 52/126) 13.9% ( 52/ 373) 略語対 28.6% ( 48/168) 9.0% ( 48/ 533) 同義異表記対 39.8% ( 51/128) 8.9% ( 51/ 574) 全同義語対 35.8% (151/422) 10.2% (151/1480) 406,835件のエントリ-リダイレクト対から 　36,068語句対を抽出 ⑦
10. 考察:再現率について エントリ名に対応するリダイレクト名が文中に存在し なかった 異表記対や略語対は文字列が似ているため 本文中で説明されづらい 再現率の向上には， 語彙統語パターンの拡張 Webページやスニペッドなど Wikipedia以外の語彙資源を用いる ⑧
11. 考察:誤り解析 • 本手法で抽出した161対の内， 　　　　　　　　　　　　　　　10対が非同義語句対 • 限定をあらわす表現 「特に･･･なものは[redirect]と呼ばれる」 「･･･を除いて[redirect]と呼ばれる」 「単に･･･という場合は[redirect]を指すことが 多い」 ⑨
12. 結論 • 3種類の語彙統語パターンを用いて 前処理を施したエントリ-リダイレクト語句対 2,000件の同義抽出を行った →適合率 92.1%，全体の再現率 10.2% →全エントリ-リダイレクト対から36,068件抽出 • 表層の異なる同義異語句対が抽出されやすい • より多くの同義語句対を抽出するには 語彙統語パターンの拡張 Wikipedia以外の語彙資源の活用 ⑩
13. ご清聴　ありがとうございました
14. リダイレクトページとエントリページの関係 エントリページへ転送するページをリダイレクトページと呼ぶ このリンクは意味の近い語同士で結ばれているが， 　同義ではない語句対も存在する
15. 前処理 •エントリページ本文の 第１節見出しより下の文章を削除 •エントリ名，'''エントリ名'''，「エントリ名」を 囲み記号ごと[entry]に置換 •リダイレクト名も同様に記号ごと[redirect]置換 •[entry]，[redirect]以外の文字列が 上記の記号で囲われていたら[other]に置換 •並列表現{および|または|もしくは|や}を 読点{、}に置換 •小括弧(　)で囲われた部分を抜き出し 別の一文にする
16. 実験結果 正しく抽出できたエントリ名-リダイレクト名の例 パターン エントリ名-リダイレクト名 語彙統語パターンに照合した文 名詞 ギリョウバイ-ネズモドキ 針葉樹のネズに似るので '''ネズモドキ'''の別名もある 名詞 静岡県警察-静岡県警 ･･･静岡県内を管轄区域とし、静岡県警と 略称する 文末 脇町南町-うだつの町並み '''うだつの町並み'''と呼ばれることもある 文末 モンズーン-モンスン '''モンスン'''、'''モンスーン'''などと表記さ れる場合もある 括弧 ポストパンク-Post-punk '''ポストパンク'''（''' Post-punk '''）は･･･、 括弧 ロマ語-ロマニー語 '''ロマ語'''（ロマご、'''ロマニー語'''）は･･･
17. 語彙統語パターン 括弧表現を用いたパターン エントリ本文内での小括弧(　)に対して行う処理 括弧内に[redirect]が存在したら同義と判定 例) (　)内に[redirect](林檎酸)が存在した場合
18. [entry],[redirect]の置換 パターンエントリ名，リダイレクト名を[entry]，[redirect]に 置き換えるのは直前の並列表現を抽出しやすくするた め エントリ名が「巨人の星」といった語句だと、 名詞、記号列の連続に「の（助詞）」が含まれない
19. 大野-スライド.pdf