文献紹介 : More is not always better: balancing sense distributions for all-words

Transcript

1. 1.

   More is not always better: balancing sense distributions for all-words

   Marten Postma , Ruben Izquierdo Bevia , Piek Vossen 2019 2/14 文献紹介 長岡技術科学大学 自然言語処理研究室 福嶋　真也 Proceedings of COLING 2016, the 26th International Conference on Computational Linguistics: Technical Papers, pages 3496–3506, Osaka, Japan, December 11-17 2016.
2. 2.

   2 Abstract • 現在のWSDシステムでは、出現頻度の低い語義であまり 良い性能が得られない。 →訓練データ、テストデータ内の語義の出現頻度の 　偏りが原因。 • システムの性能に影響する特性を調査。 •

   訓練データのバランスをとることでシステムが改善すること を確認した。
3. 3.

   3 Introduction • WSDにおいて、教師ありの機械学習を用いたシステムは良い 性能を発揮している。 • トレーニングデータの量が問題であると考えられている。 →しかし、別問題として語義の出現頻度がある。 • WSDシステムの評価において、

   – MFSのインスタンスでは精度が高い。（約80%） – LFSのインスタンスでは精度が低い。（約20%）
4. 4.

   4 Introduction • 本研究では訓練データに関して4つの観点から精度への 影響を調査。 ・Volume: 単純に訓練データを増やした時の影響 ・LFS:LFSの事例を訓練データに追加した時の影響 ・Provenance:訓練データの注釈の付け方に関する影響 （手動と自動）

   ・Balancing:語義の出現分布をテストデータと訓練データ で合わせた時の影響
5. 5.

   5 Methodology • 訓練データ ・SemCor(SC) ・Princeton WordNet Gloss Corpus (GC)

   　手動で注釈を付与 ・Wordnet2Wikipedia (WW)　 WordnetとWikipediaを使って、語義ごとに文を収集して 意味を付与したデータセット 　 自動で注釈を付与
6. 6.

   6 Methodology • WSDシステム ・IMS（It Make Sense） WSDシステムのフレームワーク 素性として ・周辺単語

   ・品詞タグ ・コロケーション を使用
7. 7.

   7 Methodology • 評価データ SemEval-2013 task12 のテストセット 1,644個のテストインスタンスが存在 データセットに出現する語義のうち、 MFS：1,035個

   LFS：609個
8. 8.

   8 Experiment • 実験設定 訓練データはSCをベースとして、GCとWWで拡張する。 訓練データの拡張方法として以下の手法を使用する。 ・All ・LFS ・Top-down ・Bottom-up

9. 9.

   9 Experiment ・All MFSとLFSのインスタンスを両方加える。 ・LFS LFSのインスタンスのみ加える。

10. 10.

    10 Experiment ・Top-down、Bottom-up テストセットの語義の出現分布から訓練データセットに入れ る例の事例を決定。 Top-downでは最も出現する語義の出現数、 Bottom-upでは最も出現しにくい語義の出現数を基準に 訓練データに入れる事例の数を決めていく。 テストデータに出現しない語義には、一定の事例の数を訓 練データに入れる（今回は1または5）。

11. 11.

    11 Result

12. 12.

    12 Result VolumeとProvenanceについて

13. 13.

    13 Result LFSについて

14. 14.

    14 Result Balancingについて

15. 15.

    15 Conclusion • WSDにおけるLFSの語義の問題について、 トレーニングデータの影響を調査した。 • 訓練データの量、データの作り方によってWSDの性能を改 善できることが分かった。 • テストデータと訓練データで語義の出現分布が近いほど良

    い性能を出せた。 →テストセットの特性に合わせたモデルを構築することで 　良い性能を出せる可能性がある。