Word Relatives om Context for Word Semse Disambiguation

4/24 ぶんけんしょうかい

Transcript

1. 文献紹介 WORD RELATIVES IN CONTEXT FOR WORD SENSE DISAMBIGUATION 自然言語処理研究室 修士１年 宮西 由貴
2. 論文情報  Martinez David, Eneko Agirre, and Xinglong Wang. “Word relatives in context for word sense disambiguation.” Proceedings of the 2006 Australasian Language Technology Workshop (ALTW2006), p42-50 １
3. 背景 -曖昧性解消-  語義曖昧性解消  文中の語の意味を一意に特定するタスク  他のNLPタスクのための中間作業  Senseval  語義曖昧性解消に関するコンテスト  このタスクとしては最高水準 ３
4. 背景 - Sensevalでの流行-  Sensevalの現状  教師あり学習が優勢  ベースラインを少し超える程度の精度  原因：訓練データ(＝タグ付きコーパス)が足りない  タグ付きコーパス構築の問題点  コストが高い(人手でのアノテーション)  分野に依存している ⇒knowledge acquisition bottleneck (知識獲得に関するボトルネック) ４
5. 目的  具体的には･･･  教師なしシステムを構築  語義と語を関連付けたシソーラスと コーパスのみを使用 WSDタスクの精度向上 知識獲得ボトルネックを解消 ５
6. 関連研究 - 「一義の類似語」を用いる手法 (Leacock et al.,1998)-  特徴  Machine Learning(ML)を使用  ML用のトレーニング用の例は自動的に作成  ステップ ①目標語に類似する語の中で一義のものを選択 ②①で取得した類似語をネットで検索して例を取得 ③目標語と取得した例から訓練データを作成 ④MLに入れて学習 「目標語と同義」 かつ 「一義の語」 は少ない ６
7. 提案手法 -概要-  関連研究との違い  類似語として多義の語も使用  MLを使用しない  大まかなステップ  類似語を集める  類似語で置き換えたトークン列を検索する  検索で得た文をランク付け  ランクが高い類似語の語義が選択される ７
8. 提案手法 -詳細１-  類似語を集める  WordNet中の同義語・下位語・上位語を収集  類似語で置き換えたトークン列を検索する (１)入力文をトークン化 (２)N個のトークンをまとめる(N≦6) (３)目標語を類似語に置き換えてネットで検索 ８
9. 提案手法 -詳細２-  検索で得た文をランク付け  含まれるトークンの数  多ければ多いほどランクが高い  「類似語」の種類  同義語＞直近の下位語＞直近の上位語＞その他  ヒット数  多くの文がヒットすればランクが高い  ランクが高い類似語の語義が選択される ９
10. 具体例（１）  “church”の意味 意味① キリスト教徒 意味② 教会(建築物) 意味③ 教会・教派(グループ) The church was rebuild in the 13th century and further modifications and restoration were carried out in the 15th century. 10
11. 具体例（２）  “church”の同義語・上位語・下位語を取得  トークン列を検索  ランクが高かった意味を選択  ②身廊(nave)・修道院(abbey）・大聖堂(cathedral)  含まれるトークン：多い ヒット数：多い 11 意味別クエリ数 ①：２ ②：３ ③：２
12. 実験設定  データセット  Senseval-2(S2LS)･･･WordNet1.7 29個の名詞  Senseval-3(S3LS)･･･WordNet1.71 20個の名詞  評価方法  Sensevalが提供している評価用ソフトを使用  Recallで評価(必ず答えを返すのでPrecision=Recall)  表記  MR：関連研究(一義の語を用いたWSD)  RC：提案手法 12
13. 実験結果  実験結果の一部  平均 13
14. 考察  平均としては提案手法が良い  ただし、全テストセットに効果がある訳ではない  MRの手法：トレーニングデータに雑音あり  正しい連語を取って来れない  bag-of-words に頼るしかない 14
15. 他システムとの比較 -実験-  他システムの表記：  RK:自動ランキング(McCarthy et al, 2004)  MT:機械翻訳タスクの一部(Wang and Martinez,2006)  NR:類似語の数で評価  上記とMR＆CRを比較  結果 15
16. 他システムとの比較 -結果と考察-  RKの結果が一番良い  どのアルゴリズムも良いとは言えない結果  組み合わせて使ってみるのが良い？ ⇒カッパ値を見てみる  似ている：組み合わせても意味がない  似ていない：組み合わせることで結果が変わる可能性有  全数値が１未満であり、互いに似ていないと判断 S2LS S3LS 16
17. 所感  評価されたのであろう点  教師あり学習を用いない手法  様々な種類の手法との比較  名詞の曖昧性解消としては面白い手法  精度が出ていないのが難点  対象がネット＝雑音が多い？ 17