上位語・下位語の抽出 定型表現を利用した特許文書からのシソーラスの自動構築の実装 第11回 B3勉強会 2019/3/28 長岡技術科学大学 自然言語処理研究室 吉澤 亜斗武

参考文献・資料 [1] 安藤まや，関根聡，石崎俊： 定型表現を利用した新聞記事からの下位概念単語の自動抽出， 情報処理学会研究報告自然言語処理，NL-157, pp.77-82, 2003. [2] 難波英嗣，奥村学，新森昭宏，谷川英和，鈴木泰山： 特許データベースからのシソーラスの自動構築，言語処理学会， 年次大会発表論文集， pp.1113-1116, 2007. [3] 間弓沙織，難波英嗣，竹澤寿幸： 日英特許データベースからのシソーラスの自動構築，言語処理学会， 年次大会発表論文集，A4-2, 2011. [4] 平松淳，若林啓：系列ラベリングによる自然言語文からの上位下位関係自動 抽出，言語処理学会，年次大会発表論文集，P11‐1, 2017. 2

Contents (1) はじめに (2) シソーラス自動構築の手法 (3) 概念対の分類方法 (4) 実験結果 (5) 考察 (6) まとめ 3

(1) はじめに ・シソーラス（thesaurus） 意味の上位下位関係，同義関係を中心に語を体系的にまとめた 辞書 ・今回は講義の課題で作った，特許文書からの上位下位関係にお けるシソーラスの自動構築を紹介． 4

(1) はじめに ・安藤，関根ら[1]が「などの」「等の」「といった」「のよう な」の4種類の定型表現（手がかり語）に着目し，新聞記事か ら下位概念の自動抽出を行った． ・難波，奥村ら[2]は， 「といった」「のような」ではノイズ （不適切な概念対）が多く，件数も少ないので， 「などの」 「等の」だけノイズを分析，改良案を提案 5

(1) はじめに ・系列ラベリングを用いた方法では，教師データに依存すること が懸念される． ・今回は，「などの」「等の」「のような」「としては」を 手がかり語としてシソーラスを構築し，ノイズを分析した． 6

(2) シソーラスの自動構築の方法 7 ・一文ごとに読み込み，手がかり語があれば，前半部と後半部に 文を分割し，形態素解析を行う． ・手がかり語の前後が名詞であれば抽出する． ・名詞の前に形容詞があったら飛ばして次の名詞を抽出． ・下位概念の抽出において，「や」「、」などを挟んで名詞が 連続する場合は，その名詞も抽出する．

(2) シソーラスの自動構築の方法 8 ・「としては」は後半部を下位概念として抽出する． ・「次のような」といったものは抽出を行わない． ・後半部で上位概念の抽出を行う際，抽出した名詞1が， 名詞1＋「の」＋名詞2 の形で名詞2を修飾し，上位概念が 名詞2である場合が見られた． ・本実験では，名詞1＋ 「の」＋名詞2の形の場合，名詞2を 上位概念として抽出した．

(2) シソーラスの自動構築の方法 9

(３) 概念対の分類方法 10

(４) 実験結果 11 ・1999年の特許文書，999件に適用した． ・得られた概念対の総数から手がかり語ごとに100個の概念対を ランダムに抽出し，人手で正解率及び，ノイズを種類別に 分類した． ・得られた概念対の総数は，「などの」では2890個，「等の」 では5831個，「のような」では1135個，「としては」では 3865個であった．

(４) 実験結果 12

(５) 考察 13 ・「などの」「等の」ではF1が多く，元の文が上位下位関係を 表す文であれば，比較的に抽出を適切に行うことができる． ・これを判定する方法として難波，奥村ら[2]は「などの」の個所を 「の」に置き換えた表現が日本語として自然であるかどうかにより， 判別する方法がある．しかし，この手法では，上位下位関係を 表す文も誤って削除することが多くあるなどの課題が残っている．

(５) 考察 14 ・「のような」では後半部で上位概念の抽出を，「としては」 では後半部で下位概念の抽出を行っており，後半部での概念の 抽出が今後の課題である． ・「のような」では，名詞1＋ 「の」＋名詞2 で名詞２を 上位概念としていたので，名詞１が「種々」「任意」などでは ないなら名詞１を上位概念とするなどの改善案が考えられる．

(６) まとめ 15 ・「などの」「等の」「のような」「としては」の４種類の 手がかり語に着目し，特許文書から上位下位関係を表すシソー ラスを構築した． ・「などの」「等の」では約40％，「のような」「としては」 では約30％の精度で抽出できた． ・手がかり語ごとに別の改善方法を適用するべきであることが わかった．