20160422 文献紹介

Transcript

1. 文献紹介 長岡技術科学大学 自然言語処理研究室 須戸 悠太 1

2. 紹介文献 • Emmanuel Morin; Amir Hazem; Florian Boudin; Elizaveta Loginova-Clouet

   • LINA: Identifying Comparable Documents from Wikipedia • Proceedings of the Eighth Workshop on Building and Using Comparable Corpora – PP.88-91 2

3. 概要 • BUCC2015で発表したLINAシステム • hapax words の数を収集することにより、同等 の文書を識別 • 分類棚の推論とクロスリンガル情報を用いて，

   上記の方法を拡張 – 約60％の精度で同等の文書が特定できた 3

4. 導入 • 統計的機械翻訳において重要なパラレル コーパス • 同等のリソースを識別するための既存のアプ ローチの評価 – Wikipedia等 •

   言語にとらわれないアプローチ 4

5. 基本的な手法 • 文書内で1度しか出現しないかつ4文字以上 の単語（hapax words）を含む文書をbags of words で索引付けする • hapax

   wordsを最も多く共有する文書は並列 であると考えられる． – Wikipediaで並列文書を検出する際に非常によく 機能する． 5

6. hapax words の例 • Hapax words の ほとんどは固有 名詞や数値に 関係するもの

   – 今回はURLや 特殊文字も保 持 6

7. 文書のペアの選択 • ソース－ターゲット文書のペアを検索するた めに，ソース言語（EN）の文書ごとにhapax wordsの最大数を共有するターゲット言語（FR, DE）の文書を20文ずつ選択する（baseline） 7

8. 分類棚の利用 • 多重に割り当てられたソース文書が多いため， 削っていく必要がある．（baseline） • 共有の単語（以下分類棚）の最大数と文書の ペアを保持することによって潜在的な複数の ソースドキュメントを削除する． – 60％→10％と激減した．（+pigeonhole）

   8

9. クロスリンガル情報の利用 • ソース－ターゲット言語と異なる言語でソース 言語とペアリングしている文書を利用 • ターゲット文書とhapax words の共有数を比 較し最大となるターゲット文書を選択する． •

   多重に割り当てられたソース文書は10％ →4％未満に減少（cross-lingual） 9

10. クロスリンガル情報の利用 10 ←ソース言語 ターゲット言語1→ ターゲット言語2→

11. 実験 • フランス語－英語、ドイツ語―英語のペアで 実験 • 以下の3つの尺度で評価 – 平均精度（MAP） – 正解率（Succ）

    – 上位5文の精度（P@5） 11

12. 実験結果 • 分類棚を利用することで精度が大きく改善 12