2011 Fiscal Year Research-status Report
語彙データベースと大規模コーパスに基づく意味クラス推定器の開発
| Project/Area Number |
23700159
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
岡崎 直観 東北大学, 情報科学研究科, 准教授 (50601118)
|
|---|
| Project Period (FY) |
2011-04-28 – 2013-03-31
|
| Keywords | 自然言語処理 / 情報抽出 / 知識獲得 / 固有表現抽出 |
|---|
| Research Abstract |
平成２３年度は，２つの研究項目（(1)意味クラスが付与された学習データの自動獲得，(2)自動獲得した訓練データから高精度な意味クラス推定器を構築）を進めた．研究項目(1)では，Unified Medical Language System (UMLS) の遺伝子名を概念・実体の表現事例（語彙データベース）と見なし，PubMedの論文抄録を生テキストコーパスとして，学習データの自動獲得を行った．具体的には，PubMedの論文抄録のテキスト中に含まれるトークン列が，UMLSに遺伝子名として収録されている場合，該当部分を遺伝子名の正例とした．Gene or Gene Products (GGP) の意味クラスを人手で付与した評価データを用い，UMLSの辞書マッチングによる意味クラス推定の性能を測定したところ，精度92.1%，適合率39.0%，再現率42.7%，F1スコア40.8が得られた．適合率・再現率ともに低く，概念・実体の表現事例と生テキストコーパスの辞書マッチングを行うだけでは，ノイズ（偽正例と偽負例の両方）が多いことが分かった．研究項目(2)では，研究項目(1)で自動獲得した訓練データを用いて，条件付き確率場（CRF）で意味クラス推定器を構築した．PubMed全体に対して研究項目(1)の方法で教師データを獲得し，意味クラスタガーの性能をGGPコーパスで測定したところ，精度85.8%，適合率10.2%，再現率23.8%，F1スコア14.3であった．意味クラスタガーの性能を改善させるため，研究項目(1)で正例を抽出する際，UMLSレコードの参考文献情報と抄録の文献IDのマッチングを行うように工夫したところ，精度93.7%，適合率69.3%，再現率39.1%，F1スコア50.0まで改善が見られた．この性能は，研究項目(1)の性能を上回っており，本研究のアプローチの意義が示された．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究の目的は，テキストから特定の意味クラスに属する概念・実体の表現（例えば製品名や病名など）を抽出するプログラム（意味クラス推定器）を，低コストで開発することである．この目的の達成のため，(1)意味クラスが付与された訓練データの自動獲得，(2)自動獲得された訓練データからの意味クラス推定器の構築，(3)意味クラス推定器の性能評価，の３つの研究項目を設定していた．平成２３年度は，３つの研究項目のうち，項目(1)と(2)の研究を進めた．研究項目(1)に関してはベースラインとなる手法を実装した．この段階で，研究項目(2)を進め，ベースライン手法で構築された意味クラスタガーの性能評価を行った．その実験過程で得られた知見をもとに，研究項目(1)の手法の改善を行い，意味クラスタガーの性能評価を行ったところ，ベースライン手法の性能を大幅に改善することが示され，本研究のアプローチの意義を示すことができた．このように，平成２４年度に研究項目(3)を進めるための準備が整っており，本研究は順調に進行していると考える．
|
| Strategy for Future Research Activity |
平成２４年度は，研究項目(1)と(2)の成果を既存のタグ付きコーパス以外のドメインに適用するため，評価データの整備・構築を行う．新しいドメインのテキスト・意味クラスに対して，提案手法と従来手法のアプローチを比較する実験を行う．意味クラスとしては，語彙データベースの入手性などを考慮しつつ，従来の訓練データでは採用されていなかった意味クラスを選ぶ．テキストのドメインとしては，多種多様な実体・概念が記述されている生命・医学分野の論文抄録と，本研究の今後の応用が見込まれるWeb文書を予定している．評価データの準備のため，ＧＵＩで操作できるアノテーションツールを開発する．そして，補助作業者を短期間雇用し，生テキストに意味クラスを付与する作業を担当していただく．評価データの準備が整ったら，研究項目(1)と(2)の手法の改善を進め，意味クラスタガーのさらなる改善を進める．実験結果は国際会議や雑誌論文などで対外発表を行い，構築した意味クラス推定器をウェブサービスやデモンストレーション・システムなどで公開することで，研究成果を他の研究者がすぐに利用できる形で還元する．
|
| Expenditure Plans for the Next FY Research Funding |
評価データを構築するための技術的なハードルを下げるため，ＧＵＩで操作できるアノテーションツールを開発する．この開発のため，プログラミングができる補助作業者１名を雇用する．開発されたツールを用い，まとまった量の生テキストにアノテーションを付与してもらうため，補助作業者３名を雇用する．平成２４年度の研究費の半分くらいを人件費・謝金のために支出する．また，作業に必要な計算環境の整備のため，物品費を計上する．さらに，平成２４年度は本研究課題の最終年度のため，研究成果を国際会議や雑誌論文などで対外発表を行う．このために必要な旅費や論文投稿費用のため，旅費やその他の経費を行使する．
|
