[論文レビュー] A Computational Approach to Measuring the Semantic Divergence of Cognates

Ana Sabina Uban, Alina-Maria Ciobanu+1 more|arXiv (Cornell University)|Dec 2, 2020

Natural Language Processing Techniques被引用数 4

ひとこと要約

本稿では、特にラテン語およびロマンス諸語を含む関連言語における類義語の意味的乖離を定量的に測定するため、多言語埋め込みを用いた手法を提案する。本研究では、意味が異なる類義語（偽類義語）を検出するフレームワークを導入し、『ハード』と『ソフト』の偽類義語を区別し、是正提案を行う。手動で検証されたデータセットにおいて最大88.46％の再現率を達成した。

ABSTRACT

Meaning is the foundation stone of intercultural communication. Languages are continuously changing, and words shift their meanings for various reasons. Semantic divergence in related languages is a key concern of historical linguistics. In this paper we investigate semantic divergence across languages by measuring the semantic similarity of cognate sets in multiple languages. The method that we propose is based on cross-lingual word embeddings. In this paper we implement and evaluate our method on English and five Romance languages, but it can be extended easily to any language pair, requiring only large monolingual corpora for the involved languages and a small bilingual dictionary for the pair. This language-agnostic method facilitates a quantitative analysis of cognates divergence -- by computing degrees of semantic similarity between cognate pairs -- and provides insights for identifying false friends. As a second contribution, we formulate a straightforward method for detecting false friends, and introduce the notion of "soft false friend" and "hard false friend", as well as a measure of the degree of "falseness" of a false friends pair. Additionally, we propose an algorithm that can output suggestions for correcting false friends, which could result in a very helpful tool for language learning or translation.

研究の動機と目的

• 関連言語間の類義語ペアにおける意味的乖離を、言語に依存しない方法で定量的に測定すること。
• 多言語埋め込みを用いて、意味が異なる類義語（偽類義語）を自動的に検出すること。
• 『ハード』と『ソフト』の偽類義語の区別を導入し、偽類義語の度合いを測定する指標を定義することにより、検出精度を向上させること。
• 偽類義語に対して是正提案を行うアルゴリズムを提供し、言語学習や翻訳システムの支援を行うこと。
• 複数のロマンス諸語および英語を対象に、手動およびWordNetベースのゴールドスタンダードを用いて、複数の言語ペアで手法を評価すること。

提案手法

• 本手法は、大規模な単語彙集と小規模な二語辞書を用いて学習された多言語埋め込みを用い、類義語ペア間の意味的類似度を計算する。
• 意味的乖離は、言語ペア間の単語埋め込みのペアワイズ類似度メトリクスを用いて測定する。
• 分類器は、埋め込み類似度スコアを特徴量として用い、真の類義語と偽類義語を区別する。
• フレームワークは、偽類義語ペアの誤解度を定量化するための「偽類義度」指標を導入し、ハードとソフトの偽類義語の区別を可能にする。
• 是正提案のため、モデルは文脈における意味的類似度の高い単語を、埋め込み空間上の近接性に基づいて推奨する。
• 評価には、手動で整備されたテストセットとWordNetベースのゴールドスタンダードを併用し、複数の言語ペアにおける性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 多言語埋め込みを用いて、関連言語の類義語間の意味的乖離をどのように定量的に測定できるか。
• RQ2 多言語埋め込みは、ロマンス諸語の類義語ペアにおける偽類義語をどの程度正確に検出できるか。
• RQ3 埋め込み類似度を用いて、『ハード』と『ソフト』の偽類義語の区別を意味的に明確に定義・測定できるか。
• RQ4 提案手法は、既存の手法と比較して、偽類義語の同定および是正提案においてどの程度効果的か。
• RQ5 意味的乖離測定値は、言語関係の既存の言語学的分類と整合性を示すか。

主な発見

• ロマンス諸語ペアの中で、スペイン語とポルトガル語が最も高い意味的類似度を示し、意味的乖離が最も小さいことがわかった。
• ルーマニア語はラテン語から最も意味的乖離が大きく、ラテン語の言語的コアから地理的・歴史的にも遠く離れているためと推察される。
• 手動で検証された英語-スペイン語の偽類義語検出タスクにおいて、本手法は88.46％の再現率を達成し、偽類義語の同定において優れた性能を示した。
• WordNetベースの評価では、英語-ポルトガル語ペアで77.25％の正解率を達成し、精度と再現率の両方が中程度から高い水準を示した。
• 意味的乖離に基づく言語のクラスタリングは、ロマンス諸語の歴史的系統樹と整合性のある階層を生成した。
• 英語はラテン語の語彙を借用して獲得したが、意味的類似度は現代のロマンス諸語とほぼ同等に保たれており、共通の意味的進化の兆候を示している。