[論文レビュー] A Concise Query Language with Search and Transform Operations for Corpora with Multiple Levels of Annotation

Anil Kumar Singh|arXiv (Cornell University)|Aug 9, 2011

Natural Language Processing Techniques参考文献 13被引用数 3

ひとこと要約

本論文は、'スレッド付き木'—木とグラフの中間構造—を用いて、複数のアノテーションレベルを持つアノテート済みコーパスのための簡潔で表現力のあるクエリ言語を提案する。タイプ付きスレッドを備えたシンプルな構文により、プログラミングを必要とせずに複雑なクエリやデータ操作が可能となり、木構造アノテートデータに対する既存言語よりも表現力と簡潔さに優れる。

ABSTRACT

The usefulness of annotated corpora is greatly increased if there is an associated tool that can allow various kinds of operations to be performed in a simple way. Different kinds of annotation frameworks and many query languages for them have been proposed, including some to deal with multiple layers of annotation. We present here an easy to learn query language for a particular kind of annotation framework based on 'threaded trees', which are somewhere between the complete order of a tree and the anarchy of a graph. Through 'typed' threads, they can allow multiple levels of annotation in the same document. Our language has a simple, intuitive and concise syntax and high expressive power. It allows not only to search for complicated patterns with short queries but also allows data manipulation and specification of arbitrary return values. Many of the commonly used tasks that otherwise require writing programs, can be performed with one or more queries. We compare the language with some others and try to evaluate it.

研究の動機と目的

• 複数のアノテーションレイヤーを持つ言語的アノテート済みコーパスを効果的にクエリおよび変換する課題に対処すること。
• 一般的なアノテーションタスクのためのカスタムプログラミングに代わる、学習が容易でかつ十分に強力なクエリ言語を設計すること。
• スレッド付き木構造データに対して、パターンマッチングとデータ変換を統合的に扱える1つの統一言語を提供すること。
• 既存の木およびグラフクエリ言語と比較して、本言語の表現力と簡潔さを評価すること。
• プログラミング経験のないユーザー、例えばアノテーターおよび仲裁者など、複雑なデータ操作を効率的に行えるようにすること。

提案手法

• 言語は、ノードが他のノードへの'タイプ付きスレッド'を持つことで、1つの木構造内に複数のアノテーションレイヤーを統合できる'スレッド付き木'に基づく形式的枠組みに根ざしている。
• オブジェクト、メンバ、演算子、ワイルドカード、変数、エイリアスなどの構文要素を用いたシンプルで直感的な構文により、複雑なクエリを表現する。
• クエリは、ノードの種類、ラベル、属性などの条件、パス式、変換ルール（戻り値や複数のソース/ディスティネーションを含む）で構造化される。
• 特別なインデックス演算子（例：'@' は論理積、'*' は論理和）を用いて論理積や論理和をサポートし、複雑なパターンマッチングを可能にする。
• サブツリーの抽出やアノテーションの変更といった変換アクションを通じたデータ操作が可能で、ネストされた式やエイリアス式もサポートする。
• 本言語は、先行研究から標準化された7つの句法クエリを用いて評価され、NiteQL、Tgrep2、Emu など他の言語との表現力と簡潔さを比較した。

実験結果

リサーチクエスチョン

• RQ1 スレッド付き木として符号化された複数レイヤーのアノテート済みコーパスに対して、簡潔かつ表現力のあるクエリ言語を設計できるか？
• RQ2 NiteQL、Tgrep2、Emu などの既存の木およびグラフクエリ言語と比較して、提案言語の表現力と簡潔さはどの程度か？
• RQ3 プログラミング経験のないユーザーが、コードを書かずに複雑なアノテーションタスクを実行できるようになるまでの学習可能性はどの程度か？
• RQ4 特に 'dominates' 演算子の欠落など、現在の実装における制限は何か？
• RQ5 本言語は、検証、整合性チェック、特徴抽出などのアノテーションタスクのスクリプトツールとして機能できるか？

主な発見

• BirdとLai (2004) が提示した7つのベンチマーククエリはすべて、提案言語で表現可能であり、高い表現力を示している。
• 他の言語と同等か、それ以上の簡潔さを達成しており、NiteQL で知られる高い表現力にもかかわらず冗長な構文であるにもかかわらず、多くのクエリがより少ないトークン数で表現可能である。
• 唯一、すべての7つのクエリを表現できたのは NiteQL であったが、提案言語ははるかに簡潔な構文で同等の表現力を達成している。
• プログラミングを必要とせずに、サブツリー抽出、条件付きマッチング、複数ソース/複数ディスティネーションの変換といった複雑な操作が可能である。
• 非計算的背景を持つユーザーも、言語の習得が容易であると感じており、熟練ユーザーは数時間で習得したが、学習可能性に関する形式的評価は未実施である。
• 現在の実装では、'dominates' や 'is-dominated-by' といった重要な演算子の完全なサポートが欠落しており、これによりさらなる簡潔さと使いやすさが向上するだろう。